康國祥，方守恩

（同濟(jì)大學(xué) 道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室 上海200092）

交通事件（如交通事故、車輛拋錨、天氣狀況等）是造成高速公路交通擁堵的主要原因之一.一些研究表明［1－2］，高速公路交通事件引起的偶發(fā)性交通擁堵占總擁堵的50%～75%.實(shí)踐證明，交通事件造成的延誤大小在很大程度上取決于事件處理過程，事件發(fā)現(xiàn)時間、反應(yīng)時間以及清除時間越短，它對道路交通流的影響就越小.然而，對于交通管理者而言，最困難的一步是要預(yù)估交通事件的持續(xù)時間，預(yù)估準(zhǔn)確，才能有助于決定采取何種有效的管理措施和交通轉(zhuǎn)移策略.另外，預(yù)估準(zhǔn)確的交通事件持續(xù)時間信息的發(fā)布還可以使交通出行者改變行車路線或者重新規(guī)劃他們的出行計劃.

目前，最常用的事件持續(xù)時間預(yù)測方法是基于風(fēng)險分析 的 方 法［3－5］、回 歸 分 析 方 法［6－8］和 決 策 樹 方法［9－11］.基于風(fēng)險分析的交通事件持續(xù)時間預(yù)測是一種條件概率的方法，相比于其他研究方法，它可以更好地處理因事件結(jié)束時間刪失導(dǎo)致的信息殘缺數(shù)據(jù)，擴(kuò)大了可利用的交通事件數(shù)據(jù)的范圍，并且可以定量地分析觀察指標(biāo)的作用強(qiáng)度和方向.本文首先介紹了交通事件持續(xù)時間的定義和構(gòu)建基于風(fēng)險分析的持續(xù)時間預(yù)測模型，接著對所用數(shù)據(jù)進(jìn)行了描述，然后對建立的預(yù)測模型進(jìn)行參數(shù)估計和預(yù)測精度檢驗(yàn)，最后進(jìn)行了總結(jié)并提出了未來進(jìn)一步研究的建議.

1 基于風(fēng)險分析的交通事件持續(xù)時間預(yù)測模型

1.1 交通事件持續(xù)時間

交通事件持續(xù)時間是指從交通事件發(fā)生到交通恢復(fù)到正常狀態(tài)的總時間，可分為四個階段，如圖1所示.由于第四個階段是不可控制的變量，受各種因素的影響而變得比較復(fù)雜，并且在實(shí)際較難獲得關(guān)鍵信息，因此本文研究的交通事件持續(xù)時間僅包含前三個階段，即從事件發(fā)生至現(xiàn)場清除完畢，救援車輛離開時所經(jīng)歷的時間.

圖1 交通事件持續(xù)時間的四個階段Fig.1 Components of accident duration

1.2 模型的建立

基于風(fēng)險分析的持續(xù)時間是指從某個起始事件開始到某個終點(diǎn)事件發(fā)生所經(jīng)歷的時間，也稱失效時間.某個具體交通事件的持續(xù)時間是一個隨機(jī)變量，用T表示.基于風(fēng)險的持續(xù)時間模型就是采用條件概率的思想，分析一個已經(jīng)持續(xù)了tmin的事件在第t＋Δtmin結(jié)束的概率，這個條件概率h（t）被稱為風(fēng)險函數(shù)（Hazard Function，HF）.

基于風(fēng)險的持續(xù)時間模型可以通過四個函數(shù)來描述：分布函數(shù)F（t），概率密度函數(shù)f（t），生存函數(shù)S（t），風(fēng)險函數(shù)h（t）.四個函數(shù)之間的關(guān)系如下：

一次交通事件的持續(xù)時間為T，它小于一個定值t的 概率為F（t）：

F（t）是可微的，其概率密度函數(shù)為f（t），表示一次交通事件在t～t＋Δt這一微時段內(nèi)結(jié)束的概率，可表示為

生存函數(shù)S（t）表示一次交通事件持續(xù)時間長于t的概率，可表示為

風(fēng)險函數(shù)h（t）指t時刻仍未結(jié)束的交通事件在t時刻后一瞬間結(jié)束的概率，為條件概率，即交通事件持續(xù)了t時刻的條件下在t～t＋Δt這一微時段內(nèi)結(jié)束的概率，其表達(dá)式為

