DOI: https://doi.org/10.1038/s41598-025-10970-7
PMID: https://pubmed.ncbi.nlm.nih.gov/40721929
تاريخ النشر: 2025-07-28
المؤلف: Ayman Mohamed Mostafa وآخرون
الموضوع الرئيسي: السلامة المرورية وسلامة الطرق
نظرة عامة
تقدم هذه الدراسة إطار عمل مدفوع بالذكاء الاصطناعي للتعلم الآلي يهدف إلى توقع شدة حوادث المرور، باستخدام مجموعة بيانات شاملة تضم أكثر من 2.26 مليون سجل. يدمج النموذج عوامل مختلفة، بما في ذلك العناصر البشرية، وعناصر الحادث المحددة، وعناصر متعلقة بالمركبة، لتعزيز دقة التوقع. تشمل المنهجيات الرئيسية المستخدمة هندسة الميزات، وتقنيات التجميع (K-Means و HDBSCAN)، وطرق زيادة العينة (مثل SMOTE و ADASYN) لمعالجة عدم توازن الفئات. ظهر مصنف الأشجار الإضافية (ET Classifier) كنموذج الأكثر فعالية، محققًا دقة تبلغ 96.19% ودرجة F1 ماكرو تبلغ 95.28%، مما يثبت نظامًا قويًا للتوقع لسلامة المرور.
تتناقض الطريقة المبتكرة للدراسة مع الأساليب التقليدية التي غالبًا ما تعتمد على مجموعات بيانات أصغر واختيار ميزات أساسي. من خلال بناء مجموعة بيانات ثلاثية الدمج وتطبيق تقنيات توليد ميزات متقدمة، تغني الدراسة مجموعة البيانات بمعلومات سياقية حاسمة. على الرغم من الأداء القوي للنموذج، تشمل القيود اعتماده على بيانات محددة بالمنطقة وغياب بعض العناصر السياقية مثل البنية التحتية وسلوك السائق. يجب أن تركز الأعمال المستقبلية على دمج مجموعات بيانات حقيقية ومتعددة المناطق، وتوسيع تقنيات زيادة العينة لتشمل نماذج أخرى، ودمج AutoML أو طرق التجميع الديناميكية لتعزيز التكيف والكفاءة.
الطرق
إطار تحليل بيانات المرور المقترح هو منهجية شاملة مصممة لتعزيز توقع شدة الحوادث من خلال دمج مجموعات بيانات المرور متعددة المصادر، والتعلم الآلي المتقدم (ML)، وتقنيات التجميع. يستخدم الإطار نهجًا هرميًا متعدد المراحل، يبدأ بجمع البيانات ومعالجتها مسبقًا، والذي يتضمن تنظيفًا صارمًا وترميزًا لضمان سلامة البيانات. من خلال استخدام استراتيجيات الدمج المزدوج والثلاثي لدمج مجموعات بيانات من الأشخاص في المرور، والحوادث، والمركبات، ينشئ الإطار مساحة ميزات غنية تلتقط التفاعلات المعقدة بين سلوك الإنسان، وخصائص الحوادث، وسمات المركبات. يتم تحديد الأداء الأساسي باستخدام ثمانية نماذج تعلم آلي (الانحدار اللوجستي، وغابة عشوائية، وXGBoost، وLightGBM، وتعزيز التدرج، والأشجار الإضافية، وCatBoost، وأشجار القرار) على مجموعات البيانات المدمجة، مما يكشف أن الدمج الثلاثي يحقق باستمرار أعلى دقة توقع.
