紀(jì)柯柯 陳 堅▲ 肖思瑤 王祥宇 劉亦欣 傅志妍

（1.重慶交通大學(xué)交通運輸學(xué)院 重慶 400074；2.重慶交通大學(xué)信息科學(xué)與工程學(xué)院 重慶 400074；3.西南交通大學(xué)唐山研究生院 河北 唐山 063000；4.重慶第二師范學(xué)院 經(jīng)濟與工商管理學(xué)院 重慶 400067）

0 引 言

交通事故是造成道路擁堵的主要原因，尤其是突發(fā)性事故造成的非經(jīng)常性擁堵[1]。為減少交通事故帶來的社會和經(jīng)濟損失，眾多學(xué)者對事故自動檢測[2]、救援車輛誘導(dǎo)[3]、事故下的現(xiàn)場處置[4]等開展研究，而事故持續(xù)時間預(yù)測研究較少。事故持續(xù)時間預(yù)測作為高速公路事故應(yīng)急管理的重要前提，準(zhǔn)確預(yù)測有助于道路交通管理部門針對已發(fā)生的事故做出合理的決策，開展相應(yīng)的道路疏通工作，配置最優(yōu)保障資源，減少事故發(fā)生后可能帶來的后續(xù)損失；同時，也有助于出行者合理調(diào)整自己的出行線路。

目前，針對于道路交通事故持續(xù)時間預(yù)測的研究主要基于結(jié)構(gòu)化數(shù)據(jù)（數(shù)值），結(jié)合概率分布[5]、機器學(xué)習(xí)[6-7]、生存模型[8]以及混合模型[9]等方法開展，該類研究多是建立在假設(shè)已獲取所有可能信息的基礎(chǔ)上。然而，在真實情景中，事故持續(xù)時間受到各種因素的影響，加之交通事故存在異質(zhì)性，有些影響因素是客觀可測的，如事故車輛數(shù)、事故位置等；另一些則是主觀劃分的，如天氣狀況、道路條件等。大量事故信息被記錄在自由流文本中，難以全部數(shù)值化處理，因此，現(xiàn)有的研究方法由于受數(shù)據(jù)類型、數(shù)據(jù)精度的影響，無論是在時效上還是對數(shù)據(jù)本身挖掘程度上都難以滿足實際需要。

而自然語言處理（natural language processing，NLP）技術(shù)為事故持續(xù)時間的預(yù)測提供了1 種新的方法。Pereira 等[10]基于自然語言處理中的主題模型，結(jié)合時間序列預(yù)測方法，對道路事故持續(xù)時間進行預(yù)測，結(jié)果提升了預(yù)測模型的性能；Li 等[11]同樣采用主題建模從人類語言中提取有用的信息，并在Pereira 的基礎(chǔ)上建立多項式邏輯和基于參數(shù)風(fēng)險的混合模型，從而提升預(yù)測精度。上述研究均表明，自然語言處理技術(shù)的應(yīng)用，有助于提高事故持續(xù)時間預(yù)測效果。但上訴研究僅僅將自然語言處理（NLP）技術(shù)作為傳統(tǒng)結(jié)構(gòu)化數(shù)據(jù)的補充，未能真正實現(xiàn)利用事故文本信息數(shù)據(jù)對事故持續(xù)時間進行預(yù)測。

基于以上分析，考慮到高速公路事故實際處理過程中，通常以主觀經(jīng)驗對事故持續(xù)時間進行估計，并且相似事故狀況所確定的持續(xù)時間以及采取措施往往相同。故筆者提出V-Fisher 有序文本聚類模型，完全基于事故文本數(shù)據(jù)，利用文本特征之間的差異程度，實現(xiàn)事故文本的有序聚類。并通過多種文本分類算法對聚類結(jié)果進行學(xué)習(xí)訓(xùn)練，得到事故持續(xù)時間預(yù)測結(jié)果；最后通過仿真實驗驗證所提出方法的可行性和有效性。

1 數(shù)據(jù)描述

本文數(shù)據(jù)來源于2 部分，一部分是四川省高速公路管理中心提供的2017—2018 年原始事故記錄數(shù)據(jù)，共968條，包含事故發(fā)生的時間、天氣狀況、發(fā)生線路、具體位置、事故類別、傷亡人數(shù)、路產(chǎn)損失（元）、估計經(jīng)損（元）、處理情況以及事故簡要經(jīng)過及原因等字段，部分原始文本數(shù)據(jù)見表1。

