吳文靜，陳潤超，馬芳武，梁志康

(吉林大學a.交通學院；b.汽車學院，長春130025)

0 引 言

行人交通是交通系統(tǒng)的重要組成部分，交通事故中行人死亡人數在各類交通事故死亡人數中所占比例較大.《2015年全球道路安全現狀報告》顯示：在我國，行人事故傷亡率約占所有交通事故傷亡人數的20%，而行人過街時的傷亡人數占50%以上.因此，對于行人過街風險因素的識別一直受到學者們的關注.張麗霞[1]指出駕駛員的分神、疲勞和違規(guī)等行為是主要的事故原因.Eleonora研究表明行人的風險感知、冒險傾向、侵犯性、沖動性和運動協(xié)調性等都會影響行人的過街行為[2].Fu[3]，Lavalette[4]分別研究了行人過街信號燈、過街通道的長度等交通設施與行人事故的相關性；Li研究了天氣狀況與行人過街交通事故發(fā)生的關聯性[5].

從現有的研究來看，行人過街風險大多集中于人、車、路、環(huán)境這4項因素，而較少的關注行人—機動車的行為在時空的沖突耦合過程，在此將此過程稱之為“事故序列”.事故序列是按照邏輯順序，機動車與行人在交叉口可能的動作及其后果，直至最終事故發(fā)生的一系列事件.識別不同事故序列的風險，并通過防控措施消除導致產生事故的耦合因素，從而“切斷”事故序列，對提高交叉口行人過街安全具有積極意義.

本文基于FARS(Fatality Analysis Reporting System)[6]、 NASS-GES(National Automotive Sampling System-General Estimates System)[7]事故數據，對事故序列進行分析.統(tǒng)計發(fā)現事故序列種類繁多，若分析每種類型的風險性，一是由于總的樣本量有限，分配到每一類事故序列的樣本量也有限，必然會影響分析結果；二是在具體管理中也不利于對過程的控制.為解決上述難題，需要識別誘發(fā)事故的主要風險事故序列.然而傳統(tǒng)的識別方法多基于數理統(tǒng)計方法，例如貝葉斯方法、K-均值聚類算法，這些方法都是基于定量數據的分析，對于序列數據不適用.因此本文借鑒生物信息學中的序列比對方法對事故序列進行相似性比對，基于聚類結果識別行人過街的主要風險序列，并對其關聯影響因素進行分析.研究結果對完善行人交通風險管理有一定的理論價值和實踐意義.

1 行人過街事故序列分析

根據《FARS NASS GES Pedestrian Bicyclists Manual》[8]，行人過街事故大致可描述為6種情景，如圖1所示.其中，“箭頭”表示的是車輛的行駛方向 ，包括直 行 (Straight)、左轉(Left Turn)、右轉(Right Turn)3種情況；“×”代表的是行人，每張圖中都有3個“×”，表示行人可能的3個位置，分別為人行橫道內(Crosswalk Area)，交叉口內(Intersection Area)及機動車車道內(Travel Lane).此外事故點的位置又可分為交叉口進口方向(Near/Approach Side of Intersection)和出口方向(Far Side of Intersection)2類.在圖1中：(a)、(b)是直行車輛與分別位于出口道與進口道的行人發(fā)生的碰撞；(c)、(d)是右轉車輛與分別位于出口道與進口道的行人發(fā)生的碰撞；(e)、(f)是左轉車輛與位于進口道或出口道的行人發(fā)生的碰撞.

由于事故發(fā)生于十字交叉口，因此機動車共有4個行駛方向(東向西、西向東、南向北、北向南).行人的走行方向是雙向的，且事故發(fā)生時行人可能位于機動車的左側，也可能是位于右側.因此，若考慮行人與機動車運動沖突的軌跡，那么事故發(fā)生過程的具體形態(tài)可細分為3×3×2×4×4=288種類型.

圖1 6種類型的事故序列Fig.1 Six kinds of accident sequences

2 行人過街事故序列風險識別

2.1 序列比對問題

在生物信息學中，序列比對是識別生物間相似性或同源性一個基本的研究手段和方法.序列比對除了應用于生物領域，在其他方面也有廣泛應用.例如，李燕等[9]將序列比對方法用于企業(yè)管理過程評價；王亞飛等[10]用改進的序列比對算法自動生成地層分界線，并處理復雜的地層尖滅和透鏡體現象；楊文寧[11]基于序列比方法對滬深指數暴跌暴漲現象進行分析；Wu等[12]用序列比對方法分析機動車交通事故；劉昕宇[13]分析了道路交通事故影響因素序列模式.

