基于QRBL优化的TSO-XGBoost的交通事故严重程度预测及分析研究
王嘉宁1
王莹2
牛学军1
张雪杉3
1.中国人民公安大学交通管理学院,北京 1000382.中国人民公安大学交通管理学院,北京 100038;北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室,北京 1000443.内蒙古呼伦贝尔市公安局鄂温克旗交管大队,呼伦贝尔 021100
摘要：交通事故的严重程度预测是交通安全领域研究热点之一,为明晰事故严重程度的关键影响因素,进一步提高交通事故严重程度的预测准确性,文章提出了一种基于准反射学习策略(QRBL)的金枪鱼群优化算法(TSO)和极限梯度提升树(XGBoost)相结合的交通事故严重程度预测模型.首先,文章通过收集和整合中国东南地区某市、中部某市及东部沿海某市的交通事故数据,构建了一个包含36146起交通事故案例的详细数据集.其次,利用XGBoost算法识别影响事故严重程度的关键特征,并依据特征影响程度筛选出前20个事故特征作为事故严重程度预测模型的输入.最后,基于准反射学习策略(QRBL)优化TSO算法的寻优效能,从而确定XGBoost预测模型的超参数最优取值,实现对交通事故严重程度的预测分类,以提高预测的准确性和全面性.实验结果表明,该模型在精确率、查准率、召回率和F1分数等评价指标上均优于其他机器学习模型,具有显著的预测优势.此外,通过SHAP模型对关键影响因素进行了深入分析,为减少事故发生和降低事故严重程度提供了理论依据.
关键词：交通工程事故严重程度预测特征提取XGBoostTSO准反射学习策略
论文发表日期：2024-12-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 67-74 )
英文信息