表1 部分原始事故記錄文本數(shù)據(jù)表Tab.1 Partial original accident record text data table

另一部分來源于對“四川高速”微博賬號發(fā)布的信息，通過式（1）和人工篩選對爬取后的微博信息相似度比較，選擇文本內(nèi)容相似，且包含同一起事故發(fā)生時間與終止時間的完整事故信息。通過收集2018—2020年10 月共40 000 余條數(shù)據(jù)，提取完整信息數(shù)據(jù)3 196條。故本文實驗數(shù)據(jù)共有4 164條。

式中：D1，D2分別表示2個文本，其向量化表示分別為當(dāng)sim(D1,D2)→1時，表示為文本具有較高的相似度。

1.1 事故持續(xù)時間

道路事故持續(xù)時間通常定義為事故發(fā)生與響應(yīng)到車輛離開事故現(xiàn)場之間的時間差，根據(jù)《公路通行能力手冊》[12]，事故組成部分可分為4個階段：事故檢測/發(fā)現(xiàn)階段（從事故發(fā)生到事故被檢測或發(fā)現(xiàn)之間的時間）、響應(yīng)階段（從事故檢測/發(fā)現(xiàn)到事故救援到達現(xiàn)場之間的時間）、清除階段（從救援組到達現(xiàn)場直到事故清除之間的時間）和交通恢復(fù)階段（從事故清除到恢復(fù)正常交通流的時間，無因事故造成的上游擁堵）；康國祥等[13]考慮到交通恢復(fù)階段各種因素的影響比較復(fù)雜，在實際難以獲得關(guān)鍵信息，因此，選擇事故發(fā)生、響應(yīng)以及清除3 個階段作為事故持續(xù)時間的研究內(nèi)容；Li等[14]把事故持續(xù)時間分為：檢測/報告階段、準(zhǔn)備/響應(yīng)階段、行程時間段及清除階段，并選取準(zhǔn)備/響應(yīng)、行程和清除3 個階段作為事故持續(xù)時間。

考慮到在實際道路交通事故處理過程中，一方面，事故信息傳播的延遲性，難以獲取事故從發(fā)生到響應(yīng)之間的時間段；另一方面，源事故數(shù)據(jù)集中記錄的時間范圍。本文定義事故清除階段和交通恢復(fù)階段2 個部分作為事故持續(xù)時間研究內(nèi)容，見圖1。

圖1 事故持續(xù)時間區(qū)段圖Fig.1 Section diagram of accident duration

綜上所述，通過式（2）得到事故持續(xù)時間Yi。

式中：Yi為事故持續(xù)時間，min；resure_timei為交通管理部門開始展開救援的時間戳，min；recover_timei為交通恢復(fù)的時間戳，min。

1.2 事故持續(xù)時間分布

通過對事故持續(xù)時間的處理，剔除無效數(shù)據(jù)后，對原始道路交通事故持續(xù)時間進行統(tǒng)計分析，分別得到記錄數(shù)據(jù)和微博數(shù)據(jù)中持續(xù)時間基本信息，見表2，記錄數(shù)據(jù)中數(shù)據(jù)跨度較大，最小值為10 min，最大值達到1 245 min。通過對事故持續(xù)時間分布擬合，見圖2（a）～（b），二者均近似呈泊松分布，且記錄數(shù)據(jù)主要分布在0～400 min，而微博數(shù)據(jù)則主要分布在0～200 min。

表2 事故持續(xù)時間基本信息Tab.2 Basic information about accident duration

圖2 事故持續(xù)時間分布圖Fig.2 A map of accident duration

從圖2可知，無論是記錄數(shù)據(jù)還是微博數(shù)據(jù)，事故持續(xù)時間分布均較為分散，加大了文本特征向量表示的稀疏性，降低預(yù)測結(jié)果的準(zhǔn)確率。因而，根據(jù)四川省高速公路聯(lián)網(wǎng)收費數(shù)據(jù)，采用高速公路平均通行時間作為事故時間上限，減小時間跨度，計算方法為

2 文本數(shù)據(jù)處理

自然語言處理（NLP）是將人類交流溝通所用的語言經(jīng)過處理轉(zhuǎn)化為機器所能理解的機器語言。事故文本數(shù)據(jù)是1 種短字符集、含有噪聲的非結(jié)構(gòu)化自然語言，不能直接被計算機讀取，須經(jīng)過文本數(shù)據(jù)處理轉(zhuǎn)換成計算機可以識別的結(jié)構(gòu)化數(shù)據(jù)。其中主要包括文本數(shù)據(jù)預(yù)處理和文本向量表示2 個部分，基本流程見圖3。

