Analysis of vehicle pedestrian crash severity using advanced machine learning techniques
Notice bibliographique
Résumé
In 2015, over 17% of pedestrians were killed during vehicle crashes in Hong Kong while it raised to 18% from 2017 to 2019 and expected to be 25% in the upcoming decade. In Hong Kong, buses and the metro are used for 89% of trips, and walking has traditionally been the primary way to use public transportation. This susceptibility of pedestrians to road crashes conflicts with sustainable transportation objectives. Most studies on crash severity ignored the severity correlations between pedestrian-vehicle units engaged in the same impacts. The estimates of the factor effects will be skewed in models that do not consider these within-crash correlations. Pedestrians made up 17% of the 20,381 traffic fatalities in which 66% of the fatalities on the highways were pedestrians. The motivation of this study is to examine the elements that pedestrian injuries on highways and build on safety for these endangered users. A traditional statistical model's ability to handle misfits, missing or noisy data, and strict presumptions has been questioned. The reasons for pedestrian injuries are typically explained using these models. To overcome these constraints, this study used a sophisticated machine learning technique called a Bayesian neural network (BNN), which combines the benefits of neural networks and Bayesian theory. The best construction model out of several constructed models was finally selected. It was discovered that the BNN model outperformed other machine learning techniques like K-Nearest Neighbors, a conventional neural network (NN), and a random forest (RF) model in terms of performance and predictions. The study also discovered that the time and circumstances of the accident and meteorological features were critical and significantly enhanced model performance when incorporated as input. To minimize the number of pedestrian fatalities due to traffic accidents, this research anticipates employing machine learning (ML) techniques. Besides, this study sets the framework for applying machine learning techniques to reduce the number of pedestrian fatalities brought on by auto accidents.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».