考虑抵达时间成本的道路交通事故风险评估方法

doi:10.3785/j.issn.1008-9497.2024.02.002

浙江大学学报（理学版）

2024, Vol. 51

Issue (2): 143-152 DOI: 10.3785/j.issn.1008-9497.2024.02.002

地理信息系统（GIS）专栏

考虑抵达时间成本的道路交通事故风险评估方法

孙克染¹(

),王颖志²,张丰^1,³(

),刘仁义^1,³

^1.浙江大学地球科学学院, 浙江杭州 310058
^2.浙江警察学院交通管理工程系, 浙江杭州 310053
^3.浙江大学浙江省资源与环境信息系统重点实验室, 浙江杭州 310058

A road traffic accident risk assessment method considering the arrival time cost

Keran SUN¹(

),Yingzhi WANG²,Feng ZHANG^1,³(

),Renyi LIU^1,³

^1.School of Earth Sciences，Zhejiang University，Hangzhou 310058，China
^2.Department of Traffic Management Engineering，Zhejiang Police College，Hangzhou 310053，China
^3.Zhejiang Provincial Key Laboratory of Geographic Information Science，Zhejiang University，Hangzhou 310058，China

全文: PDF(4146 KB)

HTML( 2 )

摘要：

道路交通事故频发，给生命财产造成重大损失，给社会生活带来重大影响。现有针对道路交通事故风险的研究未建立有效的道路网络模型，难以准确描述交通事故风险在道路上的传播特点，评估准确度不高。基于此，提出了一种基于抵达时间成本的网络地理加权回归方法，并利用某县级市2018—2020年的道路、交通违法、交通事故、城市POI等数据开展实验，结果表明，基于抵达时间成本的网络地理加权回归方法融合了交通事故风险在道路上的传播性质，显著降低了评估误差，能够有效评估道路交通事故风险及其影响因素；市中心区域道路交通事故高风险区域主要集中在车流量较大的道路交会处与部分交通设施尚不完备的道路；各类交通违法数量、城市POI对道路交通事故风险的影响程度不同，且具有很强的空间异质性。

关键词： 道路交通事故; 成本网络地理加权回归; 抵达时间成本; 空间分析

Abstract:

Road traffic accidents occur frequently and have significant impacts on life, property, and society. However, existing researches on road traffic accident risk pay little attention on establishing an effective road network model that accurately describes the transmission characteristics of traffic accident risk. As a result, the accuracy of risk evaluation is limited. To address this issue, we propose a network geographically weighted regression method based on arrival time cost. We conduct experiments using data from roads, traffic violations, traffic accidents, and urban points of interest (POIs) in a city from 2018 to 2020. The experimental results demonstrate that the network geographically weighted regression method, based on arrival time cost, incorporates the propagation nature of traffic accident risk on the road. It significantly reduces evaluation errors and effectively evaluates road traffic accident risk and its influencing factors. The downtown area of the city exhibits high accident risk, primarily concentrated at intersections with heavy traffic flow and certain road points with inadequate transportation facilities. The impact of different types of road traffic violations and urban POIs on the risk of road traffic accidents varies significantly and exhibits strong spatial heterogeneity.

Key words: road traffic accidents cost network geographically weighted regression arrival time cost spatial analysis

收稿日期: 2022-08-01 出版日期: 2024-03-08

CLC:

P 208

基金资助: 国家自然科学基金资助项目(42271466)

通讯作者: 张丰 E-mail: krsun@zju.edu.cn;zfcarnation@zju.edu.cn

作者简介: 孙克染（1998—），ORCID：https：//orcid.org/0009-0002-4795-5077，男，硕士研究生，主要从事道路交通安全与地理数据高性能计算研究，E-mail：krsun@zju.edu.cn.

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	孙克染
	王颖志
	张丰
	刘仁义

引用本文:

孙克染,王颖志,张丰,刘仁义. 考虑抵达时间成本的道路交通事故风险评估方法[J]. 浙江大学学报（理学版）, 2024, 51(2): 143-152.

Keran SUN,Yingzhi WANG,Feng ZHANG,Renyi LIU. A road traffic accident risk assessment method considering the arrival time cost. Journal of Zhejiang University (Science Edition), 2024, 51(2): 143-152.

链接本文:

https://www.zjujournals.com/sci/CN/10.3785/j.issn.1008-9497.2024.02.002 或 https://www.zjujournals.com/sci/CN/Y2024/V51/I2/143

