鄭 來，侯芹忠，郭延永，楊曉冬

(1. 哈爾濱工業(yè)大學(xué) 交通科學(xué)與工程學(xué)院, 黑龍江 哈爾濱 150090；2. 哈爾濱工業(yè)大學(xué)(威海) 汽車工程學(xué)院，山東 威海 264209；3. 東南大學(xué) 交通學(xué)院，江蘇 南京 210096；4. 哈爾濱職業(yè)技術(shù)學(xué)院, 黑龍江 哈爾濱 150081)

0 引言

合流區(qū)是高速公路的重要組成部分，同時也是高速公路運(yùn)行安全的薄弱環(huán)節(jié)。車輛合流過程中，駕駛員需進(jìn)行加速、選擇可接受間隙、變道等一系列復(fù)雜操作，容易出現(xiàn)操作不當(dāng)從而引發(fā)交通事故。統(tǒng)計表明，合流區(qū)交通事故占高速公路事故總數(shù)的比例一直居高不下，約為高速公路基本路段交通事故的4～6倍[1-2]。

在對高速公路合流區(qū)交通安全的研究中，交通沖突技術(shù)得到了越來越多的應(yīng)用。交通沖突是指車輛在時間和空間上相互接近至一定程度，以至于若不改變其運(yùn)動狀態(tài)，就會發(fā)生碰撞的交通事件[3]。車輛合流過程中會出現(xiàn)較為頻繁的側(cè)向沖突和追尾沖突，可為開展高速公路合流區(qū)交通安全研究提供比交通事故更為充足的數(shù)據(jù)支撐。為了識別合流區(qū)的交通沖突，學(xué)者們多采用后侵入時間(Post Encroachment Time, PET)作為沖突嚴(yán)重程度的衡量指標(biāo)，通過選取合適的后侵入時間閾值界定交通沖突，進(jìn)而通過沖突數(shù)(率)分析高速公路合流區(qū)的安全性[4-6]。相關(guān)研究發(fā)現(xiàn)，交通流量、沖突車輛速度差、加速車道長度、重型車比例等因素對合流區(qū)交通沖突有顯著影響[5-9]。

雖然交通沖突技術(shù)為高速公路合流區(qū)交通安全研究提供了新的手段，但交通沖突作為合流區(qū)安全分析指標(biāo)的有效性尚未被充分證明[10]。本研究旨在通過極值理論建立合流區(qū)沖突與交通事故之間的關(guān)系模型，在驗證交通沖突技術(shù)有效性的基礎(chǔ)上更好地開展高速公路合流區(qū)交通安全研究。極值理論作為一種分析極小概率事件分布的理論，能夠通過短時段內(nèi)常見事件(如降水量、交通沖突)發(fā)生的概率外推長時段內(nèi)罕見極值事件(如洪水、交通事故)發(fā)生的概率，已被應(yīng)用于交叉口沖突-事故關(guān)系研究[11-13]、高速公路基本路段沖突-事故關(guān)系研究[14-15]、高速公路合流區(qū)沖突-事故關(guān)系研究[16]。然而，已有研究主要針對單個研究對象分別建立沖突極值統(tǒng)計模型，雖然證明了該模型在交通事故預(yù)測方面的可行性，但都存在單個研究對象沖突極值樣本數(shù)量較少的問題，在很大程度上影響了事故預(yù)測精度。比如，Zheng等[16]針對15個高速公路合流區(qū)分別構(gòu)建了沖突極值統(tǒng)計模型，研究發(fā)現(xiàn)模型預(yù)測事故數(shù)與觀測事故數(shù)的誤差最高可達(dá)55.9次/a。

為了解決單個合流區(qū)沖突樣本數(shù)量有限的問題，也為了更有效地利用合流區(qū)交通沖突預(yù)測交通事故，本研究將結(jié)合貝葉斯層級超閾值理論，構(gòu)建能融合多個合流區(qū)沖突數(shù)據(jù)的極值統(tǒng)計模型并據(jù)此預(yù)測合流區(qū)交通事故，以期拓展交通沖突極值統(tǒng)計建模的方法體系，也為基于交通沖突的高速公路合流區(qū)交通安全研究提供新思路。