لتحسين أداء النموذج بشكل أكبر، يتم تطبيق طرق التجميع (K-Means و HDBSCAN) على مجموعة بيانات الدمج الثلاثي، مما يحسن قدرات التصنيف لأفضل النماذج أداءً (غابة عشوائية، والأشجار الإضافية، وأشجار القرار). يظهر HDBSCAN، على وجه الخصوص، أداءً متفوقًا من خلال تحديد التجمعات ذات الكثافة المتغيرة بفعالية، مما يؤدي إلى تحسين الدقة ودرجات F1. على سبيل المثال، يحقق مصنف الأشجار الإضافية دقة تبلغ 95.49% ودرجة F1 تبلغ 94.37% مع تجميع HDBSCAN. تشير النتائج إلى أن التجميع لا يحسن فقط توزيع الميزات ولكن أيضًا يعزز تعميم النموذج، خاصة بالنسبة لمصنفات التجميع. على الرغم من التحسينات، تظل معدلات الإيجابيات الكاذبة فوق 12%، مما يشير إلى الحاجة إلى مزيد من التحسين في اختيار الميزات ومعلمات التجميع. بشكل عام، تضع مرونة الإطار وقدراته التنبؤية المتقدمة كأداة قيمة لوكالات سلامة المرور وصانعي السياسات الذين يسعون لتحسين نتائج سلامة الطرق.
النتائج
في التجربة 1، تم إجراء تحليل أساسي لمجموعة بيانات الأشخاص في المرور باستخدام ثمانية نماذج تعلم آلي (ML): الانحدار اللوجستي (LR)، والغابة العشوائية (RF)، وXGBoost، وLightGBM (LGBM)، وCatBoost، وتعزيز التدرج (GB)، والأشجار الإضافية (ET)، وأشجار القرار (DT). سلط التحليل الضوء على التحديات التي تطرحها الطبيعة غير المتوازنة للغاية لمجموعة البيانات، حيث شكلت الفئة الغالبة (عدم وجود إصابة) 92.36% من السجلات. لمعالجة هذا التوازن، تم استخدام درجة F1 ماكرو كمقياس تقييم، مما يوفر تقييمًا أكثر توازنًا لأداء النموذج من خلال النظر في كل من الدقة والاسترجاع. أظهرت النتائج أن نموذج ET حقق أعلى درجة F1 ماكرو تبلغ 60.26%، تلاه RF (59.99%) وXGBoost (59.60%). ومع ذلك، على الرغم من هذه الدرجات، كافحت النماذج لتصنيف الفئة الأقل (حالات الإصابة) بفعالية، كما يتضح من ارتفاع معدل الإيجابيات الكاذبة لمصنف ET ودرجة AUC-ROC المعتدلة البالغة 0.72.
في التجربة 2، تم تنفيذ عملية الدمج المزدوج من خلال دمج مجموعة بيانات الأشخاص في المرور مع مجموعة بيانات الحوادث لتعزيز تمثيل الميزات وتحسين أداء التصنيف. نقلت هذه الدمج الهدف من “تصنيف الإصابة” إلى “نوع الحادث”، مع التركيز على شدة الحادث بشكل عام. أظهرت النتائج تحسينات كبيرة، حيث حقق نموذج ET درجة F1 ماكرو تبلغ 93.27%، تلاه RF عند 92.43% وCatBoost عند 89.78%. تم عزو الأداء المحسن لنموذج ET إلى زيادة عشوائية الميزات، مما أدى إلى تحسين التعميم وAUC-ROC قوية تبلغ 92.076%. في التجربة 3، تم إجراء تحسين إضافي من خلال دمج مجموعة بيانات المركبات، التي تضمنت سمات محددة بالمركبة. كان الهدف من هذا الدمج الثلاثي هو تحسين دقة النموذج وتوقع مخاطر الإصابة، مما أدى إلى مجموعة بيانات شاملة تضم 2,263,315 سجل، مما يسهل تحليلًا أكثر تفصيلًا لشدة حوادث المرور.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التحديات الكبيرة التي تطرحها حوادث المرور على مستوى العالم، مع التأكيد على تكلفتها البشرية والاقتصادية. ويؤكد على أهمية تحليل وتوقع حوادث المرور لتحديد عوامل الخطر العالية التي يمكن أن تُعلم تدابير السلامة وقرارات السياسة. تكشف مراجعة أساليب التعلم الآلي المعاصرة (ML) عن فعاليتها في تعزيز سلامة المرور من خلال التنبؤ بدقة بشدة الحوادث بناءً على عوامل مختلفة، بما في ذلك ظروف الطريق وسلوكيات السائقين. من الجدير بالذكر أن العديد من الدراسات قد قدمت نماذج تعلم آلي مبتكرة تعالج قيود وظائف الأداء الأمني التقليدية، وتحسن دقة التوقع، وتستخدم تقنيات اختيار ميزات متقدمة لتعزيز أداء النموذج.
