Exploring the factors affecting injury severity in highway and non-highway crashes in Bangladesh applying machine learning and SHAP
Notice bibliographique
Résumé
To create effective preventive measures and targeted interventions, it is crucial to comprehend the contributing factors to the crash and quantify how they affect the injury, especially in least-developed countries. However, highway and non-highway crashes are linked to having distinguished characteristics, road-specific interventions, and data granularity. Combining all sorts of crashes into a single model may offer fewer insights than one would anticipate when building safety countermeasures. This research compares CART, RF, GBM, XGBoost, LightGBM, CatBoost, and AdaBoost and effectively simulates the complex relationship between collision injury severity and risk factors for both highway and non-highway crashes. Additionally, the Shapley Additive exPlanation (SHAP) framework is presented to explain the contribution of each risk factor from the output of the most appropriate classifier, thereby assisting in the construction of safety countermeasures and crash modification factors. GBM classifier was found to be the best classifier in terms of G-mean and AUC scores for both highway and non-highway models. Global SHAP values show that the type of collision, followed by the vehicle type, the vehicle involved, and road division, are the highest contributing factors for injury severity in highway crashes. For injury severity in non-highway crashes, the most important factors are the type of collision, followed by road division, vehicle type, and location type. Policy implications based on the study's findings have been suggested to develop successful preventive strategies and focused interventions. The study concludes by discussing the scope of future studies.
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 | 0,002 | 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 | 0,001 |
| 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 ».