1 合流區(qū)交通沖突判別

1.1 數(shù)據(jù)采集與處理

本研究共采集了7個高速公路合流區(qū)的交通運(yùn)行數(shù)據(jù)，分別為葫蘆島、綏中、興城、高升、五龍背、通遠(yuǎn)堡和本溪。前4個合流區(qū)來自于沈山(沈陽至山海關(guān))高速公路，雙向8車道，設(shè)計速度為120 km/h；后3個合流區(qū)來自于沈丹(沈陽至丹東)高速公路，雙向4車道，設(shè)計速度為100 km/h。

數(shù)據(jù)采集采用錄像法，共采集了白天晴好天氣情況下53 h的視頻。其中，葫蘆島、興城、本溪的視頻時長均為7 h，其他4個合流區(qū)的視頻時長均為8 h。基于錄制的視頻，采用人工觀測法進(jìn)行了分車道、分車型的交通流量統(tǒng)計，具體結(jié)果見表1。

表1 交通流量與合流沖突統(tǒng)計情況一覽表

交通事故數(shù)據(jù)來自于沈山高速和沈丹高速的路政管理部門，時間跨度為2010年1月至2012年12月，該時段與視頻采集時間相近，且在2010—2013年間所調(diào)查合流區(qū)的道路、交通、環(huán)境條件無顯著變化。基于事故發(fā)生時間、地點樁號、上下行方向等信息，得到了合流區(qū)影響范圍內(nèi)白天時段的交通事故，共54次，具體見表1。

1.2 合流沖突判別

高速公路合流區(qū)的合流車輛主要影響主線最外側(cè)兩車道的交通運(yùn)行[4]。因此，本研究重點關(guān)注合流車輛與主線最右側(cè)兩車道上車輛間的交通沖突。交通沖突嚴(yán)重程度衡量指標(biāo)選用后侵入時間(PET)，即后車頭部到達(dá)沖突區(qū)域的時間與前車尾部離開沖突區(qū)域的時間差[3]。

合流過程中的PET是指跟隨車輛的頭部到達(dá)侵入線的時間與先導(dǎo)車輛的尾部離開侵入線的時間之差，其中一輛車為合流車輛。侵入線指垂直于車道分界線并經(jīng)過車道分界線與車輛變道軌跡交點的虛擬直線[17]。PET的具體測量如圖1所示，合流過程中，合流車輛(S)可能與每條車道上的前車(L)和后車(F)產(chǎn)生交通沖突，因此，每一輛合流車輛最多可測出4個PET值，為了保證極值樣本的獨立性，本研究選取其中的最小值作為該合流行為的PET。實際測量利用VirtualDub軟件逐幀播放視頻并計算PET，測量精度為0.04 s(每25幀為1 s)。

圖1 合流沖突PET測量示意圖

由于部分車輛合流時，視頻視野范圍內(nèi)主線上并未出現(xiàn)其他車輛，故此時不存在合流沖突。最后，共識別得到合流沖突898次，其中PET最小值為0.20 s、最大值為11.24 s。各合流區(qū)的沖突次數(shù)及對應(yīng)PET均值見表1。

2 基于沖突極值模型的事故預(yù)測

交通沖突與交通事故具有過程相似性，并且交通事故可視為交通沖突的極值事件，即時空接近度趨近于0的交通沖突為交通事故。因此，可通過沖突極值建模外推交通事故發(fā)生的概率。本研究以超閾值極值理論為基礎(chǔ)構(gòu)建沖突極值模型并預(yù)測交通事故。

2.1 貝葉斯層級超閾值極值模型

2.1.1 超閾值極值模型

(1)

式中，G(y)為GPD分布；σ>0，為尺度參數(shù)；ξ為形狀參數(shù)。

2.1.2 貝葉斯層級結(jié)構(gòu)

為了表征沖突極值的非穩(wěn)態(tài)特性，在超閾值極值模型的基礎(chǔ)上引入貝葉斯層級結(jié)構(gòu)，將影響沖突極值的相關(guān)因素融入模型中。層級模型包括數(shù)據(jù)層、過程層和先驗知識層。其中，數(shù)據(jù)層采用超閾值模型對沖突極值進(jìn)行建模，其形式如下：

(2)

式中，G(yik|φik,ξik)為廣義極值分布；yik為合流區(qū)i上的第k個極值(i=1,…,s；k=1,…,ni；其中s為合流區(qū)數(shù)量，ni為第i個合流區(qū)上的沖突極值個數(shù))；σik和ξik分別為GPD的尺度參數(shù)和形狀參數(shù)。過程層則是利用潛高斯過程將GPD模型參數(shù)與影響沖突極值的變量進(jìn)行關(guān)聯(lián)，關(guān)聯(lián)函數(shù)選用恒等關(guān)聯(lián)函數(shù)，具體如下：

