...
机译:重采样方法在应对不平衡崩溃数据中的有效性:碰撞型分析和预测建模
Univ Georgia Coll Engn Athens GA 30602 USA;
Univ Georgia Coll Engn Athens GA 30602 USA;
Machine learning; Gradient boosting; Tree ensemble; Nested logit; Traffic crash; Resampling; Over-sampling; Data imbalance;
机译:基于SensorAnd路数据的交通崩溃严重性分类中的类别不平衡:特征选择和数据增强方法
机译:重采样方法提高了类不平衡数据集中建模的预测能力
机译:使用天气数据和备选贝叶斯多元碰撞频率模型预测摩托车碰撞伤害的严重程度
机译:使用微观交通和天气数据的贝叶斯模型崩溃类型倾向分析
机译:对崩溃概率和预期的季节性崩溃频率进行建模,以量化沿山区山区高速公路的防雪栅栏实施的安全有效性
机译:重采样方法提高了类不平衡数据集中建模的预测能力
机译:重采样方法提高了类不平衡数据集中建模的预测能力
机译:基于碰撞类型和伤害严重程度的农村交叉口碰撞频率建模与预测新方法。