A driving risk prediction method for elderly drivers considering data imbalance and feature extraction
Notice bibliographique
Résumé
Abstract With the aging of society, the increase in the number of elderly drivers poses a potential hazard to road traffic safety. Therefore, accurately predicting the severity of possible traffic accidents of elderly drivers is crucial to ensure the safety of drivers and passengers. In this paper, a hybrid model based on the CTGAN-ResNet-XGBoost network is proposed for classifying the severity of the accidents of elderly drivers. The model was trained and tested using traffic accident data of the United States from 2018–2022. The hybrid model first generates a small amount of categorical data via the Conditional Tabular Generative Adversarial Network to address the dataset's category imbalance. Then, the balanced dataset is transformed into feature images using the DeepInsight method and feature extraction is performed using the residual neural network to improve the feature recognition ability of the classification model. Finally, the XGBoost model is used to classify the severity of the accident and the SHAP method is used to analyse the main features affecting the accident. The superior performance of the hybrid model is verified through experimental comparative analysis. The experimental results show that the hybrid model has a significant advantage in the prediction of driving risk for elderly drivers, that the causes of accidents for elderly drivers are different from those for younger drivers and that the characteristics of speed, seat belt use and driver's age are the main factors affecting the severity of accidents. The results of this study improve the accuracy and reliability of traffic accident severity prediction and provide more scientific support for traffic safety management.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».