连续数据环境下的道路交通事故风险预测模型

针对现有研究多基于病例对照的欠采样方法,即每起事故从连续交通流数据中按一定比例抽取对照的非事故数据构建模型,而该类模型在连续数据环境中的预测精度存在缺陷的状况,对城市交通连续观测并动态调控的技术环境（简称连续数据环境）开展道路交通事故风险预测模型构建研究。首先提出基于全样本交通流数据,结合“调整事故分类阈值”的方法解决事故风险预测研究中的非平衡数据分类问题;而后采用上海市城市快速路2014年5,6月的线圈检测交通流数据及历史事故数据开展实证研究,以受试者工作特征曲线下面积为评价指标,对比基于全样本和抽样样本构建的常用事故风险预测模型（逻辑回归、随机森林）的整体预测能力;以灵敏度和特异度的几何均数为评价指标,对比3种分类阈值计算方式（约登指数法、事故占比法和交叉点法）对事故/非事故综合预测精度的影响。结果表明：在连续数据环境下,采用全样本数据建模能使模型整体预测能力提高13.06%;基于约登指数法进行分类阈值计算可使模型的事故/非事故综合预测精度最佳。     

低等级公路交通事故致因复杂网络建模与分析

低等级公路交通事故风险因素构成复杂且相互关联。为了明确事故的内在成因,基于实际事故数据对致因要素进行提炼、分类,构建低等级公路交通事故致因复杂网络模型。通过分析网络总体结构特征、节点特征和网络全局效率,寻找关键致因要素,探索事故致因要素相互作用机理。研究结果表明,低等级公路事故致因要素间耦合作用强,要素状态变化易引起连锁反应;无机非隔离、机动车不按规定让行最容易导致低等级公路系统整体安全性下降,非机动车交通事故是风险防控重点。研究结论有助于判别低等级公路系统管理的薄弱环节,预防交通事故发生。     

基于线形指标的山岭重丘区高速公路事故预测模型

依据我国山岭重丘区高速公路几何线形和交通事故数据,建立了基于交通流量和几何线形指标的高速公路基本路段事故预测模型.首先,基于几何线形条件对基本路段进行了划分,确定了路段单元.其次,分析并确定了理想线形条件的范围,建立了理想线形条件下的基本事故率预测模型.再次,应用BP神经网络与敏感性分析相结合的方法,确定出了对事故发生有突出影响的道路纵坡、平曲线半径和直线段长度3个线形指标,并确定了上述线形指标的事故率修正系数.依据基本事故率预测模型及事故率修正系数即可进行事故预测.模型验证结果表明:该模型能够对路段单元进行事故预测,事故总体预测值与实际值的相对误差在-5.85％～-7.87％之间.     

基于道路环境因素的公路隧道交通事故预测

为提高公路隧道交通事故预测准确率，以西汉高速秦岭某隧道群的496起交通事故作为研究对象，对影响公路隧道交通事故预测的道路环境因素进行相关性分析，针对不同预测类别选定具有显著影响的主要变量，通过贝叶斯模型、随机森林模型、BP神经网络模型和支持向量机模型分别对公路隧道交通事故形态、严重程度、伤亡情况和持续时间进行预测，根据准确率和稳定性确定出最优预测模型。研究结果表明： 1）随机森林模型在预测公路隧道交通事故形态时最为可靠，准确率约为84%； 2）在对公路隧道交通事故严重程度和伤亡情况进行预测时可优先考虑贝叶斯模型，其对重大或特大事故的预测准确率高达50%； 3）选择随机森林模型作为公路隧道交通事故持续时间的预测模型，绝对误差为20 min时模型准确率将超过70%。     

基于交通流稳定性系数的高速公路交通事故实时风险预测

预测交通事故实时风险时，存在大量指标变量，导致数据难以采集，不仅不利于构建预测模型，且带来的过拟合问题会降低模型预测可靠性。为了减少预测指标数量，提升预测模型可用性，降低预测模型过拟合影响，构建具有可解释性的2种交通流稳定性系数以简化指标集，分别为纵向交通流稳定系数和横向交通流稳定系数。采集西安市G3001高速公路交通事故与交通流历史数据，选用支持向量机、随机森林、Logistic回归模型，分别构建高速公路交通事故实时风险预测模型。通过改进的GI指数评估交通流稳定性系数的显著性，以检验其有效性；通过指标集在训练与测试数据中的预测精度、AUC值差异评估交通流稳定性系数对降低预测模型过拟合的作用，并通过训练耗时评估模型的计算效率，以检验新方法的可靠性。研究结果表明:2种交通流稳定性系数对应的改进GI指数分别为0.952和0.922，显著大于其他受试指标，与交通事故实时风险显著相关。在3种预测模型中，包含2种交通流稳定性系数的简化指标集在训练和测试数据中的预测精度分别为91.1%和90.5%，与完整指标集相近。2种指标集在训练与测试数据中的平均预测精度差异分别为0.69%和4.87%；平均AUC值差异分别为1.61%和5.87%；平均训练时间下降了15.2%。交通流稳定性系数大幅提高了预测模型的可靠性，同时显著提升了模型的计算效率。      

