基于径向基神经网络的高速公路交通事故影响因素分析.pdf

DOI:10.19330574.2023.04.013K文章编号：1 0 0 50514-（2 0 2 3)0 4-0 0 5 9-0 4Highways&Transportation in Inner Mongolia总第1 9 6 期59内蒙古公路与运输基于径向基神经网络的高速公路交通事故影响因素分析岳龙（1.山西交控朔州高速公路管理有限公司，山西朔州036002;2.山西交控汾石高速公路有限公司，山西孝义032300)摘要：为实现多重因素作用下的高速公路交通事故分析，基于径向基神经网络理论建立交通事故预测模型，综合考虑道路线形（圆曲线半径、转角、纵坡）、交通组成（自然交通量、折算交通量、货车率）及路面技术状况指标（PCI、R QI、R D I、SR I）三类因素，对某高速公路2 0 1 8 年一2 0 2 2 年的交通事故进行建模训练，并分析各因素对诱发交通事故的贡献。结果表明：径向基神经网络用于预测交通事故，可行性强、准确率高（9 1.6%）；相较于线形指标而言，交通组成与路况指标对交通事故影响较大；各因素对诱发交通事故的贡献排序为自然交通量 SRI折算交通量 RDI货车率。关键词：交通安全；道路线形；路面技术状况指标；影响因素中图分类号：U414文献标识码：AAbstract:To analyze highway traffic accidents under the influence of multiple factors,a traffic accident prediction model based onthe radial basis neural network theory was established.This model considered three types of factors regarding road alignment(radius ofcircular curve,turning angle,longitudinal slope),traffic composition(natural traffic volume,converted traffic volume,truck rate),andpavement technical condition index(PCI,RQI,RDI,SRI).The prediction model was trained using the traffic accident data from 2018 to2022,and the contributions of each factor to induced traffic accidents was analyzed.The results show that the radial basis neural networkcan be used to predict traffic accidents with high feasibility and accuracy(91.6%).The traffic composition and road condition indicatorshave the greater influence on traffic accidents than the alignment indicators.The ranking of factors contributing to traffic accidents is asfollows:natural traffic volume SRI converted traffic volume RDI truck rate.Key words:traffic safety,road alignment,pavement technical condition index,influencing factor0引言随着我国交通运输事业不断发展，机动车保有量逐渐攀升。截至2 0 2 2 年，我国机动车保有量高达4.0 8亿辆。虽然我国已修建了大量的公路基础设施，但巨大的出行需求仍可能导致交通事故频发，进而造成重大人员伤亡和财产损失。