Factors affecting injury severity in motorcycle crashes: Different age groups analysis using Catboost and SHAP techniques
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,001 |
| 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 découle