Crash Severity Prediction Using Two-Layer Ensemble Machine Learning Model for Proactive Emergency Management
Notice bibliographique
Résumé
Many unfortunate victims in road traffic crashes do not receive ideal treatment because their injury severity is not understood at an early stage. Swift crash severity prediction enables trauma and emergency centers to estimate the potential damage resulting from a road traffic crash and accordingly dispatch the proper emergency units to provide appropriate emergency treatment. A two-layer ensemble machine learning model is proposed in this study to predict road traffic crash severity. The first layer integrates four base machine learning models: k-nearest neighbor, decision tree, adaptive boosting, and support vector machine; the second layer classifies the crash severity based on the feedforward neural network model. The models are developed using road traffic crash data of road intersections over 6 years (2011-2016) obtained from Great Britain's Department of Transport online database. Only the crash features that can be instantaneously and easily obtained are used as an input. To simplify the two-layer ensemble model, principal component analysis technique is used for dimensionality reduction in the second layer of the model. The performance of the two-layer ensemble model is compared with five base models: k-nearest neighbor, decision tree, adaptive boosting, support vector machine, and feedforward neural network. The prediction results reveal that the two-layer ensemble model outperforms the five base classification models based on two performance indicators: testing accuracy and F1 score. The transferability of the developed model is tested using the 3-year crash dataset for Canada obtained from the National Crash Database Online. The outcome indicates that the two-layer ensemble model shows the best performance for the Canadian dataset also. The proposed two-layer ensemble model would be beneficial in predicting crash severity with high accuracy based on limited initial crash information obtained from the crash location. Using this information, trauma centers would be able to prepare for appropriate and prompt medical treatment.
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 ».