基于CIDAS数据与可解释模型的行人交通事故风险识别.pdf

10.16638/ki.1671-7988.2023.016.006 10.16638/ki.1671-7988.2023.016.006 基于 CIDAS 数据与可解释模型的行人交通 事故风险识别 胡金榜，张泽庆，白耀东，雷晨阳（长安大学 汽车学院，陕西 西安 710064）摘要：行人道路交通事故是一种常见的交通事故，为了构建有效的行人交通安全防治体系，论文使用中国事故深度调查（CIDAS）数据集进行分析研究。采用多次重复的 K 折交叉验证评估，并确认随机森林模型在该数据集上具有统计学功效后，利用基于排列的特征重要性算法对影响行人交通事故的特征进行了量化分析。随后对重要事故特征的数据进行统计，并使用卡方检验确定随机性的影响。研究表明，事故参与人员数、行人年龄段、事故发生时间与道路最高允许车速是影响行人交通事故后果的最重要特征。整体趋势表明事故参与人员数越多，事故后果越严重；对于 13 岁及以上的人群，行人年龄越大发生事故的后果也更严重；在凌晨 0:004:00 发生的事故中，事故的严重程度明显高于其他时间段；在限速为 80 km/h 及以上的道路上发生事故的后果更严重。关键词：行人交通安全；CIDAS 数据；多次重复的 K 折交叉验证；随机森林模型；基于排列的特征重要性算法；卡方检验 中图分类号：U461.99 文献标识码：A 文章编号：1671-7988(2023)16-29-07 Risk Recognition of Pedestrian Traffic Accidents Based on CIDAS Data and Interpretable Model HU Jinbang,ZHANG Zeqing,BAI Yaodong,LEI Chenyang(School of Automobile,Changan University,Xian 710064,China)Abstract:Pedestrian road traffic accidents are a common type of traffic accidents.In order to build an effective pedestrian traffic safety prevention and control system,the China in-depth accident study(CIDAS)data is used for analysis and research.After using repeated rounds of K-fold cross-validation to evaluate and confirm that the random forest model has statistical power on this data,the permutation feature importance algorithm is used to quantify the features that affect pedestrian traffic accidents.The data of important features are then statistically analyzed and chi-squared test is used to determine the effect of randomness.The research shows that the number of accident participants,age group,accident occurrence time and maximum speed limit are the most important features affecting 作者简介：胡金榜（1999），男，硕士研究生，研究方向为道路交通安全，E-mail:。30 汽 车 实 用 技 术 2023 年 the consequences of pedestrian traffic accidents.The overall trend shows that the more people involved in the accident,the more serious the consequences of the accident;for people aged 13 and above,the older the pedestrian,the more serious the consequences of the accident;in the accidents that occurred between 0:00 to 4:00 in the morning,the severity of the accidents is significantly higher than that in other time periods;the consequences of accidents on roads with a speed limit of 80 km/h and above are more serious.Keywords:Pedestrian traffic safety;CIDAS data;Repeated rounds of K-fold cross-validation;Random forest model;Permutation feature importance;Chi-square test 行人交通事故是一种常见的交通事故类型。