《IATSS Research》：Predicting injury severity in truck-involved crashes using machine learning classifiers and cross-validation techniques
编辑推荐：
本研究使用了八种有监督的机器学习（Machine Learning, ML）分类器，包括逻辑回归（Logistic Regression, LR）、K近邻（K-Nearest Neighbors, KNN）、高斯朴素贝叶斯（Gaussian Na?ve Bay
本研究使用了八种有监督的机器学习（Machine Learning, ML）分类器，包括逻辑回归（Logistic Regression, LR）、K近邻（K-Nearest Neighbors, KNN）、高斯朴素贝叶斯（Gaussian Na?ve Bayes, GNB）、线性判别分析（Linear Discriminant Analysis, LDA）、支持向量分类器（Support Vector Classifier, SVC）以及基于树的分类器（决策树（Decision Tree, DT）、随机森林（Random Forest, RF）和极限梯度提升（XGBoost）），通过超参数调优来预测一个发展中国家涉及卡车事故中的伤害严重程度。多车碰撞在直道段占主导地位，人为和环境因素影响严重程度。使用过滤法和嵌入法进行特征选择，揭示了天气和时间特征与伤害严重程度的关联较弱，强调了进行位置特定建模的必要性。重要的特征包括车道、碰撞类型、道路几何形状、穿越车道和事故原因。交叉验证（Cross-Validation, CV）数据分割技术被证明能够比标准的单次随机训练-测试分割（Single Random Train-Test Split, SRTS）提高性能。因此，重点突出了两个模型。优化后的XGBoost模型成功达到了87%的准确率，尽管没有使用数据重采样来处理类别不平衡，但在均方根误差（Root Mean Square Error, RMSE, 0.36）和类别0的精确率（0.87）方面优于随机森林，证明了其在减少假阳性方面的有效性。然而，随机森林的曲线下面积（Area Under the Curve, AUC, 0.87）略高于XGBoost的AUC（0.79），表明其在区分类别方面具有更好的整体能力。尽管如此，XGBoost仍然是首选模型，因为它在关键指标上表现更好，使其更适合于预防误报至关重要的应用。本研究强调了基于机器学习的预测工具在提高高速公路安全性和指导新兴经济体政策干预方面的潜力，从而减少死亡人数同时避免无效的安全措施。
**论文解读：基于机器学习与交叉验证的卡车事故伤害严重程度预测研究**
**研究背景与问题**
全球范围内，高速公路交通事故仍是导致死亡的主要原因之一，世界卫生组织（WHO）报告每年约119万人因此丧生。大型车辆，特别是卡车，由于其碰撞冲击力大，在致命事故中占比过高。在美国，涉及卡车的致死事故在2009至2019年间增加了47%；在欧洲，此类事故死亡率仅次于轿车和行人。在印度尼西亚，卡车承担了约90%的货运物流，车队规模从2017年的530万辆增长至2022年的570万辆，2020年卡车事故占所有交通事故的12%，其中重型卡车在高速公路上的致死率高达30%。2018至2024年间，共记录153,944起卡车事故，仅Trans-Java高速公路就有1475起，致死率和重伤率分别达11.25%和22.03%。
现有研究已识别出环境、时间、驾驶员和车辆因素为卡车事故严重程度的关键决定因素。例如，天气、道路曲率、照明、夜间和周末驾驶、驾驶员疲劳、酒精和药物影响、刹车缺陷等均被证实与严重伤害相关。然而，传统统计方法难以处理交通事故数据的多维复杂特性，而机器学习（Machine Learning, ML）方法虽已广泛应用于一般道路事故分析，但专门针对卡车事故伤害严重程度预测的实证研究仍然有限，且主要集中于发达国家。此外，模型性能的结论尚不一致，例如逻辑回归（Logistic Regression, LR）与随机森林（Random Forest, RF）在不同数据分割比例下表现各异。数据分割方法上，单次随机训练-测试分割（Single Random Train-Test Split, SRTS）存在不稳定性，尤其在不平衡数据集中可能导致模型性能的高估或低估。因此，研究人员旨在开发一种针对发展中国家数据条件的卡车事故伤害严重程度预测框架，通过稳健的特征选择策略和交叉验证（Cross-Validation, CV）技术提升预测性能，并评估多种机器学习分类器的适用性。