(3)

式中，φik=logσik,為變換后的尺度參數(shù)，以保證尺度參數(shù)的非負(fù)性；αφ0和αξ0分別為尺度參數(shù)和形狀參數(shù)的常數(shù)項；X為影響沖突極值非穩(wěn)態(tài)特性的協(xié)變量集合，為向量；αφ為對應(yīng)的參數(shù)向量；εφi和εξi分別為各合流區(qū)尺度參數(shù)和形狀參數(shù)的隨機(jī)誤差項，以表征各合流區(qū)未觀測因素導(dǎo)致的沖突極值異質(zhì)性。需要說明的是，由于超閾值極值模型對形狀參數(shù)的敏感性以及形狀參數(shù)精準(zhǔn)估計的難度，一般不考慮相關(guān)變量對形狀參數(shù)的影響[18]。將常數(shù)項和隨機(jī)誤差項結(jié)合，簡化得到隨機(jī)截距過程層模型：

(4)

式中，αφ0i和αξ0i分別為合流區(qū)i的形狀參數(shù)和尺度參數(shù)常數(shù)項。

先驗層為過程層模型參數(shù)分配先驗分布。假設(shè)所有模型參數(shù)相互獨立，由于現(xiàn)階段沒有可靠的先驗信息，所以參數(shù)αφ0i和αφ均采用無信息先驗概率分布，具體為采用0均值大方差的正態(tài)分布作為其先驗分布，即αφ0i，αφ～N(0,106)。同樣，由于超閾值極值模型對其形狀參數(shù)的敏感性，不恰當(dāng)?shù)南闰灧植既菀讓?dǎo)致模型不收斂，所以借鑒了已有沖突極值模型研究中有關(guān)形狀參數(shù)的先驗信息。在已有研究中，估計得到的形狀參數(shù)均位于(-1, 1)之間[11, 13]，因此本研究選用均勻分布作為其先驗分布，即αξ0i～N(0, 0.25)。

2.2 閾值選取方法

超閾值模型構(gòu)建首先需要確定合理的閾值u，才能估計參數(shù)σ和ξ。如果閾值選取不合理，將會導(dǎo)致錯誤的模型估計。常用的閾值選取方法包括平均剩余壽命圖及閾值穩(wěn)定性分析圖等圖解方法和均方差法等數(shù)值方法[18]，然而這些方法所確定的均為穩(wěn)態(tài)閾值，并未考慮外在因素對閾值的影響。為克服這一缺陷，本研究選用分位數(shù)回歸方法確定閾值[19]。從直觀上看，高分位數(shù)對應(yīng)的閾值一般都能保證所對應(yīng)的超閾值樣本服從GPD分布。

分位數(shù)回歸模型的具體形式如下：

Q(τ|X)=X′τβτ,

(5)

式中，τ∈(0,1),為分位數(shù)；Q(τ|X)為分位數(shù)τ對應(yīng)的因變量值(即qτ)；Xτ為影響閾值非穩(wěn)態(tài)特性的協(xié)變量集合為向量；βτ為參數(shù)向量。分位數(shù)回歸模型參數(shù)的標(biāo)定可通過求解式(6)所示的優(yōu)化問題解決：

(6)

式中，x′τβτ為式(5)向量集合中的一個變量。

在分位數(shù)回歸確定的閾值基礎(chǔ)上，進(jìn)一步采用閾值穩(wěn)定性分析圖驗證所選取分位數(shù)的合理性。該方法的基本原理為：如果超出閾值u0的樣本服從GPD(σ0,ξ)，則對任意閾值u>u0，其閾值u超出值同樣服從GPD(σu,ξ)，且GPD對應(yīng)的修訂后的尺度參數(shù)σu和形狀參數(shù)ξ在理論上是恒定不變的，其中：

σu=σ0+ξ(u-u0)，

(7)

式中，σ0為超出閾值u0的GPD分布的尺度參數(shù)。

2.3 模型求解與比選

采用貝葉斯方法對貝葉斯層級超閾值極值模型進(jìn)行估計。在確定閾值、模型結(jié)構(gòu)和先驗分布的基礎(chǔ)上，模型參數(shù)集合θ(向量)的后驗概率密度函數(shù)為：

(8)

