考虑抵达时间成本的道路交通事故风险评估方法
1.
2.
3.
A road traffic accident risk assessment method considering the arrival time cost
1.
2.
3.
通讯作者:
收稿日期: 2022-08-01 修回日期: 2023-05-19 接受日期: 2023-05-30
基金资助: |
|
Received: 2022-08-01 Revised: 2023-05-19 Accepted: 2023-05-30
作者简介 About authors
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:
关键词:
Keywords:
本文引用格式
孙克染, 王颖志, 张丰, 刘仁义.
SUN Keran, WANG Yingzhi, ZHANG Feng, LIU Renyi.
0 引 言
交通工具的发展和道路的不断完善为人类提供便捷的同时,也面临更加复杂的交通状况与更加严峻的交通风险。根据国家统计局的相关数据,2020年,全国共发生道路交通事故244 674起,造成61 703人死亡、250 723人受伤,直接财产损失13.1亿元[1]。针对这一情况,国家有关部门出台了针对性政策,防范的侧重点聚焦于完善法律法规、驾驶员教育培训等方面,对执法人员的指导和意见相对较少,忽视了与道路强相关的环境设施。
当前对道路交通事故风险的研究主要有2种思路。一种是基于道路交通事故相关影响因素,如人、车、环境、时间等,借助统计分析、数据挖掘等方法,寻找道路交通事故与影响因素之间的强关联规则,从而挖掘道路交通事故发生的原因。王长君等[2]系统分析了由重点违法行为导致的交通事故数据,归纳了各类违法行为对事故发生的贡献;刘林才等[3]利用零截尾负二项模型,对10类交通违法行为与3类事故间的关系进行建模,获得了较高的预测精度,发现了不同违法行为可能导致的不同事故类型;朱彤等[4]构建了考虑均值与方差异质性的随机参数零膨胀泊松模型,郭淼等[5]通过构建逻辑回归算法模型发现,不同类型的违规行为对于驾驶员事故频率的影响存在明显区别。同时,不少研究采用Apriori算法[6-7]、XGBoost算法[8]、GM(1,N)的时间序列方法[9]、Bi-LSTM预测方法[10]等机器学习、深度学习方法对交通事故进行分析和预测。这种研究思路在一定程度上可以分析事故诱因、预测事故的发生概率,但是往往会忽略或者压缩事故的空间属性,对事故风险的空间定位能力有限。
另一种聚焦于交通事故的空间分布特征。利用空间聚类方法[11]、空间滞后回归模型[12]、空间Logistic模型[13]、地理加权回归模型[14-15]等,充分考虑各影响因素之间的地理关联性,对道路交通事故风险的空间分布有相对较好的解释。黄晓丽等[16]利用灰色关联分析法确定指标权重,运用模糊综合评价法定量计算风险值,并将其应用于我国31个省,总结了我国道路交通安全风险在省级尺度上的分布特点;蔡晓禹等[17]分析了异常驾驶行为高发位置与道路交通事故发生位置的关联性,提出了基于改进熵权法的道路交通安全熵计算方法,验证了道路交通安全熵与由交通事故表征的道路交通安全状态的趋势一致,并将该方法用于标定道路事故风险等级。然而,这些研究大多忽略了道路交通事故与道路之间的强关联性,虽也有少量研究考虑了道路网络,但只是简单地将道路网络距离作为空间距离进行建模[18],忽略了道路本身的属性,例如忽略了通行方向、限速、道路级别、桥梁和隧道等因素,造成道路模型不够准确和完善。
本文在既有研究基础上,提出一种基于抵达时间成本的网络地理加权回归建模方法,以某市为研究区域,结合道路网络、交通违法、城市POI等数据,对城市道路交通事故进行回归建模,从而挖掘出需重点排查、监管、整治的交通事故高风险区域,进一步为有关部门的工作提供数据支持,尽可能有效降低道路交通事故发生率。
1 研究区概述
选取我国某典型县级市作为研究区(图1),该市陆地面积699.92 km2,总面积863 km2,市辖4个街道、8个镇,常住人口107万。该市交通网络发达,全长1 694.0 km,其中国道7.5 km,省道59.7 km,县道328.5 km。对外依托“三横四纵十六互通”的高速公路体系,对内形成市域“一环两横三纵四连”的快速路体系。市区内道路交错纵横,郊区交通网络密布,随着驾驶人和车辆数的增加,交通出行压力与日俱增,交通隐患日渐凸显,为该市道路交通管理和执法工作带来了巨大的挑战。
图1
图1
研究区范围与主要道路示意
Fig.1
Map of the administrative scope and main roads of the research area
2 数据与方法
2.1 数据来源
行政区边界数据来自全国地理信息资源目录服务系统1∶100万全国基础地理数据库(
2.2 研究方法
2.2.1 道路交通事故风险建模方法
为了区分不同风险程度的交通事故,交管部门常用死亡人数、重伤人数、轻伤人数和直接财产损失作为评定指标,量化事故风险,故选用“道路交通事故当量死亡人数计算模型”[19],计算式为
其中
参照《公路交通事故多发点段分类参考标准》,2018—2020年道路交通事故风险类别如表1所示。
表1 道路交通事故风险类别
Table 1
道路交通事故 风险类别 | 250 m道路分段当量 死亡人数之和/人 |
---|---|
一类 | >5.5 |
二类 | (3.5,5.5] |
三类 | (1.5,3.5] |
由表1,以250 m为单位,对城市通行道路网络分段,将每一分段作为一个最小分析单元,道路分段的中心点作为当前分析单元在网络中的位置,用于计算与其他分析单元之间的空间距离。
2.2.2 通行时间成本网络建模方法