图1 研究区范围与主要道路示意

表1 道路交通事故风险类别

图2 道路交通事故风险在道路上的传播示意注　圆圈表示双向四车道上的两个位置，粗箭头表示点位1风险对点位2影响的传播路径。

网络数据集字段类型	说明	算法
成本	近似通行时间成本	$C t$
限制	单行限制	B/F

表2 道路通行时间成本网络数据集参数

表3 不同类型道路的平均单向车道数和平均限速

表4 回归模型变量

图3 基于抵达时间的CNGWR模型对道路交通事故风险的评估流程

表5 多重共线性检验结果

表6 最佳带宽和赤池信息准则

表7 不同回归模型对道路交通事故风险评估的平均相对误差

图4 研究区道路交通事故风险分布

图5 研究区市中心道路交通事故高风险点位分布

图6 研究区市中心道路交通事故风险各影响因素回归系数

图7 研究区市中心事故高风险点位1~3的影响因素回归系数

16	黄晓丽，刘耀龙，段锦，等. 基于灰色关联及模糊综合评价法的道路交通安全风险评价［J］. 数学的实践与认识， 2017， 47（7）： 208-215. HUANG X L， LIU Y L， DUAN J， et al. The assessment of road traffic safety risk based on grey relative and fuzzy comprehensive evaluation method［J］. Journal of Mathematics in Practice and Theory， 2017， 47（7）： 208-215.
17	蔡晓禹，雷财林，彭博，等. 基于驾驶行为和信息熵的道路交通安全风险预估［J］. 中国公路学报， 2020， 33（6）： 190-201. DOI：10.3969/j.issn.1001-7372. 2020.06.018 CAI X Y， LEI C L， PENG B， et al. Road traffic safety risk estimation based on driving behavior and information entropy［J］. China Journal of Highway and Transport， 2020， 33（6）： 190-201. DOI：10. 3969/j.issn.1001-7372.2020.06.018 doi: 10. 3969/j.issn.1001-7372.2020.06.018
18	樊亚新. 城市道路交通事故时空分析与多约束空间分区优化研究［D］. 武汉：武汉大学， 2019. DOI：10.27379/d.cnki.gwhdu.2019.000169 FAN Y X. Research on Network Spatiotemporal Analysis and Multi-constraint Spatial Regionalization for Urban Traffic Collisions［D］. Wuhan： Wuhan University， 2019. DOI：10.27379/d.cnki.gwhdu.2019. 000169 doi: 10.27379/d.cnki.gwhdu.2019. 000169
19	孟庆达，于龙，尹皓邈，等. 基于GIS的道路交通事故空间分布特征分析：以山东省日照市为例［J］. 信息与电脑（理论版）， 2021， 33（20）： 50-53. DOI：10.3969/j.issn.1003-9767.2021.20.016 MENG Q D， YU L， YIN H M， et al. Analysis of spatial distribution characteristics of road traffic accidents based on GIS： Taking Rizhao city， Shandong province as an example［J］. China Computer & Communication， 2021， 33（20）： 50-53. DOI：10.3969/j.issn.1003-9767.2021.20.016 doi: 10.3969/j.issn.1003-9767.2021.20.016
1	国家统计局. 中国统计年鉴［M］. 北京：中国统计出版社， 2021： 781. National Bureau of Statistics. China Statistical Yearbook［M］. Beijing： China Statistics Press， 2021： 781.
2	王长君，高岩，张爱红. 重点违法行为导致交通事故的数据分析［J］. 交通运输工程与信息学报， 2005（3）： 29-36. DOI：10.3969/j.issn.1672-4747.2005. 03.004 WANG C J， GAO Y， ZHANG A H. Analysis of the road traffic fatalities caused by severe traffic violation［J］. Journal of Transportation Engineering and Information， 2005（3）： 29-36. DOI：10.3969/j.issn. 1672-4747.2005.03.004 doi: 10.3969/j.issn. 1672-4747.2005.03.004
3	刘林才，付川云. 交通违法行为与事故关系研究：基于零截尾负二项和广义泊松模型［J］. 综合运输， 2021， 43（12）： 51-58. LIU L C， FU C Y. Relationship between traffic violations and crashes based on zero-truncated negative binomial and generalized Poisson models［J］. China Transportation Review， 2021， 43（12）： 51-58.
4	朱彤，秦丹，董傲然，等. 公交驾驶员违规类型同交通事故间的关联分析［J］. 交通运输系统工程与信息， 2022， 22（2）： 322-329. DOI：10.16097/j.cnki. 1009-6744.2022.02.033 ZHU T， QIN D， DONG A R， et al. Relational analysis between bus drivers' violation type and traffic accident［J］. Journal of Transportation Systems Engineering and Information Technology， 2022， 22（2）： 322-329. DOI：10.16097/j.cnki.1009-6744. 2022.02.033 doi: 10.16097/j.cnki.1009-6744. 2022.02.033
5	郭淼，赵晓华，姚莹，等. 基于驾驶行为和交通运行状态的事故风险研究［J］.华南理工大学学报（自然科学版）， 2022， 50（9）： 29-38. DOI：10.12141/j.issn. 1000-565X.210629 GUO M， ZHAO X H， YAO Y， et al. Study on accident risk based on driving behavior and traffic operating status［J］. Journal of South China University of Technology （Natural Science Edition）， 2022， 50（9）： 29-38. DOI：10.12141/j.issn.1000-565X.210629 doi: 10.12141/j.issn.1000-565X.210629