**研究内容与结论**
本研究利用印度尼西亚Trans-Java高速公路运营商提供的2016至2022年卡车事故数据（共1475条记录），采用八种有监督机器学习分类器——逻辑回归（LR）、K近邻（K-Nearest Neighbors, KNN）、高斯朴素贝叶斯（Gaussian Na?ve Bayes, GNB）、线性判别分析（Linear Discriminant Analysis, LDA）、支持向量分类器（Support Vector Classifier, SVC）以及基于树的决策树（Decision Tree, DT）、随机森林（RF）和极限梯度提升（XGBoost），通过超参数调优来预测伤害严重程度（致命/重伤 vs. 轻伤）。研究通过结合过滤法（相关性检验、卡方检验）和嵌入法（Lasso交叉验证、树模型特征重要性）进行特征选择，并比较了SRTS与k折交叉验证（k-fold CV）对模型性能的影响。评估指标包括准确率、均方根误差（Root Mean Square Error, RMSE）、AUC-ROC、精确率、召回率和F1分数。此外，研究人员采用SHAP（SHapley Additive exPlanations）对最优模型进行解释。
研究得出以下主要结论：交叉验证技术显著优于单次随机分割，其中KNN在9折交叉验证的第三折达到86%准确率；树模型经超参数调优后性能提升，XGBoost以87.2%的准确率超越所有其他模型，且在不使用数据重采样的情况下有效处理类别不平衡，其精确率（类别0：0.871）和RMSE（0.36）均优于RF；然而，RF的AUC（0.87）略高于XGBoost（0.79），表明RF在整体区分能力上更优，但XGBoost在关键指标上更适用于需要预防误报的应用场景。特征选择结果表明，天气和时间特征与伤害严重程度的关联较弱，重要特征包括车道、碰撞类型、道路几何形状、穿越车道和事故原因。SHAP分析进一步揭示，单车碰撞和缺乏预判是最重要的预测因子，直道段比弯道段更易导致严重伤害，且车道方向（西向东）也显示出空间异质性。
**重要意义**
该研究发表于《IATSS Research》，为发展中国家高速公路安全决策提供了科学依据。研究强调了基于机器学习的预测工具在提升高速公路安全性和指导政策干预方面的潜力，尤其是在资源有限的环境中，可通过识别高影响因子（如驾驶员行为、道路几何特征）来优化干预措施，减少死亡人数同时避免无效安全策略。此外，研究还指出了发展中国家事故数据系统的局限性，如缺乏连续变量和类别不平衡，为未来数据采集和模型改进指明了方向。
**主要关键技术方法**
研究人员从Trans-Java高速公路运营商处获取了2016至2022年的事故数据，样本包含1475条涉及卡车（2至5轴）的碰撞记录，数据来源为印度尼西亚的Trans-Java高速公路。主要采用的技术方法包括：（1）特征选择：结合过滤法（Pearson、Kendall、Spearman相关性检验和卡方检验）与嵌入法（Lasso交叉验证和树模型特征重要性）；（2）模型训练与评估：使用八种有监督机器学习分类器（LR、KNN、GNB、LDA、SVC、DT、RF、XGBoost）进行超参数调优，并采用单次随机分割（SRTS）与k折交叉验证（k-fold CV）比较性能；（3）性能评价指标：准确率、RMSE、AUC-ROC、精确率、召回率和F1分数；（4）模型解释：应用SHAP进行全局和局部特征重要性分析。
**研究结果**
**3.1 数据分割策略的影响：单次随机分割 vs. 交叉验证**
通过比较SRTS与7折交叉验证，发现交叉验证显著提高了大多数模型的性能。在SRTS下，GNB取得了最高准确率（74.2%），但召回率低；KNN表现均衡。在7折交叉验证中，KNN准确率提升，且稳定性优于SRTS。进一步对KNN应用9折交叉验证，第三折准确率达到86%，表明交叉验证能提供更稳健的性能评估。