道路交通事故与道路具有强关联性,因此对道路交通事故的空间建模以道路作为强约束是合理且必要的。最基本的道路网络建模是将道路网络视作无向图,将网络距离视作道路中的空间距离[12],这种建模方式可以便捷地将事故发生位置限制在道路上,但忽略了道路本身的特性。
图2展示了道路交通事故风险在双向四车道上传播的示意图,可知,点位1的风险可直接沿道路行车方向传播至点位2,但由于受通行方向的限制,点位2的风险无法逆向传播至点位1,需沿着道路行车方向绕行其他道路才可能对点位1产生影响。可以说,(1) 交通事故风险在道路上的传播是有方向性的,且与道路行车方向一致,距离越大,影响越小;(2) 由于不同道路的限速要求不同,事故风险在不同道路上的传播速度也不同,因此使用通行时间成本作为传播距离是相对合理的。综上,研究道路上某位置的事故风险可以关联发生在其附近的事故,这些事故对当前位置的影响权重与这些事故点位抵达当前位置的道路通行时间成本强相关。为此,需根据道路实际通行情况,建立道路通行时间成本网络数据集,参数信息如表2所示。
图2
图2
道路交通事故风险在道路上的传播示意
Fig.2
The spread of road traffic accident risk on the road
表2 道路通行时间成本网络数据集参数
Table 2
网络数据集字段类型 | 说明 | 算法 |
---|---|---|
成本 | 近似通行时间成本 | |
限制 | 单行限制 | B/F |
近似通行时间成本是对某条道路最快通过时间的近似表达,其计算式为
其中
表3 不同类型道路的平均单向车道数和平均限速
Table 3
道路类型 | 平均单向车道数 | 平均限速/(km·h-1) |
---|---|---|
高速公路 | 4 | 100 |
国道(穿越城市) | 3 | 50 |
省道(穿越城市) | 3 | 50 |
县道(穿越城市) | 2 | 50 |
乡镇村道 | 1 | 20 |
市区一级道路 | 4 | 60 |
市区二级道路 | 3 | 40 |
其他道路 | 2 | 25 |
2.2.3 时间成本网络地理加权回归建模方法
线性回归是统计分析中的重要方法,传统的多元线性回归通常假定回归区域的变量关系是一致且平稳的,而这与实际存在的空间异质性不符。在地理学领域,常用地理加权回归(geographically weighted regression,GWR)方法解决此问题,GWR容许直接模拟不平稳的数据,用邻近数据的观测值估计局部回归,此变量随空间位置的变化而变化。如果将GWR中的空间距离替换为成本网络距离,则为成本网络地理加权回归(cost network geographically weighted regression,CNGWR),CNGWR模型为
其中,
通过数学变换,将定义式改写为矩阵式:
其中,
其中,
带宽对CNGWR模型非常重要,其大小直接影响CNGWR模型的空间变化。带宽越大,越趋向于普通多元线性回归;带宽越小,回归的空间异质性越大。针对样本点分布不均的情况,常选用适应型带宽,即选取最近的固定数量样本点参与回归,其适用于交通事故的分析场景,故选用适应型带宽参与建模,最近样本点数通过赤池信息准则确定,当CNGWR模型的赤池信息准则最小时,带宽最佳。
针对道路交通事故风险进行建模,相关变量包括城市各类交通违法数据与部分相关城市POI数据,详见表4。利用违法数据中的空间位置信息,归结到违法行为发生的路段,汇总得到各类交通违法数量。
表4 回归模型变量
Table 4
变量 类型 | 英文标识 | 符号 | 说明 |
---|---|---|---|
因变量 | De | Y | 当量死亡人数 |
自变量 | battle | X1 | 争抢类违法数量 |
drinks | X2 | 影响驾驶行为违法数量 | |
reverse | X3 | 逆向行驶违法数量 | |
overspeed | X4 | 超速行驶违法数量 | |
signal | X5 | 违反交通信号违法数量 | |
car | X6 | 1 km内汽车服务设施数量 | |
entertainment | X7 | 1 km内娱乐服务设施数量 | |
food | X8 | 1 km内餐饮服务设施数量 | |
traffic | X9 | 1 km内交通设施数量 |
基于抵达时间的CNGWR模型对道路交通事故风险的评估流程如图3所示。
图3
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
Fig.3
Flow chart of road traffic accident risk assessment based on arrival time CNGWR model
3 结果与分析
3.1 网络地理加权回归结果
在建模前,对变量进行多重共线性检验,结果见表5。可知,平均方差膨胀系数(VIF)为4.346,故自变量之间的多重共线性不显著,可以同时作为多元回归的自变量。
表5 多重共线性检验结果
Table 5
自变量 | VIF |
---|---|
X1 | 1.007 |
X2 | 1.218 |
X3 | 1.565 |
X4 | 1.009 |
X5 | 1.522 |
X6 | 2.065 |
X7 | 14.393 |
X8 | 12.294 |
X9 | 4.038 |
采用基于抵达时间的CNGWR模型,对研究区道路网络事故危害性进行建模,赤池信息准则和最佳带宽见表6。
表6 最佳带宽和赤池信息准则
Table 6
指标 | 数值 |
---|---|
赤池信息准则 | 1.599 7 |
最佳带宽(适应型) | 3 |
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
Table 7
回归模型 | 预测值平均 相对误差/% |
---|---|
全局线性回归模型 | 155.32 |
欧氏距离地理加权回归模型 | 67.35 |
基于抵达时间的CNGWR模型 | 16.94 |
