卡塔尔大规模交通事故严重程度的预测：一种用于处理极端类别不平衡问题的二分类重新建模方法，结合了可解释性人工智能技术 作者：Mohammed Alshriem 和 Yin Yang

《Future Transportation》：Prediction of Large-Scale Traffic Accident Severity in Qatar: A Binary Reformulation Approach for Extreme Class Imbalance with Interpretable AI Mohammed Alshriem and Yin Yang

　　摘要 道路交通事故伤害是海湾地区最严重的公共卫生挑战之一。因此，预测交通事故的严重程度是基于证据的公路安全管理的关键组成部分。在这项研究中，我们利用卡塔尔的国家数据集（2020–2025年）开发了机器学习框架来预测交通事故的严重程度，同时解决了极端类别不平衡和可解释性问题。从1,000,500份原始报告中系统地预处理了588,023条事故记录的数据集。我们比较了三种方法：多类（四个严重程度级别）、二元（安全与严重）和级联两阶段（结合两者）。在两种编码方法和三种平衡策略下评估了六种分类器。所有模型都进行了系统超参数调整和5折分层交叉验证。二元LightGBM分类器实现了71.04%的准确率（BA）、0.772的AUC-ROC值、61.03%的敏感性和81.05%的特异性，显示出比多类方法更优越的性能。使用2020–2024年的数据对2025年的数据进行时间验证，证明了良好的时间泛化能力。通过对10,000个测试实例的分析，确定时间段是事故严重程度的主要预测因素。二元LightGBM框架为严重事故的识别和风险优先级排序提供了一种可解释且有效的方法，SHAP分析的结果支持将针对时间的执法和行人安全作为基于证据的政策优先事项。

1. 引言 道路交通事故伤害被认为是全球可预防死亡和残疾的主要原因之一。世界卫生组织报告称，每年有119万人死于道路交通事故，这使得它们成为5-29岁儿童和年轻人中的主要死因[1]。交通事故还对国家总支出产生重大影响，并造成巨大的经济负担，大多数国家的成本估计占GDP的3%。国际社会通过联合国2021-2030年道路安全行动计划作出了响应，旨在到2030年将道路相关死亡率降低50%。交通违规行为，如超速和闯红灯，是严重事故的指标。目前的执法措施主要是反应性的：大多数违规行为是在发生之后通过摄像头或巡逻发现的，对于何时或何地可能会造成严重伤害的预测能力有限。预测建模可以帮助使道路更安全。这种方法不是在违规发生后简单地开罚单，而是帮助识别最可能发生严重事故的模式——即时间和地点——从而在违规导致更悲惨的后果之前进行干预。机器学习作为一种创新方法，最近在道路安全研究中崭露头角，能够处理大型数据集中的非线性复杂模式[2]。文献中的几项最新研究表明，集成模型（如随机森林、梯度提升、XGBoost和LightGBM）在事故严重程度分类方面优于传统算法[3,4]。

卡塔尔2030年国家愿景（QNV 2030）[5]以产业发展为基础，其中明确致力于确保道路安全。卡塔尔发布了具有法律约束力的国家道路安全战略[6]，目标是将交通事故死亡率降低50%。道路交通事故死亡率从2013年的235人降至2016年的178人，使卡塔尔在所有阿拉伯国家中保持道路安全方面的领先地位[1]。尽管取得了这些进展，但在2020–2025年间仍记录了超过100万起事故，这突显了数据驱动技术的持续需求。本研究是首次使用卡塔尔的国家事故数据库（1,000,500条记录）进行的大规模机器学习分析，填补了海湾合作委员会（GCC）道路安全研究中的一个关键空白。虽然该地区已经进行了一些机器学习和统计研究[3,4,7,8,9,10,11,12]，但它们面临三个主要的方法论限制：(1)卡塔尔特定问题：尽管全球对道路安全的关注不断增加，但专门调查卡塔尔交通事故预测的研究仍然有限。虽然存在GCC的研究，但其中许多主要基于沙特阿拉伯[3,4,8]，并且依赖于汇总或小规模的数据集。没有已发表的ML研究将大规模的严重程度建模应用于卡塔尔的完整国家事故数据库。Timmermans等人[7]指出了这一缺失，并指出他们的数据集无法提供统计相关性或预测，呼吁进行深入的调查和预测分析。(2)目标泄露：一些研究将目标变量作为预测因子[13]，这夸大了性能指标，使得模型在现实世界预防中的操作变得不切实际。(3)通过各种方式解决了极端不平衡问题[14]，一些研究在数据分割之前应用了过采样，导致合成样本泄露到测试集中，影响了有效性和准确性。