基于车辆视角数据的行人轨迹预测与风险等级评定

常用的基于路基视角数据的行人轨迹和风险预测模型往往无法避免复杂的建模运算和人工判断。为简洁而有效地预测行人轨迹和评定风险等级,本文中采用车辆视角数据建立行人轨迹和风险等级的预测模型,并先后进行车辆视角行人数据的采集、基于长短期记忆神经网络的行人轨迹预测和基于聚类分析-支持向量机方法的风险等级评定。实验结果表明,基于车辆视角数据所建立的数据驱动的模型能捕捉行人与车辆的运动趋势和交互特征,具有预测行人轨迹和评定风险等级的能力。     

基于决策树理论的交通流参数短时预测

针对现有交通流参数短时预测方法的不足,考虑到交通流数据序列的非线性特征,提出一种基于决策树理论的非参数预测方法。采用时间序列滞后项将交通流参数序列转化成非参数模型能处理的数据格式。考虑到交通流参数之间存在长期协整关系,构建流量速度滞后项的组合向量,为预测模型提供基础数据。构建基于分类回归树(CART)的交通流参数短时预测模型。基于实际采集的道路交通流数据,对模型在不同等级道路不同速度区间下的性能进行评估。结果表明,所提出的模型相较于常用的时间序列模型,精度有所提高;速度预测准确性普遍高于流量,速度平均绝对百分比误差基本小于13%,而流量预测则达到了30%;采用工作日和周末数据分别建模能够有效提升预测性能;不同速度区间下的预测性能评估显示,模型在各等级道路中速区间的预测结果具有较高的准确性与稳定性。      

基于小波降噪与最小二乘支持向量机的公路软基沉降预测模型

根据沉降数据的特性,以最小二乘支持向量机为核心技术构建预测模型,提出了一种路基沉降预测的新方法。由于测量误差不可避免,沉降数据通常含有噪声,不宜直接进行拟合,因此首先采用小波分析的方法对原始沉降数据进行降噪预处理,然后馈送到最小二乘支持向量机完成沉降预测。最后用某高速公路实测数据进行了实例分析,并与BP神经网络预测结果进行了对比,计算结果表明,小波分析结合支持向量机的模型有较好的预测精度,将该模型应用于公路软基沉降预测是可行的和值得研究的。     

道路几何特征与交通量对低等级公路事故率的影响

随着经济的飞速发展,地方村镇低等级路网逐步完善,同时也带来了日益严峻的低等级道路交通安全问题。道路安全事故是在人、车、路、环境等多因素共同作用下导致的交通异常事件,而道路几何及交通量作为道路设计中最基本的要素,在交通事故分析中有着极其重要的作用。结合调查数据,通过建立无参数统计方法分层回归树模型讨论低等级公路几何特征与事故率的关系及其预测,提出一种可以量化评价不同几何特征对事故率影响的方法,同时提供一种简单易懂且数学上合理的预测农村公路事故率的手段。     

城市道路无信号控制路段行人过街风险分级预警模型

为量化城市无信号控制路段下的行人过街风险，避免人车冲突事故频发，提出基于K-means算法的行人过街风险量化分级方法，并在此基础上建立了基于随机森林的行人过街风险分级预警模型。考虑时空接近程度及潜在碰撞伤害大小，选取冲突时间差、潜在碰撞距离与潜在碰撞能量3个指标，准确刻画出实际的人车交互场景，并利用K-means算法对行人过街风险状态进聚类划分，明确相应的行人过街风险等级。综合行人过街场景中包含的天气状况、道路交通设施、行人交通特征、机动车交通特征与历史事故等5类风险隐患因素，提出了30项行人过街风险二级指标，依据基尼不纯度对风险指标进行筛选并构建出最优的预警指标集，以此为模型输入，利用随机森林算法建立了能对行人过街风险进行细化、量化预测的分级预警模型。以山西省某市3处行人过街样本数据为算例验证模型的可行性。算例分析表明:行人过街风险等级分为5级时，量化分级结果能与实际行人过街情景较好吻合；本文提出的分级预警模型对各风险等级预测的整体正确率可达86.67%，其中对一级与四级风险的预警能力最为突出，一级风险识别准确率达到100%，四级风险识别准确率达到94.7%。本研究提出的行人过街风险分级预警模型解决了既往研究中存在的风险指标不够全面、风险等级划分未完全贴合实际场景、预警等级未细化等问题，提高了风险预警准确率。      

