Analyzing Winter Crash Dynamics Using Spatial Analysis and Crash Frequency Prediction Models with SHAP Interpretability
Notice bibliographique
Résumé
This study investigates the application of machine learning (ML) to understand and mitigate winter road risks while addressing model interpretability. Using 26,970 winter crash records collected over four years in Edmonton, Canada, we developed and compared three ML-based winter crash frequency models: XGBoost, Random Forest, and LightGBM. To enhance interpretability, we applied SHapley Additive exPlanations (SHAP), providing insights into feature contributions. Our analysis incorporated micro-level variables such as collision records, weather conditions, and road characteristics, as well as macro-level variables such as land use patterns, spatial characteristics (via Hot Spot Analysis), and traffic exposure (estimated using Ordinary Kriging). Among the models tested, XGBoost outperformed others, achieving a testing R2 of 92.67%, MAE of 3.64, and RMSE of 5.77. SHAP analyses on XGBoost provided both global and local explanations. At a global level, road type, speed limit, and traffic enforcement cameras were identified as key factors influencing crash frequency while locally, distinct features of high- and low-crash locations were highlighted, supporting targeted risk mitigation strategies. By bridging the gap between model accuracy and interpretability, this study demonstrates the value of interpretable ML models in improving winter road safety, offering actionable insights for informed decision-making and resource allocation in winter road maintenance.
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 | 0,001 |
| 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 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 ».