事故ホットスポットにおける誤りの予測と時空間、気象、行動要因の調査：解釈可能な機械学習を用いたテレマティクスビッグデータの分析
カテゴリ：公衆衛生・予防医療
公開日：2026年2月19日
タイトル：Predicting errors in accident hotspots and investigating satiotemporal, weather, and behavioral factors using interpretable machine learning: An analysis of telematics big data.
雑誌名：PLoS One. 2025; 20(7): e0326483. doi: 10.1371/journal.pone.0326483. Epub 2025 Jul 08.
概 要：
本研究は、イランにおける事故ホットスポットでの誤りの発生を予測するために、解釈可能な機械学習モデルを用いてテレマティクスデータを分析しました。交通事故は公衆衛生上の大きな問題であり、高リスク地域と主要因の特定が重要です。1673台の都市間バスから収集したデータを用い、619,988件の記録を分析しました。最も優れたモデルであるXGBoostは、91.70%のAUCを示し、空間関連変数が事故ホットスポットでの誤り予測において重要であることが明らかになりました。
方 法：
2020年にイラン全土の1673台の都市間バスから収集したテレマティクスデータを使用し、気象データと統合して位置、時間、気象、誤りタイプの変数を含む包括的なデータセットを作成しました。619,988件の欠損値のない記録を用いて、ロジスティック回帰、K近傍法、ランダムフォレスト、XGBoost、ナイーブベイズ、サポートベクターマシンの6つの機械学習モデルを訓練し、比較しました。最良のモデルはSHAPを用いて解釈されました。
結 果：
XGBoostは91.70%のAUCを示し、空間関連変数（特に誤りの発生した州と道路タイプ）が最も重要な特徴であることが示されました。疲労は行動的誤りとして高リスクと関連し、露点や相対湿度などの気象関連変数も重要でしたが、時間的変数は予測に大きく寄与しませんでした。
結 論：
時空間、行動、気象関連の変数を統合することで、空間要因が事故ホットスポットでの誤り予測において支配的であることが示されました。これらの結果は、交通事故リスクを軽減するためのターゲットを絞った道路インフラの改善とデータ駆動型の政策決定の必要性を強調しています。