来源：期刊VIP网 时间：
作者：刘杰;刘尉艺;王宇浩;石庄彬;何明卫;
单位：昆明理工大学交通工程学院;剑桥大学工学院;
摘要：轨道交通事故会对轨道运营产生严重影响，准确预测事故后果对于有效制定应急响应预案和减轻事故危害具有重要作用。针对这一问题，提出了一种基于堆叠方法(Stacking)的极端梯度提升(eXtreme Gradient Boosting, XGBoost)树和全连接神经网络(Full Connect Neural Network, FCNN)集成学习模型(简称XGBoost-NNS),模型可提高事故后果分类的准确性和鲁棒性。该模型以XGBoost和FCNN为基础学习器，采用逻辑回归(Logistic Regression, LR)作为元模型来集成它们的预测结果。此外，通过合成少数类过采样技术(Synthetic Minority Oversampling Technique, SMOTE)和随机欠采样相结合的重采样策略，有效解决了数据集中的类别不平衡问题，提升了对少数类样本的识别能力。结果表明，提出的XGBoost-NNS模型可实现约0.87的准确率，相比基学习器模型提高约0.06,比其他单一模型提高约0.14,召回率、F_1分数等指标也均在0.7以上，可准确预测轨道交通的事故后果。
关键词：安全工程;;轨道交通;;事故预测;;极端梯度提升树;;全连接神经网络;;集成学习
基金资助：国家自然科学基金青年项目(52102378);; 云南省基础研究计划项目(202401AT070382,202301AU070052);; 欧洲地平线玛丽居里行动计划项目(101034337)
