互通式立交与隧道出口小间距路段事故影响因素分析

为明确隧道出口与立交小间距路段事故严重程度的影响因素,根据浙江省21处典型路段的319起事故统计数据,从事故发生天气、时间、路段特征、交通因素等方面选择8个不同的自变量,结合有序Logit模型,分析这些不同因素对交通事故的影响程度。结果表明:晴天对应的绝对事故率最高;伤亡事故在05:00—07:00及10:00—12:00高发;事故主要发生在隧道出口与渐变段起点间及出口三角端端部;尾随相撞和撞固定物为事故最主要的形态;事故发生天气、事故发生时段、隧道立交净距3个自变量对事故严重程度有显著影响,且影响大小排序为隧道立交净距、事故发生天气、事故发生时段。通过对模型的预测准确度进行分析,建立的回归模型能较好地表征实际的事故情况。     

基于混合Logit模型的高速公路交通事故严重程度分析

为从多方面掌握影响高速公路事故严重程度的因素,基于统计分析方法构建事故严重程度模型,分析其与道路、环境、驾驶员及车辆等因素间关系.鉴于多项Logit模型难以解析异质性及各因素对事故影响的交互作用,构建了混合Logit模型,并提出了刻画参数间相关性的方法.结果表明,考虑参数间相关性的混合Logit模型比多项Logit模型有更好的拟合优度,且能更合理地反映各因素对事故严重程度的作用效果;碰撞护栏或桥墩、女性驾驶员或驾驶员超过56岁时,更易产生受伤和死亡事故;能见度低于200 m、驾驶员驾龄小于3年或超过10年、责任车辆为重型货车或车辆变更车道时,发生财产损失事故的概率增加,而发生死亡和受伤事故的概率有所降低;湿滑路面将导致受伤事故的概率增加3.7%,而混凝土护栏和夜间无照明时将使死亡事故的概率分别增加8.7%和28.8%.      

团雾天气下高速公路交通事故特征分析

近年来团雾天气下高速公路交通事故频繁发生,对交通安全管理提出了新的挑战.文中以沪宁高速公路沿线4 174站次的团雾过程和74起团雾天气下的交通事故数据为基础,分析了团雾的发生规律和团雾天气下高速公路交通事故特征.研究发现:秋、冬、春三季团雾发生频率高,发生时段主要是在后半夜的00:00时至凌晨06:00时之间,临湖环境和临江路段由于特殊的地形和水汽输送通道而成为团雾高发的区域.1年中的10~11月、1~2月、4~5月,1d中的早上07:00~08:00是团雾天气下交通事故高发期;事故形态主要为追尾,伤亡程度十分严重,死亡人数3人及以上的事故数占55.41%.事故涉及车辆多且损毁严重,涉及10辆以上的事故占75%左右.70%左右的事故造成的交通中断或滞留时间在5h以上.      

面向运营管理的多粒度省际客运需求预测方法

客运量是表征省际客运需求,开展行业运营管理的基础指标.为增强省际客运行业运营管理水平,提高旅客出行效率和应急保障能力,建立面向省际客运运营管理的年客运量和节假日客运量的多粒度预测模型.在影响因素与省际年客运量关联度分析的基础上,构建基于BP神经网络的年客运量预测模型.考虑特殊节假日的影响特征,提出了指数平滑与季节模型相结合的节假日客运量组合预测模型,实现节假日总客运量、日客运量的预测.以北京的实际数据为例,对预测模型进行精度验证.结果表明,年客运量预测模型的平均相对误差为0.15%,春运期间每日客运量预测模型的平均相对误差为6.7%,能较好地体现客运量在不同阶段的变化趋势,具有良好的稳定性.      

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。     

搭载乘客对摩托车事故的影响研究

为探究乘客对摩托车事故的影响,基于2014年湖南省摩托车事故数据,采用卡方检验和二元逻辑回归方程,分别从载客倾向性、事故责任认定、事故类型以及事故严重程度4个方面,全面研究搭载乘客对驾驶行为及交通安全的影响,并总结出相应的安全改善措施.结果表明:①与其他年龄阶段的驾驶员相比,16~24岁之间的驾驶员载客现象更为普遍;②良好的照明条件和平峰时段会增加载客现象的发生;③与未搭载乘客的驾驶员相比,搭载乘客的驾驶员对事故的发生承担主要责任的比例降低48%,发生严重/死亡事故的比例降低20%;④载客事故中,单车事故比例比多车事故比例低54%,女性、幼年以及老年乘客搭乘摩托车时,驾驶员发生严重事故的比例比搭载其它乘客时低30%~50%,事故严重程度也更轻.该研究结果有助于提出有依据性、针对性的措施,减少摩托车事故风险、降低事故严重程度.      

