CHOIR：面向不同驾驶员安全分层的异质性感知保形预测，用于碰撞伤害严重程度评估

arXiv:2609.11592v2 公告类型：replace-cross 摘要：交通管理机构日益使用统计模型和机器学习模型预测碰撞伤害严重程度，但这些模型没有说明其输出包含记录伤害等级的频率，也没有说明它们会在哪些驾驶员群体中失效，而这一缺陷对摩托车驾驶员和未系安全带的驾驶员尤为重要。本研究开发并评估了一种认证层，可为任何已拟合的严重程度模型在预先指定的安全分层内提供有限样本、无分布假设的覆盖率保证。该层名为 CHOIR（Conformal Heterogeneity-aware Ordinal Inference with Risk control），将分组式和加权保形预测与保形风险控制相结合，以返回连续的 KABCO 区间，并加入针对医学评估伤害的预先声明敏感性分析以及对致命遗漏的界限。研究使用2017—2023年德州404万起碰撞事故的数据进行评估，每起碰撞抽取一名驾驶员，采用从有序 logit 到表格基础模型在内的七个基础模型，同时还在留出县和后续年份的数据上进行评估。在采用单一合并阈值时，每个模型的总体覆盖率均达到0.90，但对摩托车驾驶员或未系安全带驾驶员的覆盖率最高仅为0.868；类别均衡的梯度提升模型对未系安全带驾驶员的覆盖率更只有0.374。在四个安全分层内进行校准后，28个模型—分层估计值全部位于0.898至0.907之间，但代价是，对于这些群体，预测集合平均涵盖五个类别中的3.6至4.6个类别；经过认证的有序 logit 与区间最窄的模型相差不超过0.03个类别。因此，伤害模型的覆盖率应在安全群体内进行认证，而不应仅依据总体平均值；有效性取决于校准，而非模型复杂度；此外，如果没有本地校准数据，也不应将全州阈值应用于小型农村县。