李旋 韓天園 呂凱光 喬潔 劉永濤

（長(zhǎng)安大學(xué)，西安 710064）

主題詞：鉗閉影響 損傷嚴(yán)重程度 Apriori關(guān)聯(lián)規(guī)則 雙層評(píng)定模型 隨機(jī)森林 分析與預(yù)測(cè)中圖分類號(hào)：U467.14

1 前言

不同的車輛事故中，乘員損傷嚴(yán)重程度不同，事故發(fā)生后乘員損傷需要考慮鉗閉影響，即由于車身在碰撞中變形造成的致傷部件對(duì)乘員的傷害，因此研究車輛鉗閉影響下乘員損傷嚴(yán)重程度影響因素具有重要意義。

針對(duì)乘員損傷嚴(yán)重程度分析，目前的研究方向主要包括2個(gè)方面，即在事故數(shù)據(jù)基礎(chǔ)上建立相應(yīng)的數(shù)據(jù)分析模型進(jìn)行宏觀分析和基于有限元的力學(xué)分析。陸穎等通過建立邏輯回歸模型對(duì)駕駛員傷情進(jìn)行預(yù)測(cè)，修改車輛事故自動(dòng)呼救系統(tǒng)閾值，提高系統(tǒng)對(duì)事故信息判斷的準(zhǔn)確性[1]，同時(shí)根據(jù)事故數(shù)據(jù)和樸素貝葉斯分類器建立駕駛員傷情預(yù)測(cè)算法，進(jìn)行傷情預(yù)測(cè)[2]；鄒鐵方等統(tǒng)計(jì)分析發(fā)現(xiàn)，絕大多數(shù)碰撞條件下，包括不同碰撞車速下，騎車人頭、胸部和撞擊側(cè)下肢損傷指標(biāo)參數(shù)均值均高于后座乘員[3]；楊娜等通過構(gòu)建邏輯回歸模型研究了自動(dòng)制動(dòng)系統(tǒng)參數(shù)對(duì)事故中行人發(fā)生最大簡(jiǎn)明損傷定級(jí)（Maximum Abbreviated Injury Scale，MAIS）3+損傷風(fēng)險(xiǎn)和死亡風(fēng)險(xiǎn)的影響[4]；武和全等人通過建立人體生物力學(xué)響應(yīng)，提出通過旋轉(zhuǎn)座椅改變?nèi)梭w朝向與碰撞方向的相對(duì)位置，從而提高老年乘員在自動(dòng)駕駛車輛中的碰撞安全性[5]，同時(shí)通過搭建老年人骨盆有限元模型，發(fā)現(xiàn)其碰撞峰值力和受力最大時(shí)的位移都最大，而碰撞中最大位移卻最小[6]；胡林等人通過建立行人下肢有限元模型發(fā)現(xiàn)，年齡因素對(duì)行人下肢損傷有重要影響[7]。可以發(fā)現(xiàn)，大多數(shù)研究建立的分析模型相對(duì)簡(jiǎn)單，沒有考慮多個(gè)層次的影響因素對(duì)乘員損傷的影響。

本文從陜西長(zhǎng)安大學(xué)機(jī)動(dòng)車物證司法鑒定中心數(shù)據(jù)庫(kù)中篩選包括24種車型的714組轎車碰撞事故數(shù)據(jù)，通過Apriori 關(guān)聯(lián)分析挖掘影響乘員損傷嚴(yán)重程度的重要因素，采用雙層評(píng)定模型探究變量與乘員損傷嚴(yán)重程度之間的相關(guān)性，利用隨機(jī)森林預(yù)測(cè)模型對(duì)乘員損傷嚴(yán)重程度進(jìn)行預(yù)測(cè)，以期為轎車碰撞事故鉗閉影響下乘員損傷嚴(yán)重程度的降低提供一定的數(shù)據(jù)分析支撐。

