华南理工大学学报(自然科学版)

作者：温惠英, 马肇良, 赵胜, 巫立明, 黄坤火

单位：1.华南理工大学 土木与交通学院，广东 广州 5106402.广东联合电子服务股份有限公司，广东 广州 510075

关键词：交通安全,山区高速公路,事故严重程度,货车事故,机器学习

基金：国家自然科学基金项目(52372329)

山区高速公路由于地形复杂、气候多变、道路条件受限，使得货车事故的发生具有更高的风险。为了深入探究山区高速公路货车事故严重程度的影响因素，并为交通事故的主动预防和精准防控提供科学依据，基于机器学习方法，构建不同分类模型对事故严重程度进行预测与分析。选择碰撞类型、车辆类型、路面结构、平面线形、纵断面线形、路侧防护措施、路表面状况、季节和事故时间等34个特征因素作为输入变量，以事故严重程度（轻微伤害/严重伤害）作为二分类输出变量，构建决策树（DT）模型、随机森林（RF）模型和支持向量机（SVM）模型等3种机器学习模型。为了评估模型的分类性能，采用准确率、精准率、召回率和F1分值等指标对模型进行对比分析。此外，为了深入剖析各模型的决策机制并识别关键影响因素，引入SHapley Additive exPlanations（SHAP）方法，对模型的预测结果进行解释性分析，以量化各输入变量对事故严重程度的贡献度。研究结果表明：RF模型的分类性能优于DT模型和SVM模型，在准确率、精准率、召回率及F1分值方面均具有较优表现。SHAP分析进一步揭示了影响山区高速公路货车事故严重程度的关键因素，包括 翻车、无坡度、水泥路面、转弯、正面碰撞、事故时间（19：00—06：59）以及路侧无防护措施等因素。

来源：2025年第7期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2025年第7期