基于FHSPSO-RF的交通事故严重程度预测

摘要

为提高交通事故严重程度的预测准确性，构建一种基于觅食生境选择粒子群优化(foraging habitat selection particle swarm optimization, FHSPSO)算法优化随机森林(random forest, RF)算法关键超参数的FHSPSO-RF模型，以美国华盛顿州西雅图市2022年1月至2023年2月的交通事故数据为基础，选取12项特征指标，采用合成少数类过采样技术，增加重伤和死亡事故的样本数，改善事故类别分布均衡性；将FHSPSO-RF模型与支持向量机(support vector machine, SVM)、K近邻(K-nearest neighbors, KNN)和逻辑回归(logistic regression, LR)等模型进行性能对比，并通过SHAP(Shapley additive explanations)分析法，解析各特征对交通事故严重程度的影响机制。结果表明：过采样后重伤、死亡事故的召回率显著增大，FHSPSO-RF模型的整体性能更均衡；FHSPSO-RF模型的准确率、精确率、召回率、F1分数均高于其他3个模型，对交通事故严重程度的预测效果最好；在所有交通事故类型中，受伤人数和车辆数量均为最关键的驱动因素，对交通事故严重程度具有显著正向影响，行人数量、高冲击碰撞类型(如正面撞击)与复杂道路环境(如交叉口、匝道)是重伤及死亡事故的关键风险组合；财产损失事故与是否碰撞路边停放车辆密切相关。FHSPSORF模型在交通事故严重程度预测中表现出良好的性能与可解释性，可为交通事故风险预测与防控决策提供依据。

关键词

交通事故 / 严重程度预测 / FHSPSO / RF