较多学者集中于线形指标对高速公路安全性的影响研究，如陈金梅分析了山区高速公路事故率与线形指标间的相关性，并对各线形指标和组合进行优化；苏晓智等(4 调查统计了不同竖曲线坡长、坡度组合路段的事故风险概率，分析了高速公路纵断面线形指标对交通事故的影响；熊艳等 5 分析了平面线形指标（圆曲线、缓和曲线、直线)与纵断面线形指标(坡长、坡度)对交通安全的影响规律。已有研究在一定程度上得出线形指标与公路运营安全之间的关系，并为公路选线设计提供了参考。但诱发交通事故的影响因素众多 6.7 ,如人、车、路、环境与管理等，且各因素错综复杂。如何准确捕捉交通事故诱因，合理分析各因素的影响程度，是当前交通安全领域研究的重点之一。为实现多重因素作用下的高速公路交通事故分析，本研究基于径向基神经网络理论建立交通事故预测模型，综合考虑道路线形（圆曲线半径、转角、纵坡）、交通组成（自然交通量、折算交通量、货车率）及路面技术状况指标（路面损坏状况指数PCI、行驶质量指数RQI、车辙深度指数RDI、抗滑性能指数SRI)三类因素，对山西省某高速公路2 0 1 8 年一2 0 2 2 年的交通事故进行建模训练，并分析各因素对诱发交通事故的贡献。通过交通事故预测及影响因素分析，进一步从交通管制、作者简介：岳龙（1 9 8 8 一），男，山西朔州人，工程师，研究方向：道路与桥梁工程。Highways&Transportation in Inner Mongolia2023年第4期60内蒙古公路与运输路面维修养护、交安设施设置等方面，提出事故影响因素的纠偏建议，为公路管理部门资产维护、安全管控等工作提供决策依据。1径向基神经网络结构原理径向基神经网络是基于径向基函数RBF（R a d ia lBasisFunction)设计的一种单隐藏层前馈型神经网络8,其典型结构如图1 所示XW11W2122X3W20M101TWMQ!MP输入层隐藏层输出层图1典型RBF神经网路结构RBF神经网络由三层结构组成：输入层、隐藏层和输出层。输人层用于接受数据输人；隐藏层包括多个径向基神经元，每个神经元使用一个径向基函数表示其贡献；输出层将权重系数与隐藏层神经元输出相结合，输出最终响应结果。P为输人层矢量维数，M为隐藏层神经元数，Q为输出层矢量维数。当输出变量为X，时，隐藏层第i个节点的输出为：X,-c.)d(Xx,C,o.)=exp(1)20式(1)中,C,=(Ci,Ci2,.Cip)为第i个隐藏层节点的基函数(高斯函数)中心；,为i个隐藏层基函数标准差；X,-C.I为(X-C)向量的2 范数,表示Xk与C,间的欧几里得距离。对于所有训练样本，径向基神经网络期望输出为：MY,=Zo(X,C,o,)w,+e(2)=1式(2)中，w,为第i个隐藏层节点与第j个输出层节点间的连接权重；e为拟合误差。2预测模型建立与训练事故影响因素的合理选择是确保神经网络模型准确性的前提条件。能否选择出一组(或多组)最能反映输出变量（是否发生事故）的影响因素，直接关系到神经网络预测结果的准确性9。本研究综合考虑了线形指标、交通组成、路面技术状况指标三类影响因素，作为神经网络模型的输入变量。以山西省某高速公路2 0 1 8 年至2 0 2 2 年事故统计资料为依据，分别统计事故点的桩号、车道信息；通过查阅建设期竣工资料，统计事故点的线形数据（圆曲线半径、转角、纵坡）；通过ETC区间收费数据，分析事故点的交通组成（自然交通量、折算交通量、货车率）；通过公路沥青路面养护决策系统，调取事故点路面技术状况年检数据，路况指标包括路面损坏状况指数PCI、抗滑性能指数SRI、车辙深度指数RDI以及行驶质量指数RQI。输出变量预设方法：发生事故标记为1,未发生事故标记为O。基于IBMSPSSStatistics软件，建立事故预测模型，模型参数见表1。表1事故模型参数序号因素参数1自然交通量2交通组成折算交通量3货车率4圆曲线半径5线形指标转角6输纵坡人7层PCI8SRI路况指标9RQI10RDI11单元数1012标度方法标准化隐藏层13单元数10014激活函数Softmax15因变量事故标记，0 或1输16单元数2出17激活函数恒等式层18误差函数平方和模型预测精度与原始数据的准确性、数据集大小、模型算法、参数预设、初始化权值及阈值的随机性等因素有关。