圖3 文本數(shù)據(jù)處理流程Fig.3 Text data processing flow

2.1 文本數(shù)據(jù)預(yù)處理

文本數(shù)據(jù)預(yù)處理包含2 個方面內(nèi)容：分詞、去停用詞。分詞是保證后續(xù)研究能夠準(zhǔn)確分析句子表達內(nèi)容的基礎(chǔ)，由于中文句子中包含大量的虛詞、感嘆詞等無特殊意義的停用詞，故一般先去除文本中無用的停用詞，減少文本冗余特征數(shù)量；再通過Jieba 分詞工具，利用構(gòu)建的交通術(shù)語詞典，實現(xiàn)有效分詞。

2.2 文本向量表示

當(dāng)前常用的文本向量表示方法為向量空間模型（vector space model，VSM），它是1 種根據(jù)特定算法將文本數(shù)據(jù)轉(zhuǎn)換成若干特征詞的集合，并且將這些特征詞集合表示成特征向量的1 種文本表示方法。目的是采用向量化的方式將文本數(shù)據(jù)轉(zhuǎn)換為計算機可以讀取的結(jié)構(gòu)化數(shù)據(jù)。常用的有詞袋模型和TF-IDF（term frequency-inverse document frequency）模型2種方法。

詞袋模型將分詞后的所有詞語看成1 個集合，集合中詞語之間是相互獨立的，沒有考慮相近詞語之間的含義以及詞語在語料庫中的順序，是1 種僅考慮詞語詞頻的文本表示方法；而TF-IDF 模型則以詞頻TF 和逆文本頻率指數(shù)IDF 乘積的形式來表示詞語在文檔中的重要性，詞頻TF和逆文本頻率指數(shù)IDF的計算[15]見式（4）。

式中：idfi為ti詞的逆文本頻率指數(shù)為語料庫中文件總量為包含ti詞的文件數(shù)。

得到TF-IDF的結(jié)果為

由于高速公路道路交通事故文本數(shù)據(jù)中包含大量無意義的描述性信息，使用詞袋模型一方面會產(chǎn)生較大的向量維度，另一方面無法突出關(guān)鍵信息詞的重要性，因此本文選取TF-IDF 模型進行文本向量表示。

以表1 中的事故經(jīng)過及原因為數(shù)據(jù)對象，應(yīng)用TF-IDF模型進行特征向量表示，設(shè)定最大特征值為15，得到提取結(jié)果：事故、交通、廈蓉高速、廈門、發(fā)生、小貨車、成渝段、成都、斷道、方向、施救、未超限、現(xiàn)場、相撞、輕傷。

所對應(yīng)的特征矩陣為：[3 1 1 1 1.406 1 1 1.405 1 1.405 1.405 1.405 1.405；1 1 1 1 1 0 1 1 0 1 0 0 0 0 0]

3 有序文本聚類（V-Fisher）模型

事故文本信息通常語句較短，且相同事故持續(xù)時間周邊范圍內(nèi)的語義表達較為相似，即存在事故類型、事故地點等因素的相似性，因此，通過聚類算法減少事故持續(xù)時間的稀疏性，將有利于提升最終預(yù)測的準(zhǔn)確率。由于高速公路事故持續(xù)時間具有連續(xù)有序性特點，因此普通的聚類算法并不能依據(jù)時間順序?qū)κ鹿饰谋具M行有序聚類。因此，本文借鑒Fisher聚類算法思想[16]，提出V-Fisher有序文本聚類模型，通過對TF-IDF 模型提取的VSM 特征，采用離差平方和表示各文本特征的差異程度，使得同類文本特征之間的差異最小，不同類別文本特征間的差異最大，實現(xiàn)有序聚類。再通過各種文本分類算法，驗證模型的有效性。算法的結(jié)構(gòu)框架見圖4，具體步驟如下。

步驟1。將事故文本數(shù)據(jù)按照持續(xù)時間大小有序排列。

步驟2。文本數(shù)據(jù)預(yù)處理。對文本數(shù)據(jù)進行去噪、分詞、去停用詞，并利用TF-IDF 模型提取文本特征，構(gòu)建特征向量。

步驟3。設(shè)置時間分段數(shù)k，計算可能每段的類直徑D(i)以及最小損失函數(shù)