道路因素对典型较严重道路交通事故严重性的影响分析

基于道路交通事故数据探究事故影响因素对于认识事故的影响因素、提高交通安全水平具有重要意义。利用近年来国内典型较严重道路交通事故数据,应用泊松模型和负二项模型,以区分事故形态的方式建立追尾事故、侧碰事故及撞行人事故的事故死亡率的道路影响因素分析模型。这些模型以三类事故中涉及人员的死亡数为因变量,以一系列道路因素为自变量,将事故涉及人数作为偏移变量。模型的具体形式以过离散系数及赤池信息量准则(AIC)为依据进行选择。结果显示,追尾事故的死亡率与道路等级、路侧防护设施显著相关;侧碰事故则与天气、路表情况、路口路段位置、坡度以及道路结构有关;撞行人事故与路表情况、道路等级、车道数、平曲线半径有关。本文拓展了事故严重性研究的深度,其研究成果对于更好地利用重特大事故的深入调查数据有现实意义,也可为事故分析及道路设计等提供借鉴。      

基于GWO-SVM岩爆分级预测模型

引入灰狼算法（GWO）优化支持向量机(SVM)模型，构建GWO-SVM岩爆分级预测模型。选取围岩最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度等，组成3种不同的输入指标组合，构建岩爆分级预测指标体系。将153组岩爆案例作为数据集输入4种模型进行训练、测试，比较不同输入组合下模型的预测效果。结果表明：GWO-SVM比标准SVM模型预测准确率提升7.41%～18.52%，在输入指标组合2下，GWO-SVM模型预测准确率最高达92.59%，基于GWOSVM的岩爆分级预测方法优于其他方法。     

基于数据分类的高速铁路运营事故预测方法

高速铁路运营事故预测方法是度量铁路安全管理水平的重要指标.为提高高速铁路的安全运营水平,引入工业数据分类方法,分析反向传播(BP)神经网络和灰色模型在高速铁路安全运营事故预测过程中的适应性.首先,运用事故次数、事故联动系数、月均事故率3个参数对高速铁路安全运营水平进行度量;然后,根据工业数据分类方法判别高速铁路运营事故数据属于块状型,据此建立反向传播(BP)神经网络运营事故预测模型;针对运营事故数据具有波动大的特点,利用均值聚类方法建立K-GM(1,3)预测模型.以近年来高速铁路运营事故数据为样本对模型进行训练和分析,结果表明:BP神经网络、K-GM(1,3)、GM(1,3)预测模型的预测误差分别为8.92%,13.68%,345.25%,BP神经网络在高速铁路安全运营事故预测过程中的适应性要优于灰度模型.      

基于负二项模型区域日度事故预测及影响因素分析

分析区域日度交通事故规模的影响因素,是做好区域日度交通事故短时预测与防控的基础.搜集北京某区域2012—2015年道路交通事故、气象和日期性质等数据,采用负二项回归技术,建立了区域交通事故预测模型;以2012—2014年的数据作为训练集,以2015年的数据为测试集,拟合模型伪R2为0.645,预测期内绝对百分误差的中位数为17.04%,模型预测效果较好,达到了精度要求.模型还表明:①节假日期间事故减少,节假日前1d事故增加,节假日后1d天事故平稳;②1周内,周一和周日事故规模相对较小;③1年内,2月、3月事故规模稍小,7月、9月、10月、11月、12月事故规模稍高;④尾号限行对事故规模影响大,但针对尾号为4和9的限行几乎没有影响;⑤相较于晴天,多数非晴朗天气情况下事故规模反而下降;⑥日平均气温提高会小幅降低事故规模,但日最高气温和最低气温之差增大会增加事故规模.      

山区双车道公路事故预测模型研究及在安全性评价中的应用

根据采集的双车道公路的事故、线形、交通等数据,考虑公路横向干扰、路侧情况等,将双车道公路划分为普通路段、村庄路段和交叉口,分别建立了事故总数、一般以上事故次数以及碰撞、追尾和路侧等不同形态的事故次数与道路和交通要素关系的双车道公路事故预测基础模型.然后,应用统计分析方法进行了路基宽度等事故修正因子(AMF)的研究;使用基础模型经过AMF修正、经验贝叶斯过程(EB过程)、标定等进行双车道公路机体事故预测.最后,介绍了双车道公路事故预测模型在安全性评价中的应用.     

