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SVM的水上交通事故严重程度的影响因素研究

为研究水上交通事故中事故严重程度的影响因素,减小水上交通事故发生时的人员伤亡及财产损失,对2015-2016年的水上交通事故统计数据的分析.选取了水上交通事故数据中的船舶类型、事故发生时间、地点、船舶吨位、能见度和风力等级等相关因素建立了事故信息库.根据水上交通事故造成的人员伤亡数量和财产损失的大小,将事故严重程度分为3个等级,并建立了基于支持向量机(SVM)的三分类模型.然后通过交叉验证以及网格搜索算法优化SVM分类模型的惩罚参数和核函数参数,得到最优的分类模型.模型建立后,利用SVM-RFE算法求解上述影响因素对事故严重程度的权重值并排序,筛选出对于事故严重程度影响最大的因素.结果表明,支持向量机三分类模型总体分类准确率可达70% 以上;同时自沉事故、渔船事故和秋季发生的事故易造成较大的人员伤亡;危化品船舶,内河发生的事故和渔船易造成较大的财产损失.      

基于PCA-RF组合模型的隧道交通事故持续时间预测

使用主成分分析(PCA)和随机森林(RF)组合模型对高速公路隧道交通事故持续时间进行预测.主成分分析用来提高随机森林模型的精度与效率.此外,通过调节2个模型参数,包括决策树数目和最大树深度来提高模型精度和避免模型过拟合.参数优化的结果表明,建模时决策树数目取150、最大树深度取10可降低模型的泛化误差.用以建模的数据包括了山西省的所有高速公路隧道自2012—2017年内的2115起事故数据.每起事故数据包括16个变量,包括隧道类型,事故发生位置类型,事故类型等.结果表明,PCA-RF组合模型的平均绝对误差为12.80 min,误差20 min以内的准确率为89.15%,取得了良好的预测效果.并且,PCA-RF组合模型的精度高于RF模型,说明PCA-RF组合模型能够提高事故持续时间预测的精度.且PCA能够降低数据维度,提高算法的效率.与人工神经网络模型的结果表明,PCA-RF组合模型预测结果精度高且其模型更简单、效率更高.      

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。     

基于CIDAS数据与可解释模型的行人交通事故风险识别

行人道路交通事故是一种常见的交通事故,为了构建有效的行人交通安全防治体系,论文使用中国事故深度调查（CIDAS）数据集进行分析研究。采用多次重复的K折交叉验证评估,并确认随机森林模型在该数据集上具有统计学功效后,利用基于排列的特征重要性算法对影响行人交通事故的特征进行了量化分析。随后对重要事故特征的数据进行统计,并使用卡方检验确定随机性的影响。研究表明,事故参与人员数、行人年龄段、事故发生时间与道路最高允许车速是影响行人交通事故后果的最重要特征。整体趋势表明事故参与人员数越多,事故后果越严重;对于13岁及以上的人群,行人年龄越大发生事故的后果也更严重;在凌晨0:00-4:00发生的事故中,事故的严重程度明显高于其他时间段;在限速为80km/h及以上的道路上发生事故的后果更严重。     

融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型

山区高速公路事故严重程度预测对保障交通安全具有重大意义。针对现有事故严重程度预测模型存在准确率低、泛化性差等问题,考虑到深度卷积神经网络可以高效处理图像问题,为此将事故影响因素图像化,提出一种融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型。该模型首先采用相关性分析确定影响交通事故严重程度的因素,依据严重程度与影响因素将事故划分为财产损失、轻伤事故、重伤事故和死亡事故4类;然后将影响因素处理成图片的形式,进而将事故严重程度预测问题转化为图像的分类问题,随之构建基于反残差与注意力机制的山区高速公路事故严重程度预测模型,其中：基于深度可分离卷积的反残差结构可以以较少训练参数获取较高的准确率,基于软阈值的注意力机制作为一种非线性层可以忽略与事故严重程度无关的信息,Mish激活函数可以确保更好的信息流入神经网络。结果表明：在山区高速公路交通安全事故严重程度评估中,相比于传统的机器学习模型,所提出的模型识别准确率具有明显的提高,且测试准确率为85%左右,满足山区高速公路安全评估的实际预测需求。     

