篇名 数据不平衡下以机器学习方法预测交通事故严重性之分析
作者 胡大瀛、李岳洪
摘要        降低事故的严重程度是近年来全世界努力的方向,全球已经发展出许多被动式安全系统来减缓事故严重程度,如安全带、安全气囊、煞车辅助系统等等,建立预测事故严重性的模型也是许多学者研究的目标,近年来
机器学习以及深度学习的方法取代统计方法,可以达到较高的准确度以及运算效率,然而进行模型训练时需要大量的数据,但肇事数据库中存在着数据不平衡的问题,因此如何处理这种状况将是一项重要的课题。
       本研究将交通事故严重性分为死亡、受伤、未受伤三个等级,为多元分类问题,并收集台南市的公开数据库且利用过采样以及欠采样两种资料预处理的方法,对于不平衡的数据进行重新采样,分别使用SMOTE 和Cluster Centroid 这两种算法去进行;在模型训练的部分,采用基于集成学习(Ensemble Learning)的两种分类模型,本文使用Random Forest 和Catboost 这两种算法来进行两种集成的学习,研究结果显示,在欠采样及过采样的资料中,两种模型分别都有97.69%以及86.84%以上的准确度,此结果未来可以应用于自驾车上或是给予相关单位作为制定决策时的一些证
据。
卷 51
期 4
页次 275
出版年份 111
出版月份 12
档案下载 数据不平衡下以机器学习方法预测交通事故严重性之分析.pdf
Hashtags
查看次数: 11