机构名称：
¥ 1.0
摘要：尽管高速公路在该国的经济中起着重要作用，但使用量的增加通常会导致事故增加。关于斯里兰卡高速公路事故的研究受到限制，强调了调查其原因并积极确定易于识别事故的地区的必要性。这项研究旨在利用地理信息系统（GIS）和机器学习（ML）技术来建模高速公路事故，并特别关注斯里兰卡的南方高速公路。使用的数据集是从Southern Expressway操作维护和管理部（EOMMD）中收集的，并进行了预处理，包括编码，过采样和功能选择。机器学习算法 - 兰多森林（RF），支持向量分类器（SVC）和决策树（DT） - 用于识别容易发事故的位置并评估事故的严重性。使用诸如接收器操作特征（ROC）曲线，ROC曲线（AUC），平均绝对误差（MAE）和均方误差（MSE）等指标进行评估三个模型的性能。RF的精度表现为81.19％，其精度得分为81.19％，其次是SVC，为79.8％，DT为69.7％。rf也具有最低的MAE和MSE值，令人印象深刻的AUC值为0.86，表明卓越的预测准确性和强大的歧视能力。地图以可视化结果，并开发了操作仪表板，以促进数据分析并改善高速公路上的安全管理。这项研究为使用GIS和机器学习技术对高速公路事故进行建模提供了宝贵的见解，该技术可用于增强安全管理实践并防止事故。
亚洲遥感会议（ACRS 2024）
主要关键词
相关文件推荐
