楊 奎， 余榮杰， 王雪松

(同濟(jì)大學(xué) 道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海 201804)

?

基于車道集計(jì)交通流數(shù)據(jù)的事故風(fēng)險(xiǎn)評(píng)估分析

楊 奎， 余榮杰， 王雪松

(同濟(jì)大學(xué) 道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海 201804)

事故風(fēng)險(xiǎn)評(píng)估分析提取事故及對(duì)應(yīng)非事故狀況下的交通運(yùn)行數(shù)據(jù)作為自變量，以事故發(fā)生與否作為0或1因變量，采用數(shù)理統(tǒng)計(jì)模型分析事故發(fā)生與交通流狀態(tài)的關(guān)聯(lián)性.為探索上海市城市快速路的車道集計(jì)交通流數(shù)據(jù)用于事故風(fēng)險(xiǎn)評(píng)估分析的可行性，基于條件Logistic回歸，使用該數(shù)據(jù)與事故數(shù)據(jù)構(gòu)建事故風(fēng)險(xiǎn)評(píng)估模型，并檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)精度.結(jié)果表明低運(yùn)行速度、車道間流量的差異性會(huì)增加事故發(fā)生的概率；上海市城市快速路的車道集計(jì)交通流數(shù)據(jù)可用于事故風(fēng)險(xiǎn)評(píng)估研究.

城市快速路; 事故風(fēng)險(xiǎn)評(píng)估; 條件Logistic回歸; 車道集計(jì)交通流; 可行性

快速路在城市道路系統(tǒng)中主要承擔(dān)中長(zhǎng)距離的快速出行需求，具有大容量、高限速的特點(diǎn)，是城市道路交通系統(tǒng)的主動(dòng)脈.城市快速路交通事故多發(fā)、對(duì)交通運(yùn)行影響大：2011年上海市中心城快速路發(fā)生事故19 164起，日均達(dá)52.5起；由交通事故造成的偶發(fā)性擁堵占城市快速路擁堵的50%～75%[1].探索城市快速路事故的發(fā)生機(jī)理，改善交通安全狀況與交通運(yùn)行效率已成為交通管理部門所面臨的重大課題.

事故風(fēng)險(xiǎn)評(píng)估分析主要針對(duì)事故發(fā)生前的交通流紊亂狀況，采用數(shù)理統(tǒng)計(jì)模型對(duì)比分析事故、非事故狀態(tài)下的交通流狀況，開展事故發(fā)生與交通流狀態(tài)的關(guān)聯(lián)性分析，以發(fā)現(xiàn)影響事故風(fēng)險(xiǎn)的交通流因素，并實(shí)現(xiàn)事故風(fēng)險(xiǎn)的預(yù)測(cè)[2-4].Oh等[2]通過整合先進(jìn)的交通管理和信息系統(tǒng)(ATMIS)，利用基于非參數(shù)貝葉斯模型的統(tǒng)計(jì)分析，用實(shí)時(shí)交通狀況量化事故風(fēng)險(xiǎn)，以此證明了判別導(dǎo)致事故的實(shí)時(shí)交通狀況具有潛在能力.

建立事故風(fēng)險(xiǎn)評(píng)估模型的方法主要有病例對(duì)照Logistic回歸[3-4]、固定和隨機(jī)參數(shù)的Logistic模型[5]、貝葉斯隨機(jī)常數(shù)的Logistic模型[6]、二元概率模型(Binary Probability, BP)[7]、概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network, PNN)[8]、基于多層感知器(MLP)和歸一化徑向基函數(shù)(NRBF)的混合神經(jīng)網(wǎng)絡(luò)模型[9]、貝葉斯網(wǎng)絡(luò)(Bayesian Belief Networks， BBN)[10]、遺傳規(guī)劃模型(Genetic Programming, GP)[11]、支持向量機(jī)(Support Vector Machine, SVM)[12]等，并可分為智能算法與傳統(tǒng)算法兩大類.神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)等智能算法得到的模型精度相對(duì)較高，但猶如黑盒子，不能直接識(shí)別事故風(fēng)險(xiǎn)與交通流的關(guān)系[11];而病例對(duì)照Logistic回歸等傳統(tǒng)模型能克服該缺陷，能更好地解釋事故的發(fā)生機(jī)理.因此該研究使用病例對(duì)照Logistic回歸作為研究方法.