为了填补上述空白，我们旨在探讨仅基于事故前和事故后的数据开发的机器学习模型是否能够以可接受且可重复的性能预测卡塔尔的事故严重程度。我们进一步研究了在现实世界不平衡条件下哪种分类策略（多类、二元或级联）能够提供最高的平衡准确度，并通过SHAP分析确定了最显著影响卡塔尔严重程度的因素。最后，我们评估了所提出的框架与现有GCC研究在方法论严谨性和预测性能方面的比较。通过这项工作，我们做出了四个关键贡献：我们展示了首次使用卡塔尔完整事故数据库（2020–2025年588,023条记录）进行的大规模机器学习研究，填补了GCC国家现有ML研究有限的关键研究空白。我们系统地比较了在极端类别不平衡情况下三种分类框架的36种配置，并通过正式排除事故后变量来明确防止目标泄露。二元重新表述方法比多类方法提高了64%的性能，表明问题重新表述比算法选择带来更大的收益——这些发现不仅适用于卡塔尔，也适用于全球道路安全数据集。基于SHAP的可解释性将预测转化为针对卡塔尔道路安全策略的实际政策建议。

本文的其余部分组织如下：第2节我们回顾相关工作；第3节描述数据集和方法论；第4节展示结果；第5节讨论发现和政策含义；最后，第6节提出我们的结论。

2. 相关工作 2.1. 用于事故严重程度预测的机器学习 近年来，由于其改进的建模复杂非线性关系的能力和提高的预测准确性，机器学习在交通事故严重程度预测中的应用显著增加[3,15]。值得注意的是，Mostafa等人[2]引入了一个基于超过226万条记录的综合AI驱动的框架，用于测试SMOTE、ADASYN和Borderline SMOTE以及集成分类器（包括Extra Trees），获得了95.28%的F1-macro。在同一背景下，Chen等人[16]创建了一个MSCPO-XGBoost混合模型，采用元启发式超参数优化和SMOTE平衡 Chinese国家事故数据集，旨在改进XGBoost的基线。此外，Pei等人[17]提出了一个基于XGBoost和SHAP的可解释深度学习模型（AISTGCN），用于选择英国事故数据中的特征，实现了87.72%的准确率。在他们对2019–2024年191项关于交通事故的ML研究的系统回顾中，Behboudi等人[15]强调了三个关键的方法论挑战：类别不平衡、时空依赖性和模型的可解释性。在他们的评估中，他们发现梯度提升和LightGBM在各种地理和数据规模上始终表现优于其他分类器。尽管有少数研究使用神经网络在小数据集上预测事故[18]，但由于数据缺乏和过拟合的可能性，基于神经网络的方法的泛化能力尚未得到广泛研究。

2.2. LightGBM和SHAP在道路安全中的应用 LightGBM[19]由于其计算效率和竞争性的预测性能，已成为最近道路安全研究中最受欢迎的分类器之一。Yan等人[20]使用LightGBM结合SHAP分析了长沙热点区域的事故严重程度。他们确定事故类型、能见度和持续时间是估计严重程度的关键因素。Yang等人[21]利用LightGBM和SHAP分析了高速公路-铁路交叉口驾驶员的受伤严重程度，证明路面条件在调节时间和行为风险因素方面的重要性。此外，Dong等人[22]评估了四种基于提升的集成模型（LightGBM、CatBoost、AdaBoost和NGBoost）来预测巴基斯坦N-5高速公路上的道路交通伤害严重程度。他们报告称LightGBM获得了最佳的AUC（0.71）。SHAP分析显示，驾驶员年龄、事故原因和碰撞类型是道路交通伤害的最重要预测因子。这些发现与我们在卡塔尔的具体结果一致，为LightGBM + SHAP框架在道路安全研究中的实用性提供了跨国验证。

