Modélisation XGBoost-SHAP et hétérogénéité non observée des modèles de gravité des accidents de camions impliquant plusieurs véhicules dans le temps

Cet article vise à traiter la question critique des accidents de camions impliquant plusieurs véhicules dans les régions en développement, en mettant l'accent sur la Thaïlande, en analysant les facteurs qui influencent la gravité des blessures et en comparant l'efficacité des modèles prédictifs. En utilisant des paramètres aléatoires avancés et l'algorithme d'apprentissage machine XGBoost, nous avons réalisé une analyse complète des facteurs de gravité des blessures dans les accidents de camions impliquant plusieurs véhicules, en contrastant les jours de semaine et les week-ends. Nos résultats révèlent que le modèle XGBoost surpasse significativement le modèle logit hétérogène dans la prévision des résultats de gravité des accidents, démontrant une précision, une sensibilité, une spécificité, une précision, un score F1 et une aire sous la courbe (AUC) supérieurs tant dans les phases d'entraînement que de test du modèle. Les principaux facteurs de risque identifiés incluent l'implication de motos, les collisions frontales et les accidents survenant tard dans la nuit ou tôt le matin, les éléments environnementaux tels que le nombre de voies et les heures de week-end jouant également un rôle significatif. L'étude introduit XGBoost comme une méthode nouvelle et améliorée pour l'analyse de la sécurité des camions, capable de capturer les interactions complexes au sein des données d'accidents impliquant plusieurs véhicules et d'offrir des perspectives exploitables pour des interventions ciblées visant à réduire la gravité des accidents. En mettant en lumière des facteurs de risque spécifiques et l'efficacité de XGBoost, cette recherche contribue au développement de stratégies basées sur les données pour améliorer la sécurité des camions dans les pays en développement. Doi : 10.28991/CEJ-2024-010-06-011 Texte complet : PDF