На пути к более безопасным автомагистралям: применение XGBoost и SHAP для обнаружения ДТП в реальном времени и анализа факторов

Как можно быстрее выявлять ДТП необходимо для обеспечения безопасности дорожного движения. В этом исследовании для выявления ДТП по набору данных в реальном времени, включающему характеристики дорожного движения и дорожной сети, демографические данные, сведения о землепользовании и погоде, применён метод машинного обучения eXtreme Gradient Boosting (XGBoost). Данные о скоростных автомагистралях Чикагской агломерации собраны с декабря 2016 по декабрь 2017 года; они включают 244 ДТП и 6073 случая, когда ДТП не произошло. Для интерпретации результатов и оценки вклада отдельных признаков использован метод SHAP (SHapley Additive exPlanation). XGBoost надёжно выявлял ДТП: точность классификации составила 99%, доля выявленных ДТП — 79%, а доля ложных тревог — 0,16%. Наибольший вклад среди признаков, связанных с дорожным движением, вносила разность скорости за 5 минут до ДТП и через 5 минут после него. Кроме того, проведён анализ зависимости между тремя парами признаков. Совместно оценивались среднесуточная интенсивность движения и скорость в точке выше по потоку после ДТП либо в соответствующий период при его отсутствии; затем анализировались расстояние до центрального делового района и плотность жилой застройки. Наконец, оценивалась связь между скоростью в точках выше и ниже по потоку после ДТП либо в соответствующий период при его отсутствии и прогнозом модели.