2 數(shù)據(jù)預(yù)處理

2.1 數(shù)據(jù)來源

根據(jù)美國(guó)機(jī)動(dòng)車醫(yī)學(xué)促進(jìn)會(huì)提出的《簡(jiǎn)化傷害標(biāo)準(zhǔn)》（Abbreviated Injury Scale，AIS）[8]，按照人體各部位、不同傷害類型的不同程度，其損傷可以劃分為7個(gè)等級(jí)（即AIS 0～6），其中，AIS 0代表無損傷，AIS 6代表死亡，等級(jí)越高，損傷越嚴(yán)重。乘員損傷嚴(yán)重程度等級(jí)分為2類，即乘員損傷等級(jí)達(dá)到MAIS3+和未達(dá)到MAIS3+。本文的數(shù)據(jù)包括24種車型共2 074組事故數(shù)據(jù)，每組數(shù)據(jù)記錄了乘員損傷的相關(guān)信息。為分析考慮鉗閉影響的乘員損傷嚴(yán)重程度，保留存在鉗閉影響的數(shù)據(jù)項(xiàng)，并組成事故信息處理數(shù)據(jù)集，同時(shí)，根據(jù)乘員損傷簡(jiǎn)易診斷書補(bǔ)充缺失信息，根據(jù)上述條件利用Python 篩選出了714組數(shù)據(jù)。事故信息主要包括2個(gè)層次：

a.乘員層次。包括乘員的損傷嚴(yán)重程度、身體部位、組織結(jié)構(gòu)、損傷類型、損傷部位前、后位置和損傷部位左、右位置，乘員層次的特征變量數(shù)據(jù)來自不同事故中乘員的損傷情況，且每一組數(shù)據(jù)相互獨(dú)立。

b.車輛層次。包括致傷部件質(zhì)量、高度位置和橫向位置，特征變量數(shù)據(jù)對(duì)應(yīng)上述乘員層次的數(shù)據(jù)。

2.2 數(shù)據(jù)離散化

研究用于關(guān)聯(lián)分析的數(shù)據(jù)包括乘員層次和車輛層次共9個(gè)特征變量[9]，如表1所示。為高效挖掘關(guān)聯(lián)規(guī)則，需要對(duì)連續(xù)變量進(jìn)行分級(jí)，其中致傷部件質(zhì)量變量為連續(xù)變量，各特征變量通過文獻(xiàn)[10]進(jìn)行劃分，如表1所示。

表1 數(shù)據(jù)分類和代號(hào)

3 關(guān)聯(lián)規(guī)則分析

3.1 Apriori原理

Apriori 關(guān)聯(lián)規(guī)則中支持度S和置信度Q為：

式中，P(A∪B)為事件A 與事件B 同時(shí)出現(xiàn)的概率；P(A)為事件A出現(xiàn)的概率。

3.2 結(jié)果與分析

關(guān)聯(lián)規(guī)則中將置信度大于0.75 的規(guī)則稱為有用規(guī)則[11]，為了保證結(jié)果的可靠性，在選擇最小置信度值時(shí)發(fā)現(xiàn)，取值在(0.75,0.80)范圍內(nèi)得到的規(guī)則相較于取0.80得到的規(guī)則只是多了一些重復(fù)的規(guī)則（包含相同變量、等級(jí)和維數(shù)），因此本文設(shè)置最小置信度為0.80。同時(shí)，為了保證損傷嚴(yán)重程度存在等級(jí)變化，最小支持度不宜過大，但當(dāng)設(shè)置過小時(shí)，又會(huì)導(dǎo)致規(guī)則數(shù)量過多，影響統(tǒng)計(jì)。由于乘員損傷嚴(yán)重程度達(dá)到MAIS3+是本文分析的重點(diǎn)，為了保證關(guān)聯(lián)規(guī)則的數(shù)量以及挖掘規(guī)則的可靠性，需要對(duì)有關(guān)MAIS3+的關(guān)聯(lián)規(guī)則進(jìn)行大量分析，以確定最小支持度的取值，圖1 所示為與A0 相關(guān)的二維關(guān)聯(lián)規(guī)則數(shù)量與最小支持度之間的關(guān)系。當(dāng)最小支持度小于0.004時(shí)，與A0相關(guān)的二維關(guān)聯(lián)規(guī)則數(shù)量維持在5條。因此設(shè)置最小支持度為0.004。

