A Comparative Study of Machine Learning Algorithms to Predict Road Accident Severity
Notice bibliographique
Résumé
Road accidents is a global issue that cause deaths and injuries besides other direct and indirect losses. Countries and international organisations have designed technologies, systems, and policies to prevent accidents. The use of big traffic data and artificial intelligence may help develop a promising solution to predict or reduce the risk of road accidents. Most existing studies examine the impact of road geometry, environment, and weather parameters on road accidents. However, human factors such as alcohol, drug, age, and gender are often ignored when determining accident severity. In this work, we considered various contributing factors and their impact on the prediction of the severity of accidents. For this, we studied a set of single and ensemble mode machine learning (ML) methods and compared their performance in terms of prediction accuracy, precision, recall, F1 score, area under the receiver operator characteristic (AUROC). This research considered the road accident severity prediction as a classification problem that can classify the intensity of an accident in two categories: (i) binary classification (e.g. grievous and non-grievous), and (ii) multiclass classification (fatal, serious, minor, and non-injury). Our results show that Random Forest (RF) outperformed other methods' like logistic regression (LR), K-nearest neighbor (KNN), naive Bayes (NB), extreme gradient boosting (XGBoost), and adaptive boosting (AdaBoost) (e.g., 86.64% for binary and 67.67% for multiclass classification) in both single and ensemble ML methods in comparison to other methods considered in this research. LR, KNN, and NB are single mode ML methods that show similar performance to each other for both binary and multiclass classification. Compared to single mode, ensemble ML methods can predict the severity of accident more accurately with the order of RF, XGBoost, and Adaboost. The findings from this study can help to gain insights into the accident contributing factors and the severity of injuries as a result.
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 ».