叢浩哲，王俊驊，方守恩，童世鑫

（1.同濟大學(xué) 道路與交通工程教育部重點實驗室，上海201804；2.公安部道路交通安全研究中心，北京100062）

則生存函數(shù)為S（t）＝1－F（t）＝P（T ≥t）.那么，當(dāng)一起交通事件已經(jīng)持續(xù)了時間t，在后續(xù)時間Δt結(jié)束的概率表示為條件概率P（t≤T≤t＋Δt｜T≥t）.此條件概率可以刻畫為風(fēng)險率

高速公路的擁堵與交通安全問題已經(jīng)成為我國高速公路交通管理面臨的嚴峻考驗.高速公路突發(fā)的交通事件不僅會引發(fā)不同程度的交通擁擠，而且容易導(dǎo)致交通事故及二次事故的發(fā)生，是道路交通管理的主要影響因素.交通事件的快速處置對于交通事故的快速救援，交通擁堵的及時疏導(dǎo)，交通安全隱患的有效排除具有重要意義.

交通事件持續(xù)時間是交通事件管理系統(tǒng)中的一項重要決策依據(jù)，是實現(xiàn)先進的突發(fā)交通事件管理和駕駛員信息服務(wù)的基礎(chǔ).交通事件持續(xù)時間的預(yù)測能夠幫助道路交通管理人員確定最佳的緊急救援方案、交通管控措施和安全隱患排除對策，從而有效地減少交通延誤，減少交通運行風(fēng)險，提高交通事件管理的水平.目前，道路交通事件持續(xù)時間預(yù)測方法主要包括：狀態(tài)概率，回歸分析［1］，時間序列，決策樹［2］，非 參 數(shù) 回 歸，模 糊 邏 輯［3］，危 險 分 析［4］等方法.然而，國外相關(guān)研究缺乏具體分析過程.考慮了我國道路條件、車輛性能及管理體制等方面的差別，亟需對我國交通事件的持續(xù)時間特征進行深入分析，并構(gòu)建符合國情的預(yù)測模型.

本文就某高速公路交通事件管理系統(tǒng)中記錄的3年交通事件信息進行數(shù)據(jù)統(tǒng)計處理，對交通事件持續(xù)時間的隨機分布進行了多種擬合分析和分布檢驗，然后構(gòu)建了基于對數(shù)邏輯斯特分布的交通事件持續(xù)時間加速消散模型，最后對模型預(yù)測分析的效果進行了檢驗.

1 交通事件持續(xù)時間分布擬合

本文研究的高速公路交通事件屬狹義的交通事件范疇，是指偶然發(fā)生的交通事件并影響交通流的正常運行，如車輛碰撞、刮擦、拋錨、炸胎、車輛著火及散落物等.交通事件持續(xù)時間的定義通常是指交通事件從發(fā)生到消除事件地點中所有事件痕跡的時間.美國《道路通行能力手冊》將交通事件持續(xù)時間分為4個階段：事件檢測時間，事件響應(yīng)時間，事件清理時間和交通恢復(fù)時間.

關(guān)于交通事件持續(xù)時間分布的研究，Golob 等人研究了加州洛杉磯地區(qū)高速公路涉及卡車的事故數(shù)據(jù)，發(fā)現(xiàn)其持續(xù)時間服從對數(shù)正態(tài)分布［5］.同時，Jones等人分析了西雅圖地區(qū)的事件數(shù)據(jù)，發(fā)現(xiàn)其服從對數(shù)邏輯斯特分布［6］，而Nam 等人發(fā)現(xiàn)某些事件持續(xù)時間服從威布爾分布［2］.總之，這些分布的共同特點是分布曲線都向左偏移，持續(xù)時間較短的事件比例大，符合實際情況.

1.1 事件持續(xù)時間數(shù)據(jù)總體描述

本文數(shù)據(jù)來源于浙江省某高速公路2006—2008年監(jiān)控中心接處警系統(tǒng)記錄的1 198條交通事件信息.該高速公路為單向4 車道，全長78km，設(shè)計車速120km·h－1.系統(tǒng)中記錄的交通事件開始時間是接到報警的時間，結(jié)束時間是事件清理結(jié)束時間，沒有記錄交通事件實際發(fā)生時刻和事件清除完成到道路恢復(fù)正常交通狀況的時間.因此本文研究的交通事件持續(xù)時間實質(zhì)上只包含了事件響應(yīng)時間和事件清理時間2個主要階段.用于分布擬合的交通事件持續(xù)時間樣本總體描述如表1所示.

