[论文解读] Traffic Accident Analysis Using Decision Trees and Neural Networks

Miao M. Chong, Ajith Abraham+1 more|ArXiv.org|May 16, 2004

Traffic Prediction and Management Techniques参考文献 15被引用 74

一句话总结

本文提出了一种基于真实世界NASS GES数据的决策树与神经网络在交通肇事伤亡严重程度预测中的对比分析。结果表明，决策树在性能上优于神经网络，其中安全带使用、道路照明和驾驶员饮酒被确定为影响致命伤害的前三位因素。

ABSTRACT

The costs of fatalities and injuries due to traffic accident have a great impact on society. This paper presents our research to model the severity of injury resulting from traffic accidents using artificial neural networks and decision trees. We have applied them to an actual data set obtained from the National Automotive Sampling System (NASS) General Estimates System (GES). Experiment results reveal that in all the cases the decision tree outperforms the neural network. Our research analysis also shows that the three most important factors in fatal injury are: driver's seat belt usage, light condition of the roadway, and driver's alcohol usage.

研究动机与目标

• 使用机器学习技术对交通肇事中的伤亡严重程度进行建模与预测。
• 比较决策树与人工神经网络在真实世界交通肇事数据上的性能表现。
• 识别影响交通肇事中致命伤亡结果的最重要因素。
• 基于数据驱动分析，为交通安全管理政策与干预策略提供可操作的见解。

提出的方法

• 使用国家汽车抽样系统（NASS）通用估计系统（GES）数据集获取真实世界的事故记录。
• 应用C4.5决策树算法，基于事故特征对伤亡严重程度进行分类。
• 在相同数据集上训练前馈反向传播神经网络，以进行对比分析。
• 对数据进行预处理，以处理缺失值和分类变量，确保与两种模型的兼容性。
• 使用准确率和F1-score等标准分类指标评估模型性能。
• 开展特征重要性分析，以评估事故相关变量对伤亡严重程度的影响程度。

实验结果

研究问题

• RQ1 在预测交通肇事伤亡严重程度方面，哪种机器学习模型——决策树还是神经网络——表现更优？
• RQ2 哪些因素对交通肇事中致命伤亡的发生概率具有显著影响？
• RQ3 驾驶员行为因素（如安全带使用和饮酒）如何影响伤亡结果？
• RQ4 决策树的特征重要性分析能否为交通安全管理干预提供可操作的见解？

主要发现

• 在所有评估指标中，决策树在预测伤亡严重程度方面始终优于神经网络。
• 驾驶员使用安全带被确定为降低致命伤亡风险的最关键因素。
• 道路照明条件显著影响伤亡结果，照明不良会增加死亡风险。
• 驾驶员饮酒是导致严重或致命伤亡事故的重要因素。
• 安全带使用、照明条件与饮酒的组合解释了数据集中相当大一部分致命伤亡的变异。
• 决策树的特征重要性分析为政策制定与安全规划提供了清晰且可解释的见解。