病例對(duì)照研究(Case-control Study)是經(jīng)典的流行病學(xué)研究方法，常用于探索某疾病的危險(xiǎn)因素[13]，以患有某疾病的病人作為病例，以不患該病但具有可比性的個(gè)體作為對(duì)照，測(cè)量其既往暴露于某個(gè)(或某些)危險(xiǎn)因子的情況和程度，以判斷危險(xiǎn)因子與該病有無關(guān)聯(lián)及關(guān)聯(lián)程度大小.事故風(fēng)險(xiǎn)評(píng)估分析中常采用病例對(duì)照研究方法提取交通流數(shù)據(jù)，其中“病例”為單起交通事故，“對(duì)照”為沒有發(fā)生交通事故時(shí)對(duì)應(yīng)路段的“非事故”[3-4].

感應(yīng)線圈檢測(cè)器是事故風(fēng)險(xiǎn)評(píng)估研究中交通流數(shù)據(jù)的主要來源，既有研究的線圈檢測(cè)器數(shù)據(jù)記錄時(shí)間間隔主要有10 s[2]和30 s[3-4,6,9,11]，是高頻率采集的微觀交通流；而本文使用5 min車道集計(jì)流量、速度數(shù)據(jù)，是低頻率集計(jì)的車道交通流.

已有研究[3-4,6,9,11]發(fā)現(xiàn)流量、速度、流量標(biāo)準(zhǔn)差、速度標(biāo)準(zhǔn)差是影響交通事故風(fēng)險(xiǎn)的重要因素：流量是平均每車道的流量；速度、流量標(biāo)準(zhǔn)差、速度標(biāo)準(zhǔn)差分別是基于高頻率采集的微觀交通流，集計(jì)時(shí)間片段內(nèi)車道間的平均速度、流量標(biāo)準(zhǔn)差、速度標(biāo)準(zhǔn)差(集計(jì)的目的是消除由于交通流數(shù)據(jù)采集間隔較短而易出現(xiàn)的數(shù)據(jù)噪聲[3,9,14]).其平均速度變量反映的是集計(jì)時(shí)間片段內(nèi)時(shí)間與空間上的整體平均水平；類似于速度標(biāo)準(zhǔn)差變量，其流量標(biāo)準(zhǔn)差變量是基于高頻率采集的微觀交通流，將流量在時(shí)間上的波動(dòng)性與車道間的離散性匯集起來，整體反映道路斷面上流量在時(shí)空上的波動(dòng)程度.交通流數(shù)據(jù)的差異性會(huì)引起分析變量含義的不同，本文流量變量是斷面總流量，更能反映具有不同車道數(shù)的事故地點(diǎn)附近的實(shí)際流量水平，和事故與非事故對(duì)應(yīng)交通量間的差異，更能充分反映交通流量對(duì)事故風(fēng)險(xiǎn)的影響；平均速度變量是車道間平均速度，能單獨(dú)反映空間上的平均水平；流量標(biāo)準(zhǔn)差變量反映車道間流量離散性，速度標(biāo)準(zhǔn)差變量反映車道間速度離散性，能單獨(dú)反映空間上的波動(dòng)水平.

為分析車道集計(jì)交通流數(shù)據(jù)開展事故風(fēng)險(xiǎn)評(píng)估分析的可行性，以上海市城市快速路為研究對(duì)象，基于病例對(duì)照研究方法提取事故與非事故條件下的交通流數(shù)據(jù)，并將樣本隨機(jī)拆分為訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù).訓(xùn)練數(shù)據(jù)用于構(gòu)建事故風(fēng)險(xiǎn)評(píng)估模型，測(cè)試數(shù)據(jù)則用于檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)精度.