2.3. 交通事故数据集中的类别不平衡 类别不平衡仍然是交通事故严重程度预测中最常被提及的方法论挑战[2]。SMOTE[14]是最广泛应用的平衡技术，通过在不同邻居之间插值生成合成少数样本。ADASYN[2]通过将合成生成集中于决策边界附近来扩展SMOTE，而SMOTETomek则结合了过采样和边界 cleaning。尽管平衡研究越来越多，但很少有工作在同一数据集上直接、系统地比较多种技术。我们在本研究中通过评估SMOTE、ADASYN和SMOTETomek在多类、级联配置下的六种分类器来进行这项工作，提供了GCC道路安全文献中以前未进行的全面比较。

2.4. GCC和卡塔尔特定的研究 GCC地区的道路安全研究增长迅速，但仍主要集中在沙特阿拉伯[3,4,5,7,8,9,10,11,12]。Aldhari等人[3]将机器学习应用于沙特高速公路事故数据，比较了LR、RF和XGBoost以及特征重要性分析。Alanazi和Okail[4]为吉达开发了一个数据驱动的事故严重程度预测框架。Alsoud等人[8]应用随机森林预测利雅得学校区域的行人事故密度（R2 = 0.88），重点关注空间风险映射而非个别严重程度预测。卡塔尔特定的研究主要是描述性的[7,11,12]、时空性的[9]或基于行为调查的[10]，分析事故模式和驾驶员倾向，但没有使用预测ML建模。本研究解决了这一空白。在分析阿布扎比（2012–2017年）的致命事故时，Awadalla和Albuquerque[23]使用多元逻辑回归识别了影响因素，并建议采取六项安全措施，包括加强周末执法、防止闯红灯、设计行人友好的道路、提高高速公路标准、针对全国男性驾驶员的教育活动以及对鲁莽驾驶的更严厉处罚（监禁或吊销执照）。Al-Eideh[24]使用时间序列模型预测科威特的年度事故数量和经济影响，关注总体趋势而非个别事故的严重程度预测。AlKheder[25]在5740条阿布扎比事故记录上对比了四种分类器，随机森林获得了最高的准确率。然而，在他们的研究中，他们没有考虑类别不平衡，也没有使用基于SHAP的可解释性。在我们的工作中，我们通过系统比较36种配置在588,023条实例上进行了研究，并实施了明确的平衡措施和SHAP分析。

在最近的一项基于医学的研究[11]中，研究人员报告了沙漠越野事故的临床影响：死亡率为1.5%，其中骨科损伤占主导。然而，尽管这些研究提供了有关事故后结果的有用见解，但它们没有考虑事故前和事故中的严重程度预测——这是本研究的重点。早期的卡塔尔研究受到数据可用性的限制。Timmermans等人[7]检查了RTC汇总数据（2010–2016年），发现了时间模式，但明确指出他们的数据集不包括个人级别的事故特征，“无法进行统计相关性或预测”。他们建议未来的研究者应纳入“详细的事故模式分析”和“复杂的预测分析”。当前的研究直接通过588,023条记录的个体级别预测建模填补了这一空白。虽然机器学习已广泛应用于北美和欧洲的安全分析，但在中东和GCC地区的应用仍然非常罕见。尽管卡塔尔的车辆拥有率位居全球前列，但那里缺乏大规模的预测ML建模——这也是本研究直接解决的问题。总体而言，这些研究强调了卡塔尔缺乏大规模预测ML模型的问题，加强了本研究的贡献，作为对卡塔尔国家事故数据库的首次全面机器学习分析。

表1总结了第2.1节、第2.2节、第2.3节和第2.4节讨论的关键研究，强调了它们的方法论、数据集、主要发现以及推动所提出方法的研究空白。

3.材料与方法

我们的研究框架（图1）是在Python 3.13环境下使用多个库开发的，包括scikit-learn [26]、imbalanced-learn、XGBoost [27]和LightGBM [19]。所有实验都在一台Windows 11 64位系统（32 GB RAM，Intel Core i7-8850H）上进行。该方法包括一系列相互关联的步骤：数据预处理、特征工程、解决类别不平衡问题，以及在多类别、二元和级联框架中训练模型。然后我们使用平衡指标来评估模型性能，并结合SHAP来提高模型可解释性。