基于Ordered Probit模型的追尾事故严重性影响因素分析

为了减少机动车事故带来的人身财产损失,给相关管理部门提供决策意见的理论支持,分析追尾事故的独特规律,以及研究环境因素、道路因素、车辆因素和驾驶员因素等影响因素与追尾事故严重程度之间的致因关系至关重要。通过对北卡罗来纳州2010—2014年的交通事故数据进行筛选分析,最终得到1 315条具有完整信息的追尾事故数据,并对数据重新编码。考虑到事故严重性的分类具有次序的特性,研究拟采用Ordered Probit模型(ORP)对影响追尾事故严重程度的各种因素进行回归分析。为了找出具有统计学显著的影响因素,采用向后删除变量法筛选变量,从而得到了包含全部显著因素的模型。最终对模型进行了平行线检验和似然比检验,分析模型的统计学合理性,并选取指标进行了模型数据拟合度优劣的评价。研究结果表明:使用安全带、光照条件、道路线型条件、交通控制条件以及道路交通量这5个方面的因素与追尾事故严重程度的相关度较大。模型的边际影响值显示,正确使用安全带、良好的光照条件、合理的道路线型条件、适宜的交通控制措施能够显著降低追尾事故的严重性;而过大的交通量由于易产生多车追尾事故,事故严重性程度增加。显著性检验结果显示ORP模型对于分析追尾事故严重性及其影响因素具有明显作用。     

车队安全氛围与驾驶员个人特征对公交汽车事故的影响

为综合考虑车队安全氛围与驾驶员多种个人特征对公共汽车交通事故发生的影响,设计了营运驾驶员调查问卷,问卷内容包括车队的安全氛围,驾驶员的个人信息、健康状况、睡眠状况、驾驶行为与驾驶愤怒.对公交客运企业的13个车队,共计844名驾驶员进行了问卷调查.双层Logit模型用于分析车队特征与驾驶员个人特征对事故风险的影响;结果表明,在车队层面,安全氛围对交通事故发生有显著影响,可解释约9.2% 的模型方差;在个人层面,驾驶员年龄、在所调查企业工作的时间、睡眠状况、普通违规行为、侵略违规行为、失误驾驶行为、积极驾驶行为以及驾驶愤怒对交通事故发生均有显著影响.基于随机森林中的平均准确度下降方法对显著变量的相对重要度进行了排序,结果显示,驾驶行为与睡眠状况是对驾驶员事故发生贡献最高的因素,车队安全氛围次之;其中4类驾驶行为对事故的累积贡献率为68.2%.研究结果可为公交客运企业安全管理与驾驶员安全教育提供理论基础,安全教育应给予对事故贡献度高的因素教育优先权.      

行人致命交通事故特征与致因机理研究——基于181例深度调查事故案例

为了把握行人致命事故的特征和致因机理,促进减少该类事故的发生,基于国家车辆事故深度调查体系(NAIS)中的181例真实行人致命事故案例,从事故地点、时间与天气、驾驶员、行人、车辆、碰撞状态以及事故后果等方面进行了数据统计分析,并在此基础上采用鱼刺图法从行人、驾驶员、车辆、道路和环境等5个方面对行人致命事故的致因机理进行了分析.总结出了行人致命交通事故的7个特征:①行人违章横穿道路突出(60.0%);②老年行人涉事率高(60岁以上占37.0%);③19:00-21:00是事故多发时段(29.2%);④面包车事故是中国道路特色(16.0%);⑤路侧作业行人危险度高(6.6%);⑥行人死亡大多为颅脑损伤(87.8%);⑦车辆前挡风玻璃大多会有网状裂纹等.结果表明,行人违章横穿道路是行人致命事故最主要的原因,加强行人和驾驶员的交通安全教育和管理是预防和减少行人致命事故的关键.      