6	王颖志，沈雅婕，王立君. 基于改进兴趣度度量与Apriori算法的交通事故多发点成因分析［J］. 浙江大学学报（理学版）， 2021， 48（3）： 349-355. DOI：10.3785/j.issn.1008-9497.2021.03.011 WANG Y Z， SHEN Y J， WANG L J. The causes analysis of traffic accident black spots based on improved interest measurement and Apriori algorithm［J］. Journal of Zhejiang University （Science Edition）， 2021， 48（3）： 349-355. DOI：10.3785/j.issn.1008-9497.2021. 03.011 doi: 10.3785/j.issn.1008-9497.2021. 03.011
7	高红丽，邓昌俊，王文迪，等. 基于国家车辆事故深度调查体系的道路交通事故驾驶员人因分析［J］. 科学技术与工程， 2019， 19（19）： 342-348. GAO H L， DENG C J， WANG W D， et al. Analysis of driver's cause of road traffic accident based on the national automobile accident in-depth investigation system［J］. Science Technology and Engineering， 2019， 19（19）： 342-348.
8	谢学斌，孔令燕. 基于ARIMA和XGBoost组合模型的交通事故预测［J］. 安全与环境学报， 2021， 21（1）： 277-284. DOI：10.13637/j.issn.1009-6094. 2019.0633 XIE X B， KONG L Y. On the ways to the traffic accident prediction based on the ARIMA and XGBoost combined model［J］. Journal of Safety and Environment， 2021， 21（1）： 277-284. DOI：10.13637/j.issn.1009-6094.2019.0633 doi: 10.13637/j.issn.1009-6094.2019.0633
9	陈玉飞，魏思怡，张林. 基于GM（1，N）的道路交通事故预测模型［J］. 华北理工大学学报（自然科学版）， 2020， 42（1）： 47-50. DOI：10.3969/j.issn.2095-2716.2020.01.009 CHEN Y F， WEI S Y， ZHANG L. Forecast model for road traffic accidents based on GM（1，N） model［J］. Journal of North China University of Science and Technology （Natural Science Edition）， 2020， 42（1）： 47-50. DOI：10.3969/j.issn.2095-2716.2020.01.009 doi: 10.3969/j.issn.2095-2716.2020.01.009
10	陈碧瑶. 基于Bi-LSTM的道路交通事故数预测研究［D］. 西安：长安大学， 2021. DOI：10.26976/d.cnki.gchau.2021.001367 CHEN B Y. Research on Forecast of Road Traffic Accidents Based on Bi-LSTM［D］. Xi'an： Chang'an University， 2021. DOI：10.26976/d.cnki.gchau. 2021.001367 doi: 10.26976/d.cnki.gchau. 2021.001367
11	张光南，钟俏婷，杨清玄. 交通违法事故时空分布特征及其影响因素：以广州市为例［J］. 交通运输系统工程与信息， 2019， 19（3）： 208-214. DOI：10.16097/j.cnki.1009-6744.2019.03.031 ZHANG G N， ZHONG Q T， YANG Q X. Temporal-spatial characteristics and influencing factors of at-fault traffic crashes： A case study in Guangzhou［J］. Journal of Transportation Systems Engineering and Information Technology， 2019， 19（3）： 208-214. DOI：10.16097/j.cnki.1009-6744. 2019.03.031 doi: 10.16097/j.cnki.1009-6744. 2019.03.031
12	LEVINE N， KIM K E， NITZ L H. Spatial analysis of Honolulu motor vehicle crashes： II. Zonal generators［J］. Accident Analysis & Prevention， 1995， 27（5）： 675-685. DOI：10.1016/0001-4575（95）00018-u doi: 10.1016/0001-4575（95）00018-u
13	FLAHAUT B. Impact of infrastructure and local environment on road unsafety： Logistic modeling with spatial autocorrelation［J］. Accident Analysis & Prevention， 2004， 36（6）： 1055-1066. DOI：10.1016/j.aap.2003.12.003 doi: 10.1016/j.aap.2003.12.003
14	ERDOGAN S. Explorative spatial analysis of traffic accident statistics and road mortality among the provinces of Turkey［J］. Journal of Safety Research， 2009， 40（5）： 341-351. DOI：10.1016/j.jsr. 2009. 07.006 doi: 10.1016/j.jsr. 2009. 07.006

[1]	陈万隆, 冯友建. 基于铁路客运视角的长三角区域网络结构研究[J]. 浙江大学学报（理学版）, 2021, 48(5): 606-616.
[2]	吴小君, 方秀琴, 苗月鲜, 王凯, 庞婵云. 基于Landsat的合肥市城市扩张研究[J]. 浙江大学学报（理学版）, 2017, 44(6): 631-639.
[3]	赵涛涛, 白建军, 尚忠慧. 基于BP神经网络的陕西省县域乡村性分异研究[J]. 浙江大学学报（理学版）, 2016, 43(2): 203-210.
[4]	. 基于探索性空间数据分析的安吉县水土流失时空变异规律研究[J]. 浙江大学学报（理学版）, 2011, 38(6): 708-715.

Viewed

Full text

Abstract

Cited

Shared

Discussed