基于随机森林与FP-growrh算法的山区追尾事故数据分析

传统的离散选择模型在分析事故数据过程中,容易出现模型假定条件不满足的现象。基于此背景,文中收集了2012-2017年昌金及泰赣山区高速公路的948条追尾事故数据,从非参数方法的角度对山区追尾事故进行分析。首先,利用随机森林算法对追尾事故数据进行了模型训练。模型中树的数量为144棵,预测效果最优,精度为0.778;进一步设置因素重要度阈值0.05,剔除了潜在风险因素中的星期、疲劳驾驶、超速、性别4个因素,筛选出10个重要度相对较高的因素。最后,利用FP-growrh算法训练得到40条频繁项集及关联规则。结果表明,FP-growrh算法可以有效说明潜在风险因素间、潜在风险因素与事故严重程度的关联程度。     

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.      

基于随机森林与半监督学习的钢箱梁桥模块化智能选型研究

为指导中等跨径钢箱梁桥智能选型设计,将钢桥模块化理论与随机森林算法相结合用于初步选型,采用半监督学习的方法增强数据集,提出一种中等跨径钢箱梁桥模块化智能选型方法。该方法首先选择桥梁10个特征作为自变量,将钢箱梁的9种横截面形式作为因变量,收集75条专家评价数据作为训练集;其次通过算法适配和对比分析,采用遗传-随机森林的组合算法对结果的分类精度相较于原始的随机森林算法模型准确率提升了约10%;然后采用半监督学习算法对训练数据集进行增强,在不改变算法的同时进一步提高了模型准确率,整体模型准确率接近0.9;最后基于上述算法和前后端技术实现在Web平台上的快速部署和三维结果展示。     

基于双层评定模型的钳闭影响下乘员损伤严重程度分析与预测

为确定轿车碰撞事故中钳闭影响下乘员损伤严重程度的影响因素,从陕西长安大学机动车物证司法鉴定中心数据库中筛选包括24种车型的714组轿车碰撞事故数据,通过Apriori关联规则挖掘出相关的特征因素,建立双层评定模型(Logit Model)对车辆层次与乘员层次的特征因素进行分析。结果表明,致伤部件质量变量对组织结构、身体部位、损伤类型变量的影响分别达到28.89%、15.79%、14.03%,事故中头部相较于其他部位损伤更严重,损伤较为严重的情况往往伴随着乘员重度骨折与大面积损伤。最后,通过随机森林模型对乘员损伤严重程度进行预测,预测结果准确率可达到82.97%。     

融合XGBoost与SHAP的机动车交通事故致因机理分析

为了研究影响机动车交通事故结果严重性的显著因素,掌握其发生特征与规律,将中国事故深度调查（CIDAS）数据库中2966条机动车事故进行建模,以包含人-车-路-环境的19个因素作为输入,将事故结果作为输出。在研究中引入包含准确率、查准率、召回率、F-1分数等指标的评估体系,将XGBoost模型与LightGBM、随机森林与CatBoost四种模型进行并列对比,证明了其分类性能的优异。此外利用SHAP对于模型进行了可视化分析,探究各种因素对于事故严重程度的影响。结果表明,对于轻伤/重伤/死亡而言,最关键的影响因素分别为碰撞类型、人员类别、碰撞类型。为了避免死亡事故的发生,需重点关注注预防客/货车单方碰撞事故、事故特征为起步/停止、高道路限速下跑偏/碰撞对象车辆/撞障碍物的场景,并且应对于车辆行驶在30～60 km/h限速道路的驾驶员的懈怠心理重点关注。     

