Applying Tabular Deep Learning Models to Estimate Crash Injury Types of Young Motorcyclists

要約

若いモーターサイクリスト、特に15歳から24歳の男性は、スピード違反、交通違反、ヘルメットの使用などの要因により、深刻なクラッシュのリスクが高まっています。
この研究の目的は、2017年から2022年までテキサスで10,726人の若いモーターサイクリストクラッシュを分析することにより、クラッシュの重症度に影響を与える重要な要因を特定することを目的としています。2つの高度な表現の深い学習モデルであるARMNETとMambanetが採用され、高度な再サンプリング手法を使用してクラスの不均衡に対処しました。
モデルは、クラッシュを3つの重症度レベル、致命的または重度、中程度またはマイナーに分類するように訓練されました。
ARMNETは87％の精度を達成し、Mambanetの86％を上回り、両方のモデルが重度のクラッシュの予測に優れており、中程度のクラッシュ分類で課題に直面しています。
主要な調査結果は、クラッシュの結果に対する人口統計学的、環境的、行動要因の重要な影響を強調しています。
この研究では、より厳しいヘルメットの施行や若いモーターサイクリストにカスタマイズされた教育プログラムなど、ターゲットを絞った介入の必要性を強調しています。
これらの洞察は、モーターサイクリストの安全性を高め、クラッシュの重大度を軽減するための証拠に基づいた戦略を開発する際の政策立案者に貴重なガイダンスを提供します。

要約(オリジナル)

Young motorcyclists, particularly those aged 15 to 24 years old, face a heightened risk of severe crashes due to factors such as speeding, traffic violations, and helmet usage. This study aims to identify key factors influencing crash severity by analyzing 10,726 young motorcyclist crashes in Texas from 2017 to 2022. Two advanced tabular deep learning models, ARMNet and MambaNet, were employed, using an advanced resampling technique to address class imbalance. The models were trained to classify crashes into three severity levels, Fatal or Severe, Moderate or Minor, and No Injury. ARMNet achieved an accuracy of 87 percent, outperforming 86 percent of Mambanet, with both models excelling in predicting severe and no injury crashes while facing challenges in moderate crash classification. Key findings highlight the significant influence of demographic, environmental, and behavioral factors on crash outcomes. The study underscores the need for targeted interventions, including stricter helmet enforcement and educational programs customized to young motorcyclists. These insights provide valuable guidance for policymakers in developing evidence-based strategies to enhance motorcyclist safety and reduce crash severity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google