成 衛(wèi),馬銘煒,張小龍

(1. 昆明理工大學(xué) 交通工程學(xué)院,云南 昆明 650504; 2. 通號(hào)智慧城市研究設(shè)計(jì)院有限公司,北京 100071)

0 引 言

隨著我國(guó)高速公路的不斷發(fā)展,截至2020年底,中國(guó)高速公路總里程已達(dá)16萬(wàn)km,位居全球第一。高速公路運(yùn)輸已經(jīng)成為我國(guó)陸運(yùn)的主要手段。同時(shí),伴隨著我國(guó)汽車保有量的逐年增長(zhǎng),高速公路交通負(fù)荷指數(shù)上升,導(dǎo)致高速公路的行車風(fēng)險(xiǎn)大大增加,嚴(yán)重影響交通安全,作為承載快速運(yùn)動(dòng)和大交通流的道路載體,其交通安全問題是交通管理的核心問題之一[1]。面臨如此嚴(yán)峻的高速公路安全[2]形勢(shì),有必要通過分析事故數(shù)據(jù),調(diào)查事故嚴(yán)重程度與其相關(guān)風(fēng)險(xiǎn)因素之間的關(guān)系,構(gòu)建事故嚴(yán)重程度預(yù)測(cè)模型。通常,事故嚴(yán)重程度被認(rèn)為與一系列風(fēng)險(xiǎn)因素(人、車、道路、環(huán)境)相關(guān)。了解這些影響因素如何導(dǎo)致事故嚴(yán)重程度的增加,有助于探索傷害模式并能夠基于例證來(lái)改進(jìn)安全措施,為交管部門制定事前安全預(yù)防措施提供理論依據(jù),為其事后啟動(dòng)應(yīng)急預(yù)案提供技術(shù)依據(jù),加快事故響應(yīng)速度,減小事故發(fā)生帶來(lái)的后時(shí)空影響。

近年來(lái),對(duì)于交通事故影響因素的研究成為學(xué)者們關(guān)注的重點(diǎn),從“人-車-路-環(huán)境”出發(fā),多維度、多角度地研究交通事故影響因素和事故嚴(yán)重程度的關(guān)系對(duì)于交通安全有重要的研究意義。針對(duì)事故影響因素研究方面,裴玉龍等[3]從道路因素出發(fā),分析了道路平面、縱斷面、橫斷面和交叉口在不同參數(shù)設(shè)置下對(duì)交通事故的影響;李文權(quán)等[4]利用國(guó)內(nèi)外交通事故數(shù)據(jù)對(duì)事故發(fā)生的時(shí)間分布規(guī)律方面進(jìn)行了研究,首次從科研、教育、管理和工程措施方面對(duì)交通安全提出建議;趙金寶等[5]研究了車輛類型、事故地點(diǎn)和交通參與者等因素對(duì)道路交通事故的影響。但是上述研究未對(duì)事故嚴(yán)重程度進(jìn)行預(yù)測(cè)。在事故嚴(yán)重程度致因研究方面,馬壯林等[6]基于Logistic回歸模型研究了交通動(dòng)態(tài)情況、隧道情況和時(shí)間等因素對(duì)交通事故嚴(yán)重程度的影響,為回歸模型在事故嚴(yán)重程度預(yù)測(cè)領(lǐng)域奠定了基礎(chǔ);K. BUCSUHZY等[7]研究了人為因素對(duì)事故嚴(yán)重程度的影響,包括了交通參與者的身心狀況、駕駛行為、不同年齡等因素;L. N. LIYANAGE等[8]研究了駕駛者年齡、性別和是否飲酒等方面對(duì)事故嚴(yán)重程度的影響;R.TAMAKLOE等[9]對(duì)不同路面和光照條件在工作日和周末發(fā)生交通事故的嚴(yán)重程度進(jìn)行了對(duì)比分析;戢曉峰等[10]基于有序Logit建立了平縱組合路段事故嚴(yán)重程度識(shí)別模型。但這些研究從單一維度出發(fā),受限于利用少量候選預(yù)測(cè)因子和關(guān)注特定問題。因此,需要使用包括大量變量的更全面的數(shù)據(jù)集,以揭示不同影響因素之間潛在的耦合關(guān)系。對(duì)于多因素方面的研究,MA Zhengjing[11]等綜合多種影響因素構(gòu)建了交通事故嚴(yán)重程度預(yù)測(cè)深度學(xué)習(xí)模型;WEN Huiying等[12]建立了隨機(jī)效應(yīng)廣義有序probit模型,針對(duì)云南山區(qū)高速公路,分析了駕駛員性別、年齡、天氣情況、車輛類型、交通量等因素對(duì)兩類駕駛員事故嚴(yán)重程度的影響; 賀玉龍等[13]從事故信息中篩選出7項(xiàng)重要指標(biāo)建立了基于未確知測(cè)度理論的高速公路交通安全評(píng)價(jià)模型,以此評(píng)價(jià)路段危險(xiǎn)程度;劉海珠[14]采用累積Logistic回歸模型研究了15個(gè)影響因素對(duì)交通事故嚴(yán)重程度的影響;陳昭明等[15]建立了基于混合Logit模型的高速公路交通事故嚴(yán)重程度分析模型,研究了35種變量對(duì)事故嚴(yán)重程度的影響,取得了很好的效果。但是大多研究沒有考慮到數(shù)據(jù)的缺失和不平衡問題。

