基于采样技术和机器学习算法的交通事故严重程度预测

针对交通事故数据中人员伤亡严重程度的不平衡性,本文结合采样方法以及类别组合方法,改善数据的不平衡性,提高其在机器学习算法中的预测效果。本文首先分别使用了随机过采样、随机欠采样、Smote(Synthetic Minority Over-sampling Technique)采样算法对数据进行处理,然后使用三种分类算法,即决策树、随机森林和adaboost,对事故严重程度进行预测,并采用类别准确率以及几何平均值作为评价指标对比分析分类算法的性能。此外,本文还对五分类问题转变为三分类问题进行研究。结果表明,采样算法可以显著提高不平衡事故数据中少数类的预测准确率;在五分类问题中,使用随机森林和随机欠采样的组合预测效果最优,该组合在三分类的交通事故严重程度预测中也取得了最优的效果。