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OP模型的高速公路交通事故人员伤害程度分析方法

高速公路交通事故经常会给交通参与者带来巨大的人身伤害,而事故处理只关注责任划分,欠缺对客观因素的考虑.以高速公路交通事故伤者的伤害程度为研究对象,构建了事故伤害程度影响因素分析方法.以伤害程度为因变量,从能够表征人、车、路、环境的客观因素中选取候选自变量,利用主成分分析方法提取主要自变量,而后采用Ordered Probit模型分析主要自变量对高速公路交通事故伤害程度的影响,并对模型的显著性进行检验.研究结果表明:安全气囊、车型和速度限制对伤害程度的影响显著.该方法可为交通事故分析提供参考,有助于交通管理措施的制定.     

Safety Characteristics of Two-lane Highway Sections Passing through Towns/villages in Mountainous Area Based on Negative Binomial Prediction Model

针对我国交通事故呈现出的在公路穿村镇路段聚集的趋势,在某山岭地形区域进行了双车道公路的交通事故、交通组成、道路和路侧等因素的大量数据采集,并对公路穿村镇路段的整体安全特性进行了分析,采用负二项模型等事故预测模型和相关检验理论对模型形式,以及公路穿村镇路段全部事故和追尾、碰撞、路侧等不同形态的事故规律特性进行了深入分析.研究结果发现,公路穿村镇路段的事故时空分布呈一定规律性;交通量、混杂率和道路横坡度为影响公路穿村镇路段交通安全的3个显著因素,且均呈正向影响.     

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%。     

高速公路交通事故非线性负二项预测模型

以京港澳高速公路（G4）粤境北段3年发生的1 354起交通事故为研究对象,将基础数据根据路段长度一致、曲线半径一致和坡度一致划分路段单元对基础数据进行处理,从道路线形和环境条件2个方面选取13个自变量,分别采用负二项（Negative Binomial,NB）回归模型和非线性负二项（Nonlinear Negative Binomial,NNB）回归模型建立交通事故起数预测模型,根据模型的拟合优度和预测准确性对比分析负二项回归和非线性负二项回归模型的优劣,并找出影响交通事故起数的显著自变量,分析显著自变量对交通事故起数的影响程度。研究结果表明：无论采用上述何种路段划分方法,非线性负二项回归模型构建的交通事故起数预测模型均优于负二项回归模型;采用坡度一致划分方法明显优于路段长度一致和曲线半径一致划分方法,更适合应用于山区高速公路交通事故数预测研究;从显著变量相关性来看,路段长度、相邻路段坡度变化值、弯坡组合、曲率、是否存在隧道路段以及是否为易结冰和起雾路段均是非线性模型的显著影响因素。     

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.      

本期导读

正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4 657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     

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。     

Micro Prediction Model of Traffic Accident Based on Improved Fuzzy Quantitative Theory

针对道路交通事故发生的随机性及影响事故发生的因素很多,而且影响因素中既有定量因素又有定性因素的情况.首先分析了道路交通事故事故4项指标和事故率,确定事故率作为微观预测目标；然后从人-车-路组成的系统观点出发对事故因素分析,选取驾驶员的驾龄、车道数、平曲线半径、纵坡度、路面情况、路口路段类型、道路宽度和交通流量等变量作为主要影响因素,其中前7项作为定性影响因素,交通流量作为定量影响因素,各定性因素下分为若干类目；最后在数量化理论的基础之上建立了改进的模糊道路交通事故微观预测模型.该模型以某国道466.678～559.792 km段作为算例进行计算,计算结果表明:三枝交叉口对事故影响最大,针对该路段提出具体的道路整改意见.     