步驟4。根據(jù)β檢驗法確定最優(yōu)分類結(jié)果。

步驟5。按一定比例劃分訓(xùn)練集和測試集，并通過分類算法對模型進行訓(xùn)練，得到訓(xùn)練結(jié)果。

步驟6。對結(jié)果進行評估。

圖4 NLP-Fisher預(yù)測模型流程圖Fig.4 Flow chart of NLP-Fisher prediction model

3.1 模型構(gòu)建

3.1.1 定義類的直徑

式中：D(i,j)為該類中不同時間標(biāo)簽i,i+1,…,j對應(yīng)事故文本數(shù)據(jù)之間的差異；Xt為每個文本句向量值，該類的均值向量表示為

3.1.2 定義分類損失函數(shù)

將N個有序文本分為k類的表示方法為

式中：分割點為1=i1，i2，…，ik＜N。

定義不同事故持續(xù)時間對應(yīng)的文本向量劃分為k類的損失函數(shù)為

從而，得到分類結(jié)果。

3.1.3 確定最優(yōu)分類數(shù)

目前常用的k值確定方法是曲線法和β檢驗法。本文在此采用β檢驗法，確定最優(yōu)分類數(shù)，其公式為

當(dāng)β值較大時，說明劃分為k+1 類比k類要更優(yōu)；β值越接近于1時，則可認(rèn)為該劃分類數(shù)k為最優(yōu)分類數(shù)。

3.2 分類算法

自然語言處理中的分類算法有很多，包括支持向量機（support vector machine，SVM）分類算法、邏輯回歸（logistic regression，LR）、神經(jīng)網(wǎng)絡(luò)分類算法等[17-18]。本文選擇支持向量機、邏輯回歸對文本聚類模型進行評估。

3.2.1 支持向量機

支持向量機（SVM）是1 種監(jiān)督式學(xué)習(xí)算法，泛化錯誤率低，具有良好的學(xué)習(xí)能力，可以解決小樣本情況下的預(yù)測問題。其是將輸入的文本向量映射到1個特征空間中，并在這個特征空間中尋找優(yōu)化的線性分界線，隨后構(gòu)造出1個分離類別的超平面，從而實現(xiàn)對文本數(shù)據(jù)的分類。支持向量機（SVM）算法的決策函數(shù)為[19]

3.2.2 邏輯回歸

邏輯回歸（LR）是以某種結(jié)果發(fā)生的概率為因變量，影響該結(jié)果發(fā)生的因素為自變量建立的回歸。邏輯回歸本質(zhì)和SVM一致，都是尋找具有最大間隔的超平面，但計算復(fù)雜度要遠低于SVM，且分類速度也要快于SVM。

這2種算法均既可以用于回歸，又可以用于分類，在參數(shù)不變的情況進行對比分析，可更有效的反應(yīng)本文所建模型的適應(yīng)性，且更適用于小數(shù)據(jù)集的研究。

3.3.3 模型評價

選取準(zhǔn)確率P、召回率R、F值作為評價指標(biāo)。準(zhǔn)確率P表示對測試集進行時間區(qū)間分類后，預(yù)測為某類樣本中真正屬于該類別的樣本所占比例，即

式中：r，t的含義見表3。

圖5 LR回歸模型與SVR回歸模型預(yù)測結(jié)果圖Fig.5 LR regression model and SVR regression model prediction results

表3 分類判別混淆矩陣Tab.3 The classification identifies the confusion matrix

召回率R表示對測試集進行時間區(qū)間分類后，預(yù)測為某類樣本中真實類別占所有真實類別的比例，即

為了對準(zhǔn)確率P和召回率R進行綜合考慮，本文使用二者的加權(quán)調(diào)和平均數(shù)F來衡量最終的分類效果，即

考慮到本文對事故時間的分類任務(wù)面向的是多分類任務(wù)，因此再計算出各個類別所對應(yīng)的準(zhǔn)確率P、召回率R以及F值，采用各個類別所對應(yīng)的平均準(zhǔn)確率AVP、平均召回率AVR，以及平均F值A(chǔ)VF作為衡量時間區(qū)間分類器性能的評價指標(biāo)。

4 仿真實驗與分析

本實驗基于Python 語言編寫，選取預(yù)處理后事故記錄數(shù)據(jù)和微博發(fā)布數(shù)據(jù)作為實驗數(shù)據(jù)，運用式（3），計算得到四川省高速公路車輛平均出行時間為275 min，并以此為事故持續(xù)時間上限，在總數(shù)4 164條數(shù)據(jù)的基礎(chǔ)上，篩選得到3 731條有效數(shù)據(jù)，有效占比為89.6%。其中訓(xùn)練集3 335條，測試數(shù)據(jù)396條。

