Efficient and interpretable crash prediction models : An application to a French highway network
Prévention des causes d’accidents à partir des données d’historique des sociétés d’autoroute
Résumé
Worldwide, highway accidents have important social and financial impacts. To reduce their frequency and gravity, crash prediction models (CPM) are used to identify hazardous roadway segments and to provide actionable clues about the associated risk factors. CPM are either interpretable-by-design parametric statistical models, in particular generalized linear models (GLM), or machine learning models with a large number of parameters without associated uncertainty estimates (e.g., ensemble of decision trees, support vector machine ...). When pondering high stake decisions, such as in the context of highway safety, field experts expect predictive models to be both effective and glass-box interpretable to help them deploy preventive safety actions. As such, we contribute to enhancing the predictive performance of parametric models while maintaining their interpretability. Our main contributions aim to achieve this goal in two steps. First, we introduce a supervised method to discover a partition of the original observations and build a hierarchical model above it. Second, we introduce two algorithmic approaches (viz., a polynomial neural network, and an extension of multi-objective symbolic regression) to discover highly discriminant non-linear transforms of the original variables. The former can handle correlations among groups of observations which usually lead to improvements in the quality of the models’ predictions and of their interpretation. The latter, while remaining simple (e.g. first-order interactions), allow the models to capture more of the variability in the dependent variable. Experiments have been conducted on a highway safety dataset and on more than ten public datasets covering classification and regression tasks. They show promising results with our contributions outperforming traditional glass-box interpretable models while getting close to the best non-parametric models. Finally, we illustrate the benefits of our approach by introducing, on a realistic case study, an application we designed for highway safety experts.
Dans le monde entier, les accidents de la route ont des impacts sociaux et financiers importants. Pour réduire leur fréquence et leur gravité, les modèles de prédiction d’accidents (CPM) sont utilisés pour identifier les segments de route dangereux et fournir des indices exploitables sur les facteurs de risque associés. Les CPM sont soit des modèles statistiques paramétriques interprétables par nature, en particulier des modèles linéaires généralisés (GLM), soit des modèles d’apprentissage automatique avec un nombre important de paramètres sans estimation d’incertitude associée (e.g., ensemble d’arbres de décision, machine à vecteurs de support …). Lorsqu’ils réfléchissent à des décisions à fort enjeu, les experts métier s’attendent à ce que les modèles prédictifs soient à la fois performants et interprétables pour faciliter la mise en place d'actions de sécurité préventives. Dans ces travaux, nous contribuons à améliorer les performances prédictives des modèles paramétriques tout en conservant leur interprétabilité. Nos principales contributions visent à atteindre cet objectif en deux étapes. Tout d'abord, nous introduisons une méthode supervisée pour découvrir une partition des observations originales et construire un modèle hiérarchique au-dessus. Puis, nous introduisons deux approches algorithmiques (viz., un réseau de neurones polynomial, et une extension de la régression symbolique multi-objectif) pour découvrir des transformées non linéaires des variables d'origine. La première étape permet de gérer les corrélations parmi les groupes d'observations ce qui conduit généralement à des améliorations de la qualité des prédictions des modèles et de leur interprétation. La dernière étape, tout en contraignant des transformées simples de variables (par exemple, les interactions de premier ordre), permet aux modèles de capturer une plus grande partie de la variabilité dans la variable cible. Des expériences ont été menées sur un jeu de données de sécurité routière et sur plus de dix jeux de données publics couvrant des problèmes de classification et de régression variés. Les résultats obtenus sont prometteurs étant donné que nos contributions surpassent les modèles interprétables traditionnels et se rapprochent des meilleurs modèles non paramétriques boîtes noires. Enfin, nous illustrons les bénéfices de notre approche en présentant, sur une étude réelle de cas, une application que nous avons conçue pour les experts de la sécurité routière.
| Origine | Version validée par le jury (STAR) |
|---|