如果風(fēng)險函數(shù)的導(dǎo)數(shù)dh（t）／dt大于0，則風(fēng)險函數(shù)值隨時間的增加而增加，表示若事件尚未結(jié)束，則預(yù)示著事件會很快被清除；如果風(fēng)險函數(shù)值的導(dǎo)數(shù)dh（t）／dt小于0，則風(fēng)險函數(shù)值隨時間的增加而減小，預(yù)示事件可能仍將持續(xù)一段時間，不會立刻結(jié)束；如果風(fēng)險函數(shù)值的導(dǎo)數(shù)dh（t）／dt等于0，則說明事件結(jié)束時間的概率與時間變量無關(guān).

比例風(fēng)險（proportional hazard，PH）模型和加速失效時間（accelerated failure time，AFT）模型是兩種比較常用的基于風(fēng)險的持續(xù)時間預(yù)測方法.兩種方法都可以用來分析解釋變量對持續(xù)時間概率的影響，前者不需要對理論分布做任何假設(shè)，是一種半?yún)?shù)的估計方法，后者是一種參數(shù)估計方法，通常假定持續(xù)時間服從特定的參數(shù)分布，根據(jù)分布的特點(diǎn)對影響持續(xù)時間的變量進(jìn)行分析，常用的方法有指數(shù)分布法、Weibull（威布爾）分布法、Log－normal（對數(shù)正態(tài)）回歸分析法和Log－logistic（對數(shù)邏輯斯蒂）回歸分析法等.為了進(jìn)行持續(xù)時間預(yù)測，參數(shù)模型比半?yún)?shù)模型更為準(zhǔn)確.如圖2所示，將所用數(shù)據(jù)的概率分布圖與特定分布的概率圖進(jìn)行比較發(fā)現(xiàn)，Weibull分布比較結(jié)果呈線性關(guān)系.因此，Weibull AFT（威布爾加速失效時間）模型更為適合本文數(shù)據(jù)進(jìn)行交通事件持續(xù)時間的預(yù)測.

除已引入變量外，由于持續(xù)時間的影響因素較多，故引入異質(zhì)性參數(shù)γ，以驗(yàn)證是否仍存在未知因素可能會對風(fēng)險函數(shù)形狀及其協(xié)變量系數(shù)產(chǎn)生較大影響，一般假設(shè)γ服從Gamma分布.考慮Gamma異質(zhì)性的Weibull AFT模型的風(fēng)險函數(shù)表達(dá)式為

式中：P為形狀參數(shù)，決定分布函數(shù)的形態(tài)，當(dāng)P＝1時，危險率是常數(shù).當(dāng)P＞1時，危險率隨時間增大而增大，P＜1時危險率隨時間增大而減?。沪藶槌叨葏?shù)，決定分布函數(shù)的分散度，尺度參數(shù)λ＝exp（β0＋βX1＋…＋βmXm），Xi（i＝1，2，…，m）為危險因素，β0為截距，βi為危險因素的回歸系數(shù)；θ是異質(zhì)性參數(shù)γ的方差，當(dāng)不存在異質(zhì)性時，即不存在未知因素對模型產(chǎn)生較大影響，θ值接近于0.