序列比對方法的計分規(guī)則由替換矩陣和空位罰分構成.假設兩條從不同生物體內提取的核苷酸或蛋白質序列A(AAAGGCC)與B(AAGGGGGC)，為了比對兩條序列的相似性，有2種比對方式：一是需要引入空位，二是替換，如表1和表2所示，其中，空位罰分為d，錯配罰分為s.對比表1和表2可知，表1有4個空位罰分，而表2減少到2個空位罰分，但是多了一個錯配.

表1 空位罰分Table 1 Gap penalty

表2 相似替代Table 2 Similar alternative

序列比對可以看作是一個優(yōu)化問題，目標是尋找最優(yōu)的比對方法.常用的目標函數為SP(Sum of Pairs)計分的目標函數和COFFEE(Consistency based Obeject Function)目標函數.其中SP目標函數為

式中：COST(Ai,Aj)表示比對擁有N條序列的序列集A時，第i條和第j條序列比對后的計分值；D表示兩條序列相似性大小的函數，實際操作中，運用相似性計分矩陣計算D，故D(Ai[k],Aj[k])表示Ai和Aj對應殘值的替換分值；G表示空位罰分；numij表示兩序列的自然空位數.

若滿足式(5)，則A*是所求的一個最優(yōu)比對.求解最優(yōu)序列的算法有很多，包括適用于雙序列比對的Needleman-Wunsch[13]算法，解決局部相似性問題的Smith-Waterman算法，以及多序列比對的漸進算法.本文借助于ClustalX軟件對多事故序列數據進行比對并聚類分析.

2.2 事故序列比對

借鑒序列比對方法，首先需要將行人、駕駛員的沖突過程的行為過程數據轉換為符號性數據，這樣每一條行人與機動車行為構成的事故序列就與生物學中的殘基或堿基序列有相似的模式.以2015年FARS、NASS-GES數據作為樣本數據，共得到1 083條序列數據.根據序列發(fā)生的頻率對序列進行排序，從結果來看，有部分事故序列的發(fā)生頻率較小，只有1條或2條，基于統(tǒng)計原理，這些序列的發(fā)生都屬于小概率事件，因此不作為分析對象.刪除小概率樣本后，共形成904條序列數據.事故序列的符號轉換方法及各種行為所占的比重如表3所示.

從統(tǒng)計結果來看，事故發(fā)生在交叉口出口方向比在進口方向的頻率略高；事故發(fā)生地點有一半以上位于人行橫道內；有近80%的事故是發(fā)生在駕駛員直行過程中，而車輛右轉發(fā)生的交通事故不多，所占比例不到5%；此外，駕駛員與行人的走行方向上的差異性不明顯.

從序列類型來看，共可得到288種事故序列，借助于ClustalX軟件對序列數據進行分析，將“同源”風險進行歸類.Clustal的算法原理是先將多個序列兩兩比對構建距離矩陣；然后根據距離矩陣計算產生系統(tǒng)進化指導樹，對關系密切的序列進行加權；然后從最緊密的兩條序列開始，逐步引入臨近的序列并不斷重新構建比對，直到所有序列都被加入為止[14].依據比對結果，最終將事故序列聚類劃分為以下6種類型Seq1～Seq6，如表4所示，其進化樹分枝結果如圖2所示.

表3 事故序列描述Table 3 Description of accident sequences

2.3 結果分析

分別對6種類型的事故序列進行分析.其中，Seq1的序列大致以V、D開頭，以N結尾，表明事故是在車輛左轉過程中與相鄰路口的人行道上的行人發(fā)生的碰撞；Seq6的序列同樣以V、D開頭，以P結尾，表明事故是在車輛直行過程中與出口道的人行道上的行人發(fā)生的碰撞；在Seq1中還有以V、D開頭，以P結尾的序列，但是分類時卻分到了第1類而不是第6類，只能說明除了序列最后一位與分類6相似外，序列的第三位、四位都更接近于分類1.

Seq2的序列大致以A、D開頭，以P結尾，表明事故是在車輛直行過程中與位于進口道的人行道上的行人發(fā)生的碰撞.

Seq3的序列大致以V、E開頭，以P結尾，表明事故是在車輛直行過程中與位于出口道的車道上的行人發(fā)生的碰撞.

