Resumen

La cuestin de la seguridad se ha convertido en un obstculo crtico que no se puede ignorar en la comercializacin de los vehculos autnomos (AV). El objetivo de este estudio es explorar el mecanismo de los accidentes con vehculos autnomos y analizar el impacto de cada caracterstica en la gravedad del accidente. Utilizamos el algoritmo Apriori para explorar la relacin causal entre mltiples factores para explorar el mecanismo de los accidentes. Utilizamos varios modelos de aprendizaje automtico, como la mquina de vectores de soporte (SVM), el rbol de clasificacin y regresin (CART) y eXtreme Gradient Boosting (XGBoost), para analizar la gravedad de las colisiones. Adems, aplicamos las explicaciones aditivas de Shapley (SHAP) para interpretar la importancia de cada factor. Los resultados indican que XGBoost obtiene el mejor resultado (recall=75%; -mean=67,82%). Tanto el algoritmo XGBoost como el Apriori proporcionaron datos significativos sobre las caractersticas de los accidentes con vehculos accidentados y su relacin. Entre todas estas caractersticas, los daos del vehculo, las condiciones meteorolgicas, el lugar del accidente y el modo de conduccin son las ms importantes. Descubrimos que la mayora de los accidentes por alcance se producen cuando los vehculos convencionales chocan contra la parte trasera de los vehculos autnomos. Los conductores deben extremar la precaucin cuando conducen con niebla, nieve o luz insuficiente. Adems, los conductores deben tener cuidado al conducir cerca de intersecciones, especialmente en el modo de conduccin autnoma.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Problema de seguridad; Vehículos autónomos; Gravedad de los accidentes; Modelos de aprendizaje automático; Algoritmo Apriori; Modo de conducción
• Keywords:Safety issue; Autonomous vehicles; Crash severity; Machine learning models; Apriori algorithm; Driving mode