3.1 数据集描述与预处理
数据集涵盖2020年至2025年的信息，来源于卡塔尔内政部交通总局，包含1,000,500条原始记录。最终588,023条记录的类别分布见表2。表2显示了最终分析数据集的类别分布（n = 588,023）。SIMPLE类别与DEATH INJURY类别之间的不平衡比为2295:1，这使得该数据集成为交通事故严重性预测领域中不平衡最严重的数据集之一[2,14]。表3总结了四阶段的预处理流程以及每个清洗步骤对记录保留率的影响。处理过程从1,000,500条原始事故记录开始。首先，移除了缺失率超过75%的四个列。为了避免目标泄露（这在交通安全机器学习研究中是一个常见的方法错误），明确排除了“死亡人数”这一变量。接下来，移除了被分类为“非交通事故”的记录（n = 448）和缺少关键字段的记录（n = 411,892）。最后，移除了驾驶员年龄不合理的记录（n = 137）。总移除率为41.2%。

由于极端的缺失值和实用价值有限，排除了一些变量。天气状况、道路状况和事故原因的缺失值超过了98%，而“事故性质”这一变量既不完整又与保留的“事故类型”变量高度重复。最终的七个特征集见表4。“事故小时”是从原始时间字符串中提取的；“时间段”被转换为四分类的序数变量；“驾驶员年龄”是通过事故年份减去驾驶员出生年份计算得出的；分类变量使用了scikit-learn [26]进行标签编码。为了避免目标泄露，所有事故后的变量都被排除了[13]。

3.2 训练-测试划分、时间验证和类别不平衡缓解
采用80/20的分层划分方法，得到了470,418条训练记录和117,605条测试记录。训练集用于超参数调整时的5折分层交叉验证。为了评估模型的泛化能力，还进行了时间验证：2020年至2024年的事故数据（占95.01%，n = 558,653）用于模型训练和5折分层交叉验证，而2025年的事故数据（占4.99%，n = 29,370）作为独立的时间测试集。通过交叉验证选出的表现最佳的10种配置在2025年的保留集上进行了重新评估，以检测潜在的时间漂移并验证模型的稳定性。在划分后，仅对训练集应用了类别平衡技术，以防止合成样本泄露到测试集中[14]。

表5总结了所评估的三种平衡技术。所有分类器都在多类别、级联和二元分类中使用了三种平衡策略（SMOTE、ADASYN和SMOTETomek）进行了评估。

3.3 分类框架
为了应对数据集中的极端类别不平衡问题，实施了三种分类框架。多类方法将事故分为四个严重程度级别（SIMPLE、轻度伤害、重度伤害和死亡伤害），并在每种平衡策略下训练了六个分类器，共得到18种实验配置。这种方法的特征是类别间的极不平衡（最频繁类别与最少频繁类别之间的比例为2295:1）。分类器和最佳参数总结见表6。表6列出了评估的机器学习分类器。二元方法将事故重新划分为二元类别（安全（SIMPLE）与严重（轻度/重度/死亡伤害），从而将不平衡比率从2295:1降低到了35:1。

我们通过一个完整的实验矩阵（两种编码方法、三种平衡技术和六个分类器）评估了36种配置。每种配置都使用了RandomizedSearchCV进行了系统的超参数调整，并进行了平衡准确性评分。模型选择优先考虑了在不平衡数据指标（PR-AUC、测试泛化）上的性能，统计显著性通过Friedman测试得到了确认（p < 0.002）。级联两阶段框架结合了这两种方法。总共应用了18种配置。第一阶段是二元分类（安全与严重），不平衡比率降低到了35:1。在第二阶段，将严重事故进一步划分为轻度/重度/死亡伤害子类别（严重子集内的不平衡比为61:1）。SMOTE、ADASYN和SMOTETomek分别应用于每个阶段的训练分区。

