使用机器学习算法评估行人事故中的责任水平

涉及行人的交通事故往往造成最多的伤亡（轻伤、重伤或死亡）。因此，准确确定行人事故中的责任水平至关重要，因为责任可能导致民事、行政或刑事后果。尽管其重要性，科学文献中专门关注交通事故中责任归属的研究非常少，集中于行人碰撞的研究更是寥寥无几。本研究评估了不同的监督分类模型，使用机器学习（ML）技术对司机和行人的责任水平进行分类，所用数据为实际事故数据。在本次评估中，基于人、技术、结构和规范四个子系统考虑了14个二元变量。我们的目标是帮助司法和警察机关更有效和客观地进行责任归属。这涉及在分类过程后分析最具影响力的变量。然后，决策者将能够利用这些评估制定新的改善道路安全的策略。数据集由510起行人事故组成，数据来源于西班牙巴达霍斯地方警察（LPB）的报告和西班牙司法机构（SJ）的裁决。在分析的模型中，决策树（DT）、朴素贝叶斯（NB）和支持向量机（SVM）模型的初始表现最佳。随后对这三种模型进行了比较，指标显示DT模型是最佳选项。此外，14个变量的重要性分析表明，持有驾驶执照是确定责任的最有影响力因素（占47.26%）。其次最具影响力的因素为行人所在位置（占15.35%）；醉酒/药物影响下驾驶的司机（占7.24%）；以及分心驾驶，例如使用手机（占7.04%）。