圖1 A0相關(guān)的二維關(guān)聯(lián)規(guī)則數(shù)量分布

本文主要分析乘員損傷嚴(yán)重程度，故主要尋找后項(xiàng)為A0、A1 的關(guān)聯(lián)規(guī)則，挖掘的結(jié)果最多包括8 個(gè)維度，分析發(fā)現(xiàn)，關(guān)聯(lián)規(guī)則達(dá)5個(gè)維度時(shí)，規(guī)則數(shù)量大幅增加，并出現(xiàn)了大量無效規(guī)則，如二維關(guān)聯(lián)規(guī)則{B0,C1}→A0置信度為0.811 2，三維關(guān)聯(lián)規(guī)則{B0,C1,F1}→A0置信度也為0.811 2，則將此三維關(guān)聯(lián)規(guī)則視為無效規(guī)則，將其剔除。表2所示為后項(xiàng)為A0、A1的關(guān)聯(lián)規(guī)則。

表2 關(guān)聯(lián)規(guī)則分布

其中，二維規(guī)則統(tǒng)計(jì)結(jié)果如圖2 所示，乘員不同損傷嚴(yán)重程度對(duì)應(yīng)的規(guī)則中，前項(xiàng)均出現(xiàn)了身體部位B、損傷類型D、前后位置E、致傷部件質(zhì)量G和致傷部件高度位置H，但是只有B、D、E、G 隨著損傷嚴(yán)重程度變化而變化，因此判斷這4個(gè)因素與損傷嚴(yán)重程度相關(guān)。

圖2 二維規(guī)則統(tǒng)計(jì)結(jié)果

三維規(guī)則統(tǒng)計(jì)結(jié)果如圖3所示，分析發(fā)現(xiàn)乘員不同損傷嚴(yán)重程度對(duì)應(yīng)的規(guī)則中，前項(xiàng)均出現(xiàn)了B～I(xiàn)特征因素，但只有B、C、D、G隨著損傷嚴(yán)重程度變化而變化，與二維分析比較發(fā)現(xiàn)，前后位置E在三維規(guī)則中沒有發(fā)生變化，同時(shí)組織結(jié)構(gòu)C在三維規(guī)則中表現(xiàn)出與損傷嚴(yán)重程度的相關(guān)性，因此暫時(shí)無法確認(rèn)C、E的相關(guān)性。

圖3 三維規(guī)則統(tǒng)計(jì)結(jié)果

四維規(guī)則統(tǒng)計(jì)結(jié)果如圖4所示，B、D、G與二維和三維規(guī)則分析的結(jié)果相同，即均隨著損傷嚴(yán)重程度變化而變化，對(duì)于組織結(jié)構(gòu)C和前后位置E，在四維規(guī)則中E的變化并沒有影響損傷嚴(yán)重程度，而C卻發(fā)生了變化。

圖4 四維規(guī)則統(tǒng)計(jì)結(jié)果

由上述分析可知，B、D、G在3個(gè)層次的規(guī)則中均表現(xiàn)出與損傷嚴(yán)重程度相關(guān)，而C在二維規(guī)則中表現(xiàn)出與A 不相關(guān)，但在三維、四維規(guī)則中表現(xiàn)出與A 相關(guān)，E 雖然在二維規(guī)則中表現(xiàn)出與A 相關(guān)，但在三維、四維規(guī)則中表現(xiàn)出與A不相關(guān)。

因此，可以判斷影響乘員損傷嚴(yán)重程度的特征主要有4個(gè)，即B、C、D、G。圖5所示為卡方檢驗(yàn)與P值分析結(jié)果，進(jìn)一步驗(yàn)證了關(guān)聯(lián)分析的結(jié)果。

