基于FHSPSO-RF的交通事故严重程度预测
王淑椒
胡学龙
唐磊
安徽理工大学矿业工程学院,安徽 淮南 232001
摘要：为提高交通事故严重程度的预测准确性,构建一种基于觅食生境选择粒子群优化(foraging habitat selection particle swarm optimization,FHSPSO)算法优化随机森林(random forest,RF)算法关键超参数的FHSPSO-RF模型,以美国华盛顿州西雅图市 2022 年 1 月至2023 年2 月的交通事故数据为基础,选取12 项特征指标,采用合成少数类过采样技术,增加重伤和死亡事故的样本数,改善事故类别分布均衡性;将FHSPSO-RF模型与支持向量机(support vector machine,SVM)、K近邻(K-nearest neighbors,KNN)和逻辑回归(logistic regression,LR)等模型进行性能对比,并通过SHAP(Shapley additive explanations)分析法,解析各特征对交通事故严重程度的影响机制.结果表明:过采样后重伤、死亡事故的召回率显著增大,FHSPSO-RF 模型的整体性能更均衡;FHSPSO-RF模型的准确率、精确率、召回率、F1 分数均高于其他 3 个模型,对交通事故严重程度的预测效果最好;在所有交通事故类型中,受伤人数和车辆数量均为最关键的驱动因素,对交通事故严重程度具有显著正向影响,行人数量、高冲击碰撞类型(如正面撞击)与复杂道路环境(如交叉口、匝道)是重伤及死亡事故的关键风险组合;财产损失事故与是否碰撞路边停放车辆密切相关.FHSPSORF模型在交通事故严重程度预测中表现出良好的性能与可解释性,可为交通事故风险预测与防控决策提供依据.
关键词：交通事故严重程度预测FHSPSORF
分类号：U491.3(交通工程与公路运输技术管理)
论文发表日期：2026-01-31
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：9( 25-33 )
英文信息