綜上所述,大多學(xué)者對(duì)交通事故影響因素的研究主要從單一因素入手(例如特定事故、特定道路、特定環(huán)境條件等),主要原因可能是為了創(chuàng)建一組同質(zhì)性數(shù)據(jù),便于研究,僅少數(shù)研究考慮了多種因素的影響。但由于部分因素(交通參與者的性別、年齡對(duì)事故嚴(yán)重程度是否有顯著影響)還存在爭(zhēng)議,且事故變量隨機(jī)性較強(qiáng),不同路段不同情況下相同變量也存在異質(zhì)性(例如駕駛員年齡這一因素在不同事故中表現(xiàn)出不同程度的影響)[16]。另外,現(xiàn)有研究大多集中在二項(xiàng)式事故嚴(yán)重程度上,這也會(huì)限制從數(shù)據(jù)中提取有用信息。針對(duì)這些情況,建立合適有效的事故預(yù)測(cè)模型是越來(lái)越多學(xué)者研究的目的。

為了綜合考量多種因素對(duì)高速公路交通事故嚴(yán)重程度的影響,同時(shí)考慮到機(jī)器學(xué)習(xí)方法容易造成過擬合問題和變量的異質(zhì)性問題,筆者采用優(yōu)于傳統(tǒng)貝葉斯方法的樹增廣型貝葉斯方法構(gòu)建網(wǎng)絡(luò)模型,再結(jié)合專家知識(shí)優(yōu)化模型網(wǎng)絡(luò)(即數(shù)據(jù)融合法),對(duì)事故數(shù)據(jù)進(jìn)行研究,建立事故嚴(yán)重程度預(yù)測(cè)模型,找出事故主要致因并進(jìn)行推理分析,為交管部門作出相應(yīng)安全決策提供支撐。

1 樹增廣型貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)是一種基于概率論的能夠很好地表示各個(gè)因素之間關(guān)系的圖形化網(wǎng)絡(luò),是由若干父節(jié)點(diǎn)和子節(jié)點(diǎn)以及它們之間的有向鏈接組成的有向無(wú)環(huán)圖(directed acyclic graph,DAG)。貝葉斯網(wǎng)絡(luò)通過條件概率表達(dá)變量之間的影響關(guān)系,適用于解決多種不確定性問題,是目前用于推理領(lǐng)域最有效的理論模型之一。樹增廣型貝葉斯方法(TAN)優(yōu)于傳統(tǒng)貝葉斯方法,它提供了一個(gè)類似樹的模型。傳統(tǒng)貝葉斯方法認(rèn)為,除目標(biāo)變量外其他所有變量是互相獨(dú)立的,用該假設(shè)限制網(wǎng)絡(luò)模型,而實(shí)際應(yīng)用中,不同變量之間并不是相互獨(dú)立的。樹增廣型貝葉斯方法考慮的子節(jié)點(diǎn)之間可能的影響關(guān)系,比傳統(tǒng)方法,其具有良好的魯棒性及更高的準(zhǔn)確率。如圖1,在樹增廣型貝葉斯網(wǎng)絡(luò)中,節(jié)點(diǎn)C為節(jié)點(diǎn)a1、a2、a3的父節(jié)點(diǎn),由有向邊相連。此外,a1、a2、a3之間由有向邊相連并形成樹,節(jié)點(diǎn)ai到節(jié)點(diǎn)aj之間的有向弧表示輸入變量ai對(duì)輸出變量C的影響作用不僅取決于變量自身,還取決于變量aj。自變量之間有互相的影響依賴關(guān)系,被稱為互信息,互信息函數(shù)可以由式(1)進(jìn)行計(jì)算:

