数据不平衡的MobileViT网络交通事故严重程度预测模型

摘要

为解决数据不平衡引起的事故严重程度预测精度低的问题，提出了一种基于深度学习技术的交通事故严重程度预测模型。使用机器学习算法确定影响事故严重程度的关键变量，将数值型事故变量转换成图像数据应用于融合卷积神经网络和自注意力机制的MobileViT网络，针对数据量占比小的轻伤和重伤事故，采用焦点损失函数自适应调整轻伤和重伤事故的损失贡献，使模型更关注不平衡数据，利用精确率、召回率和F₁分数评估模型预测性能。结果表明：本文模型在总体预测性能指标上达到0.81以上，优于其他基线模型，召回率和F₁分数至少提高了4%和2.5%；在轻伤事故的召回率和F₁分数上，MobileViT模型比WGAN-GP-XGBoost和ResNet18模型提高了25.9%和4.5%以上，重伤事故的预测性能最好，精确率、召回率和F₁分数相比于另外两种模型分别提高了8.9%、4.2%和6.7%以上；使用焦点损失函数改进的MobileViT模型在预测不平衡数据上，效果高于其他数据平衡方法。

关键词

交通运输系统工程 / 事故严重程度预测 / 数据不平衡 / MobileViT / 焦点损失函数

基金资助

国家自然科学基金项目(51508280)