3.4 评估指标
模型性能使用适合不平衡分类的指标进行评估。在极端不平衡的情况下，对于二元分类，PR-AUC被选为主要评估标准，同时还考虑了平衡准确性、AUC-ROC、敏感性、特异性、Cohen’s Kappa、F1-Macro、平均精确度和Brier Score。在交叉验证期间，使用BA进行参数调整，而最终模型选择则优先考虑PR-AUC和测试泛化。对于多类级联框架的选择，由于Cohen’s Kappa对少数类性能的敏感性，因此将其作为优先指标。

PR-AUC是精确度和召回率曲线下面积的计算结果（公式（1）），能够捕捉模型在所有召回率水平上的性能，对于不平衡数据集尤其有参考价值。
平衡准确性是通过计算每个类别的召回率的宏观平均值来计算的（公式（2）。

AUC-ROC（接收者操作特征曲线下面积）衡量了模型在所有分类阈值上的区分能力（公式（3）：
AUC-ROC = ∫?????? ??????????（3）
其中??????是真正例率，????????是假正例率。这个指标对类别不平衡具有鲁棒性，并提供了不受阈值影响的模型性能评估。

Cohen’s Kappa衡量了预测分类与实际分类之间超出随机水平的一致性（公式（4）：
?????????????? = ?????????（4）
其中????是观察到的 agreement（准确性），????是基于类别分布的预期 agreement。Cohen’s Kappa对于不平衡数据集特别有参考价值，因为它考虑了偶然发生的正确分类。

F1-Macro提供了所有类别的精确度和召回率的平衡度量（公式（5）：
F1-Macro = 1/（??∑??????????（5）
其中???1??是类别??的精确度和召回率的调和平均值，??是类别的数量。

对于二元分类任务（安全与严重），还使用了两个额外的指标：
敏感性（也称为“召回率”或“真正例率”）衡量正确识别出的严重事故的比例（公式（6）：
????????????????????????????? = ????????+?????（6）
其中????代表真正例（正确预测的严重事故），?????代表假正例（被错误分类为安全的事故）。

特异性（假负率）衡量正确分类的安全事故的比例（公式（7）：
?????????????????????????? = ????????+?????（7）
其中?????代表假负例（正确分类为安全的事故），?????代表假正例（被错误分类为严重的事故）。

3.5 SHAP 可解释性分析
对于二元LightGBM分类器，我们使用TreeExplainer [28,29]在10,000条分层随机样本上计算了SHAP值，这与先前的研究一致[20,21,22]。使用平均绝对SHAP值来评估全局特征重要性。

4. 结果
在本节中，我们展示了三个分析阶段的结果：多类分类、级联方法和带有诊断信息的二元LightGBM分类。

4.1 多类分类结果
表7展示了在三种平衡策略下六个分类器的表现。梯度提升达到了最强的类别平衡性能，其中SMOTE获得了最佳结果（平衡准确性 = 44.12%，Cohen’s Kappa = 0.0623），其次是ADASYN和SMOTETomek。LightGBM的平衡准确性略低（39.55–41.18%），但其计算效率最高，训练时间仅需12.3–16.4秒，而梯度提升则需要772.9–1029.7秒。随机森林虽然在F1和Kappa值上具有竞争力，但其平均平衡准确性最低（37.62%）。总体而言，尽管不同平衡方法之间的差异不大，但SMOTE提供了最佳的平均结果（表7）。

4.2 级联分类方法
级联结果见表8。LightGBM与SMOTETomek结合使用时获得了最高的平衡准确性（BA = 42.25%，Cohen’s Kappa = 0.0884，F1-Macro = 0.2621）。相比之下，随机森林与SMOTETomek结合使用时获得了最高的Cohen’s Kappa和F1-Macro（Kappa = 0.1217，F1-Macro = 0.2758），尽管其平衡准确性略低（41.30%）。逻辑回归并未获得最佳级联结果；其最佳表现在SMOTETomek组合下（BA = 38.61%，Kappa = 0.0544，F1-Macro = 0.2450）。与表7中的最佳多类结果相比，级联框架的平衡准确性略低（42.25% vs 44.12%），但Cohen’s Kappa显著提高（0.1217 vs 0.0713），显示出约70.7%的改进。这表明级联公式在提高一致性及少数类区分能力方面比整体类别平衡准确性更有效。