圖5 卡方檢驗(yàn)與P值分析

4 雙層Logit分析

4.1 雙層Logit模型

以乘員損傷嚴(yán)重程度為因變量，由于因變量存在2個(gè)水平的值，故考慮使用二元邏輯回歸進(jìn)行分析，選取致傷部件質(zhì)量、身體部位、組織結(jié)構(gòu)、損傷類型作為自變量。本文中數(shù)據(jù)存在明顯的嵌套結(jié)構(gòu)，即乘員層次（層次1）嵌套于車輛層次（層次2）。不同于單層Logit模型，雙層Logit模型將影響系數(shù)（斜率）和常數(shù)項(xiàng)（截距）分為隨機(jī)效應(yīng)和固定效應(yīng)，層次2（車輛層次）影響著層次1（乘員層次）的斜率。圖6所示為雙層Logit模型效應(yīng)，其中，H1、H2、H3分別表示在考慮車輛層次的影響下，致傷部件質(zhì)量對(duì)身體部位、組織結(jié)構(gòu)、損傷類型與損傷嚴(yán)重程度間關(guān)系斜率的影響，H4表示在不考慮車輛層次的影響下，身體部位、組織結(jié)構(gòu)、損傷類型對(duì)損傷嚴(yán)重程度的影響，H5表示致傷部件質(zhì)量對(duì)損傷嚴(yán)重程度的影響。

圖6 雙層Logit模型效應(yīng)

針對(duì)上述H1～H5的層次關(guān)系，本文通過HLM6.08進(jìn)行建模分析，主要建立3個(gè)模型。為了判斷損傷嚴(yán)重程度在24種車型之間是否存在差異，構(gòu)建一個(gè)空模型（模型1），即模型中不包含任何自變量，通過計(jì)算組內(nèi)相關(guān)系數(shù)（Intraclass Correlation Coefficient，ICC）K，確定雙層Logit模型的適用性以及乘員層次和車輛層次變量的影響力大小，模型1和K的定義分別為：

式中，Yij(i=1,2,…,n;j=1,2,…,24)為第j種車型中第i輛車上乘員的損傷嚴(yán)重程度；n為某款車型的數(shù)量；P(Yij=0)、P(Yij=1)分別為損傷嚴(yán)重程度未達(dá)到和達(dá)到MAIS3+的概率；εij、β0j分別為乘員層次的隨機(jī)效應(yīng)和固定效應(yīng)；γ00、μ0j分別為車輛層次的固定效應(yīng)和隨機(jī)效應(yīng)；V(εij)、V(μ0j)分別為乘員層次和車輛層次的方差。

建立包括乘員層次所有自變量，但不包括車輛層次任何自變量的模型（模型2）。通過模型可了解乘員層次自變量對(duì)因變量（損傷嚴(yán)重程度）的影響，模型2定義為：

式中，Xkij(k=1,2,3)為第j種車型中第i輛車的第k個(gè)自變量；βkj為乘員層次的斜率；γk0、μkj分別為斜率的固定成分和隨機(jī)成分。

建立包括乘員層次和車輛層次所有自變量的完整模型（模型3），通過模型3 分析車輛層次的自變量如何影響乘員層次的斜率與截距，模型3的定義為：

式中，Wj為車輛層次的自變量，即致傷部件質(zhì)量；γ01為車輛層次的斜率，即車輛層次的自變量對(duì)乘員層次的截距部分的影響；γk1為車輛層次的斜率，即車輛層次的自變量對(duì)乘員層次的斜率部分的影響。

4.2 結(jié)果與分析

模型1的結(jié)果表明，固定效應(yīng)檢驗(yàn)與隨機(jī)效應(yīng)均達(dá)到了顯著水平（P＜0.01），通過式（4）計(jì)算得到K=1.825 1∕(1.015 3+1.825 1)=0.642 6，即乘員損傷嚴(yán)重程度的差異中64.26%來源于車輛層次差異，35.74%來源于乘員層次差異，同時(shí)K＞0.138 表明組內(nèi)高度相關(guān)[12]，分析乘員損傷嚴(yán)重程度不僅要考慮乘員自身層次的影響，還需要考慮車輛層次的影響，即建立雙層Logit模型分析。