基于超前钻探及优化集成算法的隧道围岩双层质量评价

为解决隧道超前钻探地质预报在解译过程中存在的主观判断性强、定量数据利用率低、评判标准不统一等问题，通过引入机器学习中的极限梯度提升集成算法模型（extreme gradient boosting，XGBoost），结合钻探数据开展隧道围岩完整程度与围岩级别的双层质量评价研究。一方面，采取数据降噪、等距分割、二级指标计算等数据预处理手段对11 233条原始钻探采样数据进行规律发掘和质量提升；另一方面，结合遗传算法（genetic algorithm，GA）与分类器链（classifier chains，CC）构建GA-CC-XGBoost模型，实现复杂机器学习模型的超参数组合自动寻优以及多标签分类的内在相关性考虑。最终所构建训练集的完整程度与围岩级别2项标签的分类准确率分别为95.91%、97.95%，综合分类准确率为93.88%。经过实际隧道工程应用表明，该模型预测结果满足现场超前钻探地质预报的解译需求。     

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。     

基于数据可视化的短时小数值交通事故的描述及成因推理

交通事故是小概率随机事件.在特定时间空间内某些类型的交通事故指标通常是相对较小的数字.应用传统的针对连续变量的方法(例如广义线性模型)对其进行分析和预测,通常由于数值小,随机性及起伏波动大而无法获得统计显著的结果;而采用传统的针对离散变量的方法(例如罗基模型)进行分析和预测,则又由于其分类数值太多而难以实现.本论文探讨以数据可视化方法来解决这种短时、小数值交通事故数据的描述及推理分析的问题.基于加拿大某城市的交通事故与天气数据,本论文探索使用一系列的"数据可视化"方法,例如数据分解、彩色散点矩阵图、三维散点图等,描述事故相关要素及其互动规律.在此基础上,进一步应用图形模型作为成因推理的手段,以完成推理性的数据可视化分析,藉此分析造成交通事故的成因要素、各要素的关系结构以及要素对事故的数量化影响程度.这一研究解决了在短时、小数值背景下对于交通安全状况进行精确描述及成因分析的问题,其成果可直接应用于交通安全管理、交通执法、道路养护等多个领域中的实时安全管控、安全治理措施的预案制订与效果评估等实际工作之中.     

考虑第三方损失的城市道路交通事故严重程度评价方法

为了适应城市道路交通事故具有较少的伤亡人数、对周边交通运行状况影响较大等特点，对该类事故的严重程度进行评价方法研究。研究构建事故地点平均行车延误计算模型。基于社会劳动价值的计算，将事故伤亡人数换算为经济指标。利用单位时间劳动力价值，将由事故引发的其他车辆的行车延误损失时间换算为经济指标。将其与非必要燃油消耗一并计入事故第三方经济损失。借鉴现有交通事故等级划分标准，采用等价折算的方法，确定各评价指标的权重值。以哈尔滨市2007~2008年事故数据为例，计算其综合评价指标。依据综合评价指标的累积频率曲线，提出城市道路交通事故严重程度的等级界定阈值。以2017年6月发生于大连市高新园区的1起城市道路交通事故为例，分别采用现行分类标准和提出的评价方法评价其严重程度。研究表明：该评价方法综合考虑了事故伤亡人数、直接经济损失并包括非必要行车延误及燃油消耗的第三方经济损失，可以充分体现该类事故的特点，并能够合理划分其严重程度。     