1 數(shù)據(jù)準(zhǔn)備

研究使用的數(shù)據(jù)包括上海市城市快速路道路線形數(shù)據(jù)、事故數(shù)據(jù)(2009年1月和3月)和線圈檢測(cè)交通數(shù)據(jù)(2009年1月和3月的5 min集計(jì)的車道流量、平均車速).

1.1 事故數(shù)據(jù)與線圈數(shù)據(jù)的匹配

為分析交通流狀態(tài)對(duì)事故風(fēng)險(xiǎn)的影響，建立事故風(fēng)險(xiǎn)評(píng)估模型，需獲取事故發(fā)生前事故地點(diǎn)上、下游的交通流數(shù)據(jù).由既有研究[2-4,6,8-9,11]分析可知，與事故風(fēng)險(xiǎn)顯著相關(guān)的交通流參數(shù)屬于事故上、下游兩個(gè)線圈檢測(cè)器斷面之內(nèi)，因此本文選取事故地點(diǎn)上、下游各兩個(gè)線圈檢測(cè)器斷面，通過匹配事故地點(diǎn)上、下游各兩個(gè)線圈檢測(cè)器斷面的線圈編碼提取交通流數(shù)據(jù).

上海市城市快速路事故以路側(cè)樁號(hào)定位(樁號(hào)是施工單位對(duì)設(shè)計(jì)基礎(chǔ)樁進(jìn)行統(tǒng)一的編號(hào)，號(hào)碼不重復(fù)，分布于快速路兩側(cè))，基于線圈位置的樁號(hào)信息對(duì)每起事故地點(diǎn)上下游線圈檢測(cè)器進(jìn)行匹配.線圈斷面從上游至下游依次命名為U2，U1，D1，D2(見圖1).

圖1 事故發(fā)生的空間位置

1.2 事故與非事故條件下線圈檢測(cè)交通數(shù)據(jù)的提取

采用病例對(duì)照設(shè)計(jì)提取交通流數(shù)據(jù)，病例與對(duì)照的比例采用了較常用的1∶4比例[15]，對(duì)照組數(shù)據(jù)的選取考慮了5個(gè)條件：①對(duì)照組日期與對(duì)應(yīng)事故所在的日期不同；②與事故發(fā)生時(shí)間相同；③與事故發(fā)生地點(diǎn)相同；④對(duì)照組與事故發(fā)生對(duì)應(yīng)一周中的同一天；⑤對(duì)照組對(duì)應(yīng)事故時(shí)間前后各1 h內(nèi)同地點(diǎn)無交通事故發(fā)生.

提取事故發(fā)生前0～30 min上下游最近兩個(gè)線圈斷面的交通流數(shù)據(jù)；同時(shí)對(duì)應(yīng)于每起事故，基于上述條件提取沒有發(fā)生事故條件下的交通流數(shù)據(jù).以2009年3月28日星期六8:40發(fā)生在內(nèi)環(huán)高架內(nèi)側(cè)(樁號(hào)為NN0312)的事故為例，提取2009年3月28日星期六8:10～8:40事故發(fā)生地點(diǎn)上、下游兩個(gè)線圈斷面的交通參數(shù)，作為一個(gè)病例的交通狀況；提取2009年3月21日(星期六)，2009年3月14日(星期六)，2009年3月7日(星期六)(已經(jīng)檢查該地點(diǎn)該時(shí)間前后各1 h內(nèi)無事故發(fā)生)，8:10～8:40事故發(fā)生地點(diǎn)上、下游兩個(gè)線圈斷面的交通參數(shù)，作為該病例的對(duì)照組交通狀況.

