考虑多维动态特征交互的高速公路实时事故风险建模

为探究天气和道路等特征,以及交通流、天气、道路及时间等多维动态特征之间的交互作用对实时事故风险预测模型精度的影响,本文基于京哈高速公路北京段的事故数据,以及匹配的交通传感器数据、天气数据和道路特征等,构建4个数据集,分别为只包含交通流变量,包含交通流变量、天气及时间特征变量,包含交通流变量、道路及时间特征变量,包含交通流变量、天气、道路及时间特征变量。从考虑多维动态特征的交互效应出发,基于深度交叉网络,提出一种新的实时事故风险预测模型。结果显示,本文所构建的深度交叉网络模型比其他几种实时事故风险预 测方法显示出更高的精度。模型的AUC值(Area Under Curve)可达0.8562,在0.2的概率阈值下, 可以正确分类84.26%的非事故数据和77.55%事故数据。结论表明,本文采用的多维动态特征交互样本条件下的深度交叉网络模型能够有效地预测高速公路交通事故,可为我国高速公路安全管理部门提供理论与技术支持。     

城乡接合部道路交通事故辐射范围分析

为合理确定城乡接合部道路交通事故的影响范围,以重力模型为基础,构建城乡接合部影响带模型。分析城乡接合部道路交通事故辐射范围的4个影响因素：交通流特征参数、交通组成、道路横断面、土地利用。对交通事故影响持续时间进行分析计算,进而基于烟羽模型构建城乡接合部道路交通事故辐射范围模型。最后,根据昆明市兴呈路事故数据验证了模型的可行性。同时为便于实际应用,建立了道路交通事故辐射范围分析系统,可得到事故在时间和空间上的动态影响范围。     

基于风险矩阵的干线公路弯道路段交通冲突风险评估模型

为评估干线公路弯道路段(AHBS)交通冲突风险,基于交通冲突前5 min集计交通流数据、冲突路段道路线形特征和行车环境数据,分别建立交通冲突可能性及严重度评估指标体系。集成运用随机森林模型和多层次模糊综合评价法分别确定交通冲突可能性和严重度等级,进而采用风险矩阵法确定交通冲突风险等级。以云南省元双干线公路为例进行验证。结果表明：基于随机森林模型的交通冲突可能性预测准确率达到84.21%,所提模型能有效评估AHBS交通冲突风险,为干线公路交通事故治理提供理论依据。     

高危害交通事故形态及致因的灰色分析

高危害交通事故是指在交通事故统计中造成主要人员伤亡及财产损失的事故,为识别高危害交通事故的主要形态,探寻其致因,提出一种基于灰色理论的分析方法.将道路交通事故危害程度划分为4个灰类,构建4个灰类的白化权函数,通过灰色定权聚类系数确定高危害交通事故的主要形态和致因.以深圳市为例,基于全年交通事故数据,识别出深圳市高危害性交通事故的4类主要形态和6种主要致因.研究表明:车辆碰撞是高危害事故的主要形态,驾驶过程中妨碍安全行车的行为、酒驾以及未保持安全车距等是产生高危害事故的主要原因.针对高危害交通事故的主要形态和致因,提出相应的交通安全管理对策,有利于减少高危害交通事故,提升道路安全水平.     

城市死亡交通事故形态影响因素分析

为研究城市道路环境下各因素对不同死亡交通事故形态的影响,以深圳市死亡交通事故数据为研究对象,将事故形态作为因变量,并划分为车辆间、车辆与行人、单车事故三类,选取驾驶员、车辆、道路、环境和时间特征为潜在影响事故形态的自变量.在多项Logit模型的基础上,创新性地引入能够反映数据异质性的混合Logit模型,并引用弹性分析定量讨论各自变量对事故形态概率的影响.结果表明:驾驶员年龄、车辆类型、道路有无隔离、路面是否干燥、是否道路交叉口、道路线形、照明条件、能见度、事故发生时间都会对死亡交通事故形态有显著影响,其中,能见度200 m以上为服从正态分布的随机参数,表明由于未观测到异质性的影响,该参数对事故形态的影响在事故个体间存在显著差异.     