圖1 貝葉斯網(wǎng)絡(luò)Fig. 1 Bayesian network

(1)

1.1 結(jié)構(gòu)學(xué)習(xí)

貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)[17]主要有3種方法:

1)專家經(jīng)驗(yàn)法?；趯＜抑R(shí)和經(jīng)驗(yàn),結(jié)合研究對(duì)象本身確定貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn),綜合專家打分情況確定網(wǎng)絡(luò)結(jié)構(gòu)。其缺點(diǎn)是網(wǎng)絡(luò)結(jié)構(gòu)缺乏樣本數(shù)據(jù)進(jìn)行分析對(duì)照,有效性稍有欠缺。

2)數(shù)據(jù)驅(qū)動(dòng)法。包括條件獨(dú)立和搜索評(píng)分兩種方法,通過算法對(duì)事故樣本數(shù)據(jù)集進(jìn)行學(xué)習(xí),發(fā)現(xiàn)變量間的依賴關(guān)系,從而建立符合樣本集的網(wǎng)絡(luò)結(jié)構(gòu)。其缺點(diǎn)是對(duì)樣本數(shù)據(jù)集要求較高,需要完備且真實(shí)的數(shù)據(jù)集。變量多時(shí),計(jì)算比較復(fù)雜,消耗時(shí)間長(zhǎng)且得到的結(jié)果不夠精確,無(wú)法準(zhǔn)確反映變量之間的真實(shí)依賴關(guān)系,存在不符合建模和實(shí)際經(jīng)驗(yàn)的節(jié)點(diǎn)。

3)數(shù)據(jù)融合法?；谇皟煞N方法的結(jié)合,能很好地彌補(bǔ)前兩種方法的缺點(diǎn),得到的網(wǎng)絡(luò)結(jié)構(gòu)能夠很好地反應(yīng)變量之間的關(guān)系,在保證有效性的同時(shí)又能與數(shù)據(jù)集相互對(duì)照,模型真實(shí)且可靠。筆者采用數(shù)據(jù)融合法進(jìn)行貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí),因數(shù)據(jù)集較為完整,采用搜索評(píng)分法尋找評(píng)分最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu),評(píng)分函數(shù)利用BDeu評(píng)分,網(wǎng)絡(luò)結(jié)構(gòu)尋優(yōu)用爬山算法進(jìn)行搜索。基于搜索評(píng)分的方法將貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)看作一種組合優(yōu)化的問題,通過確定網(wǎng)絡(luò)結(jié)構(gòu)的評(píng)分函數(shù),利用算法搜索尋找最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu),可定義為優(yōu)化模型:

M=(G,Ω,F)

(2)

式中:G為樣本數(shù)據(jù)集D中所有變量間可能的連接關(guān)系的網(wǎng)絡(luò)結(jié)構(gòu)集;Ω為組合優(yōu)化過程中需要滿足的約束條件集;F為評(píng)分函數(shù)。

當(dāng)M為最大值時(shí),得到的網(wǎng)絡(luò)結(jié)構(gòu)即為最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)。

