NRGsurf

Beschreibung

Anhand von Datensätzen über Autounfälle und das Wetter in Kalifornien wurden die Vorhersagefaktoren für Autounfälle analysiert. Die lineare Regression sagte die Anzahl der Unfälle pro Tag in Los Angeles anhand der Wetterdaten zu 1,6 % voraus. Random-Forest- und XGB-Modelle lieferten ähnliche Ergebnisse von etwa 90 % Präzision/Recall bei der Vorhersage der Faktoren, die die Schwere von Autounfällen in Kalifornien bestimmten.

ZIELE

Entwicklung von Vorhersagemodellen zur Identifizierung von Faktoren, die einen Einfluss auf die Häufigkeit und Schwere von Autounfällen haben. Diese Modelle können (i) Informationen liefern, die Menschenleben retten können, (ii) die Versicherungskosten senken und (iii) die Sicherheit autonomer Fahrzeuge erhöhen, wenn sie in deren Systeme integriert werden.

DATENQUELLEN

Der landesweite Datensatz zu Autounfällen wurde über Kaggle bezogen. (Für den Zugriff auf die Daten ist eine Registrierung bei Kaggle erforderlich). Die Unfalldaten wurden von Februar 2016 bis Dezember 2021 über mehrere APIs gesammelt, die Streaming-Daten zu Verkehrsvorfällen (oder Ereignissen) liefern. Für die Vorhersagemodelle und die Regression wurde eine Teilmenge der Daten für Kalifornien und Los Angeles verwendet, um rechnerische Herausforderungen zu vermeiden. Der Datensatz wurde außerdem auf den Zeitraum von 2016 bis 2019 reduziert, um mögliche COVID-19-Effekte auszuschließen.

Um die Endogenität der Stichprobe zu vermeiden, wurden die Unfalldaten mit Wetterdaten der Wetterstation von Los Angeles angereichert, um die Tage einzuschließen, an denen keine Unfälle gemeldet wurden. Die Daten dieser Wetterstation enthalten einen umfangreichen Satz von Wetterparametern. Für den Zugriff auf die Wetterdaten wurde eine API-Anfrage an das NCEI gestellt.