表1 交通事件持續(xù)時間樣本總體描述Tab.1 Sample summaries of incident duration

1.2 事件持續(xù)時間的分布擬合

事件持續(xù)時間屬連續(xù)型隨機變量，為了進行分布特征分析，需要進行分組后計算每組中事件出現(xiàn)的頻數(shù)，從而形成對應(yīng)的頻數(shù)分布直方圖，橫軸表示數(shù)據(jù)分組，縱軸表示頻率.事件持續(xù)時間的分布可以通過概率密度函數(shù)進行描述，記作f（t），如圖1 所示.本文采用正態(tài)分布、對數(shù)正態(tài)分布、威布爾分布和對數(shù)邏輯斯特分布對事件持續(xù)時間進行分布擬合.

圖1 交通事件持續(xù)時間分布擬合Fig.1 Fitting distribution of incident duration

1.3 分布擬合度檢驗

各種分布的參數(shù)以及K－S和A－D 檢驗的統(tǒng)計值和P值見表2，只有對數(shù)邏輯斯特分布通過了2種檢驗.本文事件持續(xù)時間服從對數(shù)邏輯斯特分布.

表2 交通事件持續(xù)時間分布的估計參數(shù)Tab.2 Estimated parameters of incident duration distribution

2 事件持續(xù)時間加速消散模型

本文對交通事件持續(xù)時間的預(yù)測引用的是統(tǒng)計學(xué)中的生存分析理論［7］.生存分析最早應(yīng)用于醫(yī)學(xué)，描述的是某個個體的生存時間，即病人從某一觀測時間點開始，直到死亡的時間.后應(yīng)用于工程和社會經(jīng)濟等領(lǐng)域，工程中稱為可靠性理論，社會學(xué)中稱為延時延誤模型.對于交通事件持續(xù)時間而言，不僅關(guān)心事件持續(xù)時間的分布及其回歸模型，而且關(guān)心事件已經(jīng)持續(xù)了一段時間，在后續(xù)一個較短的時間段內(nèi)結(jié)束的概率是多少.基于這種事件管理的需求，本文構(gòu)建了基于對數(shù)邏輯斯特分布的交通事件持續(xù)時間加速消散模型，能夠解決上述2種需求問題.

2.1 理論基礎(chǔ)

假設(shè)觀測時間足夠長，使得每一起交通事件的持續(xù)時間ti都能夠被精確地觀測到.同時，假設(shè)對于第i起交通事件，還知道與其持續(xù)事件ti相關(guān)的解釋性變量xi＝（xi1，…，xip）′.需要量化生存時間ti和解釋性變量xi之間的關(guān)系.交通事件持續(xù)時間是個非負隨機變量，因而需要對這個因變量ti作對數(shù)變換，構(gòu)造廣義線性模型

式中：β為回歸參數(shù)；wi是服從某種分布的殘差項，亦可以理解為在沒有協(xié)變量影響下的對數(shù)生存時間.該模型可以變形為

這說明，如果沒有協(xié)變量的影響，該個體的實際生存時間應(yīng)該為ti0.但是由于交通管控措施、救援清障措施等突發(fā)事件綜合管理的介入，致使交通事件的持續(xù)時間產(chǎn)生了一個加速消散的過程，其生存時間被“加速”為ti0exp（x′iβ）.因此，本文稱此模型為交通事件的快速消散模型.

2.2 交通事件解釋性變量總體描述

首先對文字的記錄信息進行數(shù)字化處理，該記錄信息中包含各類事件的以下條目：周天、天氣、報警時間、報警類型、到達現(xiàn)場時間、事件類型、占用車道數(shù)、涉及車輛數(shù)、大車數(shù)、受傷人數(shù)、死亡人數(shù)、最先到達現(xiàn)場的車輛、救援車輛數(shù)以及事件持續(xù)時間.經(jīng)數(shù)字化后的交通事件數(shù)據(jù)字段及變量說明見表3，其中類型C表示連續(xù)型變量，共7項；D 表示離散型變量，共7項.然后將數(shù)字化后的1 198條事件信息組成的總體樣本（完整數(shù)據(jù)樣本），隨機抽取900 條（約占總數(shù)75%）事件信息組成建模樣本組，剩余的298條事件信息組成模型檢驗樣本組.同時，事件記錄信息中另有部分樣本缺失了事件持續(xù)時間，但交警到場時間、事發(fā)車輛靠邊時間可以作為補充信息.即使這種右截斷（right censored）數(shù)據(jù)無法給出事件確切的結(jié)束時間，但是能夠說明事件至少存在了多長時間.為了驗證加速消散模型可以接受缺失數(shù)據(jù)，將建模樣本分成2組，第1組是完整數(shù)據(jù)建模樣本，包含900條事件信息；第2組是完整數(shù)據(jù)樣本和缺失數(shù)據(jù)樣本共同組成的建模樣本，包含900條完整數(shù)據(jù)和336條缺失數(shù)據(jù)，共計1 236條事件信息.在第2組建模樣本數(shù)據(jù)中增加能夠區(qū)分完整數(shù)據(jù)和右截斷數(shù)據(jù)的事件狀態(tài)字段，1表示結(jié)束，即完整數(shù)據(jù)，0表示未結(jié)束，即右截斷的缺失數(shù)據(jù).完整數(shù)據(jù)建模樣本用來構(gòu)建加速消散模型和傳統(tǒng)多元線性回歸模型，含缺失數(shù)據(jù)樣本用來構(gòu)建可接受缺失數(shù)據(jù)的加速消散模型.