Comparing the efficiency of different computation intelligence techniques in predicting accident frequency

Until now, considerable efforts have been made to determine which modelling technique performs the best for predicting accident frequency based on crash data. In this regard, the presented study seeks to compare four types of Computational Intelligence (CI) modelling techniques in accident frequency prediction in urban segments, including Artificial Neural Network (ANN), Adaptive Neuro-Fuzzy Inference System (ANFIS), Hybrid ANFIS-Genetic Algorithm (H-ANFIS-GA), and Hybrid ANFIS-Particle Swarm Optimization (H-ANFIS-PSO). Accordingly, different variables relating to traffic condition and road specifications were employed as independent variables, using the dataset consisting of 1370 crash occurred in Mashhad (Iran), in 2014. According to the results, H-ANFIS-GA exhibited the best performance in forecasting accident frequency. In contrast, PSO did not improve ANFIS performance, and it caused a negative influence on its prediction accuracy. Although the ANFIS model performed better than the developed ANN, it came in the third most accurate models. Additionally, the effect of each independent variable on predicted crash frequency was evaluated using sensitivity analysis.     

Modeling the accuracy of traffic crash prediction models

Crash forecasting enables safety planners to take appropriate actions before casualty or loss occurs. Identifying and analyzing the attributes influencing forecasting accuracy is of great importance in road crash forecasting. This study aims to model the forecasting accuracy of 31 provinces using their macroeconomic variables and road traffic indicators. Iran's road crashes throughout 2011–2018 are calibrated and cross-validated using the Holt-Winters (HW) forecasting method. The sensitivity of crash forecast reliability is studied by a regression model. The results suggested that the root mean square error (RMSE) of crash prediction increased among the provinces with higher and more variant average monthly crashes. On the contrary, the accuracy of crash prediction improved in provinces with higher per capita GDP, and higher traffic exposure. A 1% increase in crash variability, average historical crash count, GDP per capita, and traffic exposure, respectively, resulted in a 0.65%, 0.52%, −0.38%, and −0.13% change in the RMSE of forecasting. The addition of traffic exposure and macroeconomic factors significantly enhanced the model fit and improved the adjusted R-squared by 14% compared to the reduced model that only used the historical average and variability of crash count as the independent variables. The findings of this research suggest planners and policymakers should consider the notable influence of macroeconomic factors and traffic indicators on the crash forecasting accuracy.     

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。      

高速公路平面线形与安全关系的探讨

建立线形指标、交通量与事故间的模型是当前事故规律微观研究的主要方法，虽然在模型中纳入更多的指标能够提高的解释能力，但增加了模型的复杂性，加剧了数据采集困难．简洁的模型有时候在分析特定类型事故时反而更具优势，因此，作者在研究高速公路线形条件与事故的关系时，主要提取了平面线形的圆曲线、缓和曲线和超高等指标，重点分析平面线形与安全的关系。作者首先对国内外有关平面线形与安全关系的研究进行了简要回顾，利用贵州省贵黄、贵新两务高速公路的事故、线形、交通量数据建立了回归模型。此外，还结合具体案例，对曲线超高对行车安全的影响进行了剖析，并提出了一些针对平面线形安全问题的具体措施和建议。     

考虑多模式失效概率的长下坡路段重型卡车事故预测模型

为挖掘多模式失效概率与长下坡路段重型卡车事故之间的关系，建立了重型卡车在长下坡路段的多模式失效概率与车辆事故之间的关系模型。并针对重型卡车在长下坡路段可能的失效模式，如侧滑、侧翻、视距不足、制动失效，在此基础上建立了多模式失效概率预测模型；通过蒙特卡罗法模拟并求解单模式失效的概率，宽界限法求解失效系统的多模式失效概率；将多模式失效概率作为解释变量与其他道路因素结合，分别建立泊松模型、随机效应泊松模型、随机参数泊松模型，将多模式失效概率与重型卡车事故建立函数关系；对比3种模型的拟合优度指标，优选出最优事故预测模型，用来挖掘重型卡车事故与多模式失效概率之间的关系。以华盛顿州71段长下坡10年的重型卡车事故数据及道路设计数据进行方法验证。结果表明:随机参数泊松模型与随机效应泊松模型的拟合优度相差较小，二者均优于泊松模型；当考虑多模式失效概率时，平曲线半径、纵坡坡度、超高对重型卡车事故的影响均不显著，即三者的影响被削弱，尤其是平曲线半径和超高，多模式失效概率的弹性(0.239)远大于二者的弹性(平曲线半径和超高的弹性分别仅为0.097和0.002)；重型卡车的事故与多模式失效概率近似线性关系，且截距不为0。即多模式失效概率可用于道路安全分析的表征指标，但与事故概率不等价。      