式中，Y為輸入數(shù)據(jù)集合，為向量；p1,p2,p3分別為數(shù)據(jù)層，過程層和先驗層的概率密度函數(shù)，由參數(shù)θj(j=1,2)決定，其中θ1=[φ,ξ]T，θ2=[αφ0,αφ,αξ0]T。p1，p2，p3的具體計算公式如下：

(9)

(10)

p3(θ2)=pαφ0(αφ0)×pαφ(αφ)×pαξ0(αξ0),

(11)

在具體構(gòu)建貝葉斯層級沖突極值模型時，考慮不同變量對沖突極值的影響，即將不同變量引入式(4)可形成一系列模型。最優(yōu)模型的選取采用方差信息準(zhǔn)則(Deviance Information Criterion, DIC)[20]。方差信息準(zhǔn)則權(quán)衡了貝葉斯模型的擬合優(yōu)度和復(fù)雜度，計算公式為：

(12)

2.4 交通事故預(yù)測方法

PET衡量的交通沖突嚴(yán)重程度表征了事故發(fā)生的風(fēng)險或交通沖突與交通事故的接近程度。PET值越小，交通沖突與交通事故越接近，當(dāng)PET≤0時意味著交通事故必然發(fā)生?？紤]到超閾值極值模型僅適用于大于某一閾值的極值事件，對PET取負(fù)變換為NPET(NegatedPET)，此時NPET≥0(即PET≤0)即意味著會發(fā)生交通事故。根據(jù)上述方法標(biāo)定得到基于NPET的GPD分布，進(jìn)而可推導(dǎo)出交通事故的發(fā)生概率，即：

R=Pr(NPET≥0)=1-Pr(NPET<0)=

(13)

式中，R為對應(yīng)沖突觀測時段t的交通事故發(fā)生概率。假設(shè)沖突觀測時段能夠代表更長時段T的交通運(yùn)行狀況，那么該時段內(nèi)的交通事故數(shù)NT為：

(14)

3 建模結(jié)果分析

利用高速公路合流區(qū)PET數(shù)據(jù)進(jìn)行貝葉斯層級沖突極值模型構(gòu)建，其中，考慮的沖突極值非穩(wěn)態(tài)特性影響因素包括加速車道長度(LEN，m)、合流車輛類型(MVT，1，2，3分別代表小、中、大型車)、主線車輛類型(TVT，1，2，3分別代表小、中、大型車)、加速車道小時平均交通量(MVV，veh/h)、主線小時平均交通量(TVV，veh/h)。模型估計時，分位數(shù)回歸通過R軟件包quantreg實現(xiàn)，貝葉斯估計通過WinBUGS軟件實現(xiàn)。

3.1 閾值選取結(jié)果分析

為保證閾值足夠大從而使超閾值樣本服從GPD分布，本研究首先分別選取了80%,85%和90%這3個分位數(shù)，并將LEN，MVT，TVT，MVV，TVV這5個協(xié)變量代入分位數(shù)回歸模型中進(jìn)行參數(shù)估計，結(jié)果表明：3個分位數(shù)模型中的顯著變量均為LEN，MVT，TVT，MVV，對應(yīng)的參數(shù)估計結(jié)果見表2。

針對每一個分位數(shù)進(jìn)行了GPD分布的參數(shù)估計，結(jié)果表明：在85%和90%分位數(shù)上滿足閾值穩(wěn)定性要求，即估計得到的修正后的尺度參數(shù)和形狀參數(shù)基本不變，但在90%分位數(shù)上對應(yīng)的估計值方差較大?？紤]到模型估計方差和偏差的平衡，本研究選取85%分位數(shù)對應(yīng)的值為最終閾值，即u=-0.518-2.815×LEN+0.148×MVT-0.150×TVT-0.003×MVV。

3.2 模型標(biāo)定結(jié)果分析

通過向后逐步回歸法構(gòu)建貝葉斯層級沖突極值模型，即首先將5個變量均通過關(guān)聯(lián)函數(shù)與GPD的尺度參數(shù)連接，對應(yīng)的模型稱為非穩(wěn)態(tài)全模型；進(jìn)而逐步減少變量的數(shù)量直至變量數(shù)量為0，此時對應(yīng)的模型為穩(wěn)態(tài)模型；期間構(gòu)建的僅包括顯著變量(p<0.05)的模型稱為非穩(wěn)態(tài)顯著模型。