据世界卫生组织全球道路安全现状报告 20151显示，全球每年死于道路交通事故的行人为 27 万人，行人占事故死亡人数的比例为 22%。赵琳娜的研究显示，我国城市行人交通事故死亡人数在交通事故死亡人数中占比超过 30%2。为了有效减少行人事故的发生，国内外研究人员对该事故类型进行了大量的研究，以获取造成行人交通事故的重要原因，并以此为依据进行行人交通事故防治。张诗波等3收集了 181 起行人交通事故信息，对事故特征与致因机理进行了深入分析，发现60.0%的行人事故是行人违章横穿马路所致；李丹等4通过对国家车辆事故深度调查体系中的事故进行建模分析，发现行人交通事故中车辆的碰撞速度与行人运动状态对行人受伤程度的影响规律；兰凤崇等5使用聚类与反向传播（Back Pro-pagation,BP）神经网络对行人碰撞后的风险进行了预测，并得到了行人伤亡风险预测准确率为86%的模型；何雅琴等6使用累计 Logistic 模型对行人交通事故的严重程度进行了分析，获取了影响行人交通事故严重程度的重要因素；曹军帅等7用 LS-DYNA 仿真的方式对行人交通事故进行分析，发现了人车碰撞角度对行人身体损失程度的影响规律。SHEYKHFARD 等8使用结构方程模型（Stru-ctural Equation Modeling,SEM）方法调查了 2012年至2018年在伊朗发生的 1 358次行人交通事故，发现道路的线形是造成行人死亡的最重要因素；CONGIU 等9对环境建筑与行人安全的关系进行分析，发现路边停车会将行人事故的风险增加约两倍；KATANALP 等10使用地理信息系统的密度分析与多个机器学习模型对行人交通事故进行建模分析，得出了公共交通、速度和道路类型因素对行人安全影响最大的结论；SHEN11提出了一种融合了多个模型的统计框架以定量确定行人在无信号交叉口的风险。虽然国内外对行人交通事故已有较多的研究，但研究所使用的数据本身就已决定了所能获得的信息量上限，研究所使用的方法只能尽可能地接近这个上限12。使用某一地区的数据集得出的结论不一定能很好地推广到其他地区，即使是使用同一地区获取的数据集也会因研究方式的关注重心不同而得出不同的结论。本文将聚焦于中国的行人交通事故研究，采用中国事故深度调查（China In-Depth Accident Study,CIDAS）数据，利用机器学习中的随机森林模型，结合排列的特征重要性算法获取影响行人交通事故的重要因素，并且进行深层次的统计分析。1 数据说明 交通安全事故通常以防为主，因此，在清洗筛选数据时需要注意事故发生的前因后果，在本研究中选取的特征需要确保发生在事故前，而不选取发生在事故后的特征。笔者从 CIDAS 数据中获取了 2011 至 2020 年的 1 422 条行人交通事故数据，每一条数据代表一个行人的信息。表 1 说明了 21 个行人交通事故中的特征，包括事故信息、车辆信息、行人信息与道路信息四大类，该四大类特征将作为自变量。此外，表 1 说明了行人在事故中的后果，此为因变量。对于该研究，输入示例x?记作 T(21)(20)(2)(1)(x,x,.,x,xx=?（1）式中，x(j)为x?的第 j 个特征，本研究中共有 21 个特征与一个因变量。第 16 期 胡金榜，等：基于 CIDAS 数据与可解释模型的行人交通事故风险识别 31 整个数据集表示为 D)()()(142214222211y,x,.,y,x,y,x?=（2）表 1 变量分类表 特征 特征说明（属性值）事故信息 事故发生时间 t1,12，且 tZ。对定义域内任意 t，对应于 24 小时制中，(2t2):00(2t):00。