Exploring Several Accident Risk Factors in Jordan Using Machine Learning
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
Traffic accidents cause large human and economic losses yearly, making them a major world challenge. Jordan, one of the developing countries, has immature safety procedures and thereby suffers from the effects of traffic accidents. However, research studies of traffic accidents should be shifted from the traditional toward Artificial Intelligence (AI) and Machine Learning (ML) methodologies that are not able to capture the complex interactions of road crashes. Therefore, in this research, the Random Forest (RF) algorithm has been utilized to predict locally significant risk factors that lead to serious injuries (fatal, serious, moderate, or minor) and then making a better safety decision based on that. The study used 28000 original traffic accident records obtained from the Jordanian Public Security Directorate's traffic accident records. Around 25 characteristics of those records have been analyzed, which include speed, road characteristics, weather, lighting, driver errors, etc. The performance of the used RF model has been validated using 10-fold cross-validation and then compared with other traditional ML algorithms such as logistic regression, Support Vector Machine (SVM), and K-Nearest Neighbors (KNN). The results show the superiority of the RF algorithm with 91% accuracy, compared with 58% for other algorithms. Specifically, an overall F1-score of 0.92, with particularly strong results for fatal and serious cases (F1 = 1.00 and 0.99), has been achieved using RF. The key factors that support the prediction of serious injuries are speed (18%), lighting (12%), and driver age (10%), respectively. These findings not only help the Jordanian Public Security Directorate to release strict regulations that decrease the number of serious traffic accidents, including the adjustment of speed limits on high-risk roads and ensuring adequate lighting in critical zones but also they can be widely considered for helping other developing countries with similar accident records.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle