宋建洋，王 志，2，李藹恂，田 華，2，郜婧婧，王宇虹

（1.中國(guó)氣象局公共氣象服務(wù)中心，北京 100081；2.中國(guó)氣象局交通氣象重點(diǎn)開放實(shí)驗(yàn)室，江蘇南京 210009）

引言

大霧嚴(yán)重威脅高速公路交通運(yùn)行安全。據(jù)統(tǒng)計(jì)，我國(guó)高速公路交通事故中有15%～25%發(fā)生在霧天環(huán)境下，同時(shí)重大傷亡交通事故中有約1/3與大霧關(guān)聯(lián)，造成的社會(huì)影響和經(jīng)濟(jì)損失較大，是公安交管部門最關(guān)注的氣象災(zāi)害之一［1-3］。為描述事故發(fā)生的不確定性，可利用交通安全風(fēng)險(xiǎn)量化特定區(qū)域或路段未來一段時(shí)間內(nèi)的期望事故率（或可能性）［4］，以用于提前做好防災(zāi)減災(zāi)工作部署。

公路交通是我國(guó)氣象部門專業(yè)氣象服務(wù)的重要領(lǐng)域。隨著多源監(jiān)測(cè)資料的綜合應(yīng)用與分析方法的日漸成熟，交通氣象業(yè)務(wù)內(nèi)容逐漸從氣象要素的監(jiān)測(cè)預(yù)報(bào)向基于影響的風(fēng)險(xiǎn)評(píng)價(jià)拓展［5］，在研究領(lǐng)域也呈現(xiàn)諸多成果。霧或低能見度方面，李藹恂等［6］綜合考慮氣象災(zāi)害危險(xiǎn)性、暴露性、脆弱性和防災(zāi)減災(zāi)能力，建立了我國(guó)主要公路低能見度災(zāi)害風(fēng)險(xiǎn)的評(píng)估指標(biāo)體系和權(quán)重，并以此開展風(fēng)險(xiǎn)區(qū)劃和評(píng)估研究；林雨等［7］、唐亞平等［8］建立了考慮不同能見度、路況條件或道路交通環(huán)境下的公路安全行車速度模型；曲曉黎等［9］選取高影響天氣強(qiáng)度、持續(xù)時(shí)間、風(fēng)險(xiǎn)區(qū)劃等級(jí)、單項(xiàng)車流量、地形、發(fā)生時(shí)段等因子，建立了河北省高速公路分災(zāi)種風(fēng)險(xiǎn)等級(jí)預(yù)報(bào)模型，能夠反映當(dāng)?shù)仂F災(zāi)對(duì)高速公路行車的風(fēng)險(xiǎn)；李嵐等［10］、周慧等［11］、吳彬貴等［12］分別對(duì)沈大、京津塘高速公路大霧天氣氣候特征及對(duì)交通安全的影響進(jìn)行了分析探討。氣象綜合影響方面，吉延艷等［13］、許秀紅等［14］、朱興琳等［15］在分析影響本省道路交通安全的氣象因子特征基礎(chǔ)上，分別制定了貴州、黑龍江和新疆的公路交通氣象指數(shù)或指標(biāo)體系，以評(píng)價(jià)氣象對(duì)交通安全的影響程度；羅慧等［16］、凌良新等［17］利用Logistic回歸構(gòu)建了城市尺度分季節(jié)的逐日公路交通事故氣象預(yù)警模型；丁德平等［18］在相關(guān)分析基礎(chǔ)上，設(shè)計(jì)出京津塘高速公路萬輛車流交通事故災(zāi)害的氣象綜合指數(shù)風(fēng)險(xiǎn)等級(jí)指標(biāo)。

然而，現(xiàn)有研究或?qū)㈧F、降水、冰凍等氣象災(zāi)害統(tǒng)籌考慮，或量化結(jié)果在時(shí)間與空間上的顆粒度較粗、實(shí)時(shí)性較差，在當(dāng)下要求日益精準(zhǔn)化的氣象服務(wù)需求前還存在不足。本文以我國(guó)霧天交通事故（以下簡(jiǎn)稱“霧事故”）多發(fā)高速公路路段為研究對(duì)象，采用隨機(jī)森林等機(jī)器學(xué)習(xí)技術(shù)，建立發(fā)生時(shí)間、能見度、相對(duì)濕度、風(fēng)、氣溫、變溫等多類信息與小時(shí)霧事故發(fā)生概率的量化關(guān)系，從而實(shí)現(xiàn)對(duì)霧天高速公路交通安全狀態(tài)的實(shí)時(shí)評(píng)價(jià)，以期為高速公路交通安全動(dòng)態(tài)管理和風(fēng)險(xiǎn)防控提供氣象支持。