例如 t=2，则对应 2:004:00 行人责任 1：同责；2：没有责任；3：部分过失；4：主要责任；5：全责 天气 1：风暴；2：晴；3：阴；4：雨；5：雪；6：雾 降水情况 1：小雨；2：未降雨；3：大雨；4：冰雹；5：雪；6：雨夹雪 雾时能见度 1：没有雾；2：小于 25 m；3：2550 m；4：5075 m；5：75100 m；6：100200 m；7：200500 m；8：5001 000 m 事故车辆数 离散型变量 事故涉及方总数 离散型变量 事故参与人员数 离散型变量 车辆信息 参与车辆类型 1：轿车；2：货车；3：客车；4：SUV；5：客车与轿车；6：货车与轿车；7：MPV；8：客车与货车；9：客车、货车与轿车 碰撞前车辆运动方向 1：静止；2：向前（含向前转弯）；3：后退（含倒车转弯）；4：未知 行人信息 行人年龄段 1：70 岁；10：未知 性别 1：男性；2：女性 碰撞时行人速度 1：未知；2：无；3：走动；4：慢走；5：快走；6：跑动；7：其他 道路信息 道路最高允许车速 1：0 km/h；2：5 km/h；3：10 km/h；4：15 km/h；5：20 km/h；6：30 km/h；7：40 km/h；8：50 km/h；9：60 km/h；10：70 km/h；11：80 km/h；12：90 km/h；13：100 km/h；14：110 km/h；15：120 km/h 道路两侧路面 1：水泥路面；2：沥青路面；3：铺石路面；4：其他路面；5：未铺砌路面 碰撞位置 1：人行道；2：自行车道；3：机动车道；4：电车轨道；5：其他 道路特征 1：无；2：交叉路段；3：丁字路口；4：小区工厂等内道路或出口；5：上坡；6：下坡；7：弯道 路面情况 1：干；2：潮湿；3：湿；4：冰冻；5：雪 道路线形 1：平直；2：一般弯；3：一般坡；4：急弯；5：陡坡；6：连续下坡；7：一般坡弯；8：其他 交通控制 1：无；2：工作的红绿灯；3：其他 道路类型 1：高速公路；2：一级公路；3：二级公路；4：三级公路；5：四级公路；6：等级外公路；7：城市快速路；8：城市主干路；9：城市次干路；10：城市支路；11：自行车与步行使用的道路；12：停车场；13：工厂 等单位的内部道路；14：村庄内部道路 因变量 行人事故后果 0：无伤或轻伤；1：重伤或死亡 注：SUV：运动型多用途车（Sport Utility Vehicle）；MPV：多用途汽车（Multi Purpose Vehicles）。2 获取重要特征 在交通事故的防治中，分析导致交通事故发生的重要因素是制定预防措施的关键。本文将聚焦于降低行人交通事故的伤害，即通过获取影响行人交通事故中造成行人重伤或死亡的因素，并且对这些因素进行进一步的统计分析。即可以将问题转化为分析x?=(x(1),x(2),x(20),x(21)T中的各x(j)对事故后果 y 的贡献程度，从而确定影响事故后果的重要因素，再对贡献程度较大的 x(j)进一步分析。对于该问题，利用机器学习中的可解释性模型可以解决该问题。2.1 可解释性模型 在机器学习中，模型的可解释性一直以来是研究的重点与难点。常见的可解释性模型包括：线性回归模型13、逻辑回归模型14、树模型15与深度学习16中的卷积网络模型17。数据可以分为结构化数据与非结构化数据，本文中的数据集属于典型的结构化数据，而图片、视频、音频等数据则属于非结构化数据。对于结构化数据可以考虑使用线性回归模型、逻辑回归模型或者是树模型。树模型是多种模型的统称，树模型包含：决32 汽 车 实 用 技 术 2023 年 策树模型18、随机森林模型19、梯度提升树模型20、XGBoost21、LightGBM22、CatBoost23等。由于本研究中的问题属于安全领域，因此，算法需要极好的鲁棒性，并且需要防止过拟合，在该研究中选择随机森林模型作为备选模型19。2.2 模型的性能度量 在该问题中，用随机森林模型拟合数据以期获得一个二分类模型，而衡量二分类模型性能常见的指标有精度、查准率、查全率、AUC（Area Under Curve）等指标。在该问题中，考虑到需要获得的是一个具有统计学功效的模型，因此，选用 AUC 作为模型的性能衡量指标。AUC 是一个实用的衡量指标24。无论数据集多么不平衡，完全随机的分类器预测得到的 AUC总是等于 0.5。只有当训练获得的模型的 AUC 大于 0.5 时，得到的模型才具有统计学功效。ACU被定义为接收者操作特征曲线（Receiver Operating Characteristic Curve,ROC）下与坐标轴围成的面积。ROC 属于信号检查理论中的术语，ROC 曲线是根据真正类率（True Positive Rate,TPR）和假正类率（False Positive Rate,FPR）的坐标点绘制出来的。ROC 曲线的横坐标是 FPR，纵坐标是 TPR，其计算公式如下：TNFPFPFPR+=（3）FNTPTPTPR+=（4）式中，FP、TN、TP、FN 的含义如表 2 所示。表 2 混淆矩阵 混淆矩阵 真实值=1 真实值=0 预测值=1 TP FP 预测值=0 FN TN 对于分类问题，在一些研究中，如魏雯等25在较小的数据集上，将数据集随机分为训练集和测试集，即单次使用留出法，在训练集上面训练模型，然后用测试集去衡量模型的效果。这种方式最大的问题在于划分训练集和测试集时的随机性会导致模型很难得到准确评估。为了尽可能准确地衡量随机森林模型在该数据集上的 AUC 指标，在本研究中将采用多次重复的 K 折交叉验证，该评估方法可以有效防止在评估过程中因数据的随机分配而造成的评估误差26。