تحدد الورقة فجوة في الأبحاث الحالية، لا سيما فيما يتعلق بدمج مجموعات بيانات متعددة المصادر والتعامل مع عدم توازن البيانات، مما يمكن أن يحجب التفاعلات بين العوامل البشرية، والمركبات، وعوامل الحوادث المحددة. لمعالجة هذه القضايا، يقترح المؤلفون بنية موحدة متعددة المراحل تجمع بين مجموعات بيانات متنوعة متعلقة بالمرور، وتستخدم هندسة ميزات واسعة، وتستفيد من تقنيات التجميع الهجينة وزيادة العينة المستهدفة. لا يهدف هذا النهج فقط إلى تحسين دقة التوقع ولكن أيضًا إلى تعزيز قابلية تفسير مخرجات النموذج وفائدتها العملية، مما يسهم في إدارة سلامة المرور بشكل أكثر فعالية. تشير النتائج إلى أن دمج مجموعات بيانات شاملة وتقنيات ML المتقدمة يمكن أن يعزز بشكل كبير فهم وتوقع شدة حوادث المرور، مما يدعم في النهاية تطوير تدخلات سلامة مستهدفة.
DOI: https://doi.org/10.1038/s41598-025-10970-7
PMID: https://pubmed.ncbi.nlm.nih.gov/40721929
Publication Date: 2025-07-28
Author(s): Ayman Mohamed Mostafa et al.
Primary Topic: Traffic and Road Safety
Overview
This research presents an AI-driven machine learning framework aimed at predicting traffic crash severity, utilizing a comprehensive dataset of over 2.26 million records. The model integrates various factors, including human, crash-specific, and vehicle-related elements, to enhance predictive accuracy. Key methodologies employed include feature engineering, clustering techniques (K-Means and HDBSCAN), and oversampling methods (such as SMOTE and ADASYN) to address class imbalance. The Extra Trees (ET Classifier) emerged as the most effective model, achieving an accuracy of 96.19% and a macro F1-score of 95.28%, thereby establishing a robust predictive system for traffic safety.
The study’s innovative approach contrasts with traditional methods that often rely on smaller datasets and basic feature selection. By constructing a Triple Merge dataset and applying advanced feature generation techniques, the research enriches the dataset with critical contextual information. Despite the model’s strong performance, limitations include its reliance on region-specific data and the absence of certain contextual elements like infrastructure and driver behavior. Future work should focus on incorporating real-time and multi-regional datasets, expanding oversampling techniques to other models, and integrating AutoML or dynamic ensemble methods to enhance adaptability and efficiency.
Methods
The proposed Traffic Data Analysis Framework is a comprehensive methodology designed to enhance crash severity prediction through the integration of multi-source traffic datasets, advanced machine learning (ML), and clustering techniques. The framework employs a multi-stage hierarchical approach, beginning with data collection and preprocessing, which includes rigorous cleaning and encoding to ensure data integrity. By utilizing Dual Merge and Triple Merge strategies to combine datasets from Traffic People, Crashes, and Vehicles, the framework creates a rich feature space that captures complex interactions among human behavior, accident characteristics, and vehicle attributes. Baseline performance is established using eight ML models (Logistic Regression, Random Forest, XGBoost, LightGBM, Gradient Boosting, Extra Trees, CatBoost, and Decision Trees) on the merged datasets, revealing that the Triple Merge consistently yields the highest predictive accuracy.