Crash prediction model for two-lane rural highways in the Ashanti region of Ghana

Crash Prediction Models (CPMs) have been used elsewhere as a useful tool by road Engineers and Planners. There is however no study on the prediction of road traffic crashes on rural highways in Ghana. The main objective of the study was to develop a prediction model for road traffic crashes occurring on the rural sections of the highways in the Ashanti Region of Ghana. The model was developed for all injury crashes occurring on selected rural highways in the Region over the three (3) year period 2005–2007. Data was collected from 76 rural highway sections and each section varied between 0.8 km and 6.7 km. Data collected for each section comprised injury crash data, traffic flow and speed data, and roadway characteristics and road geometry data. The Generalised Linear Model (GLM) with Negative Binomial (NB) error structure was used to estimate the model parameters. Two types of models, the ‘core’ model which included key exposure variables only and the ‘full’ model which included a wider range of variables were developed. The results show that traffic flow, highway segment length, junction density, terrain type and presence of a village settlement within road segments were found to be statistically significant explanatory variables (p < 0.05) for crash involvement. Adding one junction to a 1 km section of road segment was found to increase injury crashes by 32.0% and sections which had a village settlement within them were found to increase injury crashes by 60.3% compared with segments with no settlements. The model explained 61.2% of the systematic variation in the data. Road and Traffic Engineers and Planners can apply the crash prediction model as a tool in safety improvement works and in the design of safer roads. It is recommended that to improve safety, highways should be designed to by-pass village settlements and that the number of junctions on a highway should be limited to carefully designed ones.     

基于负二项分布的高速公路交通事故影响因素分析

为分析高速公路交通事故的影响因素,构建基于负二项分布的事故分析模型,探究事故数与交通特性、公路线形及路面性能间关系.鉴于传统固定参数模型难以刻画各因素对事故风险影响的异质性,引入了随机参数建模方法.结果表明:相比于固定参数负二项模型,构建的随机参数负二项模型有更好的拟合优度,且能更合理地反映各因素对事故的作用效果;将随...     

Using a surrogate safety approach to prioritize hazardous segments in a rural highway in a developing country

Road safety is a global concern particularly in developing countries where some road sections are disproportionately more vulnerable in terms of the frequency and severity of crashes. Other than using historical crash data based reactive approaches, those sections need to be identified proactively, so that mitigation measures can be applied. Moreover, those approaches are sometimes questioned mainly due to data reliability issues in developing countries. The study reported here is aimed at highlighting the applicability of traffic conflict techniques as surrogate safety measures to identify those sections of a rural highway in a developing country, which are most likely at risk. An adapted framework is demonstrated to identify traffic conflicts using combined surrogate indicators acknowledging the limited resources and facilities in developing countries. A new model is put forwarded using a count data modelling approach. Both fixed and random parameters model derivatives have been explored as an alternative methodological approach to relate the factors affecting the number and probability of conflicts. The partial effects of individual independent variables were estimated to gain a better insight of their impact. The results show that the model can predict high risk segments in terms of probability of conflicts as well as safety risk, as well as prioritize road sections according to the likelihood of their safety level. The model provides a less expensive alternative to the collection of historical crash data in order to identify hazardous road locations or black spots on two-lane highways in developing countries.¹