評(píng)分函數(shù)有兩大類:一是基于貝葉斯的評(píng)分函數(shù),主要包括BD評(píng)分、K2評(píng)分[18]、BDeu評(píng)分等;二是基于信息論的評(píng)分函數(shù),主要包括MDL評(píng)分、AIC評(píng)分、MIT評(píng)分等。筆者采用基于貝葉斯的評(píng)分函數(shù),該方法將尋優(yōu)過程看作一個(gè)MAP(最大后驗(yàn)概率估計(jì))問題:

(3)

式中:P(G|D)為后驗(yàn)概率;G*為最優(yōu)結(jié)構(gòu)。若G的先驗(yàn)概率為P(G),根據(jù)貝葉斯公式得:

(4)

P(G,D)=P(D)P(G|D)=P(G)P(D|G)

(5)

因?yàn)镻(D)是已知的,與P(G)無(wú)依賴關(guān)系,則P(G|D)可轉(zhuǎn)換為:

logP(G,D)=logP(D|G)+logP(G)

(6)

最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)可表示為:

G*=arglogP(D|G)+logP(G)

(7)

對(duì)式(4)兩邊取對(duì)數(shù)可得到:

(8)

式中:P(D|G,θG)為模型關(guān)于數(shù)據(jù)的似然函數(shù)L(G,θG|D)。假設(shè)模型參數(shù)的先驗(yàn)分布P(θG|G)服從參數(shù)為aijk的Dirichlet分布,在給定樣本數(shù)據(jù)集D后,得到BD評(píng)分:

(9)

當(dāng)結(jié)構(gòu)的先驗(yàn)分布為均勻分布時(shí),logP(G)=0。假設(shè)參數(shù)aijk=1,則BD評(píng)分轉(zhuǎn)化為K2評(píng)分:

fK2(G,D)=logP(G)+

(10)

fBDeu(G,D)=logP(G)+

(11)

1.2 參數(shù)學(xué)習(xí)

通過對(duì)給定的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行參數(shù)學(xué)習(xí),量化節(jié)點(diǎn)之間的影響關(guān)系,確定各節(jié)點(diǎn)變量的條件概率分布(CPD),輸出條件概率分布表(CPT)。參數(shù)學(xué)習(xí)方法主要包括極大似然估計(jì)法和貝葉斯估計(jì)法。筆者采用貝葉斯估計(jì)法算出后驗(yàn)概率,該方法考慮了先驗(yàn)知識(shí)的影響,相比于極大似然估計(jì)法,其合理性更強(qiáng)。貝葉斯估計(jì)法基于貝葉斯原理,根據(jù)樣本數(shù)據(jù)及貝葉斯公式計(jì)算出后驗(yàn)分布,即參數(shù)學(xué)習(xí)結(jié)果。首先取θ表示所有參數(shù)組成的向量,P(θ)為θ的先驗(yàn)分布,給定一個(gè)樣本數(shù)據(jù)集D,則參數(shù)θ的后驗(yàn)概率可以表示為P(θ|D)。為了減少計(jì)算的復(fù)雜程度,筆者采用Dirichlet分布,利用貝葉斯公式推理,后驗(yàn)概率P(θ|D)為:

(12)

(13)

2 模型應(yīng)用及結(jié)果分析

2.1 數(shù)據(jù)來(lái)源及處理

收集曲靖市境內(nèi)滬昆高速公路段2017—2019年的1 939起交通事故報(bào)告數(shù)據(jù),剔除無(wú)效數(shù)據(jù)后,保留有效的1 500起高速公路交通事故數(shù)據(jù)進(jìn)行研究。研究因變量為事故嚴(yán)重程度,將其按事故后果分為3類:輕微事故、一般事故、重大事故,分別賦值為1、2、3(因無(wú)特大事故,所以不進(jìn)行單獨(dú)分類研究),如表1。根據(jù)數(shù)據(jù)分析篩選得到19個(gè)高速公路交通事故嚴(yán)重程度的影響因素,將其作為自變量進(jìn)行研究,如表2。但是實(shí)際數(shù)據(jù)中一般事故有1 038起,占比69.2%,導(dǎo)致數(shù)據(jù)樣本分布極不均衡。為保證輸出結(jié)果的合理性和真實(shí)性,采用SMOTE過(欠)采樣算法對(duì)事故數(shù)據(jù)樣本進(jìn)行均衡處理,將處理后的數(shù)據(jù)進(jìn)行隨機(jī)排列,并按照3∶1劃分訓(xùn)練集與測(cè)試集,用于后續(xù)的貝葉斯網(wǎng)絡(luò)模型計(jì)算,總體層次結(jié)構(gòu)如圖2。