1 資料與方法

1.1 資料與預(yù)處理

據(jù)2012-2016年全國(guó)高速公路交通事故數(shù)據(jù)統(tǒng)計(jì)，江蘇境內(nèi)京滬高速、安徽境內(nèi)京臺(tái)高速和寧洛高速的霧天交通事故高發(fā)。同時(shí)，公路沿線氣象觀測(cè)站網(wǎng)布設(shè)較為密集，數(shù)據(jù)質(zhì)量較好，并且兼具蘇皖地區(qū)北部、南部、西部和東部的災(zāi)害天氣特點(diǎn)，作為研究對(duì)象進(jìn)行分析時(shí)具有一定的代表性。

資料時(shí)段為2012年1月至2017年3月。交通事故數(shù)據(jù)來自于公安部交通管理科學(xué)研究所，記錄了霧天交通事故發(fā)生的具體時(shí)間及路段信息，其中簡(jiǎn)易事故786起，一般事故97起。氣象數(shù)據(jù)采用國(guó)家氣象信息中心提供的公路沿線交通氣象觀測(cè)站及周邊國(guó)家氣象觀測(cè)站資料，要素包含氣溫、相對(duì)濕度、風(fēng)、能見度等，監(jiān)測(cè)頻次以1h為主，部分站點(diǎn)為10 min或5 min。

利用ArcGIS空間分析技術(shù)，以25 km范圍內(nèi)距離最近且觀測(cè)有效為原則，將事故發(fā)生位置與氣象觀測(cè)站進(jìn)行匹配。經(jīng)統(tǒng)計(jì)，匹配后兩者間的平均距離不到7 km，最近距離不到200 m。以1 h為數(shù)據(jù)集計(jì)單元，得到有氣象監(jiān)測(cè)信息的有效事故組樣本465個(gè)。采用配對(duì)病例對(duì)照方法提取建模數(shù)據(jù)，其中，病例為事故組樣本對(duì)應(yīng)的氣象環(huán)境特征，對(duì)照為沒有發(fā)生霧事故條件下的氣象環(huán)境特征。經(jīng)多次試驗(yàn)，兩者配比率采用常用的1：3比例［19］。為剔除混雜因素影響，隨機(jī)選取對(duì)照組數(shù)據(jù)時(shí)考慮以下條件：與事故發(fā)生時(shí)段一致，與事故發(fā)生地點(diǎn)一致，與事故發(fā)生日期臨近，匹配氣象站觀測(cè)有效。

1.2 模型構(gòu)建方法

1.2.1 RF?RFE算法

隨機(jī)森林（random forest，RF）是以決策樹為基礎(chǔ)的集成模型，可以通過對(duì)構(gòu)造的許多決策樹結(jié)果取平均值來降低過擬合，并保持樹的預(yù)測(cè)能力，有效解決不平衡分類問題［20］。同時(shí)，因其能夠更準(zhǔn)確地處理數(shù)值型變量和分類型變量混雜在一起的高維高容量輸入數(shù)據(jù)，常被應(yīng)用于交通安全預(yù)測(cè)［21］。

遞歸特征消除（recursive feature elimination，RFE）是一種以反復(fù)構(gòu)建模型為主要思想的變量選擇方法。它以特征重要性排序?yàn)榛A(chǔ)，通過逐一舍棄最不重要特征，使用剩余變量構(gòu)建一個(gè)新模型并記錄性能評(píng)價(jià)指標(biāo)值來選擇重要變量。其中，獲得最高評(píng)分的新模型為最優(yōu)模型，對(duì)應(yīng)輸入?yún)?shù)為重要變量。RFE有助于減小冗余信息對(duì)算法的影響，加快預(yù)測(cè)速度，提升分類正確率，或允許可解釋性更強(qiáng)的模型。考慮到RF在處理交通安全數(shù)據(jù)上的優(yōu)越性，本文使用其作為基模型進(jìn)行變量重要性排序和模型訓(xùn)練，即隨機(jī)森林?遞歸特征消除（RF?RFE）算法。