表3 交通事件數(shù)據(jù)字段及變量解釋Tab.3 Fields and variables explanation of incident data

2.3 加速消散模型的構(gòu)建

假定事件持續(xù)時間T的連續(xù)概率密度函數(shù)為f（t），其分布函數(shù)

則生存函數(shù)為S（t）＝1－F（t）＝P（T≥t）.那么，當(dāng)一起交通事件已經(jīng)持續(xù)了時間t，在后續(xù)時間Δt結(jié)束的概率表示為條件概率P（t≤T≤t＋Δt｜T≥t）.此條件概率可以刻畫為風(fēng)險率

令σ＝1／p，δi＝1代表事件狀態(tài)為結(jié)束，δi＝0代表事件狀態(tài)為截斷數(shù)據(jù)（缺失數(shù)據(jù)）.同時，令

記wi的密度函數(shù)和生存函數(shù)為f（wi）和S（wi），那么lnti的密度函數(shù)和生存函數(shù)為

基于樣本（D代表樣本數(shù)據(jù)）的對數(shù)似然函數(shù)為

通過極大化該似然函數(shù)估計，并進行似然比檢驗.

在加速消散模型構(gòu)建的過程中，解釋性變量的選取也是一個關(guān)鍵問題.高速公路交通事件影響因素很多，如果在回歸方程中忽略了對因變量顯著影響的自變量，所建立的預(yù)測方程與實際就會有很大偏離，但變量選擇過多，使用就不方便.因此，適當(dāng)?shù)剡x擇變量來建立一個最優(yōu)的回歸方程十分重要，常用的方法有：一切子集回歸法、前進法、后退法及逐步回歸法等.本文采用逐步回歸函數(shù)進行變量選擇，并使得AIC（akaike information criterion）值最小時的變量組合為最佳.最優(yōu)選擇變量為：報警時間段，交警到達現(xiàn)場時間，事件類型，占用車道數(shù)，大車總數(shù)，涉及車輛總數(shù)，死亡人數(shù)及救援車輛數(shù)等8個變量.利用2組建模樣本構(gòu)建的3種模型參數(shù)見表4.需要解釋的是，模型截距項的含義是指報警時間為白天非高峰時段，到場時間在15 min以內(nèi)，事件類型是追尾的交通事件持續(xù)時間預(yù)測的基準參照系數(shù)，其他類型的交通事件預(yù)測都是在此截距的基礎(chǔ)上計算得到的.

表4 交通事件持續(xù)時間加速消散模型參數(shù)表Tab.4 Estimated results of AFT model for incident duration with or without missing data VS linear model

由表4可以看出，傳統(tǒng)的多元線性模型截距項沒有通過顯著性檢驗，而加速消散模型的截距項則通過了顯著相關(guān)的檢驗.另外，若以顯著水平為0.05為界，加速消散模型的參數(shù)有13項通過了顯著性檢驗，而線性模型只有9項通過了顯著性檢驗.出于截距項是基準參照系數(shù)的考慮，加速消散模型總體上優(yōu)于線性模型.加速消散模型可以針對不同的分布構(gòu)建相應(yīng)的極大似然函數(shù)，產(chǎn)生新的生存函數(shù)，來接受不同的擬合分布，同時加速消散模型當(dāng)接受了包含缺失數(shù)據(jù)的部分信息后，模型參數(shù)的整體顯著水平有了一定的提高，在模型的推廣應(yīng)用方面具有很好的可移植性和魯棒性，這也是傳統(tǒng)線性模型無法實現(xiàn)的.