在模型1 的基礎(chǔ)上加入乘員層次的自變量進(jìn)行分析，如圖7 所示：加入B（身體部位）變量，方差改善了23.09%；加入B（身體部位）與C（組織結(jié)構(gòu)）變量，方差改善了20.52%；加入B（身體部位）、C（組織結(jié)構(gòu)）、D（損傷類型）變量，方差改善了25.22%。研究表明，效應(yīng)值變化在0.15～0.35 之間，則表明加入的變量與因變量中度相關(guān)[12]，同時(shí)組內(nèi)方差逐漸下降，證明了乘員層次變量均與乘員損傷嚴(yán)重程度相關(guān)。表3 所示為模型2 的分析結(jié)果，其中B為回歸系數(shù)，E為標(biāo)準(zhǔn)誤差。對(duì)乘員層次變量進(jìn)行初步分析，由頭部到下肢，隨著損傷位置的下移，乘員損傷嚴(yán)重程度逐漸減小（B=-0.070 8），說明鉗閉影響下，乘員身體上側(cè)損傷更嚴(yán)重，特別是頭部；組織結(jié)構(gòu)中不同組織類型與乘員損傷嚴(yán)重程度成正相關(guān)（B=0.371 7），通過表1 的等級(jí)劃分，即器官與骨骼損傷更為嚴(yán)重，這與事故統(tǒng)計(jì)報(bào)告中的數(shù)據(jù)結(jié)果相吻合[9]；損傷類型與乘員損傷嚴(yán)重程度成正相關(guān)（B=0.084 8），即骨折類型損傷更嚴(yán)重，這與上述組織結(jié)構(gòu)的分析相吻合，但是現(xiàn)實(shí)事故中乘員大面積損傷往往對(duì)應(yīng)嚴(yán)重的交通事故。乘員損傷嚴(yán)重[9]，這與上述器官損傷更為嚴(yán)重結(jié)果不符，需要進(jìn)一步分析驗(yàn)證。

圖7 模型2方差分析

表3 模型2分析結(jié)果

考慮車輛層次，在模型2 的基礎(chǔ)上加入車輛層次的自變量，即對(duì)模型3 進(jìn)行分析，結(jié)果如表4 所示，乘員層次的3 個(gè)變量方差成分均明顯減少，再次證實(shí)了車輛層次變量，即致傷部件質(zhì)量對(duì)乘員損傷嚴(yán)重程度的重要影響，具體的，車輛層次的變量加快了損傷類型、身體部位與組織結(jié)構(gòu)損傷嚴(yán)重程度，反映到大量事故數(shù)據(jù)上，即隨著致傷部件質(zhì)量的增加，乘員損傷更加嚴(yán)重。