表1 模型因變量設(shè)置及離散化取值Table 1 Setting and discretization value of model dependent variable

表2 模型自變量設(shè)置及離散化取值Table 2 Setting and discretization value of model independent variable

圖2 模型構(gòu)建及結(jié)果分析層次結(jié)構(gòu)Fig. 2 Hierarchical structure diagram of model construction and result analysis

2.2 結(jié)構(gòu)學(xué)習(xí)結(jié)果

基于筆者收集的樣本信息充足,能夠較好地體現(xiàn)影響因素之間的關(guān)系,采用BDeu評(píng)分法進(jìn)行評(píng)分,后用爬山算法進(jìn)行搜索,尋找評(píng)分最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。初步得到的網(wǎng)絡(luò)結(jié)構(gòu)如圖3,該網(wǎng)絡(luò)中明顯有不符合常識(shí)和專業(yè)知識(shí)的部分及無(wú)關(guān)節(jié)點(diǎn),此時(shí)利用卡方檢驗(yàn)篩選特征工程,并結(jié)合專家知識(shí)進(jìn)行數(shù)據(jù)融合處理。基于初步網(wǎng)絡(luò)再對(duì)各個(gè)變量節(jié)點(diǎn)關(guān)系進(jìn)行重新構(gòu)建及排序,除去不符合建模經(jīng)驗(yàn)的節(jié)點(diǎn)及有向連接,剔除孤立的無(wú)關(guān)節(jié)點(diǎn),得到最終的貝葉斯網(wǎng)絡(luò),如圖4。其中由特征工程的篩選結(jié)果可知,對(duì)于事故嚴(yán)重程度這一變量來(lái)說(shuō),對(duì)其影響最大的是特征1(天氣情況);其次是特征2(視距情況);最后是特征3(路面情況)。直接影響事故嚴(yán)重程度的5個(gè)變量及其特征如表3。

表3 特征工程篩選結(jié)果Table 3 Future engineering screening results

圖3 初步貝葉斯網(wǎng)絡(luò)Fig. 3 Preliminary Bayesian network

圖4 高速公路交通事故嚴(yán)重程度貝葉斯網(wǎng)絡(luò)Fig. 4 Bayesian network of freeway traffic accident severity

經(jīng)過優(yōu)化的貝葉斯網(wǎng)絡(luò)保留了13個(gè)節(jié)點(diǎn),它們之間的有向連接體現(xiàn)了變量間的相互影響,影響因素囊括了人、車、路、環(huán)境4個(gè)大類,事故嚴(yán)重程度的主要致因在貝葉斯網(wǎng)絡(luò)中得到了充分體現(xiàn)。由圖4可以看出,天氣情況、視距情況、路面情況、事故車輛數(shù)和車輛行駛方向這5個(gè)因素對(duì)事故嚴(yán)重程度有直接影響,其中天氣情況(X15)影響效果最為顯著,既直接影響了事故嚴(yán)重程度,又間接影響了駕駛員的視距情況和路面情況等其他因素。

2.3 參數(shù)學(xué)習(xí)結(jié)果

根據(jù)結(jié)構(gòu)學(xué)習(xí)的結(jié)果,筆者可以對(duì)網(wǎng)絡(luò)中的多種變量進(jìn)行參數(shù)學(xué)習(xí)。根據(jù)互信息函數(shù)計(jì)算輸出具體參數(shù)學(xué)習(xí)結(jié)果。由于數(shù)據(jù)量較多,只列出當(dāng)車輛事故數(shù)、天氣情況、視距情況取值均為1時(shí)事故嚴(yán)重程度的條件概率分布(表4),即當(dāng)事故車輛數(shù)、天氣情況、視距情況、路面情況、車輛行駛方向離散化取值均為1時(shí),事故嚴(yán)重程度取值為1(輕微事故)的概率為0.243 71,取值為2(一般事故)的概率為0.756 21,取值為3(重大事故)的概率為0.000 07,其余項(xiàng)以此類推。