3.2 道路交通事故风险分析
3.2.1 道路交通事故风险时空分布
根据评估结果,绘制研究区道路交通事故风险分布图(图4),可以发现,研究区道路交通事故高风险路段主要呈“市中心密集,市郊散布”的分布形式。根据高风险路段的分布特点,选定交通事故高风险区域。
图4
图4
研究区道路交通事故风险分布
Fig.4
Distribution of road traffic accident risk in the research area
区域1位于市中心,服务配套相对集中、交通压力相对较大,其涵盖范围较大,东至环城东路,西至县道X103,向北以由拳路、硖川路为界,向南以江南大道为界。其中海昌南路、水月亭路沿线风险最大,尤其是海昌南路-钱江西路路口、海昌南路-水月亭西路路口,风险等级最高。此外,城南公园前、硖川路中段、前江南路-文宗南路路口等位置的交通事故风险较高。
位于城西的区域2的高风险路段主要集中在杭沪复线东西大道俞车潭段和费家埭段,坝天桥与天明桥交会路口、许村中学附近交通事故风险也较高。
其他的道路交通事故高风险路段分布相对分散,高风险区覆盖范围相对较小,这些散在的高风险区大多由偶见的单次重大交通事故引起。其中相对突出的高风险区有安康线沿线陈李场、西孙家堰区段的各个路口以及马嘴浜转弯区(区域3)、苏绍高速公路西侧荆山大道-荆木路路口(区域4)、李家弄附近塘南路与丰联路交会路口(区域5)、县道X710硖尖线与育才路交会路口附近(区域6)等。
3.2.2 道路交通事故风险影响因素分析
根据回归分析原理,可通过影响因素的回归系数判断其对道路交通事故风险的贡献程度,对各因素的回归系数进行地图可视化,分析道路交通风险的主要影响因素。
图5
图5
研究区市中心道路交通事故高风险点位分布
Fig.5
Distribution of road traffic accident high risk point in the center of the research area
图6
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
Fig.6
The regression coefficient of each influencing factor of road traffic accident risk in the center of the research area
分析各点位的影响因素贡献。点位1位于水月亭路与赵家漾路的交会路口,是2条主干道的交会处,车流量大。除了餐饮、汽车服务设施对点位1的事故贡献之外,水月亭路附近违反交通信号的违法行为也对其有明显影响。如图7(a)所示,点位1受周边餐饮服务的影响最显著,其次是汽车服务设施与违反交通信号的违法行为,需重点监督点位1的闯红灯行为,同时关注周边餐饮行业的影响。
图7
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
Fig.7
Regression coefficient of influencing factors of some high-risk accident points in the center of the research area
点位2位于城南公园前的学林街部分路段,处于城市政治中心附近,受餐饮服务、违反交通信号违法行为的影响轻微显著,如图7(b)所示,除餐饮服务设施的回归系数超过1之外,其他因素对点位2交通事故风险的贡献相对微弱。排查该路口实际情况后发现,十字路口没有配备交通信号灯,仅有南北走向的路口设置了减速带。因此,针对点位2,应考虑加装交通信号设备,或派遣执法人员疏导交通秩序。
点位3所在区段处于海昌路沿线,自南向北与水月亭路、海马路、长埭路交汇,该高风险区段相对较长,受酒驾、违反交通信号和争抢类违法行为的影响相对显著,尤其是受违反交通信号违法行为的影响突出(图7(c)),需引起有关部门重视,排查交通信号的周期和设置是否存在不合理情况,并对违法行为做特别约束。此区段是市中心的主要道路,受市中心配套设施的影响,车流量大,应当作为重点监管区域。另外,海昌路与海马路交会路口没有交通信号装置,可能也是高事故风险的潜在因素之一。
点位4位于县道X103与联合路交会路口,是县道与城市主干道路的汇集路口,车速较高,车流量较大,虽然受违法行为的影响不显著,但是仍需控制和监察。与之类似的还有隆兴路与文苑路交会路口以及向北沿线(点位5)、文宗路与水月亭西路路口(点位6),虽然点位5和点位6的车流量和车速不及点位4大和高,但受城市服务设施影响较大。
点位7位于硖川路、由拳路与碧云北路交叉口前。此处路段是双向快车道,也是城市北部的重要交通要道,多条城市主干道路从此处分流,车速快、车流量大,易发生交通事故。局部路段受各类交通违法行为的影响较显著,有待执法部门重点关注。
4 结 论
提出了一种基于抵达时间成本的网络地理加权回归方法,并将其用于评价城市道路交通事故风险及其成因。基于2018—2020年某市交通事故、交通违法数据,以及相关的城市POI数据与道路数据,对道路交通事故风险进行量化评估并建模,对该市全域主要道路的交通事故风险与局部区域影响因素进行地图可视化,分析得到以下结论:
(1) 基于抵达时间成本的网络地理加权回归模型融合了交通事故风险在道路上传播的特点,能够有效评估交通事故风险,对交通事故高风险区的排查和影响因素的确认有较好的效果。
(2) 研究区道路交通事故高风险区在市中心区域集中分布,且范围较大,在非中心区域散在分布,且每个局部区域相对较小。
(3) 研究区交通违法、城市POI对道路交通事故风险影响的空间异质性较强,市中心交通违法对交通事故的影响呈局部地区显著,城市POI对交通事故的影响几乎全局显著。同时,存在部分由交通设施欠完备导致的交通事故高风险点位。
http://dx.doi.org/10.3785/j.issn.1008-9497.2024.02.002