4.3 二元分类：LightGBM + SMOTE
表9展示了二元分类结果。与最佳多类配置（梯度提升与SMOTE结合）相比，二元 LightGBM的性能有了显著提升。最佳二元模型LightGBM与SMOTE的组合实现了BA = 71.04%，AUC-ROC = 0.7722，PR-AUC = 0.2989，Cohen’s Kappa = 0.1037，BA相比最佳多类结果提高了61%。鉴于类别间的极端不平衡，PR-AUC是一个更严格的评估标准。

4.4 模型性能分析
图2展示了LightGBM + SMOTE模型的ROC曲线，AUC为0.7722。使用默认阈值0.5时，模型的真正例率为61.03%，假正例率为18.95%。图3显示了最佳二元模型（LightGBM与SMOTE）的逐行标准化混淆矩阵。该模型正确分类了81.05%的安全事故和61.03%的严重事故，平衡准确性为71.04%。对于严重类别，误分类率较高，因为有38.97%的严重事故被预测为安全事故，而18.95%的安全事故被预测为严重事故。这些结果表明，尽管在极端不平衡的情况下，模型在识别安全事故方面更有效。

4.5 基于SHAP的特征重要性分析
表11展示了全局特征重要性的排名。时间周期（|SHAP| = 0.408）、驾驶员年龄（0.334）、事故类型（0.323）和事故小时（0.284）是主要预测因子，夜间时段的SHAP值显著较高。图5比较了不同时间周期内的实际事故严重程度模式。**每小时数据分析（顶部面板）显示第0小时（午夜）是事故风险最高的时刻（严重事故率为7.1%），远超其他所有小时。早晨时段（6-11点）的严重事故率始终最低（1.5-2.0%）。** **周期级聚合（底部面板）揭示了一个关键模式：** **晚间时段（18-23点）的持续严重事故率最高（4.25%），超过了夜间（3.08%）、下午（2.82%）和早晨（1.73%）。** **虽然第0小时单个事故风险最高（7.1%），但连续六小时的高风险水平（平均4.25%）由于更高的交通流量而导致了更大的事故负担。** **这一发现表明存在两种不同的时间风险模式：** （1）午夜的集中风险（第0小时：7.1%），影响的是较低交通量的情况；（2）晚上的持续高风险（18-23点：平均4.25%），影响的是高峰通勤时段的高交通量。** **第0小时极高的单个事故风险与晚上持续的高风险之间的对比具有重要的政策意义。** **午夜时段需要集中打击酒驾等行为，而晚间时段则需要全面的交通管理以应对更大范围内的事故负担。** **图5展示了时间上的严重事故模式。** **每个点代表一个预测的SHAP值，颜色根据特征的重要性编码（红色=高，蓝色=低）。** **Time_Period_enc是最具影响力的特征，其次是Driver_Age和Accident_Type_enc，Accident_Hour也有显著的贡献。** **相比之下，Accident_Year、Road_Type_enc和Nationality_Group_enc的影响相对较低。** **图6显示了SHAP特征的重要性。**

**4.6. 在严重类别不平衡下的性能：PR-AUC、基于类别的召回率和校准**
在严重类别不平衡的情况下，精确度-召回率曲线比ROC-AUC更具信息量，因为严重事故仅占测试集的2.76%。如图7所示，该曲线明显高于随机基线（0.0276），模型达到了0.2989的PR-AUC，约为基线水平的10.8倍。** **这表明即使严重事故罕见，该模型也能对其进行有效排序。** **基于类别的召回率显示61.03%的严重事故被正确识别，而81.05%的安全事故被正确分类，总体准确率为71.04%。** **同时，校准结果表明预测概率通常高于实际观察到的严重事故频率，布里尔分数为0.1683。** **总体而言，该模型更适合识别和优先处理严重事故风险，而不是直接进行概率解释。** **图7显示了二元LightGBM + SMOTE模型的精确度-召回率曲线。** **图8显示测试集严重不平衡，严重事故仅占所有案例的2.76%，但模型对严重类别的召回率仍达到61.03%，而对安全类别的召回率为81.05%。** **图8展示了基于类别的召回率和测试集类别分布。** **图9进一步通过选定的二元LightGBM模型的校准曲线检验了概率的可靠性。**