表4 事故嚴(yán)重程度的參數(shù)學(xué)習(xí)結(jié)果Table 4 Parametric learning results of accident severity

2.4 預(yù)測(cè)結(jié)果及有效性驗(yàn)證

為了驗(yàn)證貝葉斯網(wǎng)絡(luò)模型的有效性,對(duì)訓(xùn)練集和測(cè)試集進(jìn)行對(duì)比,如圖5。同時(shí),輸出模型在測(cè)試集上的混淆矩陣,模型命中率如圖6。由圖6可知:對(duì)事故嚴(yán)重程度真實(shí)值為1且預(yù)測(cè)值亦為1的有94個(gè),預(yù)測(cè)值為2的有27個(gè),預(yù)測(cè)值為3的有0個(gè);對(duì)第1類輕微事故預(yù)測(cè)的準(zhǔn)確率為77.68%,對(duì)第2類一般事故預(yù)測(cè)的準(zhǔn)確率為74.19%;對(duì)第3類重大事故預(yù)測(cè)的準(zhǔn)確率為100%。再將實(shí)際概率與后驗(yàn)概率進(jìn)行誤差分析,通過分析對(duì)比發(fā)現(xiàn),輕微事故、一般事故、重大事故的概率分布最大絕對(duì)誤差分別為0.000 04、0.000 04、0.000 06,如圖7～圖9。再通過參數(shù)學(xué)習(xí)模型對(duì)測(cè)試數(shù)據(jù)集進(jìn)行測(cè)試,準(zhǔn)確率約為84.27%。G.F.COOPER等[19]指出, 當(dāng)模型正確率達(dá)到80%以上就認(rèn)為該模型預(yù)測(cè)效果良好。同時(shí),與傳統(tǒng)貝葉斯方法相比,該模型有更好的準(zhǔn)確率和更低的誤分類率,如表5。綜上說(shuō)明,該模型有效性驗(yàn)證良好。

表5 模型比較Table 5 Model comparison

圖5 事故嚴(yán)重程度預(yù)測(cè)值與真實(shí)值對(duì)比Fig. 5 Comparison between the predicted value and the true value of accident severity

圖7 輕微事故的誤差分布Fig. 7 Error distribution of minor accidents

圖8 一般事故的誤差分布Fig. 8 Error distribution of general accidents

圖9 重大事故的誤差分布Fig. 9 Error distribution of major accidents

3 高速公路事故主要致因推理分析

3.1 天氣情況對(duì)事故嚴(yán)重程度的影響

天氣情況對(duì)事故嚴(yán)重程度的影響最大,且間接影響范圍最廣。根據(jù)事故報(bào)告可得出,在雨、雪天氣情況下,路面受到影響變得濕滑,不利于高速行車,駕駛員的視距也會(huì)受到嚴(yán)重影響,惡劣情況下還會(huì)影響駕駛員的心理素質(zhì),進(jìn)而對(duì)駕駛行為造成一定程度的干擾,導(dǎo)致了交通事故的發(fā)生。由于路面情況較差,事故發(fā)生時(shí)駕駛員會(huì)完全失去對(duì)車輛的掌控,失控車輛的滑動(dòng)軌跡也不同于正常情況,這樣的情況下極容易發(fā)生重大、特大事故。天氣情況與事故嚴(yán)重程度的關(guān)系如圖10。由圖10可知,雨雪天氣更容易造成重大事故的發(fā)生。

圖10 天氣情況-事故嚴(yán)重程度分布Fig. 10 Weather conditions-distribution of accident severity

