道路事故风险预测：九种机器学习模型的对比研究

原作者: Kaumindi Herath, Amasha Fernando, Saviru Mendis, Dilmith Yahathugoda 来源: GitHub (链接) 发布时间: 2026-06-10 所属课程: DS-3003 Machine Learning | Group 11

核心观点：本研究使用11.2万条合成数据对比九种机器学习模型的道路事故风险预测性能，发现标准线性回归在可解释性与准确性之间取得最佳平衡。

研究背景与动机

道路交通事故是全球范围内导致伤亡的主要原因之一。根据世界卫生组织的数据，每年约有130万人死于道路交通事故，数千万人受伤。准确预测道路事故风险不仅具有学术研究价值，更对公共政策制定、道路设计和驾驶员教育具有实际指导意义。

这项研究由四位数据科学学生完成，旨在识别影响道路事故风险的关键环境和结构因素，并评估多种机器学习模型的预测性能。研究的核心问题是：在众多先进的机器学习算法中，哪种模型能在准确性和可解释性之间取得最佳平衡？

数据集与特征概述

数据来源与规模

研究使用了来自 Kaggle 的《Simulated Roads Accident Data》数据集，采用 CC0 公共领域许可。该数据集包含约 11.2 万条记录，由三个 CSV 文件（2k、10k、100k）合并而成。

目标变量

模型的预测目标是 accident_risk——一个从 0（低风险）到 1（高风险）的连续风险评分。

特征列表

特征	类型	描述
road_type	分类	道路类型：高速公路、城市、乡村
num_lanes	数值	车道数量
speed_limit	数值	限速（英里/小时）
curvature	数值	道路曲率程度（0-1）
road_signs_present	二元	是否存在交通标志
weather	分类	天气：晴朗、雨天、雾天
lighting	分类	照明条件：白天、夜晚、昏暗
time_of_day	分类	时段：早晨、下午、傍晚
holiday	二元	是否为节假日
school_season	二元	是否处于学期中
public_road	二元	是否为公共道路
num_reported_accidents	数值	该路段的历史事故数

研究方法

探索性数据分析（EDA）

• 各特征的分布可视化（直方图、箱线图）
• 特征间的相关性分析
• 散点图探索特征与目标变量的关系

特征工程

• 二元特征构造: 创建 high_speed 标志，标识限速较高的路段
• 独热编码: 对分类变量进行独热编码，并删除参考类别以避免多重共线性
• 聚类分析: 使用 K-Means 进行路段聚类，但最终选择全局模型而非聚类特定模型

模型对比

研究对比了九种机器学习模型：线性回归、岭回归、Lasso回归、弹性网络、回归树、随机森林、XGBoost、CatBoost、LightGBM。

评估指标

• MAE（平均绝对误差）: 预测值与真实值的平均绝对差异
• RMSE（均方根误差）: 对大误差更敏感的指标
• R²（决定系数）: 模型解释目标变量变异的比例 此外，对比训练集和测试集性能以检测过拟合。

研究结果与模型性能

关键风险因素

通过特征重要性分析和 SHAP 值解释，识别出以下关键风险因素：

1. 道路曲率: 最强烈的预测因子，曲率越大风险越高
2. 限速: 与风险呈强正相关
3. 夜间照明: 能见度降低显著增加风险
4. 恶劣天气: 雾天和雨天提升风险

模型性能对比

模型	MAE	RMSE	R²
线性回归 ✅	0.0502	0.0632	0.8740
岭回归	0.0502	0.0632	0.8740
Lasso	0.0502	0.0632	0.8740
CatBoost	0.0503	0.0632	0.8739
弹性网络	0.0503	0.0633	0.8737
XGBoost	0.0040	0.0633	0.8735
LightGBM	0.0509	0.0641	0.8704
随机森林	0.0542	0.0681	0.8539

核心发现

标准线性回归成为最优模型：最高 R²、最低误差，且无过拟合迹象。这挑战了复杂模型更优的偏见，线性回归的优势包括可解释性强、训练快速、泛化能力好、稳定性高。

过拟合分析

• 线性模型（线性回归、岭回归等）无过拟合
• 树模型（随机森林、XGBoost等）有轻微过拟合迹象
• 回归树性能落后于集成方法

可解释性分析

系数幅度分析

线性回归系数直接反映各特征对风险的边际贡献，通过系数幅度图识别影响最大的特征。

SHAP 值分析

SHAP 值提供细粒度解释：

• 每个预测中各特征的贡献程度
• 特征值与贡献方向的关系（正向/负向）
• 全局特征重要性排序

排列重要性

通过随机打乱特征值观察性能下降，提供模型无关的特征重要性度量，结果与 SHAP 和系数分析一致。

研究局限与未来方向

数据局限性

1. 合成数据: 无法完全反映真实世界复杂性
2. 地理局限: 无地理位置标注，无法分析地区差异
3. 时间维度: 缺乏时间序列信息，无法趋势分析

模型局限

1. 静态预测: 未考虑实时交通流量等动态因素
2. 因果关系: 相关性不等同于因果推断
3. 极端事件: 高风险事件样本可能不足

未来改进方向

1. 真实数据验证: 在真实数据集上验证模型
2. 时空建模: 引入时间和空间特征
3. 深度学习: 尝试捕捉特征交互的神经网络
4. 实时部署: 构建 API 服务支持实时风险评分
5. 干预策略: 基于模型洞察设计安全干预措施

对实践者的启示与结语

启示

1. 简单优先: 先用线性回归建立基准，若满足需求则无需复杂模型
2. 可解释性价值: 安全关键领域中，可解释性比精度更重要
3. 全面评估: 综合使用多指标，避免选择泛化能力差的模型
4. 领域知识: 模型结果需与专业知识相互验证

结语

本研究展示了完整的数据科学流程，强调简单工具的价值。对入门者而言，是优秀的学习范例：清晰文档、完整代码、诚实分析，重视可解释性。