2 數(shù)據(jù)描述

所使用數(shù)據(jù)來源于浙江省嘉興市高速公路應(yīng)急救援指揮中心管理系統(tǒng)，該中心承擔(dān)著轄區(qū)內(nèi)高速公路上交通事件的報警、求助、施救、投訴、信息發(fā)布等工作，并詳細(xì)記錄高速公路養(yǎng)護(hù)、交通事件處置等相關(guān)信息.選擇與目前處理事件的條件差異不大的數(shù)據(jù)來標(biāo)定模型，以減少數(shù)據(jù)的離散性，避免了由于數(shù)據(jù)離散本身對模型精度的影響.所分析的交通事件數(shù)據(jù)是2006—2008年近3年雙向8車道高速公路上發(fā)生的交通事件，見表1，選取了1 327組有效數(shù)據(jù)進(jìn)行研究，將樣本隨機(jī)分為兩部分，一部分用于風(fēng)險模型的標(biāo)定，標(biāo)定數(shù)據(jù)為1 062個，占樣本總數(shù)的80%，另一部分驗(yàn)證風(fēng)險模型，共265個數(shù)據(jù)，占樣本總數(shù)的20%.

表1 用于標(biāo)定和驗(yàn)證的交通事件數(shù)據(jù)的描述性統(tǒng)計Tab.1 Descriptive statistic of traffic incident data for validation and calibration

每組數(shù)據(jù)由事件的持續(xù)時間和可能影響事件持續(xù)時間的因素構(gòu)成，這些因素大致分為以下幾類：事件時間信息，如發(fā)生時刻、日、月、刪失狀態(tài)；事件基本信息：事件類型、涉及車輛類型、嚴(yán)重程度（如涉及車輛數(shù)量、人員死亡和受傷人數(shù)）、發(fā)生位置；環(huán)境狀況，如天氣、道路表面狀況、工作區(qū)、是否有車輛?？吭诼芳?；事件信息來源，如報警人類型；救援車輛信息，如是否需要救護(hù)車、牽引車、吊車等.由于影響因素較多，只有那些更直觀、更易獲得的顯著信息才會被用到模型構(gòu)建當(dāng)中.取顯著水平α＝0.05，通過影響因素顯著性分析最終獲得除刪失狀態(tài)外的15個顯著因素（P＜0.05），而刪失狀態(tài)僅作為狀態(tài)變量引入，不作為影響因素考慮，見表2，并將這15個因素作為初始變量進(jìn)行模型的參數(shù)估計.

表2 交通事件持續(xù)時間的顯著影響因素Tab.2 Significant influence factors of traffic incident duration

3 模型的估計和檢驗(yàn)

運(yùn)用上述基于風(fēng)險分析的方法，利用R軟件進(jìn)行Weibull AFT持續(xù)時間模型的參數(shù)估計，結(jié)果見表3.從表3中可以看出：

（1）形狀參數(shù)P＞1（P＝1.809 4），這表明危險率隨時間增大而增大，見圖3.θ值接近于零，說明不存在未知因素對模型參數(shù)和風(fēng)險函數(shù)產(chǎn)生較大影響.

（2）只有截距、變量如夜晚、報警人類型、事件類型、占用車道數(shù)、涉及車輛數(shù)、人員死亡、救護(hù)車、牽引車、吊車、駁載車、涉及貨車對持續(xù)時間影響有非常顯著性意義，其他變量均無顯著性（顯著性水平取α＝0.05）.

表3 考慮gamma異質(zhì)性的Weibull AFT持續(xù)時間模型估計結(jié)果Tab.3 Estimated results of Weibull AFT model for incident duration with gamma heterogeneity

圖3 Weibull AFT持續(xù)時間模型風(fēng)險函數(shù)圖Fig.3 Hazard function plot of Weibull AFT model for incident duration

（3）因事件類型是分類變量，它有5個水平，當(dāng)擬合參數(shù)模型時，自動將最后一個水平（著火事件）作為參照分類對比，追尾事件、翻車事件、拋錨事件、碰撞固定物事件相比著火事件均具有顯著性差異（顯著性水平取α＝0.05），并且這四種事件的持續(xù)時間都比著火事件短（其標(biāo)志為回歸系數(shù)為負(fù)值）.