將所提取的30 min交通流數(shù)據(jù)劃分為6個(gè)5 min片段，依次命名為時(shí)間片段1,2,3,4,5,6，時(shí)間片段1最靠近事故發(fā)生時(shí)間，依次越遠(yuǎn).分別提取6個(gè)時(shí)間片段4個(gè)線圈斷面的平均車速和總流量，并計(jì)算車道間速度和流量的標(biāo)準(zhǔn)差，共計(jì)4*4斷面*6個(gè)時(shí)間片段=96個(gè)變量.變量的命名規(guī)則如圖2所示，變量由3個(gè)英文字母和2個(gè)數(shù)字組成，其中首字母表示平均(A)、總和(T)或者標(biāo)準(zhǔn)差(S)，第二個(gè)字母表示流量(V)或者平均速度(S).第三個(gè)字母與第一個(gè)數(shù)字組合表示斷面編號(hào)(U2，U1，D1，D2).最后一個(gè)數(shù)字表示時(shí)間片段，值越小越靠近事故發(fā)生時(shí)間.例如ASU12表示上游最近斷面U1在第2個(gè)時(shí)間片段(即事故發(fā)生前5～10 min)的平均速度.為避免事故記錄時(shí)間誤差、獲得采取措施的一定預(yù)警時(shí)間[3-4,14]，因此建模時(shí)不考慮時(shí)間片段1的變量.

圖2 變量命名規(guī)則說明

經(jīng)匹配，分析樣本中有1 962個(gè)病例對(duì)照組，其中包含1 962起事故(病例)和5 925起非事故(對(duì)照).以7∶3的比例在事故與非事故層面(病例對(duì)照組層面)將最終樣本隨機(jī)拆分為訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)，前者用于事故風(fēng)險(xiǎn)評(píng)估建模，后者用于模型的預(yù)測(cè)精度檢驗(yàn).

2 數(shù)學(xué)模型

2.1 病例對(duì)照Logistic回歸

事故風(fēng)險(xiǎn)評(píng)估模型中，事故發(fā)生與否作為二分類因變量，比較常用的分析方法有病例對(duì)照Logistic回歸[3-4].設(shè)y為一個(gè)二分類因變量，事故發(fā)生時(shí)賦值y=1，否則y=0.用p表示事故發(fā)生的概率，則令

(1)

式中，logit∈(-∞,+∞).

設(shè)有n個(gè)自變量x1,x2,…,xk,…,xn，用logit(p)與自變量建立線性關(guān)系，經(jīng)過簡(jiǎn)單變換即可得到Logistic模型，如.

(2)

式中，β0為常數(shù)項(xiàng)，表示自變量均為0時(shí)logit(p)的值.βk為偏回歸系數(shù)，表示當(dāng)其他自變量不變時(shí)，xk每變動(dòng)一個(gè)單位時(shí)logit(p)的改變量.

病例對(duì)照研究包括配比和非配比兩種方式，配比設(shè)計(jì)的Logistic回歸通常也稱為條件Logistic回歸.相對(duì)地，非配比設(shè)計(jì)的Logistic回歸稱為非條件Logistic回歸.使用病例對(duì)照設(shè)計(jì)的條件Logistic回歸[13]，簡(jiǎn)稱為病例對(duì)照Logistic回歸.

設(shè)第i個(gè)配比組內(nèi)包含1個(gè)事故和m個(gè)非事故，在此條件下第一個(gè)觀察對(duì)象j=0為事故，其余(j=1,2,3,…,m)為非事故的概率為

因此任何一個(gè)觀測(cè)對(duì)象(j=0,1,2,…,m)為事故，其余(j′=0,1,2,3,…,m,j′≠j)為非事故的概率之和為

根據(jù)Logistic回歸模型式(2)，可構(gòu)造出y=1(即事故)的條件概率為

P(y=1|xij)=

(3)

式中,n為變量個(gè)數(shù)，簡(jiǎn)化得

(4)

以上是第i個(gè)配比組的條件概率，對(duì)于其他配比組，也有相同的條件概率.根據(jù)概率的乘法原理，多個(gè)獨(dú)立事件同時(shí)發(fā)生的概率為各事件獨(dú)立發(fā)生概率的乘積.因此可以構(gòu)造出所有匹配組第一個(gè)觀測(cè)對(duì)象為事故，其余為非事故的概率，即條件似然函數(shù)為

式中，xijk-xi0k為事故與非事故在同一危險(xiǎn)因素上的暴露水平之差.