经批量训练、反复比对，确定数据样本划分比例见表2。表2样本量及划分比例参数样本数(个)百分比(%)样本训练集26268.6类型检验集12031.4有效样本3821003结果与分析3.1预测准确率径向基神经网络模型事故预测拟概率分布如图2所示；因变量为事故标记，发生事故标记1，未发生事故标记0。总第1 9 6 期岳龙：基于径向基神经通事故影响因素分析611.5预测事故标记-0预测事故标记-11.0*0.5*+?*0.0-0.501实测事故标记图2预测拟概率分布由图2 可知，实测事故标记为0 时，预测标记为0 的概率为9 3.1%，预测标记为1 的概率为6.9%；实测事故标记为1 时，预测标记为0 的概率为2 5%，预测标记为1的概率为7 5%；总样本空间中预测模型准确率为91.6%。3.2ROC曲线受试者工作特征ROC曲线（ReceiverOperatingCharacteristic)是一种表征二分类问题有效性的重要标度0。针对二分类问题，样本空间仅有正例(发生事故和负例(未发生事故)两类；但在模型预测结果一定程度上呈连续性。真正性(TP)代表实际结果为正例，预测亦为正例；假负性(FN)代表实际结果为正例,但预测为负例;真负性(TN)代表实际结果为负例,预测亦为负例；假正性(FP)代表实际结果为负例，但预测为正例。真正率(TPR)是样本空间中所有正例被预测模型判别为正例的比例,代表预测模型的“查全率”,计算如下叫：TPTPR(3)TP+FN而假正率(FPR)是样本空间中所有负例被预测模型判别为正例的比例，代表预测模型的“虚警率”，计算如下川.FPFPR(4)FP+TNROC曲线纵坐标代表真正率（TPR灵敏度），横坐标代表假正率(1-特异度FPR)；曲线下方与横坐标围成的面积AUC（A r e a U n d e r t h e R O C C u r v e），可较好地反映出预测模型对二分类问题的分类能力，可用于检验整个模型的精度。依据上述计算方法，绘制事故预测模型ROC曲线，如图3所示。1.00.80.60.4事故标记-00.2事故标记-10.20.40.60.81.01-特异性图3ROC曲线AUC越接近于1，模型预测性能越好；反之亦然。当AUC等于0.5 时（ROC曲线对角线），代表模型预测性能与随机猜测无异。由图3可知，事故标记为0 和事故标记为1 的ROC曲线均靠左上角，且通过对ROC曲线积分，计算其下方面积分别为0.8 8 9、0.8 9 0,说明径向基神经网络用于预测交通事故可行性较强、模型应用价值较高。3.3自变量重要度基于IBMSPSSStatistics软件自带分析模块对自变量重要度进行计算，结果如图4所示。0.140.130.1250.120.1190.1070.1050.100.0950.0860.0780.080.080.0750.060.040.020.00PCISRIRQIRDI转角纵坡贷车率圆曲线半径自然交通量折算交通量自变量图4自变量重要度依据自变量重要度可判断各个自变量对是否发生交通事故的影响程度。由图4可知，总体上讲，各自变量对事故模型预测结果的影响程度排序为：交通量路况线形。其中，排序前5 位分别为：自然交通量SRI折算交通量 RDI货车率；而线形指标重要性程度相对较弱。收稿日期：2 0 2 1-1 2-1 7上接第5 2 页）收稿日期：2 0 2 3-0 4-0 7Highways&Transportation in Inner Mongolia2023年第4期62内蒙古公路与运输4相关建议4.1交通管制山西省2 0 1 4年一2 0 1 6 年的全省事故中，8 0%以上的伤亡事故发生在公路；而公路上发生的较大事故中，涉及货车事故的占比为6 5.8%；死亡人数占比为6 6.7%；说明交通事故预防的关键在货车1 2。与本研究分析得出的“自然交通量、折算交通量、货车率对交通事故预测影响程度较为显著”相一致。建议在事故多发路段、特殊线形路段，加强重中型货车靠右行驶监管力度，减少客货混行引发的交通冲突与通行干扰，提高公路通行能力，有效降低交通事故率。