具体的操作方式是多次使用 K 折交叉验证，在每次进行 K 交叉验证之前都要先随机地将数据打乱，最终的评估分数是多次 K 折交叉验证的平均值。在该问题中选择重复 10 次 K=5 的交叉验证，也就是将图 1 的 5折交叉验证过程重复 10 次，在每次进行 5 折交叉验证之前都需要将数据集随机打乱。将行人的事故后果作为因变量 y，表 1 中的其余 21 个特征作为自变量x?=(x(1),x(2),x(20),x(21)T，用 Scikit-Learn中的随机森林模型对数据进行拟合，获得重复 10次的 5 折交叉验证的 AUC 值，其平均值 76.16%50%，因此，在该研究中可以使用随机森林模型拟合所有数据，并获得具有良好统计学功效的模型。图 1 多次重复的 K 折交叉验证 2.3 随机森林模型特征重要性的获取 随机森林算法19是通过集成学习的思想将多个决策树集成在一起，在此处的决策树是一个分类器，各个决策树之间没有任何关联，随机森林算法对多个决策树的结果进行投票得到最终结果。随机森林模型的鲁棒性很好27，可以直接采用 Scikit-Learn官方库中默认的随机森林模型的拟合数据集并且取得较好的泛化效果。此外，随机森林模型具有良好的可解释性，常用于衡量该模型的特征重要性的方式是根据某个特征上分割的所有节点的 Gini 不纯度分数的下降均值，即基于Gini 不纯度的重要性算法，该方式衡量的是如果包含这个特征这些节点的纯度会有多大的提升28。为了尽可能准确地评估特征的重要性，本文将使用需要额外计算开销的基于排列的特征重要性算法。本文使用的基于排列的特征重要性算法19的原理如下：1）将数据按比例 8:2 随机划分为训练数据和测试数据；2）使用训练数据训练出随机森林模型 m；3）计算模型 m 在测试数据上的精度 s；4）for 测试数据上的每个特征 j；5）for k in 1,2,10；6）随机打乱测试数据的特征 j 对应列的值以产生一个数据集 Dk,j；7）计算模型在数据集 Dk,j上的精度 sk,j；第 16 期 胡金榜，等：基于 CIDAS 数据与可解释模型的行人交通事故风险识别 33 8）特征 j 的重要度=101101kj,kSs；9）将 1）8）步骤重复 100 次，并计算特征j在100次上的重要度的均值作为特征 j的重要度。使用上述两种算法获取导致因变量 y 变化的特征 j 的重要性如图 2 所示，可以看到基于排列重要性的算法与基于 Gini 不纯度的重要性的算法所得到的特征重要性有所差别。因为本文涉及安全问题，需要更高的准确性，故采用基于排列的特征重要性算法的结果。(a)基于 Gini 不纯度的重要性 (b)基于排列的重要性 图 2 特征及特征重要度 3 重要特征的分析 从图 2(b)可知，事故参与人员数、行人年龄段、事故发生时间和道路最高允许车速的特征重要度高于其他特征。本文将着重分析特征重要度排名前四的特征。图 3 绘制了数据集中特征 j 中属性值为 i 时发生行人重伤或死亡的占比情况，记作pij，其计算公式如下：%nnnp ijij ijij100+=（5）式中，nij为特征 j 中属性值为 i 时发生行人重伤或死亡的事故次数；nij为特征 j 中属性值为 i 时发生行人无伤或轻伤的事故次数。3.1 卡方检验 为避免随机性对本研究造成影响，需要衡量随机性导致图 3 中的情况出现的概率。在本文中将采用卡方检验，获取其相应的 p 值，p 值在统计学上的含义是随机性导致该情况发生的概率。对以上的四个特征分别做四次卡方检验，计算出其对应的 p 值。对特征 j 获取如表 3 所示的表格 (a)事故参与人员数 (b)行人年龄段 (c)事故发生时间 34 汽 车 实 用 技 术 2023 年 (d)道路最高允许车速 图 3 特征重要度排名前四的特征的死亡或重伤占比 信息，然后用 Python 导入库 Scipy 进行卡方检验，并获取其 p 值。该检验过程所需的数据与细节均在本文附带的源代码中进行了实现。表 4 显示了特征重要度排名前四的特征的 p 值，从中可以得知所有的 p 值均远小于统计学上常用的 0.00529，即出现图 3 中的情况超出了随机性变动的范围。因此，可以使用图 3 分析总结影响行人交通事故严重程度的重要特征。表 3 特征j的分析表格 属性值 属性值 1 属性值 2 属性值 i 重伤或死亡 n1j n2j nij 无伤或轻伤 n1j n2j nij 表 4 p值表 特征 事故参与 人员数 行人年龄段 事故发 生时间 道路最高 允许车速 p 值 1.0510-14 1.7410-9 2.3510-9 1.8510-18 3.2 结论 从图 3 可知，随着行人事故参与人数的增加，行人发生死亡或重伤的概率呈现增长趋势。对于行人年龄段，13 岁及其以上的人群的趋势是年龄越大发生死亡或重伤的概率也越大；年龄小于 6岁的人群，其死亡或重伤的占比也较高，为55.38%。