對(duì)上述條件自然函數(shù)取自然對(duì)數(shù)后，采用Newton-Raphson迭代法求得參數(shù)估計(jì)值及其標(biāo)準(zhǔn)誤差.本文采用SAS9.3中PROC PHREG模塊[13]建立病例對(duì)照Logistic回歸模型，估計(jì)各危險(xiǎn)因素對(duì)應(yīng)的βk值，使用優(yōu)勢(shì)比進(jìn)行評(píng)估預(yù)測(cè).

2.2 模型預(yù)測(cè)精度檢驗(yàn)

事故組的優(yōu)勢(shì)與非事故組的優(yōu)勢(shì)的比值稱為優(yōu)勢(shì)比(又稱比值比，OR)，用于說明某影響因素引起事故發(fā)生的危險(xiǎn)度大小，如

(5)

將非事故狀態(tài)下變量的平均值作為“正常交通流”，將每起觀測(cè)(事故或者非事故)相對(duì)于“正常交通流”的優(yōu)勢(shì)比[3]，如式(6)，作為該觀測(cè)預(yù)測(cè)發(fā)生事故的危險(xiǎn)程度.

(6)

選擇合理閾值后，優(yōu)勢(shì)比大于閾值時(shí)可認(rèn)為是危險(xiǎn)的，即預(yù)測(cè)為事故，優(yōu)勢(shì)比小于或等于閾值時(shí)則預(yù)測(cè)為非事故，得到模型的事故與非事故預(yù)測(cè)精度.

3 結(jié)果與分析

后退法(Backward Selection)首先將全部自變量放入模型中，回歸計(jì)算變量的顯著性(P值)，將最不顯著的變量(P值最大)剔除，直至模型中變量的P值均不大于事先給定的顯著水平臨界值.基于訓(xùn)練數(shù)據(jù)，用后退法(給定的顯著水平臨界值為0.15)篩選得到19個(gè)顯著變量，再結(jié)合變量間的相關(guān)性及顯著性，剔除了16個(gè)變量，最終挑選出3個(gè)最顯著變量，使用病例對(duì)照Logistic回歸建立事故風(fēng)險(xiǎn)評(píng)估模型，顯著變量統(tǒng)計(jì)描述如表2所示,ASU12表示U1斷面時(shí)間片段2的平均速度(km·h-1)，SVD12表示D1斷面時(shí)間片段2的流量標(biāo)準(zhǔn)差(1PCU·(5 min)-1)，TVD22表示D2斷面時(shí)間片段2的流量(1PCU·(5 min)-1)，模型參數(shù)估計(jì)見表3.

表2 事故風(fēng)險(xiǎn)評(píng)估模型顯著變量統(tǒng)計(jì)描述

表3 事故風(fēng)險(xiǎn)評(píng)估模型的參數(shù)估計(jì)

