基于聚类分析和SVM的二级公路交通事故严重度预测

作者：杨文臣; 周燕宁; 田毕江; 郭凤香^*; 胡澄宇

来源：中国安全科学学报, 2022, 32(05): 163-169.

DOI：10.16265/j.cnki.issn1003-3033.2022.05.1263

• K-means(KM)聚类
• 支持向量机(SVM)
• 事故严重度
• 山区二级公路
• 随机森林(RF)
• 机器学习

为明析输入特征对交通事故严重度机器学习预测模型的影响，基于1 808条山区二级公路事故数据，选择12个事故严重度的影响因素作为候选特征变量，采用K-means(KM)聚类算法离散化事故严重度的连续特征变量，采用随机森林(RF)算法识别事故严重度的重要特征变量，通过组合3种输入特征变量(候选特征、KM特征、RF特征)和支持向量机(SVM)算法，分别构建事故严重度的3种SVM预测模型(SVM*、KM-SVM和RF-SVM),并分析3种SVM模型的预测性能及适用性。结果表明：通过离散连续变量和识别关键特征参数，可显著提高RF-SVM模型的预测准确率，重伤和死亡事故的预测准确率提高达40%;特征选择对SVM模型性能的影响程度要小于连续变量离散化；RF-SVM模型可获得比二元logistic回归模型更好的预测性能，但对不同输入特征的敏感性较高。

• 单位
  深圳市城市交通规划设计研究中心; 云南省交通规划设计研究院有限公司; 昆明理工大学