**5. 讨论**
我们的研究结果表明，当适当处理类别不平衡问题并且模型保持可解释性时，机器学习可以预测事故的严重程度。** **这种方法为卡塔尔的道路安全运营提供了一个实用工具，并支持QNV 2030目标[5]和国家道路安全战略[6]。**
**5.1. 分类性能的解释**
44.12%的多类别平衡度（BA）与严重不平衡的四类严重事故数据集的基准相当[2,15,16]。** **级联框架的更高Kappa值表明在类别不平衡的情况下，模型的一致性优于偶然性，并且具有更好的区分能力。**
**5.2. SHAP发现的政策含义**
SHAP提高了模型的可解释性，但其结果应谨慎解读。** **重要性值可能受到分类变量编码方式的影响，并且它们描述的是模型学习的关联而非因果关系。** **因此，SHAP最好被视为一种有用的解释工具，可以补充而不是替代其他方法，如成本敏感学习和空间建模。**
**5.2.1. 时间因素**
时间因素的SHAP贡献最大，其次是驾驶员年龄（Driver Age），这证实了时间模式和人口统计因素是关键预测因素[20,22,30,31]。** **实证分析结果揭示了两个互补的干预重点：** **午夜集中执法（第0小时：7.1%的严重事故率，低交通量）和晚间持续的风险管理（18-23点：平均4.25%，高交通量）。** **这些发现表明，虽然AI驱动的特征重要性在识别风险因素方面很有价值，但在资源分配之前必须根据实际严重事故分布进行验证。** **模型对孤立高峰（第0小时）的关注应与实证证据中的持续高风险时期（晚间高峰时段）平衡，以确保全面的时间覆盖和最佳的政策效果。**
**5.2.2. 驾驶员年龄和事故类型**
较年轻的驾驶员被认为是发生更严重事故的风险较高群体[10]，这与全球关于新手驾驶员风险的发现一致。** **事故类型中对超车和固定物体碰撞类型的SHAP值较高[30,31]，表明需要投资于行人安全基础设施。**
**5.2.3. 道路类型和事故年份**
外部道路的严重事故率（9.73%）高于内部道路（2.51%）。** **这种模式反映了高速公路和主要干道的高速度特性，这些地方的碰撞能量和伤害严重程度固有地更高。** **这些发现支持优先改进主要外部走廊的基础设施和执法工作。** **最近几年事故率的下降趋势可能表明2020-2025年间道路安全基础设施得到了改善。**
**5.2.4. 与交通违规系统的集成**
该框架可以通过帮助排序高风险案例来补充现有的违规检测系统。** **严重事故预测可以支持巡逻部署，通过突出显示午夜和晚上的高严重事故时段，严重事故信息可以与指挥中心的违规热图结合使用，以改进资源分配。** **由于校准有限，该模型更适合风险优先级排序，而不是直接进行概率解释。**
**5.2.5. 与相关工作的比较**
总体而言，尽管先前的研究报道了先进机器学习模型在事故严重性预测方面的强大性能，但我们的发现通过使用不平衡意识指标、系统比较不同的预处理策略以及对未来未见数据的时序验证，进一步扩展了这些发现。** **特别是，二元LightGBM框架结合了强大的预测性能、可解释性和时序泛化能力，在极端类别不平衡的情况下提供了比许多早期方法更实用的解决方案。**
**与以往专注于卡塔尔的研究不同，这些研究依赖于传统的统计分析[7,12]，我们的工作提供了第一个具有基于SHAP的政策可解释性的个体级别预测框架。**
**本研究的44.12%多类别平衡度与类似研究的结果相当或更高[2,3,4,8,16]。** **71.04%的二元平衡度和0.7722的AUC代表了有竞争力的性能。** **数据集规模（588,023条记录）远远超过大多数可比较的海湾合作委员会（GCC）研究，为少数类别学习提供了更大的统计能力。**
**本研究的二元分类性能（AUC = 0.7722，F1-Macro = 0.5186）符合严重不平衡严重事故预测的国际基准，超过了Dong等人[22]在巴基斯坦公路数据上使用LightGBM得到的结果（AUC = 0.71），同时对没有验证细节的小数据集报告的异常高指标持保守态度[3,4]。** **本研究的三个方法论优势包括：** （1）数据集规模（588,023条记录）超过其他GCC研究，（2）仅对训练数据应用SMOTE的严格验证以及分层训练-测试分割，（3）明确的目标泄露预防，确保了操作的有效性——这些标准在区域文献中很少被采用。**

