摘要
交通事故严重程度建模是道路安全研究领域中非常重要且具有前景的方向。其目的是评估人类、车辆、道路以及环境等相关因素如何相互作用，从而决定事故的严重程度。目前的相关研究大多采用传统的统计方法以及简单的机器学习技术。虽然统计分析方法往往基于不切实际的假设，而传统的机器学习模型则存在可解释性方面的问题。本研究提出了一种可解释的交通事故严重程度预测框架，该框架将机器学习与深度学习模型相结合，并利用SHAP技术实现事后的结果解释。研究使用了沙特阿拉伯卡西姆地区的高速发展区域中的交通事故数据。交通事故严重程度被分为三类：致命事故、受伤事故以及仅造成财产损失的事故。研究共开发并评估了四种预测模型，包括随机森林模型、支持向量机模型、前馈神经网络模型以及梯度提升机模型。研究采用了准确性、平衡准确性、宏观F1分数以及ROC–AUC等多种性能指标来评估这些模型。描述性统计分析表明，超速行驶、正面碰撞、逆向行驶、轮胎爆裂以及驾驶员疲劳是导致致命伤害的主要原因。实证结果表明，所提出的预测模型在测试数据上的准确率在0.94到0.96之间，其中随机森林模型的表现略优于其他模型。模型可解释性分析显示，事故原因、事故类型、车速以及道路类型等因素会对事故严重程度产生显著影响。该框架证明了机器学习与深度学习方法在交通事故严重程度预测方面的有效性，同时也为制定旨在减少严重及致命事故的道路安全干预措施和政策提供了实用依据。