基于MNL模型的车车碰撞事故严重程度影响因素辨识方法

为了研究两车之间事故严重程度的影响因素及其机理,探索在不同严重程度的交通事故中影响因素存在的差异性,采用多项logistic回归(MNL)模型对影响因素进行了分析。基于道路交通事故数据的特征形成了涵盖人员因素、车辆因素、时间因素、环境因素的影响因素集合。构建了适用于分析车车碰撞事故的模型,分析了事故严重程度的各类影响因素,并对不同严重程度的事故进行分类讨论,分析导致其存在差异性的原因。结果表明,在降低车辆间事故的安全风险时,需要重点考虑过失方车辆类型、过失方年龄、碰撞类型、受害方车辆类型、城市分区5项因素。对仅财产损失事故和有受伤但无死亡事故,需关注不同的影响因素组合存在的差异性,其中对仅财产损失事故,正面碰撞、受害方车辆类型为小客车、主城区、近郊区是可能的显著影响因素;对有受伤但无死亡事故,过失方年龄为19～45岁、侧面碰撞是可能的显著影响因素。持续提高对驾驶员的教育警示,使用新技术监督驾驶员的行车状态,提升车辆防御侧面碰撞的能力是可能降低车车碰撞事故严重程度的手段,从而提升城市道路交通的安全水平。     

基于小波包分析与支持向量机的桩身缺陷严重程度识别方法

本文首先简单介绍了小波包变换及支持向量机,其次对自动识别缺陷严重程度的4种(共9个)具有可行性的特征向量进行了简要介绍,然后利用软件提取缺陷桩检测信号的特征参量,构建训练及预测数据样本,针对不同的特征参量组合进行了不同数量的训练数据样本、不同寻找最优参数的方法、不同核函数的训练与预测对比分析,得到了一种最优的情况下的模型文件,最后使用其对模型桩及工程桩进行桩身缺陷严重程度的识别验证,说明缺陷严重程度自动识别方法在超声透射法基桩完整性检测中应用的可行性。     

基于潜类别Logit模型的两轮车骑行者头部损伤影响因素研究

为研究汽车-两轮车碰撞事故中骑行者头部伤害的影响机理,探究头部损伤致因关系中存在的模式差异与异质性,基于中国交通事故深入研究（CIDAS）数据库中的2 806起两轮车事故,建立潜类别Logit模型。以骑行者头部伤害严重程度为因变量,将驾驶人、车辆、道路、环境和事故碰撞特征的相关因素作为自变量,取显著水平为0.05,建立多项式Logit模型,在此基础上根据拟合优度指标确定最优分组数并构建出潜类别Logit模型。研究结果表明:模型将事故样本划分为2个类别群体,2个群体在参数、变量分布特征和预测概率上存在显著差异,当事故样本具有“两轮车初始速度>30 km/h”、“骑行者碰撞后抛出距离>10 m”等特征时易被归类到类别1,且类别1对应于更严重的头部伤害;骑行者年龄>50岁、汽车类型为商用货车、两轮车类型为摩托车、事故发生在市区外、两轮车初始速度>30 km/h、头部碰撞玻璃和抛出距离>5 m都会增加头部损伤的严重程度;汽车驾驶人行驶意图为停车或变道时,存在造成严重两轮车事故的风险;佩戴头盔会减弱骑行者头部受到的伤害。      

基于广义线性模型的高速公路事故预测能力对比研究

为了寻求能够高效拟合事故数据的模型,提高高速公路交通事故预测的能力,以广东省京珠、粤赣以及开阳高速为研究对象,收集整理了共4657起交通事故及相关影响因素数据,通过路段划分得到5573个交通事故建模样本.基于系统聚类及四分位数法,筛选交通事故数据中的异常值,剔除了建模样本中的离群样本;基于方差膨胀因子法,对模型的解释变量进行共线性诊断,对存在共线性问题的解释变量进行了处理.分别对负二项(NB)、零膨胀负二项(ZINB)及Tobit模型进行变量筛选,分别确定了16,24,16个解释变量;基于模型变量筛选结果,利用交通事故数据样本,完成了NB,ZINB及Tobit模型的建模.分析对比了NB,ZINB及Tobit模型的拟合效果及预测能力,结果显示,在模型的事故预测能力方面,当交通事故数据中存在大量零值,NB,ZINB及Tobit模型经过K折交叉检验计算得出的PRESS值分别为2185,2239,4442,表明Tobit模型预测能力最优,ZINB模型其次,NB模型再次.