**5.3. 关键发现和实际建议**
二元公式在平衡准确率方面比多类别公式提高了61%（71.04% vs 44.12%），证实了在极端不平衡情况下问题重新表述的重要性。** **SMOTE和ADASYN被证明是最有效的平衡策略，而LightGBM在速度和性能之间提供了最佳平衡，其训练时间不到15秒，而梯度提升（Gradient Boosting）则需要超过700秒。** **级联方法提高了少数类别的检测能力，Cohen’s Kappa增加了70.7%（0.1217 vs 0.0713），显示出对严重事故更好的敏感性。** **时间因素成为主要预测因素，SHAP综合贡献为0.692，揭示了两种不同的风险模式：** **午夜高峰（第0小时）的7.1%严重事故率影响较低交通量，以及晚间（18-23点）的持续高风险，平均严重事故率为4.25%。** **模型表现出强大的时序泛化能力，训练-验证差距很小，证明没有显著的过拟合现象。**
**这些发现转化为几项实际行动建议：** **午夜和晚间风险时段支持有针对性的执法策略，午夜需要针对危险行为（如鲁莽驾驶）进行集中干预，而晚间则需要全面的交通管理，鉴于其持续的高风险和更高的交通流量。** **年轻驾驶员的风险水平更高，支持实施分层许可制度和针对高危夜间驾驶条件的培训计划。** **与行人相关的事故与更高的严重性相关，强调了改进行人过街设施、增强交通信号系统以及在城市环境中提高驾驶员意识的必要性。** **LightGBM的高计算效率使其适合交通安全从业者实时部署，以支持主动的风险监测和干预。** **最后，外部道路（9.73%）与内部道路（2.51%）相比更高的严重事故率突显了速度管理、防御性驾驶实践和在高速走廊中有针对性的安全干预的重要性。**

**6. 结论**
本研究使用了卡塔尔的国家事故数据集，在极端类别不平衡的情况下，检验了机器学习框架在预测交通事故严重性方面的能力。** **二元LightGBM框架在性能（BA = 71.04%）、可解释性和计算效率方面实现了最佳组合，表明问题重新表述比单独选择算法更能带来显著提升。** **时间因素成为主要预测因素，午夜和晚间时段呈现出不同的风险模式，支持差异化的执法策略。** **这些发现转化为实际行动建议，包括有针对性的时间执法、行人安全基础设施、针对年轻驾驶员的分层许可制度以及在外部道路上的速度管理。**
**应承认几个限制：** **二元公式简化了原始的四级严重性结构，时间验证基于单一的未来年份，模型在概率校准方面有限，使其更适用于风险排名而非直接概率解释。** **四个高价值特征由于极端缺失而被排除，地理变量也无法获取。** **此外，研究期间与COVID-19大流行（2020-2021年）重叠，这可能影响了交通模式，少数类别仍然严重代表性不足。** **所有实验都使用卡塔尔特定数据进行，其对其他GCC国家的普遍性尚未得到验证。** **未来的研究应整合环境和传感器数据，探索成本敏感和空间建模方法，并开发事故率和类型的预测工具，以支持主动的道路安全管理。**
**虽然当前研究专注于预测个别事故的严重性，但了解未来的事故率和类型仍然是主动道路安全管理的关键方向。** **我们的研究显示了令人鼓舞的严重性下降趋势；2024-2025年的事故严重性相比早期年份有所下降，反映了卡塔尔道路安全工作的积极影响。** **在此基础上，未来的工作将开发预测工具，帮助当局预测事故模式并制定预防措施。**