根據(jù)構(gòu)建的加速消散模型可以發(fā)現(xiàn)，交通事件持續(xù)時間的主要影響因素分別是報警時間（夜間）、到場時間（＞30min）、占用車道數(shù)、大車總數(shù)、死亡人數(shù)及救援車輛數(shù)，這些因素的增多都會導(dǎo)致事件持續(xù)時間的延長.在事件類型中持續(xù)時間相對較長的是追尾（對應(yīng)截距項的系數(shù)）、翻車、撞中間護欄、著火.相比之下，車輛拋錨、炸胎及散落物等單純的清障事件要比交通事故的持續(xù)時間短（系數(shù)為負值）.因此，從事件管理的角度分析，建議提高夜間事件的管理水平，加強夜間值班聯(lián)動及其裝備，重視早晚高峰時段交通事件的快速處置.爭取在接到報警后15min內(nèi)到達現(xiàn)場，最遲不要超過30min.重點加強對車輛著火、翻車、追尾等交通事故的快速處置水平，完善應(yīng)急處置預(yù)案.針對不同事件類型和占用車道情況，縮短事發(fā)車輛靠邊時間，在減少影響車道數(shù)的同時，加快事件的快速處置.加強涉及大貨車和大客車的交通事件的處置，提高救援車輛（如拖車、駁車、吊車、救護車等）的資源優(yōu)化分布及快速反應(yīng)水平，實現(xiàn)高效的救援組織方式.根據(jù)事件的嚴重程度（尤其是重大傷亡事故），配置合理的處置裝備，達到與救援和清障為目的的最優(yōu)化匹配物資，在滿足有效救援和清障的前提下，減少事件的持續(xù)時間.

3 模型效果檢驗

為了檢驗?zāi)Ｐ偷男Ч?，現(xiàn)在用298條事件信息組成模型檢驗樣本組對3種模型的預(yù)測效果進行檢驗和對比分析.以事件類型為例，來說明模型預(yù)測效果.由圖2可以看出，加速消散模型對追尾、翻車、撞中間護欄、炸胎、著火的事件持續(xù)時間預(yù)測效果最好，平均預(yù)測誤差在2～9min，而車輛撞邊護欄和炸胎的預(yù)測精度相對較低.當(dāng)加速消散模型融入了缺失數(shù)據(jù)的部分信息后，該模型的預(yù)測精度也有了進一步的提高.3種模型中，含缺失數(shù)據(jù)樣本的加速消散模型總體預(yù)測精度最高.

圖2 事件實際持續(xù)時間與預(yù)測持續(xù)時間的對比Fig.2 Actual mean value VS predicted mean value of incident duration

另外，加速消散模型可以計算出持續(xù)時間的累計結(jié)束概率.例如已知事件持續(xù)時間為t，可以預(yù)測出其在下一個較短的時間間隔Δt后結(jié)束的概率是多少.根據(jù)事件的累積風(fēng)險函數(shù)可以算出全部事件類型對應(yīng)的累積風(fēng)險概率，如圖3 所示.受篇幅所限，不再列表顯示不同時間間隔的累積結(jié)束概率值.圖中累積結(jié)束概率曲線上“＋”符號代表的是缺失數(shù)據(jù)對累計結(jié)束概率的貢獻點.

4 結(jié)論

本文就某高速公路3年的交通事件持續(xù)時間的隨機分布進行了多種擬合分析和分布檢驗，發(fā)現(xiàn)事件持續(xù)時間服從對數(shù)邏輯斯特分布，此分布特征適用于我國東部平原區(qū)的高速公路交通事件持續(xù)時間的總體分布擬合.在此基礎(chǔ)之上，構(gòu)建了基于對數(shù)邏輯斯特分布的交通事件持續(xù)時間加速消散模型，模型的檢驗效果表明，能夠接受缺失數(shù)據(jù)的加速消散模型很好地預(yù)測了交通事件持續(xù)時間，可以滿足事件管理對于事件持續(xù)時間預(yù)測的需要.今后，需要對模型在不同事件特征情況下的分布分別擬合，引入不同持續(xù)時間段記錄的缺失數(shù)據(jù)進行驗算，以便對模型的可移植性和魯棒性作更好的證明和檢驗.

［1］ Garib A，Rawan A E，Al－Deek H.Estimating magnitude and duration of incident delays［J］.Journal of Transportation Engineering，1997，123（6）：459.

［2］ 姬楊蓓蓓.交通事件持續(xù)時間預(yù)測方法研究［D］.上海：同濟大學(xué)交通運輸工程學(xué)院，2008.JIYANG Beibei.Research on prediction method of traffic incident duration［D］.Shanghai：Tongji University.College of Transportation Engineering，2008.

［3］ CHOI Hoikyun.Predicting freeway traffic incident duration in an expert system context using fuzzy logic［D］.Los Angeles：University of Southern California.School of Urban Planning and Development，1996.

［4］ Nam，Doohee，F(xiàn)red Mannering.An exploratory hazard－based analysis of highway incident duration［J］.Transportation Research Part A，2000，34（2）：85.

［5］ Golob，Thmas F，Wilfred W Recker，et al.An analysis of the severity and incident duration of truck－involved freeway accidents［J］.Accident Analysis ＆Prevention，1987，19（4）：375.

［6］ Jones，Bryan，Lester Janssen，et al.Analysis of the frequency and duration of freeway accidents in Seattle［J］.Accident Analysis ＆Prevention，1991，23（4）：239.

［7］ Greene H.Econometric analysis［M］.5th ed.Englewood Cliffs：Prentice Hall，2002.