1.2.2 風(fēng)險(xiǎn)分級(jí)

以模型輸出的小時(shí)內(nèi)事故發(fā)生概率為指標(biāo)，參照相等間隔法劃分為5個(gè)等級(jí)，進(jìn)而從氣象因子角度對(duì)霧天高速公路的交通安全風(fēng)險(xiǎn)水平進(jìn)行分析判定。級(jí)別含義詳見表1。

表1 霧天交通安全氣象風(fēng)險(xiǎn)等級(jí)劃分Table 1 Classification of traffic safety meteorological risk in foggy weather

1.2.3 技術(shù)路線

本文的技術(shù)路線如圖1所示，主要包含1）數(shù)據(jù)集準(zhǔn)備；2）基于RF?RFE的重要變量提取與模型構(gòu)建；3）模型效果評(píng)價(jià)三部分內(nèi)容。

圖1 技術(shù)路線圖Fig.1 Technology roadmap

為保證判別結(jié)果的準(zhǔn)確度，需要對(duì)由事故組和對(duì)照組構(gòu)成的數(shù)據(jù)集進(jìn)行劃分。隨機(jī)分層選擇數(shù)據(jù)集的90%（1 672個(gè)）作為訓(xùn)練樣本，剩下的10%（188個(gè)）作為測(cè)試樣本；對(duì)訓(xùn)練樣本進(jìn)行9折交叉驗(yàn)證，即其中的8/9（1 486個(gè)）作為訓(xùn)練集用于模型構(gòu)建，1/9（186個(gè)）作為驗(yàn)證集用于模型和參數(shù)選擇。

算法性能的評(píng)價(jià)指標(biāo)包含各類別分類精度和AUC分?jǐn)?shù)。其中，AUC分?jǐn)?shù)（area under the curve）為ROC曲線下的面積，等價(jià)于從正類樣本中隨機(jī)挑選一個(gè)點(diǎn)，由分類器給出的分?jǐn)?shù)比從反類樣本中隨機(jī)挑選一個(gè)點(diǎn)的分?jǐn)?shù)更高的概率，最高值為1；更適用于不平衡類別的二分類問題，AUC分?jǐn)?shù)越高，選擇的模型性能越好［22］。

2 變量的選取及分析

2.1 霧事故發(fā)生特征

霧天交通事故具有顯著的時(shí)間變化特征。從月度分布來看（圖2（a）），除8月份外，研究路段各月均有霧事故發(fā)生，并總體呈現(xiàn)冬半年多、夏半年少的趨勢(shì)特點(diǎn)。事故發(fā)生頻次在1月份達(dá)到峰值，約占全年的20.16%；2月和12月次之，占比分別為18.35%和15.52%。從日變化情況來看（圖2（b）），超過65%的霧天交通事故集中發(fā)生在05：00～10：00，并在07：00～08：00出現(xiàn)峰值，占比可達(dá)20.07%；中午至凌晨時(shí)段事故量明顯偏少，但對(duì)于一般事故，在02：00～03：00和21：00～22：00還分別出現(xiàn)了一個(gè)小高峰（圖略）。

圖2 研究路段發(fā)生霧天交通事故的月（a）、日（b）變化特征Fig.2 The characteristics of monthly（a）and daily（b）distribution of fog?caused traffic accidents in the studied road section

霧事故發(fā)生特征除了受車流量影響外，主要與氣象環(huán)境背景場(chǎng)關(guān)系密切。霧的形成需要大氣層結(jié)穩(wěn)定、水汽充足、微風(fēng)以及恰當(dāng)?shù)睦鋮s作用。從氣候上來看，蘇皖地區(qū)冬半年近地層多受冷高壓控制，夜長(zhǎng)且出現(xiàn)無云風(fēng)小的概率大，地面散熱迅速，致使地表溫度急劇下降，近地面水汽更容易在后半夜至清晨達(dá)到飽和而凝結(jié)成小水珠，造成時(shí)段內(nèi)霧天交通事故的高發(fā)。