基于数据驱动的交通事故伤害程度影响因素 及其耦合关系研究

为准确识别影响山区高速公路交通事故伤害程度(TAIDME)的相关因素，本文构建随机森林朴素贝叶斯-耦合度模型(RFNB-CDM)对其进行研究。首先，处理2016—2020年云南省1760起山区高速公路事故数据，综合考量后，将涉及事故信息、道路信息、肇事机动车辆信息及驾驶人信息等4类18个相关因素作为初始特征进行研究，使用RF模型进行特征提取，并得到各因素对于山区高速公路交通事故严重程度(TASME)的重要性排序；其次，将新特征输入 NB 模型，对TAIDME的影响因素进行单因素分析；为改进原有模型不能对影响因素之间的关系进行准确刻画的缺点，本文引入耦合度模型并进行实例验证分析。结果表明：RFNB模型相较于RF和NB模型，得到的预测结果更加精确，分类性能分别提升5.56%和14.79%。其中，追尾碰撞、18:00-次日 6:00、事故车辆数2辆、下坡段、夜间无路灯照明、货运、大中型货车和直行匀速这8类因素存在时更易加重TAIDME，追尾碰撞和直行匀速这两类因素发生耦合作用时，最易导致重大伤害事故； 道路表面干燥、路侧金属防护和中央绿化带隔离这3类因素存在时可降低TAIDME，路侧金属防护和中央绿化带隔离这两类因素发生耦合作用时TAIDME最低。研究结论可为山区高速公路交通事故预防及降低山区高速公路事故发生后的伤害程度提供理论依据与决策参考。     

交通事故多发路段危险因素的模糊诊断法

道路交通事故多发路段的危险因素诊断是事故路段改造的前提和基础,建立可靠的道路危险因素诊断模型,可以更有效的提高危险路段整治的效果。根据模糊诊断原理,建立了道路交通事故多发路段的事故形态与事故原因模糊关系模型,并提出了基于历史事故数据统计的隶属度函数。利用模糊关系诊断模型,得到道路的主要危险因素及其排序,为道路安全设施改善决策提供了依据。     

面向动态交通流的高速公路事故风险模型空间移植研究

本文旨在探究不同尺度数据集对高速公路实时事故风险建模的影响，并实现不同数据特征路段间事故风险模型的空间移植。首先，提取不同特征路段检测器信息，以动态交通流匹配事故数据构建多尺度数据集：高精度数据集、小样本数据集、低精度数据集以及同尺度条件下(同为高精度大样本量)的空间差异数据集；进而，通过贝叶斯Logistic回归量化不同样本量对事故风险模型预测性能的影响；分别采用统计学和机器学习手段建模分析高精度和低精度数据集；最后，基于贝叶斯更新方法建立实时事故风险移植模型，对高速公路实时事故风险预测模型进行空间移植，并验证其可靠性。结果显示：贝叶斯Logistic回归的性能随着样本量增大而有所提升；高精度数据条件下，贝叶斯Logistic回归和RF-SVM(Random Forest-Support Vector Machine)模型的AUC(Area Under Curve)值比低精度条件下分别高出0.092和0.037；在不同数据精度的空间移植中，贝叶斯更新方法可令低精度路段模型的AUC值从0.645提至0.714，在相同数据尺度的空间移植中，该方法可将被更新路段模型的AUC值从0.737提...     

基于SVR的城市道路刮擦事故评估模型的研究

为了对城市道路刮擦事故进行有效评估,基于历史事故数据库,结合环境参数指标构建了一种道路刮擦事故评估模型。通过方差分析提取事故发生的区域位置、天气条件、路面条件和与道路的关系位置这4项环境特征参数作为评估模型的输入,4项指标与事故严重程度的函数关系用月交通事故指数表示,并将该指数作为评估模型的输出。分别用粒子群算法、CV-K、遗传算法对SVR的学习参数进行标定,得出最优模型参数,在此基础上构建得到基于SVR回归算法的城市道路刮擦事故评估模型。借助于采集到的实际道路刮擦事故数据对模型进行检验,结果表明:该模型具有一定的精度,可用于基于以上4项指标的城市道路刮擦事故的风险评估。     

交通违法事故时空分布特征及其影响因素 ——以广州市为例

为了深入研究我国城市交通事故的时空分布特征及其影响因素,通过对 2010年广州市交通事故原始数据的处理与分析,结合 GIS技术及系统聚类法,本文从道路特征,基础设施情况,以及白天和工作日交通事故比例等方面进行实证分析影响城市交通违法事故的风险因素;并在此基础上,结合广州市未来发展规划提出相关政策建议.结果表明：中心城区交通违法事故密集度最高,呈点状密集分布;交通违法事故的道路分布特征为干道多,支路少;上下班高峰时段,交通违法事故分布存在明显区别;从 9个交通违法事故高发区域归纳出 3大类区域,道路复杂、人多车多的商业地区,高速公路沿线和高架桥附近区域,以及设施齐全、出行方便的市中心.     