**3.2 交叉验证下的模型性能（含/不含超参数调优）**
在交叉验证框架下，非树模型（KNN、SVC、LR等）中KNN表现最佳（准确率85.0%）。树模型经超参数调优后性能显著提升：RF准确率提升至86.0%，DT提升至85.4%，而XGBoost达到最高准确率87.2%。在RMSE方面，DT、RF和XGBoost均低于0.35，优于其他模型。AUC结果显示，RF达到0.87，高于XGBoost的0.79，表明RF在区分伤害严重程度类别上更具优势。然而，在精确率、召回率和F1分数上，XGBoost在关键指标上表现更优，尤其适用于预防误报的场景。研究还发现，类别不平衡导致多数类（轻伤）预测性能较好，但少数类（致命/重伤）预测仍然困难，XGBoost在召回率（0.045）和F1分数（0.087）上虽低但在同类中相对最优。
**3.3 基于SHAP的模型解释**
SHAP全局重要性分析显示，单车碰撞和缺乏预判是预测致命/重伤的最重要因素，直道段的重要性高于弯道段，表明驾驶员在直道上可能因虚假安全感而超速，加剧了预判失败的后果。车道方向（西向东）也显示出较高重要性，反映了沿走廊的空间异质性。SHAP汇总图进一步证实，人类相关因素（如疲劳、缺乏预判）比环境因素对严重度预测的贡献更大。局部SHAP力分析也揭示了在高度致命事件中，单车碰撞和缺乏预判的联合作用。
**讨论与结论**
**讨论总结**
本研究证实了发达国家与发展中国家在卡车事故严重程度研究中的差异源于上下文特征和方法论限制。与发达国家研究一致的是，树模型（RF、XGBoost）表现优异；但天气和时间因素在印度尼西亚高速公路上关联较弱，这归因于该国的两季热带气候、有限的环境变异性和分类数据特性。道路几何形状的影响与发达国家相反，直道段在印度尼西亚更易导致死亡，凸显了上下文特异性。研究强调，在发展中国家数据条件下，稳健的特征选择（多方法结合）和交叉验证策略至关重要，且不能仅依赖统计检验（如卡方检验）进行特征选择。类别不平衡问题中，XGBoost在不使用重采样的情况下表现良好，支持了原始分布可能优于人工平衡数据的观点。SHAP分析揭示了行为因素（如单车碰撞、缺乏预判）的主导作用，政策建议应优先关注行为干预、直道段速度管理和西向东走廊的安全审计，而非单纯几何设计改进。研究局限性包括缺乏连续变量（如驾驶员年龄、交通量、车速）和类别不平衡，未来研究应整合更全面的数据并尝试重采样技术。
**研究结论翻译**
本研究证明了八种机器学习分类器在预测印度尼西亚高速公路卡车事故伤害严重程度方面的有效性。研究结果凸显了有限天气变异性、两季气候和不平衡数据集等独特挑战。尽管天气和时间特征与伤害严重程度关联较弱，但道路几何形状成为更显著的因素。值得注意的是，本研究强调不同的分类方式可能导致特征选择中的不同解释，应应用多技术特征选择以识别相关预测因子并降低无效安全策略的风险。基于统计检验（如卡方检验和相关性检验）的特征选择不应单独使用，因为其对数据分布的依赖性可能导致不现实的解释。此外，政府事故数据通常不平衡，报告的轻伤多于重伤，进一步增加了解释的复杂性。结果还揭示了传统数据分割技术（如单次随机训练-测试分割，SRTS）的局限性，并证明交叉验证能提供更稳健的模型性能评估。虽然GNB和LR在SRTS下最初达到约70%的最高准确率，但交叉验证凸显了KNN的稳定性和树模型的竞争性表现。最终，随机森林（RF）达到了最高的AUC（0.87），展现了强大的区分能力，但XGBoost在解决数据不平衡方面最为有效，达到了87.2%的准确率，并在精确率和召回率上优于RF，从而获得了更高的F1分数。这些发现强调仅靠准确率是不够的，应优先考虑召回率和精确率，尤其是在严重事故案例中。未来研究可探索过采样技术以进一步改善少数类别的模型性能。对于交通安全资源有限的国家，基于机器学习的预测工具可以支持更精准的干预措施、改进事故响应策略，并最终减少死亡人数。本研究为基于机器学习的交通事故严重程度预测知识体系做出了贡献，突出了XGBoost作为新兴经济体安全应用稳健分类器的潜力。然而，研究也表明存在影响伤害严重程度的潜在因素尚未解决。未来研究应整合诸如驾驶员疲劳、车辆维护和道路照明等更复杂的特征，以及先进的深度学习和重采样技术，最终指导道路安全管理中更有效的干预措施和政策。