最終模型有三個(gè)顯著變量，ASU12系數(shù)為負(fù)，顯示事故發(fā)生前5～10 min事故地點(diǎn)上游速度相對(duì)于非事故狀況低；運(yùn)行速度越小，事故發(fā)生風(fēng)險(xiǎn)越大，這與已有研究[3-4,11]結(jié)果一致.SVD12系數(shù)為正，顯示事故發(fā)生前5～10 min下游最近線圈斷面的車道間流量的差異性相對(duì)于非事故狀況大；流量的差異性越大，事故發(fā)生風(fēng)險(xiǎn)越大，其每增加1 pcu/(5 min)-1，則事故風(fēng)險(xiǎn)變?yōu)樵瓉淼?.009倍，這與Abdel-Aty等[4]的研究結(jié)果不一致，后者發(fā)現(xiàn)事故發(fā)生前下游道路斷面流量在時(shí)空上的波動(dòng)程度越小則事故風(fēng)險(xiǎn)越大.TVD22的系數(shù)為負(fù)，顯示事故發(fā)生前5～10 min下游斷面D2的流量相對(duì)非事故狀態(tài)低；該斷面流量越低，事故發(fā)生風(fēng)險(xiǎn)越大，可能由于下游流量越低造成上下游密度差越大，引起的交通流波動(dòng)更大，從而上游的事故風(fēng)險(xiǎn)增加，這與Abdel-Aty等[4]的結(jié)果一致.

綜合考慮模型結(jié)果：U1斷面附近可能處于擁擠狀態(tài)，低速(ASU12系數(shù)為負(fù)數(shù))，而D2斷面交通流量相對(duì)較低(TVD22系數(shù)為負(fù)數(shù))，當(dāng)車輛駛出擁擠交通流后，容易出現(xiàn)車道間車速不一致現(xiàn)象，引起車道間的流量不平衡性增加(SVD12系數(shù)為正)，出現(xiàn)紊亂交通流.當(dāng)車輛駛出擁擠交通流時(shí)，易出現(xiàn)紊亂交通流，車道間流量的不平衡增大了側(cè)碰事故發(fā)生的風(fēng)險(xiǎn)，擁擠時(shí)反復(fù)的啟動(dòng)與急停則增加追尾碰撞事故的風(fēng)險(xiǎn).

為檢驗(yàn)所構(gòu)建的事故風(fēng)險(xiǎn)評(píng)估模型的預(yù)測(cè)精度，使用測(cè)試數(shù)據(jù)計(jì)算優(yōu)勢(shì)比，進(jìn)行檢驗(yàn).模型正確預(yù)測(cè)事故與非事故的累計(jì)頻率隨優(yōu)勢(shì)比的變化圖如圖3所示(圖中只表示優(yōu)勢(shì)比不大于5的部分).正確預(yù)測(cè)事故的累計(jì)頻率隨著優(yōu)勢(shì)比的增大而降低，而正確預(yù)測(cè)非事故的累計(jì)頻率隨優(yōu)勢(shì)比的增大而增大.選取1作為閾值，舉例說明模型的預(yù)測(cè)精度，優(yōu)勢(shì)比大于1的觀測(cè)可認(rèn)為是危險(xiǎn)的，即預(yù)測(cè)為事故，優(yōu)勢(shì)比小于或等于1即預(yù)測(cè)為非事故[3-4].結(jié)合每起觀測(cè)的實(shí)際與預(yù)測(cè)，得到模型的預(yù)測(cè)精度如表4所示.

圖3 模型的預(yù)測(cè)性能

表4 模型的預(yù)測(cè)精度

注：括號(hào)中為行百分比

當(dāng)優(yōu)勢(shì)比等于1作為閾值時(shí)，靈敏度為67.01%，即事故樣本中實(shí)際事故被預(yù)測(cè)為事故的比例，表明該模型可正確識(shí)別67.01%的事故；特異度為52.15%，即非事故樣本中實(shí)際非事故被預(yù)測(cè)為非事故的比例，表明該模型可正確識(shí)別52.15%的非事故；誤判率為47.85%，即非事故樣本中實(shí)際非事故被判斷為事故的比例，表明該模型可錯(cuò)誤將47.85%的非事故預(yù)測(cè)成了事故；準(zhǔn)確率為39.27%+16.55%=55.82%，即該模型可正確預(yù)測(cè)總樣本中55.82%的觀測(cè).