4.2路面维修养护路面抗滑指数SRI对交通事故预测结果的影响程度仅次于自然交通量，该指标是反映路面安全性能的一个重要指标。路面抗滑性能不足，加上雨天湿滑、冬季暗冰等外界自然因素的影响，极易造成车辆侧滑、制动距离增加，进而引发交通事故。另外，相较于路面破损指数PCI、路面平整度指数RQI,路面车辙指数RDI对交通事故预测的影响程度相对靠前。路面车辙指数RDI量化表征路面车辙病害的严重程度，与车辙深度RD直接相关。降雨天气中,车辙病害容易造成轮迹带辙槽内积水，极易导致汽车漂滑、方向盘失控等问题，进而诱发交通事故。4.3交通安全设施设置交通安全设施是公路附属设施的重要组成部分，对减少交通事故率，减轻事故严重程度发挥着重要作用。对于在役高速公路，合理设置交通安全设施是保障交通安全的有效途径。建议加强公路线形特殊路段交通标志、标线的设置，保证其安全诱导和信息服务能力。长大纵坡、急弯陡坡路段可根据需要设置纵向或横向减速标线，并与交通标志配合设置。5结语7王晓原，张敬磊，张元元.汽车驾驶倾向性研究进展 .山东理工大学学报（自然科学版）,2 0 1 1,2 5（6)：1-5.8郑安文.期望车速的意义及其影响因素分析 J.武汉科技大学学报（自然科学版）,2 0 0 5,2 8（1):6 1-6 4.9周尧,过秀成.驾驶员行为特性对交通仿真模型的影响及其应用 .现代交通技术,2 0 0 5(0 2):6 3-6 6.10周伟，王秉纲.路段通行能力的理论探讨 J.交通运输工程学报，2 0 0 1(02):92-98.径向基神经网络事故预测模型在总样本空间中预测准确率为9 1.6%；发生事故和未发生事故的AUC值分别为0.8 8 9、0.8 9 0；用于预测交通事故时可行性较强，模型应用价值较高相较于线形指标而言，交通组成与路况指标对交通事故影响较大；各因素对诱发交通事故的贡献排序：自然交通量 SRI折算交通量 RDI货车率。建议在事故多发路段、特殊线形路段，加强重中型货车靠右行驶监管力度，减少客货混行引发的交通冲突与通行干扰；优先筛选路面抗滑指数SRI、路面车辙指数RDI不足或偏低的路段，并及时采取相关养护措施进行纠偏；长大纵坡、急弯陡坡路段可根据需要设置纵向或横向减速标线，并与交通标志配合设置。参考文献1张天培.我国机动车保有量4.0 8 亿辆 N.人民日报，2 0 2 2-0 8-1 2（0 0 1)2乔枫.道路运输事故隐患及其分级模型 J.内蒙古公路与运输，2 0 2 1(03):57-59.3陈金梅.基于安全性的山区高速公路线形设计研究 .西部交通科技，2021,167(6):80-82,91.4苏晓智，刘维维，张江洪，等.基于关联规则的高速公路纵面线形事故风险概率研究 J.公路交通科技，2 0 2 1,38（9)：1-8.5熊艳，王曼君.道路线形因素对交通安全的影响分析 .交通世界，2021,570(12):76-77.6金昊男，李自豪,赵亮.基于CIS的章丘区公路交通事故风险诱因分析 J山东交通学院学报，2 0 2 2，30（3）：30-39.7叶飞，张冬梅，郭宝义.基于神经网络的交通事故严重程度影响因素研究 J.山东交通学院学报，2 0 1 3,2 1(2)：2 9-34.8冯岩.基于神经网络的地铁隧道健康监测研究 D.辽宁：沈阳建筑大学,2 0 0 9.9杨奎河，王宝树，赵玲玲.基于神经网络的预测模型中输入变量的选择 J.计算机科学，2 0 0 3(0 8)：1 39-1 40 1 43.10韦修喜，周永权.基于ROC曲线的两类分类问题性能评估方法 J计算机技术与发展，2 0 1 0，2 0(1 1)：47-5 0.11周志华.机器学习 M.北京：清华大学出版社，2 0 1 6.12山西省公安厅交警总队.转思路强基础抓重点求突破不断强化公路行车秩序管理 J.汽车与安全，2 0 1 9（0 8）：1 6-1 7.11周和平，曾勇，鞠涛.部队公路机动通行能力求解方法及模型研究 军事交通学院学报，2 0 0 8，1 0（5)：32-36.12李书涛.决策支持系统原理与技术 M.北京：北京理工大学出版社，1996.13张彩江,沈岐平.基于层次分析（AHP)的深层软基处理方案优化选择研究：一个案例 J.系统工程，2 0 0 9,2 4(9)：1 2 1-1 2 5.