《Transportation Engineering》:Uncovering gender-specific motorcycle injury severity mechanisms on thai national highways using hierarchical explainable machine learning
编辑推荐:
摘要专业翻译
道路交通事故伤害仍然是全球过早死亡和残疾的主要原因之一。根据世界卫生组织的数据,每年约有119万人死于道路交通伤害,这是5-29岁人群的首要死因。在弱势道路使用者中,摩托车骑行者面临特别高的伤害和死亡风险,尤其是在东南亚地区,摩托车是日常交通的主
摘要专业翻译
道路交通事故伤害仍然是全球过早死亡和残疾的主要原因之一。根据世界卫生组织的数据,每年约有119万人死于道路交通伤害,这是5-29岁人群的首要死因。在弱势道路使用者中,摩托车骑行者面临特别高的伤害和死亡风险,尤其是在东南亚地区,摩托车是日常交通的主导方式。本研究利用泰国公路事故信息管理系统(HAIMS)2017至2022年间14464起摩托车事故记录,开发了一个层级可解释机器学习框架,用于调查泰国国家公路上的摩托车伤害严重程度。该框架由四个相互关联的建模层组成,逐步考察伤害发生(L1)、总体伤害严重程度(L2)以及男性和女性摩托车骑行者中的性别特异性伤害严重程度(L3a和L3b)。研究人员采用贝叶斯超参数优化和类别不平衡处理技术以增强模型稳健性,并使用SHapley Additive exPlanations(SHAP)分析来解释伤害严重程度结果的潜在机制。研究结果显示,CatBoost在三个模型中表现最佳,而随机森林(Random Forest)在男性模型中表现最优。男性致命伤害与重型卡车、夜间、降雨和正面碰撞相关,而女性伤害严重程度则受小汽车、日间出行和城市交通环境的影响。该研究的主要贡献在于揭示了传统混合模型中隐藏的性别特异性伤害机制,并通过6Es框架(涵盖工程、教育、鼓励、执法、暴露和紧急医疗服务)将这些发现转化为可操作的道路安全建议。通过明确考虑性别异质性,该框架为泰国及其他依赖摩托车的中低收入国家(LMICs)制定性别响应型摩托车安全策略提供了可解释的证据。
论文解读文章
一、研究背景与问题
道路交通事故伤害是全球范围内导致过早死亡和残疾的主要原因之一,每年约有119万人因此丧生,且是5至29岁人群的首要死因。在中低收入国家(LMICs),道路交通死亡占比接近90%。摩托车骑行者作为弱势道路使用者,其伤亡风险显著高于其他车辆乘员,这一问题在摩托车作为主要日常交通工具的东南亚地区尤为突出。泰国是亚太地区摩托车依赖程度最高的国家之一,持续承受着全球最高的摩托车相关死亡负担之一。
传统的交通事故伤害严重程度研究多采用计量经济学方法,如多项Logit模型、有序Probit模型和广义离散结果模型。这些方法虽能提供可解释的参数估计,但难以捕捉事故数据中复杂的非线性关系、高阶交互效应和未观测异质性。近年来,机器学习方法特别是基于树的集成算法在事故严重程度预测中展现出优异性能,可解释人工智能(XAI)技术如SHapley Additive exPlanations(SHAP)也显著提升了模型的可解释性。
然而,现有研究存在一个重要缺口:大多数研究依赖混合人口模型,隐含假设所有骑行者具有同质的伤害机制。尽管性别经常作为解释变量纳入模型,但通常仅作为协变量处理,而非作为需要独立分析结构的异质性来源。因此,估计的事故相关因素效应主要反映总体人口平均特征,可能掩盖男性和女性摩托车骑行者所经历的不同伤害机制,限制了针对性、公平的摩托车安全干预措施的制定。
二、研究内容与意义
为填补这一空白,本研究开发了一个层级可解释机器学习框架,用于调查泰国国家公路上的摩托车伤害严重程度。该框架由四个相互关联的建模层组成,逐步考察伤害发生、总体伤害严重程度以及男性和女性摩托车骑行者的性别特异性伤害严重程度。研究的主要贡献在于揭示传统混合模型中隐藏的性别特异性伤害机制,并通过6Es框架(涵盖工程、教育、鼓励、执法、暴露和紧急医疗服务)将这些发现转化为可操作的道路安全建议,为泰国及其他依赖摩托车的中低收入国家制定性别响应型摩托车安全策略提供可解释的证据。