采用Winbugs14軟件對上述模型進(jìn)行標(biāo)定時，構(gòu)造2條包含100 000次迭代的MCMC鏈進(jìn)行貝葉斯推理。通過檢查2條鏈的迭代歷史圖可確定MCMC算法是否達(dá)到收斂；此外，也可以通過BGR(Brooks-Gelman-Rubin)值進(jìn)行收斂判斷，一般認(rèn)為BGR值小于1.2時為收斂[22]。將前50 000次迭代視為燃燒樣本，不參與模型參數(shù)的估計，利用后50 000 次迭代值進(jìn)行模型參數(shù)估計。穩(wěn)態(tài)模型、非穩(wěn)態(tài)顯著模型、非穩(wěn)態(tài)全模型的估計結(jié)果見表3。3個模型均達(dá)到收斂，其中非穩(wěn)態(tài)顯著模型中僅有MVT，MVV為顯著變量，對應(yīng)的迭代歷史和BGR值如圖2和圖3所示。

圖2 非穩(wěn)態(tài)顯著模型迭代歷史圖

圖3 非穩(wěn)態(tài)顯著模型BGR圖

由表3可知，穩(wěn)態(tài)模型、非穩(wěn)態(tài)顯著模型和非穩(wěn)態(tài)全模型的DIC值分別為6 567.1，6 549.3和6 557.3。相較于穩(wěn)態(tài)模型，非穩(wěn)態(tài)模型的DIC值明顯更小，這說明考慮協(xié)變量對沖突極值的影響明顯提高了貝葉斯層級極值模型的擬合優(yōu)度。此外，兩個非穩(wěn)態(tài)模型中，僅包含顯著變量的非穩(wěn)態(tài)顯著模型的DIC值更小，并且其與非穩(wěn)態(tài)全模型的DIC值之差為8.0。因此，非穩(wěn)態(tài)顯著模型為最優(yōu)模型。

表3 貝葉斯層級極值模型估計結(jié)果

3.3 事故預(yù)測結(jié)果分析

3.3.1 事故預(yù)測精度分析

根據(jù)標(biāo)定的最優(yōu)模型并結(jié)合式(13)、式(14)，計算得到各合流區(qū)的預(yù)測年均事故數(shù)。式(14)中，T=365 d×12 h/d=4 380 h，t=8 h(綏中、高升、五龍背和通遠(yuǎn)堡合流區(qū))或7 h(葫蘆島、興城和本溪合流區(qū))。預(yù)測事故數(shù)與觀測事故數(shù)之間的關(guān)系如圖4所示。

由圖4可以看出，預(yù)測事故數(shù)與觀測事故數(shù)間具有明顯的正相關(guān)關(guān)系(計算得出相關(guān)性系數(shù)ρ=0.820 1，顯著性水平sig=0.023 9)，線性擬合優(yōu)度值R2=0.670 4。為進(jìn)一步量化事故預(yù)測精度，計算了預(yù)測事故數(shù)與觀測事故數(shù)間的平均誤差(Mean Error,ME)和平均絕對誤差(Mean Absolute Error,MAE)，計算公式為：

圖4 觀測事故數(shù)與預(yù)測事故數(shù)關(guān)系

(15)

(16)

式中，Pi為第i個合流區(qū)的預(yù)測事故數(shù);Oi為第i合流區(qū)的觀測事故數(shù)。計算結(jié)果見表4，模型預(yù)測事故數(shù)與觀測事故數(shù)之間的平均誤差和平均絕對誤差均較小，分別為1.0次/a和2.1次/a，這說明基于貝葉斯層級沖突極值統(tǒng)計的事故預(yù)測方法具有較高的預(yù)測精度。此外，平均誤差為正，表明模型在總體上高估了事故發(fā)生次數(shù)。

表4 事故預(yù)測精度

3.3.2 事故影響因素分析

建模發(fā)現(xiàn)，加速車道長度(LEN)、合流車輛類型(MVT)、主線車輛類型(TVT)、加速車道小時平均交通量(MVV)為顯著變量，但這些變量并不直接影響交通事故的風(fēng)險，而是影響GPD分布的閾值和尺度參數(shù)。閾值和尺度參數(shù)決定了大部分極值事件的集中度，不同閾值和尺度參數(shù)對應(yīng)的GPD分布示意如圖5所示。當(dāng)尺度參數(shù)和形狀參數(shù)保持不變時，閾值越小，GPD分布整體上越偏離事故風(fēng)險區(qū)域(即越安全)；但閾值和形狀參數(shù)不變時，尺度參數(shù)越大，GPD分布跨度越大，分布曲線的右尾部越可能進(jìn)入事故風(fēng)險區(qū)域(即越危險)。