Seq4的序列大致以A、E開頭，以P結尾，表明事故是在車輛直行過程中與位于進口道的車道上的行人發(fā)生的碰撞.

Seq5的序列大致以A、C開頭，以P結尾，表明事故是在車輛直行過程中與位于進口道交叉口區(qū)域內的行人發(fā)生的碰撞.

此外，以V、C開頭以P結尾的數據量少，從數據統(tǒng)計來看，只有12條，因此根據序列相似性歸入了Seq6，以Y結尾的事故序列也較少，只有13條，把他歸入了第1類.此外，從分類結果來看，基本以序列的第1、2、5位序列字母為分類依據，可見駕駛員與行人的位置關系在事故序列類型劃分中并不占有重要的地位.

分析進化樹，如圖2所示.進化樹可以檢驗各種類別之間的相似關系，如果每一條邊都被賦予一個適當的權值，那么兩個葉子結點之間的最短距離就可以表示相應的兩個物種之間的差異程度.進化樹中，每個葉子結點代表一種事故類型，因此進化樹描述了這6種類型相互之間的相似程度.從序列的相似性可見，關系較近的有Seq3與Seq4，Seq2與Seq5.Seq6與Seq3、Seq4相似關系較近，而Seq1與其他各類相似性較差.將此分析結果用圖表示，如圖3所示.

由圖3可知，直行車輛與位于進口道交叉口區(qū)域內的行人及出口道位于車道內的行人碰撞事故發(fā)生的機理存在相似性，如圖3(a)所示；直行車輛與位于進口道車道上與人行橫道上的行人碰撞事故發(fā)生的機理存在相似性，如圖3(b)所示.

圖3 事故序列的相似性結果Fig.3 Similarity between accident sequences

3 行人過街事故序列的風險耦合因素分析

為了分析事故序列與其他風險源的耦合性，首先對人、車、路、環(huán)境等多因素進行了風險識別.FARS、NASS-GES數據對事故做了詳細的記錄，依據記錄信息對與事故發(fā)生的影響因素進行分類.其中，從行人與駕駛員的角度出發(fā)，選取了個人屬性特征、駕駛習慣、是否受外界干擾等因素；車輛，選取車型、車齡、品牌等因素；路面狀況，選取路面材料、是否有積水等因素；環(huán)境，選取天氣狀況、可見度等因素.運用灰色關聯法分析影響因素與各種類型事故發(fā)生的相關性，并基于Matlab算法實現.基于關聯度大小識別出與上述6類事故發(fā)生相關聯的影響因素.其中，對灰色關聯法中沒有明確的對關聯度強弱的定義，在此借鑒較為普遍應用的皮爾遜相關系數的定義，即當相關系數大于0.8時，認為兩個變量有很強的相關性，因此本文取關聯度大于0.8的影響因素作為行人交通事故的風險源，結果如表5所示.

表5 事故序列關聯因素分析Table 5 Analysis of the relevant influencing factors of accident sequences

由分析結果可知，Daylight只與Seq1相關，表明除了像其他類型的事故序列會發(fā)生在光線不明的黃昏或黎明的時候，Seq1也會在白天發(fā)生，可見光線不足不是Seq1事故發(fā)生的關鍵原因.此外，從天氣來看，其他事故序列都受到異常天氣(陰天、下雨)的影響，但是Seq1事故與下雨不相關，顯然結果不合理，究其原因，這與樣本量有關，由于樣本量有限，且下雨天記錄有限，導致出現這樣的結果.

Seq2事故與路面條件不相關，可能Seq2是發(fā)生在進口道的人行橫道上，因此駕駛員理應提前做好減速的準備，而不會出現由于路面有冰或潮濕剎不住車來不及避讓行人的情況.此外，駕駛員是否經常有違章記錄與Seq2、Seq5的關聯度明顯要高于其他類型，違章記錄多的駕駛員表明其駕駛行為偏好于冒險，這兩類事故序列都發(fā)生在進口道方向，表明這兩類交通事故多歸因于駕駛員的操作不當；而Seq3、Seq4與該因素不相關，因此可以推測發(fā)生在進口道交叉口內的事故或出口道路段內的事故多歸因于行人的不當過街行為.此外，駕駛員及行人的性別、機動車的類型與事故序列的相關性并不顯著.