基于二元Logistic模型的城市道路交通事故严重程度分析

为从多维度精准剖析影响城市道路交通事故严重程度的因素，选取了我国某城市2018—2020年交通事故数据库中的4 587条数据作为研究对象，基于二元Logistic模型，从人、车、路、环境这4个方面，分别针对财产损失事故、伤人事故、死亡事故建立了模型。深入分析了道路物理隔离位置、路侧防护设施类型等因素对事故严重程度的影响，并利用Hosmer-Lemeshow检验和一致性检验对模型有效性进行验证。结果表明:①道路物理隔离的空间位置对事故严重程度有显著影响，仅布设中心隔离设施发生死亡事故的概率是同时布设中央和机非隔离的2.304倍。在有中心隔离设施的高等级道路中，增设机非隔离设施能有效降低事故发生的概率。②路侧防护设施类型为行道树、绿化带时，发生死亡事故的概率分别是金属护栏的1.982倍、1.648倍。与金属护栏相比，行道树更容易引发严重事故。③夜间无路灯照明发生死亡事故的概率是夜间有路灯照明的1.808倍，夜间无路灯照明是导致死亡事故的重要因素之一。④受过高等教育的驾驶人发生财产损失事故和伤人事故的概率较高，受过中等教育的驾驶员发生死亡事故的概率较高；受过中等教育驾驶员发生死亡事故的概率是高等教育驾驶员的2.049倍。研究深入分析了影响城市道路交通事故的显著因素及其对事故的影响，为事故严重程度的精细化分析提供了理论支持，为交通规划与管理部门提供了决策依据。      

高速公路隧道交通事故规律研究

目前我国高速公路隧道内时常发生交通事故,为研究其特点和规律,收集2 193起高速公路隧道交通事故资料,对这些资料数据进行统计,分析隧道中交通事故的时间和空间分布特征、事故形态、事故车型以及发生原因。结果表明:一天中的9:00~10:00、11:00~12:00、13:00~15:00是交通事故的频发时段,周末发生的交通事故数约占总数的40%,1、2、4、5、7月易发生交通事故;追尾和碰撞隧道壁是隧道交通事故的主要形态;违章超速和天气变化是导致事故发生的主要原因;交通事故的车型主要为底盘较轻的轿车和重型货车。     

基于随机参数Logit模型的校车事故伤害严重程度分析

为深入分析安全因素对校车事故伤害严重程度的影响，探寻事故数据中未观察到的异质性，基于随机参数Logit模型从驾驶员、车辆、道路特征及环境4个方面构建校车事故伤害严重程度模型。结果表明:①涉事车辆数为2辆且对应参数服从正态分布时，不发生死亡受伤事故的概率为83.84%；②驾驶员年龄35~44岁、涉事车辆数为1辆时，死亡受伤事故概率均降低0.58%；③道路限速值为40~50 km/h时发生死亡受伤事故概率增加0.35%，道路限速值大于60 km/h时发生死亡受伤事故概率增加0.96%；④安全气囊状态打开，死亡受伤事故概率增加2.35%；⑤交通控制方式为车道标线时可能伤害事故概率增加1.85%，控制方式为中央分隔带时未受伤事故概率降低1.44%，死亡受伤事故发生概率却增加0.48%；⑥不安全时倒车转弯时发生可能伤害事故概率降低0.42%，分心驾驶、未按规定车道行驶、跟车太近和其他（饮酒）时未受伤事故概率分别增加1.36%，0.56%，0.39%和0.97%，可能受伤事故和死亡受伤事故发生概率却有所降低。      

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LightGBM模型的公交线路串车状态识别方法

同1条线路上相邻公交车辆由于受到道路等因素的影响，其实际车头时距与发车间隔相比显著缩短，导致相邻车辆在较短的时间内到达同1个公交站点即引发公交线路“串车运行”问题（即相邻公交车辆在实际运行中的车头时距与发车间隔相比显著缩短的现象）。辨识线路的串车状态（串车运行和非串车运行）是进一步提升城市公交车辆运营的稳定性的关键。提出了基于贝叶斯参数优化的LightGBM模型，并将其用以识别公交线路串车状态。从站点、运行、乘客、时间和天气这5个角度初步选取20个影响线路串车状态的关键因素，并采用Spearman相关性检验和方差膨胀因子诊断多重共线性。建立二元Logit模型进行影响因素分析。提取显著的影响因子，构建LightGBM模型用以识别线路串车状态，并分别采用贝叶斯优化与随机搜索优化对模型中用以确定模型属性和训练过程的超参数进行寻优。以西安市公交车辆行车数据为例进行模型的应用验证，对比2种参数寻优方法（贝叶斯优化与随机搜索优化）的效率，并将提出的LightGBM模型与XGBoost、随机森林（RF）、决策树模型（DT）和AdaBoost模型的识别精度进行对比。研究表明:上车乘客数、信号灯数量、近距商业区数量、近距内主路上行驶的距离（即车辆在近距离范围内在主道路上行驶过的距离）和拥堵延时指数对线路串车状态有显著影响。LightGBM模型的参数采用贝叶斯优化比采用随机搜索优化的准确率提高了1.31%。采用贝叶斯算法优化参数的LightGBM模型比采用随机搜索算法优化的准确率提高了1.31%。所提出的经贝叶斯优化的LightGBM模型正确识别公交线路串车状态（包括串车运行和非串车运行）的比率为82.89%，识别性能优于对比模型。      