相比于其他的事故发生时间段，在 8:0010:00 时段发生的行人交通事故中行人死亡或重伤的概率较低，为 46.97%；而在 0:002:00 与2:004:00 这两个时间段内发生的行人交通事故中，行人死亡或重伤的概率明显高于其他时间段，分别为 88.24%与 90.32%。在道路最高允许车速的分析中，从整体趋势上看，在限速为 80 km/h 及以上的道路上发生的行人交通事故中行人死亡或重伤的概率明显大于在限速低于 80 km/h 的道路上的概率。因为本文使用的数据无法覆盖所有的行人交通事故情况，故得出的上述结果只能反映造成行人交通事故的部分重要因素。4 结语 本文采用了多次重复的 K 折交叉验证方法对随机森林模型在该数据集上的表现进行了评估，当确定随机森林算法在该数据集上具有统计学功效之后，使用基于排列的重要性算法以得到影响行人交通事故严重程度的重要特征，并对重要特征进一步进行统计学分析，为减轻行人交通事故的后果提供了参考依据。在交通事故的防治中，难点是如何在众多的事故因素中找寻导致事故发生的真正重要因素。本文的核心是先将问题转化为监督学习，然后通过机器学习中的随机森林模型与基于排列的特征重要性算法可靠地量化特征的重要性，最后通过传统的统计学方法假设性检验与统计分析进一步分析关键特征。在其他类型的交通事故中，若能获得结构化的数据，且能满足监督学习的条件，也能考虑使用该方法进行特征重要性分析。在该研究中，由于各个因素在实际中通常是相互作用并影响行人交通事故的后果，但本文中提供的方法无法获取各个特征之间的交互影响作用，若今后能有研究进一步发现各因素间的规律，会对行人交通事故后果的预防与减轻具有更深远的积极影响。参考文献 1 ORGANIZATION W H.Global Status Report on Road Safety 2015M.Genve:World Health Organization,2015.2 赵琳娜.城市道路交通事故特点及解决对策J.汽车与安全,2018(5):68-70.3 张诗波,刘澜,李平飞,等.行人致命交通事故特征与致因机理研究:基于 181 例深度调查事故案例J.交通信息与安全,2018,36(6):16-23.4 李丹,李平飞,廖文俊,等.行人运动状态对人车碰撞事故中行人损伤的影响J.科学技术与工程,2019,19(20):383-388.5 兰凤崇,张越,陈吉清,等.人车碰撞事故中行人伤亡风险的关联性分析与预测J.华南理工大学学报(自然科学版),2022,50(5):1-10.6 何雅琴,段雨阳,王晨.基于累积 Logistic 模型的行人交通事故严重程度分析及对策研究J.安全与环境学报,2021,21(3):1165-1172.第 16 期 胡金榜，等：基于 CIDAS 数据与可解释模型的行人交通事故风险识别 35 7 曹军帅,任传波,孙志钏,等.多角度人车碰撞事故中行人的损伤性分析J.山东理工大学学报(自然科学版),2021,35(1):33-36.8 SHEYKHFARD A,HAGHIGHI F,NORDFJAERN T,et al.Structural Equation Modelling of Potential Risk Factors for Pedestrian Accidents in Rural and Urban RoadsJ.International Journal of Injury Control and Safety Promotion,2020,28(1):46-57.9 CONGIU T,SOTGIU G,CASTIGLIA P,et al.Built Environment Features and Pedestrian Accidents:An Italian Retrospective StudyJ.Sustainability,2019,11(4):1-14.10 KATANALP B Y,EREN E.GIS-based Assessment of Pedestrian-vehicle Accidents in Terms of Safety with Four Different ML ModelsJ.Journal of Transporta-tion Safety&Security,2022,14(9):1598-1632.11 SHEN X,RAKSINCHAROENSAK P.Pedestrian-aware Statistical Risk AssessmentJ.IEEE Transactions on Intelligent Transportation Systems,2021,23(7):7910-7918.12 SHANNON C E.A Mathematical Theory of Commu-nicationJ.The Bell System Technical Journal,1948,27(3):379-423.13 DRAPER N R,SMITH H.Applied