表4 模型3分析結(jié)果

具體分析各層次變量對(duì)損傷嚴(yán)重程度的影響，表5所示為雙層Logit 模型的參數(shù)估計(jì)結(jié)果，其中OR為比值比、P為事件發(fā)生的概率，致傷部件質(zhì)量的系數(shù)為5.206 0，表明在事故中，隨著致傷部件質(zhì)量的增加，乘員損傷越發(fā)嚴(yán)重，這是因?yàn)榕鲎策^程是高速過程，質(zhì)量大的物體動(dòng)量也大。針對(duì)乘員層次的變量，其中身體部位變量中除胸腔、脊椎之外，頭部相較于其他部位損傷更嚴(yán)重，特別是上、下肢部位，損傷嚴(yán)重程度僅為頭部的0.422、0.346 倍，這與上述模型3 分析的結(jié)構(gòu)相吻合，胸腔部位、脊椎部位損傷嚴(yán)重程度分別是頭部的1.624、1.202倍，這是因?yàn)檫@些部位屬于重要部位，發(fā)生損傷概率極小（0.023 5、0.002 3），一旦損傷，嚴(yán)重程度極高，同時(shí)可以發(fā)現(xiàn)，事故中上、下肢損傷的概率最大分別為0.423 5、0.443 5，這是因?yàn)殂Q閉影響下乘員一般處于蜷縮狀態(tài)；組織結(jié)構(gòu)變量中，器官與骨骼的損傷更為嚴(yán)重（1.322 1、1.448 7），這與模型3 的正相關(guān)分析結(jié)果相吻合，主要是鉗閉影響下身體組織受到車輛部件壓迫造成的，神經(jīng)損傷在事故中發(fā)生概率較?。?.002 3），這與上述分析結(jié)論相符；損傷類型變量中，可以發(fā)現(xiàn)事故中骨折現(xiàn)象發(fā)生概率較高（0.551 6、0.321 2、0.223 8），骨折損傷相較于其他損傷類型更嚴(yán)重（1.841 2），同時(shí)事故中大面積的損傷發(fā)生概率較小，一旦發(fā)生損傷就極為嚴(yán)重，這是因?yàn)殂Q閉影響下乘員往往受到致傷部件局部擠壓，一般在汽車火災(zāi)中更容易出現(xiàn)大面積的損傷（燒傷）[9]。

表5 雙層Logit模型的參數(shù)估計(jì)結(jié)果

5 損傷嚴(yán)重程度預(yù)測(cè)

5.1 隨機(jī)森林模型

隨機(jī)森林具體實(shí)施過程如下：

a.原始訓(xùn)練集為N，應(yīng)用自助法有放回地隨機(jī)抽取k個(gè)新的自助樣本集，并由此構(gòu)建k棵分類樹，每次未被抽到的樣本組成了k個(gè)袋外數(shù)據(jù)。

b.設(shè)有數(shù)量為M的變量，則在每一棵樹的每個(gè)節(jié)點(diǎn)處隨機(jī)抽取數(shù)量為M1的變量，然后在這些變量中選擇一個(gè)最具有分類能力的變量，變量分類的閾值通過檢查每一個(gè)分類點(diǎn)確定。

c.將生成的多棵分類樹組成隨機(jī)森林，用隨機(jī)森林分類器對(duì)新的數(shù)據(jù)進(jìn)行判別與分類，分類結(jié)果按樹分類器的投票多少而定。

5.2 模型評(píng)價(jià)指標(biāo)

針對(duì)本文對(duì)乘員損傷嚴(yán)重程度的預(yù)測(cè)，可用接受者操作特性（Receiver Operating Characteristic，ROC）曲線反映模型的分類準(zhǔn)確性，并通過計(jì)算ROC 曲線下的面積（Area Under Curve，AUC）來衡量模型的分類精確度。AUC 越大，表示模型分類效果越好。精確率W表示模型對(duì)樣本做出預(yù)測(cè)，結(jié)果正確的可能性，召回率R（Recall）反映了模型預(yù)測(cè)出的正例占實(shí)際正例的比例，可以通過F值綜合考慮2個(gè)指標(biāo)。

表6 所示混淆矩陣中包括了對(duì)樣本測(cè)試集數(shù)據(jù)的預(yù)測(cè)與真實(shí)情況，其中a、b、c、d分別為真正例（True Positive，TP）、假反例（False Negative，F(xiàn)N）、假正例（False Positive，F(xiàn)P）、真反例（True Negative，TN）的數(shù)量，R、M、F的計(jì)算公式為：