4 結論

序列分析通常應用于生物學的基因比對中，用于識別生物的相似性與同源性，本文借鑒該方法的基本思想，將其應用于行人—機動車不同交通事故的序列比對中，對行人—機動車碰撞的事故序列風險進行識別，并分析與該風險關聯的影響因素.

(1)基于行人過街事故序列的相似性比對及聚類分析，得到了行人—機動車在交叉口事故的6種主要風險序列，其中直行車輛與行人的碰撞風險最大.且進化樹分析結果表明，Seq2與Seq5的事故誘因，Seq3與Seq4的事故誘因存在相似性.

(2)基于不同序列的風險耦合因素的灰色關聯分析，表明在車輛左轉與行人的碰撞中，事實上天氣不是主要原因.Seq2與Seq5的事故主要歸因于駕駛員.

(3)由于數據庫中對行人過街事故序列記錄詳細程度有限，獲取不到行人—機動車碰撞發(fā)生時的軌跡信息，對于事故發(fā)生時的天氣、道路等記錄也較為粗略，因此要完全識別行人—機動車的序列行為的風險性需要更為詳細的基礎數據.

[1]張麗霞,劉濤,潘福全,等.駕駛人因素對道路交通事故指標的影響分析[J].中國安全科學學報,2014,24(5)：79-84.[ZHANG L X,LIU T,PAN F Q,et al.Analysis of effects of driver factors on road traffic accident indexes[J].China Safety Science Journal,2014,24(5)：79-84.]

[2]ElEONORA P,ATHANASIOS T.Patterns of pedestrian attitudes,perceptions and behavior in Europe[J].Safety Science,2013,53(2)：114-122.

[3]FU L,ZOU N.The influence of pedestrian countdown signalson children'scrossing behavioratschool intersections[J]. Accident Analysis and Prevention,2016(94)：73-79.

[4]LAVALETTE B,TIJUS C,POITRENAUD S,et al.Pedestrian crossing decision-making：A situational and behavioral approach[J].Safety Science,2009,47(9)：1248-1253.

[5]LI Y,FERNIE G.Pedestrian behavior and safety on a two-stage crossing with a center refuge island and the effect of winter weather on pedestrian compliance rate[J].Accident Analysis and Prevention,2010,42(4)：1156-1163.

[6]National Highway Traffic Safety Administration.Fatality analysis reporting system(FARS)analytical user's manual 2007-2016[R]. U.S., Department of Transportation,Washington,D.C.,2017.

[7]National Highway Traffic Safety Administration.National automotive sampling system(NASS)general estimates system(GES)analytical user's manual 1988-2015[R]. U. S., Department of Transportation,Washington,D.C.,2016.

[8]National Highway Traffic Safety Administration.2015 FARS NASS GES pedestrian bicyclists manual[R].U.S.,Department of Transportation,Washington,D.C.,2016.

[9]李燕,馮玉強.一種基于序列比對的業(yè)務過程定量化分析方法[J].系統(tǒng)工程理論與實踐,2007,27(4)：54-61.[LI Y,FENG Y Q.A quantitative analysis method of businessprocessbased on sequence alignment[J].Systems Engineering Theory&Practice,2007,27(4)：54-61.]

[10]王亞飛,金人超.基于序列比對算法的地質剖面圖自動生成[J].鐵道勘測與設計,2010(5)：68-77.[WANG Y F,JIN R C.Geologicalprofilesautomatically generated based on sequence alignment algorithm[J].Railway Survey and Design,2010(5)：68-77.]

[11]楊文寧,龍文.基于序列比對的滬深指數暴漲暴跌分析[J].管理評論,2017,29(3)：3-11.[YANG W N,LONG W.Analysis of extreme ups and downs of Shanghai and Shenzhen indices based on sequence alignment method[J].Management Review,2017,29(3)：3-11.]

[12]WU K F,CRAIG P,THOR,et al.Identify sequence of events likely to result in severe crash outcomes[J].Accident Analysis and Prevention,2016(96)：198-207.

[13]劉昕宇.基于數據挖掘的道路交通事故序列模式與嚴重程度預測研究[D].北京：北京交通大學,2016.[LIU X Y.Study of road traffic accident sequence pattern and severity prediction based on data mining[D].Beijing：Beijing Jiaotong University,2016.]

[14]汪浩.基因序列比對算法的優(yōu)化研究[D].北京：中國農業(yè)科學院，2015.[WANG H.Study on optimization of gene sequence alignment algorithm[D].Beijing：Chinese Academy of Agricultural Sciences,2015.]