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%。     

基于部分优势比的公路隧道交通事故严重程度分析模型

为了明晰公路隧道交通事故严重程度的影响因素,在分析了16条公路隧道3年内发生的296起交通事故的空间特性、事故形态及其发生原因的基础上,以交通事故严重程度为因变量,将其分为仅财产损失、轻伤、重伤或死亡事故3个等级,从人、车和隧道行车环境3个方面选择了14个交通事故严重程度的潜在影响因素,分别采用有序Logit模型和部分优势比模型建立交通事故严重程度分析模型,并采用Brant检验判断比例优势假设。研究结果表明：与公路隧道交通事故严重程度显著相关的有4个自变量,分别为是否涉及大货车、事故涉及车辆数、事故发生时间和天气因素,其中是否涉及大货车、事故发生时间和天气因素3个自变量满足比例优势假设,而事故涉及车辆数不满足比例优势假设;对于部分优势比模型来说,涉及大货车的事故发生轻伤事故、重伤或死亡事故的概率比不涉及大货车的事故分别增加10.2%和3.4%,多车事故发生轻伤事故、重伤或死亡事故的概率比单车事故分别增加1.9%和5.9%,夜间发生轻伤事故、重伤或死亡事故的概率比白天分别增加5.6%和1.7%,非雨天发生轻伤事故、重伤或死亡事故的概率比雨天分别增加4.5%和1.5%。     

泉南高速公路柳南段事故黑点鉴别及组合因素影响分析

针对泉南高速公路柳南段交通事故，采用累计频率法对道路黑点进行鉴别，曲线中累计频率大于95.0%路段有12处，即为事故黑点（段）。结合贝叶斯定理，建立了道路联合概率分布模型，以泉南高速公路柳南段94.1 km的184起交通事故数据，进行模型检验，结果表明:大雾天气时道路小半径平曲线处发生事故概率最大，约37.3%；大雨天气时12∶00～18∶00时间段发生事故概率次之，约25.7%，其中大部分事故发生在时间段12∶00～15∶00；晴天时大半径平曲线处发生事故概率最小，占事故总数约4.5%。     

山区公路小半径弯道路段事故严重度影响因素及其异质性比较分析

为分析影响山区公路小半径路段典型事故的严重程度的相关因素及其异质性效应，基于某山区双车道公路1 067起交通事故数据，从驾驶员、车辆、道路和环境4个方面选取15个潜在特征变量，采用二项Logit模型和随机参数二项Logit模型，分别构建小半径弯道路段上追尾碰撞、正面碰撞和侧面碰撞3类典型事故的严重度分析模型，分析3类典型事故严重度的显著影响因素，并采用边际弹性系数量化分析影响因素的作用强度。结果表明，小半径弯道路段上不同形态事故的严重度影响因素存在明显差异:①追尾碰撞严重度的显著影响因素依次为摩托车、夜间、弯道转角、驾驶员年龄、季节，摩托车和冬季分别是服从(2.716.1.5642)和(-1.495，2.1162)正态分布的异质性影响因素，导致发生伤亡事故的概率为95.72%和23.58%；②正面碰撞严重度的显著影响因素依次为货车、摩托车、驾驶员超车、弯道转角和弯道长度，货车导致其伤亡事故概率增加108.8%，摩托车和弯道长度分别是服从(6.941，9.9012)和(-0.004，0.0032)正态分布的异质性影响因素，导致发生伤亡事故的概率为76.11%和9.18%；③侧面碰撞严重度的显著影响因素依次为摩托车、驾驶员年龄及弯道有接入口，摩托车和接入口分别是服从(5.211，5.1112)和(-1.408，2.1462)正态分布的异质性影响因素，导致发生伤亡事故的概率为88.87%和25.47%。④与传统二项Logit模型相比，追尾碰撞、正面碰撞和侧面碰撞的随机参数二项Logit模型的拟合优度分别提高了2.85%，4.15%，6.76%，且定量捕捉了异质性影响因素，更适用于事故严重度的精细化分析。      

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.