芝加哥交通事故严重程度预测：随机森林与神经网络模型对比研究

该项目基于芝加哥都会区交通事故数据，构建高严重性事故预测系统，核心目标是通过严谨对比随机森林分类器和前馈神经网络的表现，为模型选择提供公平基准。研究对数据科学实践和交通事故管理具有重要参考价值。

交通事故是全球人员伤亡和财产损失的主要原因之一，芝加哥每年发生数万起事故。准确预测事故严重程度对优化救援资源、评估理赔风险、制定预防措施意义重大。传统事后统计难以实时评估，机器学习为数据驱动预测带来新可能。

数据集：使用芝加哥公开交通事故数据，含时间、地点、天气、道路状况等特征。 特征工程：处理缺失值、类别编码、特征选择、数据不平衡问题。 模型对比：随机森林（可解释性强、抗过拟合）与前馈神经网络（非线性建模、自动特征学习）；采用相同数据划分、评估指标、特征集合，经超参数调优和多次实验确保公平性。

预测系统可应用于：1.应急响应优化（实时调度资源）；2.保险理赔评估（快速估算金额）；3.交通安全研究（识别关键风险因素）；4.智能交通系统（动态预警）。

局限性：数据时效性不足、地域局限、特征完整性问题。 未来方向：引入时序模型捕捉动态模式、融合多源数据（实时流量、天气雷达）、开发可解释性更强的模型。

该项目通过严谨对比实验展示了两种模型的性能差异，公平对比方法论为机器学习实践提供参考。作为开源项目，代码和流程公开可复现，是数据科学学习的优秀案例，覆盖从问题定义到结果评估的完整流程。