早期事故風(fēng)險(xiǎn)評(píng)估模型的事故預(yù)測(cè)準(zhǔn)確率在50%～60%之間[2,4,9]；研究人員通過統(tǒng)計(jì)分析模型的改進(jìn)將事故預(yù)測(cè)準(zhǔn)確率提高至60%～70%[3,11](見表5).從事故預(yù)測(cè)精度來看，該研究為67.01%，與現(xiàn)有研究相近；該研究采用了常用的數(shù)據(jù)處理和統(tǒng)計(jì)分析方法，也可通過改進(jìn)算法(如考慮事故類型的差異性、空間相關(guān)性等)、建模技術(shù)(如支持向量機(jī)等智能算法)、數(shù)據(jù)處理方法等手段獲得更高精度的模型.因此，基于5 min車道集計(jì)交通流數(shù)據(jù)可用于構(gòu)建事故風(fēng)險(xiǎn)評(píng)估模型.通過閾值的變化(如取不同的比值比)，獲得不同閾值下的靈敏度和誤判率，以靈敏度為縱軸，以誤判率為橫軸，連接各點(diǎn)即為受試者工作特征曲線(簡(jiǎn)稱ROC曲線).AUC值是ROC曲線與橫軸間的面積(介于0.5～1之間).AUC值越大，判斷價(jià)值越高，模型的預(yù)測(cè)性能越好[6,11-12].

表5 對(duì)比部分研究的事故風(fēng)險(xiǎn)評(píng)估模型精度

4 結(jié)論

(1)使用上海市城市快速路事故數(shù)據(jù)和線圈檢測(cè)交通流數(shù)據(jù)，構(gòu)建了事故風(fēng)險(xiǎn)評(píng)估模型，探索了交通運(yùn)行狀況與事故風(fēng)險(xiǎn)的關(guān)系，量化了交通變量對(duì)事故風(fēng)險(xiǎn)的影響.研究發(fā)現(xiàn)上游平均速度、下游流量及其標(biāo)準(zhǔn)差對(duì)事故發(fā)生有顯著影響；低運(yùn)行速度、車道間流量的差異性會(huì)增加事故發(fā)生的概率.

(2)與既有研究的事故風(fēng)險(xiǎn)評(píng)估模型預(yù)測(cè)精度進(jìn)行對(duì)比，驗(yàn)證了基于5 min車道集計(jì)交通流數(shù)據(jù)具有構(gòu)建事故風(fēng)險(xiǎn)評(píng)估模型的可行性，可進(jìn)一步改進(jìn)算法(如考慮事故類型的差異性、空間相關(guān)性等)、建模技術(shù)(如支持向量機(jī)等智能算法)、數(shù)據(jù)處理方法等獲得更高精度的模型.

本文結(jié)論可為交通管理部門針對(duì)性交通安全管理提供依據(jù)，也可為基于上海市城市快速路事故數(shù)據(jù)和線圈檢測(cè)交通流數(shù)據(jù)研究主動(dòng)交通管理策略(如可變限速)應(yīng)用提供基礎(chǔ).該研究?jī)H針對(duì)總體事故構(gòu)建了事故風(fēng)險(xiǎn)評(píng)估模型，后續(xù)可進(jìn)一步考慮快速路在不同時(shí)段交通運(yùn)行的差異性.

[1] Giuliano G. Incident characteristics, frequency, and duration on a high volume urban freeway[J]. Transportation Research Part A: General, 1989, 23(5): 387.

[2] Oh C, Oh J, Ritchie S,etal. Real-time estimation of freeway accident likelihood[C]∥TRB 80thAnnual Meeting Compendium of Papers DVD. Washington D C: Transportation Research Board of the National Academies, 2001:1-3445.

[3] Abdel-Aty M, Uddin N, Pande A,etal. Predicting freeway crashes from loop detector data by matched case-control logistic regression[J]. Transportation Research Record, 2004, 1897(1): 88.