基于SVM的中小学校门口交通安全评价

根据兰州市安宁区8所中小学校门口调查数据,建立基于支持向量机的中小学校门口交通安全评价模型,利用MATLAB编程,计算8所中小学相对安全情况。结果表明：在数据样本较小的情况下,应用SVM 模型可以较好评价中小学校门口安全等级;在数据充足、影响因素指标赋值规范的情况下,评价效果进一步提高。可以为中小学校门口道路及其附属设施建设提供参考,有效地减少城市儿童道路交通伤害。     

交通违法事故时空分布特征及其影响因素——以广州市为例

为了深入研究我国城市交通事故的时空分布特征及其影响因素,通过对 2010年广州市交通事故原始数据的处理与分析,结合 GIS技术及系统聚类法,本文从道路特征,基础设施情况,以及白天和工作日交通事故比例等方面进行实证分析影响城市交通违法事故的风险因素;并在此基础上,结合广州市未来发展规划提出相关政策建议.结果表明：中心城区交通违法事故密集度最高,呈点状密集分布;交通违法事故的道路分布特征为干道多,支路少;上下班高峰时段,交通违法事故分布存在明显区别;从 9个交通违法事故高发区域归纳出 3大类区域,道路复杂、人多车多的商业地区,高速公路沿线和高架桥附近区域,以及设施齐全、出行方便的市中心.     

道路交通事故数据深度挖掘技术与应用——以深圳市为例

现有道路交通事故统计分析技术存在数据项缺失、方法单一、实战应用性弱等问题,很难为公安交管部门提供针对性的辅助指导。基于深圳市2014—2016年交通事故数据,采用Apriori关联分析算法、贝叶斯理论以及模糊聚类等大数据挖掘方法,探索性地提出道路交通数据缺失数据项填补、事故伤亡特征因子甄别以及事故危险性分类评价方法。结果表明,该方法可有效提高道路交通事故数据完整性和事故伤亡特征因子甄别准确性,以及量化交通事故危险度评价。研究方法和结果可辅助公安交管部门开展道路交通事故预防和交通安全管理工作。     

基于随机森林的电动自行车骑行者事故伤害程度影响因素分析

为研究电动自行车道路交通事故对骑行者伤害程度影响因素的重要性排序,分析电动自行车骑行者事故伤害程度的影响因素。收集某市2013-2015年电动自行车交通事故数据,对其进行描述性统计分析,从中选出与交通事故严重程度相关的22个影响因素。利用随机森林模型对电动自行车骑行者受伤严重程度进行预测,并对相关因素的重要程度进行排序。研究表明,影响电动自行车骑行者受伤严重程度的最主要因素依次为车辆间事故类型、受伤部位、道路物理隔离类型等。针对交通事故相关因素提出改进建议,研究结论可为电动自行车事故预防提供决策参考。     

建成环境对老年人交通事故严重程度异质性影响

为量化建成环境因素对事故伤害严重程度的影响,本文构建基于均值和方差异质性的随机参数Logit模型对老年人交通事故伤害严重程度进行异质性分析。采用2019年美国某州老年人交通事故数据,从老年人特性、车辆特性、道路特性、道路环境特性、建成环境特性这5个方面选取17个影响因素,利用平均弹性系数捕捉各因素对事故伤害严重程度的影响。结果表明：基于均值和方差异质性随机参数Logit模型的拟合优度更高;建成环境因素中事故发生地300 m缓冲区 内存在购物中心为随机变量,其均值与男性老年人、车道数为3显著相关,方差与道路控制方式为未控制显著相关;摩托车、直线、湿润等因素显著增加了老年人交通事故伤害严重程度。研究结果有助于交通管理者采取适当的策略降低老年人交通事故伤害严重程度。     

����ģ���߼��Ľ�ͨ�¹�Ԥ�⼰Ӱ�����ط���

交通事故预测对于提高交通安全管理水平具有重要意义,通过对传统交通事故预测方法的对比分析,提出了基于模糊逻辑的城市道路交通事故预测模型,并结合哈尔滨市133条主次干道的交通及交通事故数据对模型进行了训练及检验,最终确定了含有41条有效模糊控制规则的模糊逻辑预测模型。模型检验结果表明,应用模糊逻辑预测模型预测得到的事故数与实际事故数之间有很好的对应关系。因此,采用模糊逻辑理论进行道路交通事故预测具有一定的可行性。此外,依据模糊逻辑事故预测模型提出了安全改进因子的概念,可据此查明高风险道路上的突出事故影响因素,从而为改善交通安全提供合理建议。     

Road Traffic Accidents Model and Its Application Based on Driver's Self-Mistakes

To improve the traditional analysis method of driver accident, the paper analyzes the cases of road accidents and survey data from the microscopic aspect. An accident causes model is formulated to describe the driver' own mistake characteristics and its relation with the road traffic accidents. The weights of key influencing factors are determined by the improved AHP method and its influencing level is quantitatively analyzed. The improved AHP method reduces the impact of subjective factors on the analysis accuracy. Results show that drivers' error rate of perception is approaching 50.2%, the error rate of judgment is 38.9%, and the operational error rate accounts for only 10.9%. The main factors cause traffic accidents are drivers' low abilities to perceive and judge risk and accident. The results provide the scientific basis for the drivers' self-mistakes and accident prevention.