3.2 視距情況對(duì)事故嚴(yán)重程度的影響

駕駛員在高速行車時(shí),由于車速較快,在視距情況受到干擾時(shí),無(wú)法對(duì)前方路況進(jìn)行很好地判斷,操作反應(yīng)時(shí)間大大縮短,往往在察覺到危險(xiǎn)情況時(shí)已經(jīng)來(lái)不及避讓,從而發(fā)生較為嚴(yán)重的事故。視距情況與事故嚴(yán)重程度的關(guān)系如圖11。由圖11可知,重大事故在視距情況較差時(shí)更容易發(fā)生。

圖11 視距情況-事故嚴(yán)重程度分布Fig. 11 Sight distance-distribution of accident severity

3.3 路面情況對(duì)事故嚴(yán)重程度的影響

路面情況作為主要致因之一,其影響主要在于干擾了車輛的行駛狀態(tài),間接干擾了駕駛員的操作行為,使車輛失控而發(fā)生交通事故。路面情況與事故嚴(yán)重程度的關(guān)系如圖12。由圖12可知,路面情況較差時(shí)往往有重大事故發(fā)生。

圖12 路面情況-事故嚴(yán)重程度分布Fig. 12 Pavement condition-distribution of accident severity

4 結(jié) 論

1)高速公路交通事故的發(fā)生受到人-車-路-環(huán)境這一復(fù)雜系統(tǒng)的影響,事故影響因素之間均存在一定依賴關(guān)系。通過收集大量的高速公路事故案例進(jìn)行研究,基于貝葉斯網(wǎng)絡(luò)構(gòu)建了考慮多因素下的高速公路交通事故嚴(yán)重程度預(yù)測(cè)模型。與傳統(tǒng)貝葉斯模型相比,樹增廣型貝葉斯模型對(duì)高速公路交通事故嚴(yán)重程度的預(yù)測(cè)準(zhǔn)確率可達(dá)84.27%,能夠很好地預(yù)測(cè)高速公路交通事故嚴(yán)重程度,模型通過驗(yàn)證具有良好的準(zhǔn)確率,有很好的可靠性。

2)貝葉斯網(wǎng)絡(luò)推理結(jié)果表明,影響高速公路交通事故嚴(yán)重程度的主要致因依次為天氣情況、視距情況、路面情況。圍繞這幾個(gè)主要致因,交管部門可以據(jù)此完善和改進(jìn)高速公路的安全策略,有針對(duì)性地采取措施,例如在事故多發(fā)路段前的LED屏警示駕駛者;對(duì)關(guān)鍵路段進(jìn)行實(shí)時(shí)監(jiān)控;定時(shí)路段巡邏,觀察路面情況并及時(shí)清障;在夜間駕駛視距不好的路段加裝路燈及反光提示標(biāo)志,保證高速公路行車安全。在事故發(fā)生后及時(shí)準(zhǔn)確地判斷事故嚴(yán)重程度情況,有針對(duì)性的采取救援措施。從駕駛者的角度來(lái)說(shuō),需要培養(yǎng)綜合駕駛素質(zhì),定期參加有關(guān)高速公路駕駛安全知識(shí)的學(xué)習(xí)培訓(xùn),訓(xùn)練提高對(duì)危險(xiǎn)情況的判斷能力和反應(yīng)能力,減少不必要事故的發(fā)生;掌握不同情況下的緊急操作,學(xué)習(xí)自救知識(shí),降低高速公路交通事故的嚴(yán)重程度,保障自身安全。

3)高速公路交通事故由多種因素影響造成。由于研究數(shù)據(jù)有一定局限性,需要更全面完善的數(shù)據(jù)支持下一步的研究,考慮更多變量例如駕駛方式、碰撞方式、駕駛?cè)说臓顟B(tài)及事故發(fā)生前短時(shí)間車輛運(yùn)動(dòng)軌跡等對(duì)事故的影響,或找到更加先進(jìn)的事故預(yù)測(cè)模型,進(jìn)而由事故后預(yù)測(cè)轉(zhuǎn)變?yōu)槭鹿蕦?shí)時(shí)預(yù)測(cè),再轉(zhuǎn)變?yōu)槭虑邦A(yù)警預(yù)測(cè),才符合我國(guó)未來(lái)智能交通的發(fā)展方向。