基于地理加权神经网络（GWNN）的交通事故伤害严重性空间异质性分析：以阿拉巴马州超速事故为例

摘要：本研究旨在探究导致超速驾驶交通事故伤害严重性的关键风险因素，并特别关注这些因素影响的空间异质性。传统的全局模型（如逻辑回归或标准神经网络）假设变量关系在整个研究区域内保持一致，这忽视了地理背景对事故结局的潜在影响。为解决此问题，本研究引入并实现了一个创新的空间机器学习模型——地理加权神经网络（GWNN）。该模型有机融合了地理加权回归（GWR）的空间局部建模思想与神经网络（NN）强大的非线性关系捕捉能力。我们利用美国阿拉巴马州2020年及2021年的超速相关交通事故数据，在Python环境下完整实现了从数据获取、清洗、空间权重计算、GWNN模型构建、训练验证到结果解释的全流程。研究发现，诸如天气、光照、道路类型、驾驶员年龄等多种因素对伤害严重性的影响强度与方向在不同地理区域存在显著差异。GWNN模型在预测性能和空间模式揭示方面均优于全局神经网络和GWR模型，证明了其处理空间异质性复杂问题的有效性。本研究不仅为交通安全领域的空间分析提供了先进的方法论工具，其开源Python代码也为相关领域的学者和从业者提供了可复现的技术范例。

关键词：地理加权神经网络；空间异质性；交通事故伤害严重性；超速驾驶；机器学习；Python；空间分析

第一章：引言与研究背景

1.1 研究问题的迫切性

交通事故是全球范围内导致