Comparing Factors Affecting Injury Severity of Passenger Car and Truck Drivers
Notice bibliographique
Résumé
This study aims to explore factors affecting passenger car and truck driver injury severity in passenger car-truck crashes. Police-reported crash data from 2007 to 2017 in Canada are collected. Two-vehicle crashes involving one truck and one passenger car are extracted for modeling. Different injury severities are not equally represented. To address the data imbalance issue, this study applies four different data imbalance treatment approaches, including over-sampling, under-sampling, a hybrid method, and a cost-sensitive learning method. To test the performances of different classifiers, five classification models are used, including multinomial logistic regression, Naive Bayes, Classification and Regression Tree, support vector machine, and eXtreme Gradient Boosting (XGBoost). In both the passenger car driver and truck driver injury severity analysis, XGBoost combined with cost-sensitive learning generates the best results in terms of G-mean, area under the curve, and overall accuracy. Additionally, the Shapley Additive Explanations (SHAP) approach is adopted to interpret the result of the best-performing model. Most of the explanatory variables have similar effects on passenger car and truck driver fatality risks. Nevertheless, six variables exhibit opposite effects, including the age of the passenger car driver, crash hour, the passenger car age, road surface condition, weather condition and the truck age. Results of this study could provide some valuable insights for improving truck traffic safety. For instance, properly installing traffic control devices could be an effective way to reduce fatality risks in passenger car-truck crashes. Besides, passenger car drivers should be extremely cautious when driving between midnight to 6 am on truck corridors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».