Factors affecting injury severity in motorcycle crashes: Different age groups analysis using Catboost and SHAP techniques
Notice bibliographique
Résumé
OBJECTIVE: Motorcycle crashes often result in severe injuries on roads that affect people's lives physically, financially, and psychologically. These injuries could be notably harmful to drivers of all age groups. The main objective of this study is to investigate the risk factors contributing to the severity of crash injuries in different age groups. METHODS: This Objective is achieved by developing accurate machine learning (ML) based prediction models. This research examines the relationship between potential risk factors of motorcycle-associated crashes using (ML) and Shapley Additive explanations (SHAP) technique. The SHAP technique further helped interpreting ML methods for traffic injury severity prediction. It indicates the significant non-linear interactions between dependent and independent variables. The data for this study was collected from the Provincial Emergency Response Service RESCUE 1122 for the Rawalpindi region (Pakistan) over three years (from 2017 to 2020). The Synthetic Minority Oversampling Technique (SMOTE) is employed to balance injury severity classes in the pre-processing phase. RESULTS: The results demonstrate that age, gender, posted speed limit, the number of lanes, and month of the year are positively associated with severe and fatal injuries. This research also assesses how the modeling framework varies between the ML and classical statistical methods. The predictive performance of proposed ML models was assessed using several evaluation metrics, and it is found that Catboost outperformed the XGBoost, Random Forest (RF) and Multinomial Logit (MNL) model. CONCLUSION: The findings of this study will assist road users, road safety authorities, stakeholders, policymakers, and decision-makers in obtaining substantial and essential guidance for reducing the severity of crash injuries in Pakistan and other countries with prevailing conditions.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,002 | 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 ».