参考文献
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]. ,
The assessment of road traffic safety risk based on grey relative and fuzzy comprehensive evaluation method
[J]. ,
基于驾驶行为和信息熵的道路交通安全风险预估
[J]. ,
Road traffic safety risk estimation based on driving behavior and information entropy
[J]. ,
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].
Research on Network Spatiotemporal Analysis and Multi-constraint Spatial Regionalization for Urban Traffic Collisions
[D].
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]. ,
Analysis of spatial distribution characteristics of road traffic accidents based on GIS: Taking Rizhao city, Shandong province as an example
[J]. ,
重点违法行为导致交通事故的数据分析
[J]. ,
Analysis of the road traffic fatalities caused by severe traffic violation
[J]. ,
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]. ,
Relationship between traffic violations and crashes based on zero-truncated negative binomial and generalized Poisson models
[J]. ,
公交驾驶员违规类型同交通事故间的关联分析
[J]. ,
Relational analysis between bus drivers' violation type and traffic accident
[J]. ,
基于驾驶行为和交通运行状态的事故风险研究
[J].,
Study on accident risk based on driving behavior and traffic operating status
[J]. ,
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]. ,
The causes analysis of traffic accident black spots based on improved interest measurement and Apriori algorithm
[J]. ,
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]. ,
Analysis of driver's cause of road traffic accident based on the national automobile accident in-depth investigation system
[J]. ,
基于ARIMA和XGBoost组合模型的交通事故预测
[J]. ,
On the ways to the traffic accident prediction based on the ARIMA and XGBoost combined model
[J]. ,
基于GM(1,N)的道路交通事故预测模型
[J]. ,
Forecast model for road traffic accidents based on GM(1,N) model
[J]. ,
基于Bi-LSTM的道路交通事故数预测研究
[D].
Research on Forecast of Road Traffic Accidents Based on Bi-LSTM
[D].
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]. ,
Temporal-spatial characteristics and influencing factors of at-fault traffic crashes: A case study in Guangzhou
[J]. ,
Spatial analysis of Honolulu motor vehicle crashes: II. Zonal generators
[J]. ,
Impact of infrastructure and local environment on road unsafety: Logistic modeling with spatial autocorrelation
[J]. ,
Explorative spatial analysis of traffic accident statistics and road mortality among the provinces of Turkey
[J]. ,
Application of geographically weighted regression technique in spatial analysis of fatal and injury crashes
[J]. ,
/
〈 | 〉 |