2.2 重要變量篩選

大霧除了會(huì)降低能見度，造成駕駛員視覺障礙和心理緊張外，還會(huì)通過霧水與積灰、塵土混合以及在冷的道路表面形成一層薄冰而使車輛與路面的摩擦系數(shù)減小，是引發(fā)霧天交通事故的另一重要原因［23-24］。綜上分析并考慮因子累積效應(yīng)，以時(shí)間、能見度、相對(duì)濕度、風(fēng)速、風(fēng)向、氣溫與變溫等信息的基礎(chǔ)及衍生變量構(gòu)建初始自變量集，利用RF評(píng)價(jià)特征重要性，結(jié)果如圖3所示?？梢?，能見度因素對(duì)霧天環(huán)境下高速公路交通事故的發(fā)生影響最顯著，重要程度值達(dá)0.23以上；其次是相對(duì)濕度與風(fēng)速，特征重要性分別在0.06和0.04左右；溫度類信息中，24 h變溫與氣溫的貢獻(xiàn)相對(duì)較高，其他特征差別不大，程度值在0.021～0.025之間；風(fēng)向信息對(duì)霧事故影響最小。與氣象因子相比，時(shí)間信息對(duì)于霧天交通事故判別的重要性相對(duì)較低，但考慮到事故發(fā)生存在的有規(guī)律變化，有必要在模型構(gòu)建時(shí)引入發(fā)生季節(jié)、發(fā)生時(shí)段等非氣象因子。

圖3 初始自變量的特征重要性Fig.3 The characteristic importance of initial independent variables

因變量Y是描述小時(shí)內(nèi)是否有霧事故發(fā)生的二分類變量，發(fā)生與沒有發(fā)生分別取值1和0。應(yīng)用RF?RFE算法篩選對(duì)霧天高速公路交通事故影響較為顯著的重要變量，得到11個(gè)氣象因子和3個(gè)非氣象因子，具體見表2。

表2 篩選后保留的自變量Table 2 Independent variables retained after filtering

3 建模與結(jié)果驗(yàn)證

3.1 模型檢驗(yàn)結(jié)果

利用2012年1月至2017年3月的樣本資料建立RF?RFE模型。定義第k個(gè)樣本的霧天交通事故特征向量u k為

相應(yīng)的霧天交通事故訓(xùn)練矩陣為

式中，K為訓(xùn)練集樣本數(shù)量；u k1,u k2,…,u k14為第k個(gè)樣本的14個(gè)輸入自變量，對(duì)應(yīng)因變量Y k∈{1,0}。事故發(fā)生條件概率計(jì)算及狀態(tài)判定的實(shí)現(xiàn)過程如下：構(gòu)建n棵決策樹，通過bootstrap隨機(jī)采樣法有放回地從U中隨機(jī)抽取K個(gè)樣本得到每顆決策樹的新訓(xùn)練集；在每棵樹的每個(gè)節(jié)點(diǎn)處隨機(jī)抽取m個(gè)自變量，然后從中選擇最優(yōu)特征進(jìn)行數(shù)據(jù)擬合，特征分類的閾值通過檢查每個(gè)分類點(diǎn)確定；將n棵決策樹組成隨機(jī)森林，給出每棵樹選擇“發(fā)生”的概率大小p，對(duì)所有樹的預(yù)測(cè)概率取平均值，即為小時(shí)霧天交通事故發(fā)生概率P；將P≥0.5的樣本標(biāo)識(shí)為事故（Y′=1），P＜0.5的樣本標(biāo)識(shí)為對(duì)照（Y′=0）。經(jīng)參數(shù)尋優(yōu)，n=5 000，m=3。

表3給出了模型的分類精度。在訓(xùn)練樣本中，75.4%的事故樣本被成功判別，95.4%的對(duì)照樣本被成功判別，對(duì)事故的空?qǐng)?bào)率和漏報(bào)率分別為15.5%和24.6%，總體分類正確率為90.4%，表明RF?RFE算法在訓(xùn)練時(shí)有較好的擬合精度。在測(cè)試樣本中，模型成功判別出80.9%的事故樣本和93.6%的對(duì)照樣本，空?qǐng)?bào)率和漏報(bào)率均為19.1%，總體分類正確率為90.3%，表明RF?RFE算法在高速公路霧天交通事故預(yù)測(cè)方面有較好的精度。另外，模型在交叉驗(yàn)證和單獨(dú)驗(yàn)證上的AUC分?jǐn)?shù)均為0.953，泛化能力較強(qiáng)，對(duì)事故的判識(shí)能力趨于穩(wěn)定。