Regression Anal-ysis M.New York:John Wiley&Sons,1998.14 HOSMER JR D W,LEMESHOW S,STURDIVANT R X.Applied Logistic RegressionM.New York:John Wiley&Sons,2013.15 SAFAVIAN S R,LANDGREBE D.A Survey of Deci-sion Tree Classifier MethodologyJ.IEEE Transactions on Systems,Man,and Cybernetics,1991,21(3):660-674.16 LECUN Y,BENGIO Y,HINTON G.Deep LearningJ.Nature,2015,521(7553):436-444.17 ZEILER M D,FERGUS R.Visualizing and Understan-ding Convolutional NetworksC/Computer Vision-ECCV 2014:13th European Conference.Heidelberg:Springer,2014:818-833.18 SONG Y Y,YING L.Decision Tree Methods:Applica-tions for Classification and PredictionJ.Shanghai Archives of Psychiatry,2015,27(2):130.19 BREIMAN L.Random ForestsJ.Machine Learning,2001,45(1):5-32.20 FRIEDMAN J H.Greedy Function Approximation:a Gradient Boosting MachineJ.Annals of Statistics,2001:1189-1232.21 CHEN T,GUESTRIN C.Xgboost:A Scalable Tree Boosting SystemC/Proceedings of the 22nd Acm Sigkdd International Conference on Knowledge Disc-overy and Data Mining.New York:Association for Computing Machinery,2016:785-794.22 KE G,MENG Q,FINLEY T,et al.Lightgbm:A Highly Efficient Gradient Boosting Decision TreeJ.Advan-ces in Neural Information Processing Systems,2017,30:3149-3157.23 PROKHORENKOVA L,GUSEV G,VOROBEV A,et al.CatBoost:Unbiased Boosting with Categorical Fea-turesJ.Advances in Neural Information Processing Systems,2018,31:33227770.24 LING C X,HUANG J,ZHANG H.AUC:A Better Mea-sure Than Accuracy in Comparing Learning Algorithms C/Advances in Artificial Intelligence:16th Confe-rence of the Canadian Society for Computational Stu-dies of Intelligence.Heidelberg:Springer,2003:329-341.25 魏雯,杜雨萌,董傲然,等.基于 CIDAS 数据与集成学习的电动两轮车骑行者伤害致因分析J.交通信息与安全,2022,40(2):45-52,62.26 REFAEILZADEH P,TANG L,LIU H.Cross-validation J.Encyclopedia of Database Systems,2009(5):532-538.27 BIAU G.Analysis of a Random Forests ModelJ.The Journal of Machine Learning Research,2012,13(1):1063-1095.28 QUINLAN J R.Induction of Decision TreesJ.Mach-ine Learning,1986,1(1):81-106.29 IOANNIDIS J P.The Proposal to Lower P Value Thresholds to.005J.Jama,2018,319(14):1429-1430.