.png){kind=icon}
返回
Optimizing Traffic Accident Severity Prediction with a Stacking Ensemble Framework
.png){kind=icon}
OA
AI
DOI：10.3390/wevj16100561.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
道路交通事故（RTCs）已成为全球主要的致死原因之一，事故相关死亡人数正呈快速增长趋势。为缓解这一问题，开发能够帮助驾驶员和骑行者了解其所在地区事故统计数据的早期预测方法至关重要。这些方法应考虑关键因素，如限速、交通标志与信号遵守情况、人行横道、通行权规则、天气条件、驾驶员疏忽、疲劳以及超速对RTC发生的影响。提高对这些因素的认识使个人能够更加谨慎，从而有助于事故预防。改进道路交通事故严重程度分类的一种有前景的方法是堆叠集成方法，该方法利用多个机器学习模型。该技术通过将来自不同基础模型的预测结果整合到元模型中，以解决数据集不平衡和高维特征等挑战，最终提升分类精度。集成方法利用不同模型的优势，捕捉数据的多个方面以改善预测性能。堆叠方法的有效性取决于具有互补优势的基础模型的谨慎选择，以确保预测的稳健性和可靠性。此外，高级特征工程和选择技术可以进一步优化模型性能。在人工智能领域，已探索多种机器学习（ML）技术以支持解决RTC相关问题的决策制定。这些方法旨在生成精确的报告和见解。然而，堆叠方法已展现出显著优于现有方法的性能，使其成为改进道路安全的有价值工具。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.6
论文数:
1.9K
被引数:
3.8K
机构
引用论文
Comparison of Statistical and Machine-Learning Models on Road Traffic Accident Severity Classification.png)
Computers
OAAI
ComputersIF0
OAAI分享收藏分享收藏分享收藏El Mallahi, I.; Riffi, J.; Tairi, H.; Ez-Zahout, A.; Mahraz, M.A. A Distributed Big Data Analytics Models for Traffic Accidents Classification and Recognition based SparkMlLib Cores. J. Autom. Mob. Robot. Intell. Syst. 2023, 16, 62–71. [Google Scholar] [CrossRef]Mallahi, I.; Riffi, J.; Tairi, H.; Ez-Zahout, A.; Mahraz, M.A. 基于SparkMlLib核心的分布式大数据分析模型用于交通事故分类与识别。自动化、移动机器人与智能系统杂志，2023，16，62–71。 [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容