基于驾驶员避撞行为的行车风险判别方法的仿真研究

提出了一种基于驾驶员避撞行为的行车风险状态分类方法,并综合考虑驾驶员驾驶行为、道路和环境因素对行车风险状态变化的影响,运用支持向量机(SVM)建立不同行车模式下行车风险判别算法。基于美国弗吉尼亚理工大学"100-car"自然驾驶数据对预测算法进行了训练和验证,结果表明,在进行行车风险状态预测建模时考虑驾驶员行为、道路和环境因素的差异(特别是驾驶员分心状态)将有利于提高预测模型的准确率;另外,在满足假正率低于5%的条件下,本文构建的预测算法对未来行车过程中的高风险状态预测具有较高的准确率,有助于对临近危险状态的驾驶员给予及时的警告或辅助纠正,为防撞预警策略和控制方法的研究提供了新的思路。     

基于监控数据的高速公路实时事故风险模型

近年来,高速公路事故发生率高居不下.同时,对于高速公路而言,其交通流检测器安装又较为普遍.因此研究如何深入挖掘交通流检测数据以实现对高速公路事故风险实时预测很有必要.基于美国加州2012年发生事故最多的4条高速公路I5,I10,I405和I15的全年事故数据和交通流数据,以病例对照基本思路选取事故组和对照组数据,选定交通流数据研究范围,并选用ADASYN算法处理不平衡数据集问题.基于随机森林模型,利用事故发生前10~40 min内的事故地上游4个检测器、下游2个检测器的3种基本交通流数据构建高速公路实时事故风险模型,事故预测准确率可达到88.02%.选取重要性前十的变量作为事故重要诱导因素,对事故重要诱导因素进行调值,将调值后的测试集放入之前构建的随机森林模型进行分类预测,结果显示减少了41.82%的事故,故可认为利用事故重要诱导因素可进行事故先兆预警工作,从而减少事故的发生.      

基于 Logistic 回归模型的三线城市道路事故数据分析

根据乌鲁木齐市2006~2010年的交通事故统计资料,分别以城市道路中9类不同的交通事故形态为因变量,从道路设施、道路环境等方面选取了9个因素作为自变量,通过二项logistic模型进行事故形态分析,建立事故形态与9个影响因素间的线性相关模型,对模型参数进行了估计,并对模型的拟合程度、可靠性进行了分析,研究了所有自变量单独/组合等不同情况下对因变量的影响。再通过多项Logistic模型对不同道路条件下,各种形态的事故发生几率进行了预测,并与实际情况进行对比,检验了模型拟合效果。      

文本数据驱动下的高速公路事故持续时间预测模型

事故持续时间的预测是高速公路应急管理的基础,及时准确的事故持续时间预测可为道路疏导和组织救援提供可靠依据.针对道路交通事故信息及其异质性主要以自由流文本存在的问题,研究了基于文本数据的高速公路事故持续时间预测方法,可应用于以自然语言形式存在的任何信息文本.并在此基础上,构建V-Fisher有序聚类模型,结合多种文本分类算法,开展模型结果的对比分析.结果表明,与一般回归算法相比,V-Fisher有序聚类模型可更好的实现对事故持续时间的预测,且通过集成学习(SVR+LR)建立的分类模型准确率达到0.82,取得良好的预测效果.      

基于一种组合新模型的翻车事故严重性预测

由于近年来发生在高速公路上的翻车事故较多,且预测翻车事故严重性的文献较少,故通过一种组合新模型来预测翻车事故的严重程度。通过收集的2012年—2016年1 939起高速公路翻车事故数据,采用Logistic回归与朴素贝叶斯组合的新模型作为翻车事故严重性的预测方法。为了进一步验证组合预测模型的优越性,构建了朴素贝叶斯预测模型和Logistic回归预测模型。对比这3个预测模型的预测数据正确率值,表明组合预测模型效果更好。同时,11个候选变量经过单因素分析和多因素分析,选出7个显著性变量:驾驶员年龄、事故涉及车型、事故涉及车辆数、事故发生时段、天气条件、事故是否发生在匝道、肇事车辆是否超载超限。当相应道路或环境条件得到改善后,组合预测模型有助于道路管理者了解翻车事故严重程度可能的变化情况;当出现一起翻车事故时,可根据已知的有限信息利用组合预测模型预估事故严重程度,以便开展后期救援。