圖5 不同閾值和尺度參數(shù)對應(yīng)的GPD分布示意

上述4個顯著變量中，LEN和TVT僅對閾值有顯著影響，其系數(shù)均為負(fù)值(分別為-2.185和-0.150)。為了量化分析其對合流安全性的影響，假設(shè)其他變量均取其均值，計算得到某一變量值逐漸增大時的事故發(fā)生概率，如圖6(a)和圖6(b)所示。由圖可知，LEN和TVT值越大，閾值越小，對應(yīng)的合流區(qū)越安全。即加速車道長度較長時，發(fā)生交通事故的風(fēng)險更低，因為加速車道較長時，合流車輛駕駛員有更為充足的時間完成加速和可接受間隙選擇，因而降低了合流事故風(fēng)險，但當(dāng)加速車道長度增加至一定值時，其繼續(xù)增加的安全邊際效益則會降低，這也說明加速車道長度并不是越長越好。此外，當(dāng)主線上有大型車時，合流車輛駕駛員往往更加謹(jǐn)慎，因而合流事故風(fēng)險會降低。

圖6 變量對合流事故風(fēng)險的影響

變量MVT和MVV對閾值和尺度參數(shù)均有顯著影響，且MVT值越大，閾值越大,尺度參數(shù)值越小；MVV值越大，閾值越小,尺度參數(shù)值越大。為了綜合分析這些變量對合流安全性的影響，同樣假設(shè)其他變量均取其均值，計算得到某一變量值逐漸增大時的事故發(fā)生概率。對MVT而言，保持LEN，MVV，TVT不變時，不同合流車型對應(yīng)的事故發(fā)生概率變化如圖6(c)所示，隨著車型的增大交通事故發(fā)生概率逐漸降低。由于大型車的尺寸和性能與小型車差異較大，一般認(rèn)為大型車比例增高會導(dǎo)致交通事故數(shù)增加，這與本研究發(fā)現(xiàn)存在相悖之處。潛在原因是本研究使用的沖突樣本中車輛類型分布不均衡，合流車輛主要是小型車。對MVV而言，保持LEN，MVT，TVT不變時，合流車流量增加時對應(yīng)的事故發(fā)生概率變化如圖6(d)所示，隨著合流車流量增加，事故發(fā)生概率增大。

4 結(jié)論

(1)提出了貝葉斯層級沖突極值建模方法，一方面融合了不同地點的沖突極值進(jìn)行聯(lián)合建模，解決了沖突極值的稀少性問題；另一方面引入了協(xié)變量和隨機(jī)誤差項，解決了沖突極值的非穩(wěn)態(tài)性和異質(zhì)性問題，顯著提升了模型擬合優(yōu)度。該方法可實現(xiàn)基于短期觀測沖突數(shù)據(jù)的交通事故預(yù)測，且相較于傳統(tǒng)的基于沖突極值統(tǒng)計的交通事故預(yù)測方法更為可靠。

(2)采用貝葉斯層級沖突極值建模方法構(gòu)建了高速公路合流區(qū)交通事故預(yù)測模型，結(jié)果表明該模型具有較高的預(yù)測精度，模型預(yù)測事故數(shù)和觀測事故數(shù)的平均誤差僅為1.0次/a，平均絕對誤差為2.1次/a。

(3)加速車道長度、合流車輛類型、主線車輛類型、加速車道小時平均交通量對沖突極值有顯著影響，進(jìn)而影響交通事故發(fā)生概率。其中，加速車道越長、主線車輛車型越大，交通事故發(fā)生概率越?。缓狭鬈囕v類型越小、加速車道小時平均交通量越大，交通事故發(fā)生概率越大。

(4)本研究主要從模型的角度改進(jìn)了傳統(tǒng)的沖突極值建模方法，但受沖突數(shù)據(jù)采集時間較短的限制，個別合流區(qū)事故預(yù)測結(jié)果并不理想，下一步將增加采集時間以提升沖突樣本的代表性，收集合流區(qū)線形數(shù)據(jù)以更全面揭示沖突極值的非穩(wěn)態(tài)性，從而進(jìn)一步驗證貝葉斯層級沖突極值建模方法的優(yōu)越性。