（4）變量報警人類型的回歸系數(shù)為負(fù)值，表明該因素相對危險度在降低，即報警人為交通管理者（變量賦值為1）時，相對于駕駛員報警（變量賦值為0），減少了事件持續(xù)時間，這是因?yàn)榻煌ü芾碚呖芍苯娱_展現(xiàn)場救援工作，略去了事件發(fā)現(xiàn)和響應(yīng)階段；其它變量的回歸系數(shù)為正數(shù)，表明因素相對危險度增加，即該因素變量賦值為1時，事件嚴(yán)重程度或者施救難度增大，相比于變量賦值為0，延長了事件持續(xù)時間.

為了驗(yàn)證模型的有效性，采用用于驗(yàn)證的265個交通事件數(shù)據(jù)進(jìn)行檢驗(yàn)，結(jié)果見圖4.從圖4中可以看出：持續(xù)時間小于10min的拋錨事預(yù)測精度較差，對拋錨事件整體預(yù)測精度有較大影響，因?yàn)槌掷m(xù)時間小于10min的拋錨事件一般是一些小的故障造成的，其持續(xù)時間受駕駛員維修能力等隨機(jī)性因素影響較大；在只考慮持續(xù)時間大于10min拋錨事件時，其持續(xù)時間預(yù)測誤差小于10min的準(zhǔn)確率為70%；而在交通事故中，持續(xù)時間小于10min的事故比例較低，其預(yù)測誤差對整體預(yù)測精度影響不大，可忽略不計，所以交通事故預(yù)測持續(xù)時間預(yù)測誤差小于30min的準(zhǔn)確率為78%.由于本文中交通事件發(fā)生在城市間高速公路，距離醫(yī)療急救點(diǎn)、醫(yī)院、消防部門等較遠(yuǎn)，救援車輛施救距離較長，因此預(yù)測準(zhǔn)確率相對于事件平均時間（交通事故平均持續(xù)時間為56.9min，拋錨事件平均持續(xù)時間為31.1min）來說是可以接受的.同時，這一預(yù)測精度比貝葉斯方法［12］和決策樹方法［13］的預(yù)測精度有所提高.

圖4 事件持續(xù)時間的實(shí)測值與預(yù)測值Fig.4 Real value and prediction value of incident duration time

4 結(jié)語

對滬杭高速公路嘉興段1 327個交通事件數(shù)據(jù)進(jìn)行了分析，其中1 062個數(shù)據(jù)用于建立基于風(fēng)險分析的Weibull AFT模型，265個數(shù)據(jù)用于檢驗(yàn)?zāi)Ｐ偷念A(yù)測精度.夜晚、報警人類型、事件類型、占用車道數(shù)、涉及車輛數(shù)、人員死亡、救護(hù)車、牽引車、吊車、駁載車、涉及貨車等11個變量是影響交通時間持續(xù)時間的顯著性因素.預(yù)測結(jié)果表明，持續(xù)時間小于10 min的拋錨事件的預(yù)測精度較差，其預(yù)測精度受駕駛員維修能力等隨機(jī)性因素影響較大；當(dāng)只考慮持續(xù)時間大于10min拋錨事件時，其持續(xù)時間預(yù)測誤差小于10min的準(zhǔn)確率為70%；而交通事故持續(xù)時間預(yù)測誤差小于30min的準(zhǔn)確率為78%.預(yù)測準(zhǔn)確率相對于事件平均時間來說，是可以接受的.但由于事件處理人員的業(yè)務(wù)水平存在較大的差異，仍可能導(dǎo)致一些事件的預(yù)測值和實(shí)際值之間存在較大的誤差.