[4] Abdel-Aty M, Uddin N, Pande A. Split models for predicting multivehicle crashes during high-speed and low-speed operating conditions on freeways[J]. Transportation Research Record, 2005, 1908(1):51.

[5] Anastasopoulos P, Mannering F. An empirical assessment of fixed and random parameter logit models using crash-and non-crash-specific injury data[J]. Accident Analysis & Prevention, 2011, 43(3): 1140.

[6] Xu C, Wang W, Liu P. Identifying crash-prone traffic conditions under different weather on freeways[J]. Journal of Safety Research, 2013, 46(1): 135.

[7] Christoforou Z, Cohen S, Karlaftis M. Identifying crash type propensity using real-time traffic data on freeways[J]. Journal of Safety Research, 2011, 42(1): 43.

[8] Abdel-Aty M, Pande A. Identifying crash propensity using specific traffic speed conditions[J]. Journal of Safety Research, 2005, 36(1): 97.

[9] Pande A, Abdel-Aty M. Assessment of freeway traffic parameters leading to lane-change related collisions[J]. Accident Analysis and Prevention, 2006, 38(5): 936.

[10] Hossain M, Muromachi Y. A Bayesian network based framework for real-time crash prediction on the basic freeway segments of urban expressways[J]. Accident Analysis and Prevention, 2012, 45(1): 373.

[11] Xu C, Wang W, Liu P. A genetic programming model for real-time crash prediction on freeways[J]. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(2): 574.

[12] Yu R, Abdel-Aty M. Utilizing support vector machine in real-time crash risk evaluation[J]. Accident Analysis and Prevention, 2013, 51(1):252.

[13] 馮國(guó)雙, 劉德平.醫(yī)學(xué)研究中的logistic回歸分析及SAS實(shí)現(xiàn)[M].北京:北京大學(xué)醫(yī)學(xué)出版社, 2012.

FENG Guoshuang, LIU Deping. Logistic regression analysis and SAS realization in medical research[M]. Beijing: Peking University Medical Press, 2012.

[14] Yu R, Wang X, Yang K,etal. Real-time crash risk analysis for Shanghai urban expressways: a Bayesian semi-parametric approach[C]∥TRB 94thAnnual Meeting Compendium of Papers DVD. Washington D C: Transportation Research Board of the National Academies, 2015:2015-2097.

[15] Zheng Z, Ahn S, Monsere C. Impact of traffic oscillations on freeway crash occurrences[J]. Accident Analysis and Prevention, 2010, 42(2):626.

Application of Aggregated Lane Traffic Data from Dual-loop Detector to Crash Risk Evaluation

YANG Kui, YU Rongjie, WANG Xuesong

(Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University, Shanghai 201804, China)

In crash risk evaluation study, the relevance between crash occurrence and traffic conditions was analyzed through statistical model. In the model, traffic conditions prior to each crash and corresponding non-crashes were extracted as independent variables, while 0 or 1 was taken as dependent variable for crashes or non-crashes. For the purpose of searching the validity of aggregated lane traffic data from dual-loop detectors of Shanghai Urban Expressway System applied to crash risk evaluation, aggregated lane traffic data and crash data were used to develop crash risk evaluation model by condition logistic regression, and the predictive performance of the model was tested. The results show that lower speed and higher volume variation crossing lanes will increase the likelihood of crash occurrence; and the aggregated lane traffic data from dual-loop detectors of Shanghai Urban Expressway System can be applied to crash risk evaluation study.

urban expressway; crash risk estimation; condition Logistic regression; aggregated lane traffic data; feasibility

2015-09-15

國(guó)家自然科學(xué)基金(71401127,51522810)；上海市科學(xué)技術(shù)委員會(huì)科研計(jì)劃(15DZ1204800)

楊 奎(1992—)，男，博士生，主要研究方向?yàn)榻煌ò踩?、?shù)據(jù)挖掘.E-mail:1410725@#edu.cn

U491

A