利用人工智能增强英国道路交通事故严重程度预测与分析：机器学习、计量经济学技术与时间序列预测在公共卫生研究中的整合
Enhancing Prediction and Analysis of UK Road Traffic Accident Severity Using AI: Integration of Machine Learning, Econometric Techniques, and Time Series Forecasting in Public Health Research
AI总结：
本研究整合机器学习、计量经济学与时间序列方法预测英国交通事故严重程度，并通过SHAP可解释分析识别关键因素，为道路安全政策提供证据支持。
摘要：
本研究利用机器学习、计量经济学和统计方法对历史数据进行分析，以研究英国道路交通事故的严重程度。我们采用了多种技术，包括相关性分析、回归模型、用于处理误差项问题的广义矩估计（GMM），以及使用向量自回归（VAR）和ARIMA模型进行时间序列预测。我们的方法优于朴素预测，平均绝对标度误差（MASE）为0.800，平均误差（ME）为-73.80。我们还构建了一个随机森林分类器，精确率为73%，召回率为78%，F1分数为73%。使用H2O AutoML进行优化后，得到了一个均方根误差（RMSE）为0.176、平均绝对误差（MAE）为0.087的XGBoost模型。因子分析识别出关键变量，我们使用SHAP进行可解释人工智能分析，突出显示了Driver_Home_Area_Type和Road_Type等有影响力的因素。我们的研究增进了对事故严重程度的理解，并为基于证据的道路安全政策提供了见解。
英文摘要：
This research investigates road traffic accident severity in the UK, using a combination of machine learning, econometric, and statistical methods on historical data. We employed various techniques, including correlation analysis, regression models, GMM for error term issues, and time-series forecasting with VAR and ARIMA models. Our approach outperforms naive forecasting with an MASE of 0.800 and ME of -73.80. We also built a random forest classifier with 73% precision, 78% recall, and a 73% F1-score. Optimizing with H2O AutoML led to an XGBoost model with an RMSE of 0.176 and MAE of 0.087. Factor Analysis identified key variables, and we used SHAP for Explainable AI, highlighting influential factors like Driver_Home_Area_Type and Road_Type. Our study enhances understanding of accident severity and offers insights for evidence-based road safety policies.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