三、关键技术方法
本研究采用的数据来自泰国公路厅维护的公路事故信息管理系统(HAIMS),包含2017至2022年间泰国国家公路上发生的14464起摩托车事故记录。研究构建了四个分析模型:L1层为二元分类模型预测伤害发生(INJ),L2层为四分类模型预测伤害严重程度(SEV),L3a和L3b层分别针对男性和女性受伤骑行者建立性别特异性严重程度模型。研究评估了四种基于树的集成算法:随机森林(RF)、梯度提升机(GBM)、XGBoost和CatBoost。超参数优化采用基于Optuna框架的贝叶斯优化方法,使用Tree-structured Parzen Estimator(TPE)算法,每种算法进行50次优化试验并采用分层五折交叉验证。针对类别不平衡问题,研究比较了四种重采样策略:无重采样、SMOTE、Borderline-SMOTE和SMOTE-Tomek。模型解释采用SHAP分析揭示各预测因子对伤害结果的贡献。
四、研究结果
4.1 模型性能比较
研究通过分层五折交叉验证和宏F1分数评估各模型性能。结果显示,CatBoost在三个模型中整体表现最佳,而随机森林在男性亚组模型(L3a)中表现最优。不同重采样策略对模型性能有显著影响,SMOTE-Tomek在多数场景下表现突出。
4.2 伤害发生预测(L1)
在预测伤害发生的二元分类模型中,SHAP分析识别出性别(GND)作为结构性预测因子,这是因为数据集中所有女性记录均为受伤案例,而所有无伤害记录均对应男性骑行者。这一结构性特征使L1和L2层模型中的女性结果需按伤害条件解释。
4.3 总体伤害严重程度(L2)
在四分类伤害严重程度模型中,超速(CC1)被识别为最重要的伤害严重程度预测因子,其次是追尾碰撞(C300)和夜间时段(H6)。这些因素在混合模型中反映了总体人口的平均效应。
4.4 男性骑行者伤害严重程度(L3a)
男性亚组模型(n=9876)的SHAP分析揭示,男性致命伤害与重型卡车(TR10)、夜间骑行(H6)、降雨天气(Rainy)和正面碰撞(C200)密切相关。超速(CC1)和失去控制摔倒(C700)也是男性严重伤害的重要贡献因素。随机森林在此亚组中表现最优。
4.5 女性骑行者伤害严重程度(L3b)
女性亚组模型(n=2522)的SHAP分析显示,女性伤害严重程度主要受小汽车(PC)、日间出行时段(H2、H3)和城市交通环境(CAP)的影响。与男性不同,女性的严重伤害机制较少涉及重型车辆和夜间因素,而更多与城市通勤场景中的小汽车碰撞相关。
4.6 性别特异性机制对比
研究明确揭示了混合模型掩盖的性别差异:男性致命伤害集中于重型卡车碰撞、夜间、降雨和正面碰撞场景,而女性严重伤害则与小汽车碰撞、日间出行和城市交通环境相关。这些差异表明,针对不同性别的摩托车安全干预措施需要采取不同的优先策略。
五、讨论与结论
讨论部分指出,混合模型掩盖了性别特异性伤害机制,这限制了针对性安全干预措施的制定。研究通过6Es框架将发现转化为政策建议:在工程(Engineering)方面,建议在重型卡车通行频繁的路段加强隔离设施;在教育(Education)方面,针对男性骑行者加强夜间和雨天骑行安全培训;在执法(Enforcement)方面,加强夜间超速和酒驾查处;在暴露(Exposure)方面,鼓励女性骑行者选择更安全的出行时段和路线;在紧急医疗服务(Emergency Medical Services)方面,优化夜间和偏远地区的事故响应能力。
研究结论强调,通过明确考虑性别异质性,该层级可解释机器学习框架成功揭示了传统混合模型中隐藏的性别特异性伤害机制。CatBoost在总体模型中表现最佳,而随机森林在男性亚组中表现最优。男性致命伤害与重型卡车、夜间、降雨和正面碰撞相关,女性严重伤害则与小汽车、日间出行和城市交通环境相关。这些发现为泰国及其他摩托车依赖型中低收入国家制定性别响应型摩托车安全策略提供了可解释的证据基础,使道路安全机构能够更有效地优先安排干预措施和分配资源。