Unraveling Road Accident Risk Prediction Models With eXplainable AI
Notice bibliographique
Résumé
Road traffic accidents pose a critical global challenge, leading to substantial fatalities and socioeconomic repercussions. Previous studies have examined intrinsic factors (e.g., driver age, vehicle speed) and extrinsic factors (e.g., weather, road conditions) that influence accident severity. However, the opacity of existing AI and machine learning (ML) prediction models hinders interpretability and limits their adoption in real-world applications. To address this gap, an explainable ML framework for accident severity prediction is proposed. Using diverse accident datasets, the predictive performance of multiple ML models is systematically evaluated to ensure adaptability across different geographic contexts. To enhance interpretability, explainable AI (XAI) techniques such as SHapley Additive exPlanations (SHAP), GeoShapely, and local interpretable model-agnostic explanations (LIME) are integrated to analyze key factors influencing accident severity. Additionally, an XAI evaluation framework is developed using rank consistency, rank alignment, importance stability, and fluctuation ratio to quantify interpretability. Our results indicate that refining ML models using top-ranked features from XAI improves prediction accuracy by 17.04%, 3.66%, and 5.06% for the three road accident datasets that we evaluated, namely the U.S., Ethiopia, and U.K. datasets, respectively. We also provide a decision flowchart to assist urban planners in choosing a suitable XAI approach for road accident severity prediction.
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 | 0,004 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».