Resumen

La seguridad vial se ve afectada por muchos factores complejos. El vagabundeo mental (MW) es una causa fatal que afecta a la seguridad de la conducción y es difícil de detectar y prevenir debido a su mecanismo de aparición incierto y complejo. El objetivo de este estudio es proponer un marco para analizar y predecir el vagabundeo mental a partir de los datos disponibles sobre el estado de la conducción. Los datos utilizados en este estudio son la información de un solo viaje recogida mediante cuestionario, que incluye las características personales de los conductores, la información contextual en la que se produce el MW y los factores ambientales del vehículo. Tras investigar el alcance de los factores que influyen en el MW, estos factores elegidos se utilizan para pronosticar el MW. Basándonos en estos resultados, seleccionamos factores fiables que se pueden obtener en la vida real para pronosticar el MW. Para verificar que los nuevos factores explorados son útiles para mejorar la precisión de la previsión, se realiza un análisis comparativo con los resultados obtenidos por nuestro enfoque y los enfoques existentes. Comparamos los resultados obtenidos por cuatro métodos de previsión basados en el aprendizaje automático con un conjunto de datos reales. El resultado muestra que los factores descubiertos en este artículo pueden mejorar significativamente la precisión de las previsiones. La matriz de confusión, las curvas ROC y el AUC se llevan a cabo, y el rendimiento del algoritmo de árbol de decisión con aumento de gradiente es mejor que el de otros enfoques de previsión. Las clasificaciones de importancia de la mayoría de los factores obtenidas por el árbol de decisión de impulso por gradiente y el cuestionario son las mismas.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:factores, resultados, precisión de la previsión, árbol de decisión de gradient boosting, datos disponibles sobre el estado de la conducción, mecanismo de aparición complejo, algoritmo de árbol de decisión, enfoques de previsión habilitados, muchos factores complejos, otros enfoques de previsión
• Keywords:factors, results, forecast accuracy, gradient boosting decision tree, available driving status data, complex occurrence mechanism, decision tree algorithm, enabled forecasting approaches, many complex factors, other forecast approaches