Key points are not available for this paper at this time.
최근 몇 년 동안, 교통사고는 우발적 사망 원인 중 하나로서 여러 분야에서 점점 더 많은 주목을 받고 있습니다. 특히, 사고 심각도에 대한 특징 연구는 다양한 위험 요소와 도로 사고 간의 인과 관계를 정확하게 식별하는 데 도움이 되어 도로 교통 안전을 크게 향상시킬 수 있습니다. 한편, 교통 안전 조사를 위한 데이터 시각화의 적용은 여전히 부족합니다. 이에 따라, 우리는 2017년 영국의 교통사고 데이터를 분석하기 위해 머신러닝에 시각화 방법을 통합합니다. Light Gradient Boosting Machine-Tree-structured Parzen Estimator (LightGBM-TPE)라는 하이브리드 알고리즘을 제안합니다. 다른 전형적인 머신러닝 알고리즘과 비교할 때, f1, 정확도, 재현율 및 정밀도 지표에서 더 우수한 성능을 보입니다. LightGBM-TPE를 사용하여 각 특징의 SHAP 값을 계산한 결과, 'Longitude', 'Latitude', 'Hour' 및 'DayₒfWeek'가 사고 심각도와 가장 밀접하게 관련된 네 가지 위험 요소라는 것을 발견했습니다. 데이터에 대한 시각화는 이 결론을 추가로 검증합니다. 전반적으로, 우리의 연구는 도로 교통 사고의 특징 중요성을 이해하고 평가하는 혁신적인 방법을 탐색하려 하며, 이는 교통 안전을 개선하기 위한 효과적인 솔루션을 제안하는 데 도움이 될 수 있습니다.
Li et al. (Thu,)은 이 질문을 연구했습니다.