表6 2×2混淆矩陣

5.3 結(jié)果與分析

結(jié)合關(guān)聯(lián)分析和雙層Logit 模型分析結(jié)果，通過預(yù)測(cè)模型進(jìn)一步驗(yàn)證分析結(jié)果。將篩選后的特征，即身體部位、組織結(jié)構(gòu)、損傷類型、致傷部件質(zhì)量作為輸入變量，損傷嚴(yán)重程度作為輸出變量，建立基于隨機(jī)森林的損傷嚴(yán)重程度預(yù)測(cè)模型，同時(shí)將篩選前的特征作為對(duì)照組，建立相應(yīng)的模型進(jìn)行預(yù)測(cè)。

預(yù)設(shè)模型的參數(shù)范圍，利用Python中的Scikit-Learn函數(shù)庫(kù)中GridSearchCV函數(shù)做參數(shù)遍歷選擇，決策樹數(shù)量n采用袋外（Out Of Bag，OOB）數(shù)據(jù)誤差來確定，其結(jié)果如圖8 所示。OOB 誤差隨著決策樹數(shù)量的增加逐漸減小，當(dāng)決策樹數(shù)量在1 000棵左右時(shí)趨于穩(wěn)定。為了使得模型取得理想的效果，本文的取n=1 200棵。

圖8 OOB誤差估計(jì)

通過隨機(jī)森林對(duì)每組數(shù)據(jù)中乘員損傷嚴(yán)重程度進(jìn)行預(yù)測(cè)，按照預(yù)測(cè)平均準(zhǔn)確度下降對(duì)各特征重要度進(jìn)行排序，如圖9 所示，結(jié)果與上述分析一致，再次證明了關(guān)聯(lián)分析結(jié)果的可靠性。其中致傷部件質(zhì)量變量在乘員損傷嚴(yán)重程度預(yù)測(cè)中貢獻(xiàn)最大，達(dá)到25.8%，這表明乘員損傷嚴(yán)重程度與致傷部件質(zhì)量高度相關(guān)。

圖9 特征重要度排序

相較于決策樹、邏輯回歸模型的AUC 值0.71 與0.62，隨機(jī)森林模型AUC 值達(dá)到0.76，能取得較好的預(yù)測(cè)效果，對(duì)比3種模型預(yù)測(cè)結(jié)果，如圖10所示，隨機(jī)森林模型能更好地按照MAIS3+劃分乘員損傷嚴(yán)重程度。分類效果不僅與模型中參數(shù)的設(shè)置有關(guān)，還取決于導(dǎo)入模型中的特征與結(jié)果的相關(guān)程度，特征選擇后隨機(jī)森林準(zhǔn)確率達(dá)到82.97%，間接證明了上述分析中篩選出的特征對(duì)乘員損傷嚴(yán)重程度有顯著影響。

圖10 不同模型的結(jié)果比較

6 結(jié)束語(yǔ)

本文通過分析轎車碰撞事故數(shù)據(jù)，得到以下結(jié)論：

a.轎車碰撞事故中乘員層次變量和車輛層次變量相關(guān)，其中致傷部件質(zhì)量影響最大。

b.車輛層次的變量對(duì)乘員層次變量存在影響，即致傷部件質(zhì)量變量對(duì)組織結(jié)構(gòu)、身體部位、損傷類型變量的影響分別達(dá)到28.89%、15.79%、14.03%。隨著致傷部件質(zhì)量的增加，乘員身體上部較下部損傷更嚴(yán)重，即損傷嚴(yán)重部位上移。

c.事故中頭部相較于其他部位損傷更嚴(yán)重，但上、下肢出現(xiàn)損傷的概率卻最大，器官與骨骼損傷相較于其他組織損傷更嚴(yán)重，事故中乘員發(fā)生骨折的概率較大，損傷較為嚴(yán)重的情況往往伴隨著乘員重度骨折與大面積損傷。

d.通過隨機(jī)森林模型對(duì)乘員損傷嚴(yán)重程度進(jìn)行預(yù)測(cè)，準(zhǔn)確率達(dá)到82.97%。

在本文基礎(chǔ)上，下一步可增加環(huán)境層次因素，并考慮通過有限元建立力學(xué)模型對(duì)乘員損傷進(jìn)行量化分析。