基于小样本不平衡数据的主动出行者伤害严重程度时空不稳定性分析

为解决主动出行者(行人及骑行者)伤害严重程度存在的时空异质性问题，研究人员以美国北卡罗来纳州2017-2022年事故数据为基础，创新性地构建可解释的平衡机器学习框架，突破小样本不平衡数据限制。研究发现空间不稳定性影响显著高于时间维度，揭示城乡区域差异关键因子：城市区域需关注非交叉口/自行车道/中等限速(Dark with light)等要素，而农村区域则应重视人行横道。该研究为制定区域差异化安全策略提供科学依据。

　　

针对可持续交通系统建设中的重大挑战——主动出行者(Active traveller，含行人pedestrians与骑行者bicyclists)事故伤害，这项开创性研究揭示了伤害严重程度存在的双重时空异质性(temporal-spatial instability)。通过北卡罗来纳州六年期(2017-2022)事故数据的多维度解构，研究团队创新设计可解释的平衡机器学习框架(XAI-balanced ML framework)，成功攻克小样本(small sample size)与数据不平衡(imbalanced data)两大技术瓶颈。

时空对比分析显示，空间维度不稳定性显著高于时间变化。城市区域的关键风险要素包括：非交叉口(non-intersection)、自行车专用道(bicycle lanes)、中等限速路段(medium speed limit)及"有照明黑暗环境"(dark with light conditions)；而农村区域的核心风险则集中于人行横道(crosswalk areas)等空间特征。这些发现突破了传统研究仅关注年度时间波动(temporal instability)的局限，首次系统量化了城乡功能分区(functional zones)的空间差异影响。

该研究为交通管理部门提供了精准的决策支持工具，通过建立区域特异性(region-specific)安全干预策略，可显著提升主动出行系统的可靠性(reliability)。特别是针对不同功能分区的差异化风险图谱，为实施"一地一策"的精准安全治理提供了重要科学依据。