پیش‌بینی توضیح‌پذیر شدت تصادفات جاده‌ای با یادگیری ماشین: اعتبارسنجی بین‌کشوری و مداخلات داده‌محور ایمنی حمل‌ونقل

پیش‌بینی توضیح‌پذیر شدت تصادفات جاده‌ای با یادگیری ماشین: اعتبارسنجی بین‌کشوری و مداخلات داده‌محور ایمنی حمل‌ونقل

پریسا قهرمان شهرکی1

1) مهندس کامپیوتر

کد IOI مقاله : AAHE-ABKHCF
محل انتشار : کنفرانس ملی فناوری های عمران، طراحی و ساخت، انرژی، مواد و ماشین آلات پیشرفته(icaeu.ir)
چکیده :
    آسیب‌های ناشی از تصادفات جاده‌ای همچنان یکی از چالش‌های مهم سلامت عمومی و توسعه در جهان هستند. پژوهش حاضر با هدف توسعه یک چارچوب یادگیری ماشین توضیح‌پذیر برای پیش‌بینی سه‌کلاسه شدت تصادفات جاده‌ای و بررسی قابلیت انتقال آن میان کشورها انجام شد. داده‌های رسمی STATS19 بریتانیا در سال 2025، داده‌های BAAC فرانسه در سال 2024 و داده‌های تصادفات جاده‌ای شهر آدیس‌آبابا در اتیوپی در سطح تصادف هماهنگ‌سازی شدند. متغیر هدف شامل سه کلاس «خفیف»، «شدید» و «مرگبار» بود. فضای ویژگی اصلی میان‌کشوری شامل ساعت وقوع تصادف، روز هفته، شرایط آب‌وهوایی، روشنایی، وضعیت سطح جاده، ویژگی‌های تقاطع، تعداد وسایل نقلیه درگیر و شاخص‌های تجمیع‌شده حضور موتورسیکلت، وسیله نقلیه سنگین، حمل‌ونقل عمومی و وسیله نقلیه دوچرخ بود. CatBoost حساس به هزینه به‌عنوان مدل نهایی بریتانیا انتخاب شد. این مدل در اعتبارسنجی داخلی بریتانیا به دقت 0.6634 و Macro F1 برابر با 0.4014 رسید. هنگام ارزیابی خارجی روی داده‌های فرانسه، دقت 0.5334 و Macro F1 برابر با 0.3934 به دست آمد که حفظ نسبی عملکرد کلان را، با وجود تفاوت در توزیع کلاس‌ها و الگوی خطاهای طبقه‌ویژه، نشان می‌دهد. در تحلیل انتقال شش‌جهته میان سه کشور، Macro F1 بین 0.3133 تا 0.3497 متغیر بود. افزایش تفاوت توزیع ویژگی‌ها میان کشورها با کاهش Macro Recall همراه بود، هرچند قابلیت انتقال مدل به جهت انتقال و کلاس شدت وابسته باقی ماند. تحلیل SHAP نشان داد که ویژگی‌های تقاطع، تعداد وسایل نقلیه و شرایط آب‌وهوایی مهم‌ترین پیش‌بینی‌کننده‌ها در بریتانیا بودند. در اتیوپی، ویژگی‌های مرتبط با راننده حدود یک‌پنجم سهم کلی SHAP را تشکیل دادند، اما در اعتبارسنجی متقاطع تکرارشونده تنها افزایش ناچیزی در عملکرد ایجاد کردند (0.0030+ در Macro F1). یافته‌ها نشان می‌دهند که ترکیب داده‌های هماهنگ‌شده چندکشوری، اعتبارسنجی خارجی، یادگیری ماشین توضیح‌پذیر و اولویت‌بندی مداخلات می‌تواند به تولید شواهد کاربردی‌تر برای ایمنی جاده‌ای کمک کند. بااین‌حال، اهمیت ویژگی‌ها باید به‌عنوان شواهد پیش‌بینی‌کننده، نه شواهد علی، تفسیر شود. بنابراین، مداخلات ایمنی پیشنهادی، به‌ویژه برای عوامل دارای تفاوت توزیعی زیاد میان کشورها، نیازمند اعتبارسنجی محلی هستند

کلمات کلیدی : واژگان کلیدی شدت تصادف جاده‌ای یادگیری ماشین هوش مصنوعی توضیح‌پذیر shap اعتبارسنجی بین‌کشوری catboost ایمنی جاده‌ای اولویت‌بندی مداخلات