表3 RF?RFE模型霧天交通事故判別精度Table 3 The accuracy of RF?RFE model for fog traffic accident discriminant

參照表1，給出霧天交通安全氣象風(fēng)險(xiǎn)等級(jí)檢驗(yàn)結(jié)果（表4）。從中可知，隨著風(fēng)險(xiǎn)等級(jí)的提升，實(shí)際發(fā)生霧天交通事故的樣本數(shù)量呈增加趨勢(shì)，沒有發(fā)生霧天交通事故的樣本數(shù)量呈減小趨勢(shì)，符合交通安全風(fēng)險(xiǎn)等級(jí)劃分基本原則。經(jīng)統(tǒng)計(jì)，有80.85%的事故樣本發(fā)生在較高（3級(jí)）及以上風(fēng)險(xiǎn)級(jí)別內(nèi)，其中高風(fēng)險(xiǎn)（4級(jí)）和極高風(fēng)險(xiǎn)（5級(jí)）的比例分別為27.66%和42.55%；有89.93%的對(duì)照樣本落在極低（1級(jí)）和低（2級(jí)）的風(fēng)險(xiǎn)級(jí)別，其中交通事故概率在0.2以下的極低風(fēng)險(xiǎn)占比可達(dá)80.58%。整體來看，RF?RFE模型體現(xiàn)出較好的性能，可以對(duì)霧天高速公路交通事故發(fā)生可能性的危險(xiǎn)程度進(jìn)行有效判別，同時(shí)保持了較低的空?qǐng)?bào)，具有較好的實(shí)際業(yè)務(wù)應(yīng)用價(jià)值。

表4 霧天交通安全氣象風(fēng)險(xiǎn)模型檢驗(yàn)精度Table 4 Test accuracy of meteorological risk model for highway traffic safety in foggy weather

3.2 應(yīng)用個(gè)例分析

2016年2月11日21時(shí)起，江蘇境內(nèi)京滬高速、安徽境內(nèi)京臺(tái)高速24 h內(nèi)間斷性發(fā)生20起簡(jiǎn)易霧事故。其中，京臺(tái)高速5起集中爆發(fā)在12日11～13時(shí)的795～856 km處，影響范圍較小，持續(xù)時(shí)間較短；相較之下，京滬高速江蘇段受大霧天氣影響更大，多時(shí)段、多點(diǎn)出現(xiàn)多起交通事故，主要涉及12日10～20時(shí)的901～1 055 km處。

從霧天高速公路交通安全氣象風(fēng)險(xiǎn)模型輸出結(jié)果來看（圖4）：2月11日21時(shí)～12日20時(shí)，京滬高速江蘇段（以下簡(jiǎn)稱“G2”）的風(fēng)險(xiǎn)等級(jí)明顯高于安徽境內(nèi)京臺(tái)高速（以下簡(jiǎn)稱“G3”）和寧洛高速（以下簡(jiǎn)稱“G36”），這與當(dāng)日G2多發(fā)霧事故的事實(shí)相符；另外，臨近災(zāi)害發(fā)生時(shí)，超9成霧事故所在路段的風(fēng)險(xiǎn)等級(jí)達(dá)4級(jí)或5級(jí)，高于其他無事故時(shí)段或路段，模擬結(jié)果合理且具有風(fēng)險(xiǎn)提示意義。

圖4 霧天高速公路交通安全氣象風(fēng)險(xiǎn)模型評(píng)價(jià)結(jié)果（2016年2月11日21時(shí)至12日20時(shí)，節(jié)選）Fig.4 Evaluation results of meteorological risk model for highway traffic safety under foggy weather condition（excerpts from 21：00，F(xiàn)ebruary 11，2016 to 20：00，F(xiàn)ebruary 12，2016）

從氣象風(fēng)險(xiǎn)演變過程來看，G2自第1起霧事故發(fā)生的2月11日21時(shí)開始自北向南逐步提升，全路段較高的風(fēng)險(xiǎn)等級(jí)持續(xù)至次日11時(shí)，而后開始迅速回落并于13時(shí)基本恢復(fù)到極低風(fēng)險(xiǎn)級(jí)別；但這期間，模型在事故多發(fā)的江都中段始終提示高或極高的風(fēng)險(xiǎn)等級(jí)，與實(shí)際災(zāi)情發(fā)生的時(shí)段和位置有很好的對(duì)應(yīng)關(guān)系，能夠反映出本次霧天氣過程對(duì)于區(qū)域路網(wǎng)交通安全可能產(chǎn)生的持續(xù)性不良影響。

