考虑易用性和可解释性的自组织映射-即时学习风险预测框架

为提高风险预测系统的易用性和可解释性，提出基于自组织映射网络(SOM)改进的即时学习(JITL)风险预测框架。首先，应用SOM对数据样本进行聚类，并对聚类特征进行解释。进而，通过基于聚类结果的样本选择算法构建待测数据的相似样本集，在线上调用作为基学习器的支持向量机(SVM)进行建模并输出风险预测结果。最后，采用一个交通事故数据集对风险模型的性能进行测试，检验其精度、易用性和可解释性。结果表明：采用SOM-JITL策略的SVM模型，受试者工作状况曲线面积指标达到0.720,相比不使用该策略的传统SVM模型提高17.5%,精度较高；SOM-JITL模型构建所需参数调节工作少，具有较好的易用性；此外，SOM聚类结果准确识别出处于交通拥堵等高风险场景，与现实场景一致，具有可解释性。综上，SOM-JITL策略能有效提高基学习器的性能，达到精度、可解释性和易用性的平衡，有助于以低成本大规模推广风险预测系统。