To further enhance model performance, clustering methods (K-Means and HDBSCAN) are applied to the Triple Merge dataset, improving the classification capabilities of the top-performing models (Random Forest, Extra Trees, and Decision Trees). HDBSCAN, in particular, demonstrates superior performance by effectively identifying variable-density clusters, leading to improved accuracy and F1 scores. For instance, the Extra Trees classifier achieves an accuracy of 95.49% and an F1-score of 94.37% with HDBSCAN clustering. The results indicate that clustering not only optimizes feature distribution but also enhances model generalization, particularly for ensemble classifiers. Despite improvements, the false positive rates remain above 12%, suggesting the need for further refinement in feature selection and clustering parameters. Overall, the framework’s modularity and advanced predictive capabilities position it as a valuable tool for traffic safety agencies and policymakers aiming to improve road safety outcomes.
Results
In Experiment 1, a baseline analysis of the Traffic_People dataset was conducted using eight machine learning (ML) models: Logistic Regression (LR), Random Forest (RF), XGBoost, LightGBM (LGBM), CatBoost, Gradient Boosting (GB), Extra Trees (ET), and Decision Trees (DT). The analysis highlighted the challenges posed by the highly imbalanced nature of the dataset, where the majority class (NO INDICATION OF INJURY) constituted 92.36% of the records. To address this imbalance, the macro F1-score was employed as the evaluation metric, providing a more balanced assessment of model performance by considering both precision and recall. The results indicated that the ET model achieved the highest macro F1-score of 60.26%, followed closely by RF (59.99%) and XGBoost (59.60%). However, despite these scores, the models struggled to effectively classify the minority class (INJURY cases), as evidenced by the ET classifier’s high false positive rate and moderate AUC-ROC score of 0.72.
In Experiment 2, the dual merge process was implemented by combining the Traffic_People dataset with the Traffic_Crashes dataset to enhance feature representation and improve classification performance. This integration shifted the target feature from “INJURY_CLASSIFICATION” to “CRASH_TYPE,” focusing on overall crash severity. The results demonstrated significant improvements, with the ET model achieving a macro F1-score of 93.27%, followed by RF at 92.43% and CatBoost at 89.78%. The ET model’s enhanced performance was attributed to greater feature randomness, leading to improved generalization and a strong AUC-ROC of 92.076%. In Experiment 3, a further enhancement was made by integrating the Traffic_Vehicles dataset, which included vehicle-specific attributes. This triple merge aimed to refine model accuracy and injury risk prediction, resulting in a comprehensive dataset of 2,263,315 records, thereby facilitating a more detailed analysis of traffic crash severity.
Discussion
The discussion section of the research paper highlights the significant challenges posed by traffic accidents globally, emphasizing their human and economic toll. It underscores the importance of analyzing and predicting traffic crashes to identify high-risk factors that can inform safety measures and policy decisions. The review of contemporary machine learning (ML) methods reveals their effectiveness in enhancing traffic safety by accurately forecasting crash severity based on various factors, including road conditions and driver behaviors. Notably, several studies have introduced innovative ML models that address limitations of traditional safety performance functions, improve prediction accuracy, and utilize advanced feature selection techniques to enhance model performance.
The paper identifies a gap in existing research, particularly regarding the integration of multi-source datasets and the handling of data imbalance, which can obscure the interactions among human, vehicle, and crash-specific factors. To address these issues, the authors propose a unified, multi-stage architecture that combines diverse traffic-related datasets, employs extensive feature engineering, and utilizes hybrid clustering and targeted oversampling techniques. This approach not only aims to improve predictive accuracy but also enhances the interpretability and practical utility of the model outputs, thereby contributing to more effective traffic safety management. The findings suggest that integrating comprehensive datasets and advanced ML techniques can significantly advance the understanding and prediction of traffic crash severities, ultimately supporting the development of targeted safety interventions.