不同車道數(shù)的高速公路上發(fā)生交通事件時，由于車輛占用車道數(shù)量不同，導(dǎo)致高速公路路段剩余通行能力是不同的，這可能會影響模型的引入變量數(shù)量和預(yù)測精度的差異.本文所用的交通事件數(shù)據(jù)和建立的持續(xù)時間預(yù)測模型來自于雙向8車道高速公路，由于浙江省嘉興市轄區(qū)內(nèi)的雙向6車道高速公路上的交通事件數(shù)據(jù)由于數(shù)量較少，并未納入到本文模型的構(gòu)建和驗(yàn)證之中.雖然每條高速公路的環(huán)境條件以及信息來源不同，但是在方法論上對雙向4車道、雙向6車道高速公路上的事件持續(xù)時間預(yù)測研究仍具有普遍適用性.因此，雙向4車道、雙向6車道高速公路的風(fēng)險分析模型將作為本研究進(jìn)一步深化的方向，可與雙向8車道風(fēng)險分析模型進(jìn)行比較研究.相比于其它的研究方法，基于風(fēng)險分析的預(yù)測方法不僅可對具有完整持續(xù)時間的事件進(jìn)行預(yù)測，還可處理因事件結(jié)束時間刪失導(dǎo)致的持續(xù)時間殘缺值數(shù)據(jù)，擴(kuò)大了可研究的交通事件數(shù)據(jù)的范圍，在定量分析觀察指標(biāo)的作用強(qiáng)度和方向的基礎(chǔ)上，提高了預(yù)測的精度.同時，交通管理者只有在充分了解交通事件的性質(zhì)、嚴(yán)重程度和道路狀況，準(zhǔn)確地預(yù)估交通事件持續(xù)時間的基礎(chǔ)上，才能提出行之有效的事件處置方案，如人力、物力和技術(shù)資源的合理使用，以及交通控制策略，在最短的時間范圍內(nèi)完成事件管理的各項(xiàng)活動，減小事件的影響，使受到干擾的交通流恢復(fù)正常.

［1］Giuliano Genevieve.Incident characteristics，frequency，and duration on a high volume urban freeway［J］.Transportation Research Board，National Research Council：Transportation Research Part A，1989，23（5）：387.

［2］Stathopulos A，Karlaftis M G.Modeling duration of urban traffic congestion［J］.Journal of Transportation Engineering，2002，128（6），587.

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

［4］Zografos K G，Konstantions N A，George M V.A real－time decision support system for roadway network incident response logistics［J］.Transportation Research.Part C.2002，10（1）：1.

［5］CHUNG Younshik.Development of an accident duration prediction model on the Korean Freeway Systems［J］.Accident Analysis and Prevention.2010，42：282.

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

［7］Edward C S.New model for predicting freeway incidents and incident delays［J］.Journal of Transportation Engineering.1997，123（4）：267.

［8］劉偉銘，管麗萍，尹湘源.基于多元回歸分析的事件持續(xù)時間預(yù)測［J］.公路交通科技，2005，22（11）：126.Liu weimiing，Guan liping，Yin xiangyuan.Prediction of Incident Duration Based on Multiple Regression Analysis［J］.Journal of Highway and Transportation Research and Development，2005，22（11）：126.

［9］Ozbay K，Narayanan A.Jonnalagadda S.Wide－area incident management support system （WAIMSS）［C］／／3rd Annual World Congress on ITS.Orlando：IT’S America.1996：14－18.

［10］Ozbay K，Kachroo P.Incident management in intelligent transportation systems［M］.London：Artech House.1999.

［11］姬楊蓓蓓，張小寧，孫立軍.基于貝葉斯決策樹的交通事件持續(xù)時間預(yù)測［J］.同濟(jì)大學(xué)學(xué)報，2008，36（3）：319.JIYANG Beibei，ZHANG Xiaoning，SUN Lijun.Traffic incident duration prediction grounded on bayesian decision methodbased tree algorithm.［J］Journal of Tongji University：Natural Science，2008，36（3）：319.

［12］Boyles S，F(xiàn)ajardo S T.Waller.A na?ve Bayesian classifier for incident duration prediction ［C／OL］／／［S.l.］Transportation Research Board Annual Meeting，2007［2006－7－31］.http：／／www.uwyo.edu／sboyles／research／boyles fajardo waller nbc.pdf.

［13］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(jì)大學(xué)交通運(yùn)輸工程學(xué)院，2008 JIYANG Beibei.Research on prediction method of traffic incident duration［J］.Shanghai：College of Transportation Engineering of Tongji University，2008.