與G2不同，G3的霧天交通安全氣象風(fēng)險(xiǎn)基本處于較低水平，僅北段局部路段在2月12日7～13時(shí)出現(xiàn)等級(jí)階段性提升的現(xiàn)象；對(duì)照事故信息，徐州方向795 km處12日8～9時(shí)發(fā)生1起霧事故，合肥方向819～826 km處12日11～13時(shí)接連發(fā)生5起霧事故，正好處于模型輸出的4～5級(jí)氣象風(fēng)險(xiǎn)范圍內(nèi)，證實(shí)了評(píng)價(jià)結(jié)果的準(zhǔn)確性和風(fēng)險(xiǎn)提示的及時(shí)性。

綜上所述，基于RF?RFE的霧天高速公路交通安全氣象風(fēng)險(xiǎn)模型在實(shí)際數(shù)據(jù)驗(yàn)證及個(gè)例分析過程中被證實(shí)有較高的準(zhǔn)確性和可靠性，有助于實(shí)現(xiàn)對(duì)高風(fēng)險(xiǎn)路段和高風(fēng)險(xiǎn)時(shí)段的實(shí)時(shí)監(jiān)測(cè)預(yù)警，為霧天環(huán)境下交通安全動(dòng)態(tài)管理與智能控制提供一定的提示信息。

4 結(jié)論

本文利用試驗(yàn)路段災(zāi)情信息與氣象資料，綜合考慮事故發(fā)生時(shí)間及氣象環(huán)境因素，以小時(shí)霧事故發(fā)生概率作為表征指標(biāo)，建立了基于隨機(jī)森林-遞歸特征消除算法的霧天高速公路交通安全氣象風(fēng)險(xiǎn)模型，以期為交通氣象風(fēng)險(xiǎn)預(yù)警業(yè)務(wù)及防災(zāi)減災(zāi)服務(wù)提供技術(shù)支撐。結(jié)論如下：（1）霧天交通事故存在明顯的時(shí)間變化，多發(fā)生在冬半年、05：00～10：00之間；氣象條件中，能見度信息對(duì)霧天交通事故的發(fā)生影響最顯著，然后是相對(duì)濕度、風(fēng)速、氣溫與變溫，最后是風(fēng)向信息。（2）利用隨機(jī)森林-遞歸特征消除算法對(duì)21個(gè)初始自變量進(jìn)行優(yōu)化降維，最終保留11個(gè)氣象因子和3個(gè)非氣象因子建立的霧天高速公路交通安全氣象風(fēng)險(xiǎn)模型效果最佳。（3）從分類精度來看，模型成功判別出80.9%的事故樣本和93.5%的對(duì)照樣本，空?qǐng)?bào)率和漏報(bào)率均為19.1%，AUC分?jǐn)?shù)為0.953；從安全風(fēng)險(xiǎn)來看，分別有42.6%和27.7%的事故樣本發(fā)生在極高（5級(jí)）和高（4級(jí)）的氣象等級(jí)中，有80.6%和9.4%的對(duì)照樣本發(fā)生在極低（1級(jí)）和低（2級(jí)）的氣象等級(jí)中；模型預(yù)測(cè)精度較高，交通安全氣象風(fēng)險(xiǎn)等級(jí)劃分比較合理，從個(gè)例分析來看也有較好的模擬效果。

受限于可獲取的公路數(shù)據(jù)條件有限，本文重點(diǎn)從氣象角度對(duì)試驗(yàn)高速路段霧天交通事故的發(fā)生概率及安全狀態(tài)做出評(píng)價(jià)，能夠?yàn)楫?dāng)?shù)亟煌庀蠓?wù)及減災(zāi)策略制定提供參考。引入車流量、道路線性、車況等交通實(shí)測(cè)信息，可以繼續(xù)對(duì)模型進(jìn)行修正和完善，有助于進(jìn)一步提高評(píng)價(jià)結(jié)果的全面性和精準(zhǔn)性。