4.1 回歸預(yù)測

將事故文本數(shù)據(jù)經(jīng)過分詞、去停用詞以及特征提取等基本流程處理后，把得到的特征向量矩陣為自變量，事故持續(xù)時間為自變量，分別采用邏輯回歸（LR），支持向量機回歸（SVR）方法對模型進行回歸預(yù)測。

針對于測試集，無論是SVR算法還是LR算法，在事故持續(xù)時間預(yù)測擬合精度均較低，見圖5 和表4。從圖5（b）可知，尤其是SVR算法，預(yù)測結(jié)果集中在50～100 min 之間，難以在實際生產(chǎn)活動中產(chǎn)生有效作用；其次，雖然LR 算法的R2遠大于SVR 算法，但其MAE和MSE性能指標(biāo)均大于LR 算法，表明該模型預(yù)測結(jié)果的具有極高的不穩(wěn)定性。因此，采用回歸模型得到的預(yù)測結(jié)果幾乎不具備實際效用。故結(jié)合實際道路交通管理部門的工作流程，根據(jù)事故狀況對持續(xù)時間進行分區(qū)段處理，將更有助于道路管理部門開展應(yīng)急管理工作。

表4 回歸模型性能表Tab.4 Performance table of regression model

4.2 V-Fisher有序文本聚類模型

將經(jīng)過自然語言處理后的特征向量，通過V-Fisher 聚類模型，得到不同分段結(jié)果以及所對應(yīng)的損失函數(shù)值，見表5，并利用β檢驗法確定最優(yōu)分類數(shù)；根據(jù)β檢驗值可知，當(dāng)劃分為3 段時β值最小，為1.001 2，且最接近于1，可以認(rèn)為聚類效果最好。

表5 聚類結(jié)果及損失函數(shù)值、 β 值Tab.5 Clustering results and loss function values, β alues

對聚類后的結(jié)果分別采用SVM 分類算法、LR分類算法以及集成學(xué)習(xí)的思想對模型進行訓(xùn)練與預(yù)測，并針對于評價指標(biāo)AVP，AVR，AVF進行對比分析，具體結(jié)果見表6和圖6。

表6 各算法分類性能對比Tab.6 Classification performance comparison of algorithms

圖6 各算法分類性能對比圖Fig.6 Comparison of classification performance of each algorithm

從圖6 可知，通過分類預(yù)測算法效果遠好于回歸預(yù)測，各項性能指標(biāo)均在0.65 以上。尤其是在采用對SVM 和LR 集成后，模型準(zhǔn)確率更是達到了0.82。而SVM 算法在預(yù)測過程中各指標(biāo)值表現(xiàn)得較為平穩(wěn)，沒有較大的波動。綜上，通過本文提出的V-Fisher 有序聚類模型，在單純自然語言文本數(shù)據(jù)的基礎(chǔ)上，各分類算法均表現(xiàn)出較好的預(yù)測結(jié)果，表明本文所建模型具有較好的適應(yīng)性，將有助于在實際情景中對事故持續(xù)時間做出較為精準(zhǔn)的預(yù)測，并達到預(yù)期的效果。

5 結(jié)束語

針對目前智慧交通領(lǐng)域研究熱點，就大量交通事故信息被記錄在自由流文本中的現(xiàn)象，引入自然語言處理技術(shù)，對高速公路事故持續(xù)時間預(yù)測問題展開研究。

1）基于事故文本數(shù)據(jù)，利用自然語言處理技術(shù)，建立文本驅(qū)動下的事故持續(xù)時間預(yù)測模型。適用于以自然語言形式存在的任何信息文本，更及時、有效、便捷的預(yù)測事故可能持續(xù)時間，從而滿足交通管理和出行服務(wù)需要。

2）在傳統(tǒng)文本分類基礎(chǔ)上，提出1種針對于有序文本數(shù)據(jù)的聚類算法模型（V-Fisher），在一定程度上提升了事故持續(xù)時間預(yù)測有效性。

3）由于事故文本數(shù)據(jù)向量表示的稀疏性，傳統(tǒng)回歸預(yù)測模型的有效性較差，預(yù)測結(jié)果與真實結(jié)果存在較大偏差。而分類預(yù)測模型則受文本向量表示影響較小，在集成學(xué)習(xí)模型下準(zhǔn)確率可以達到0.82。

本研究目前只是利用自然語言處理技術(shù)在交通領(lǐng)域中的試探性研究，因此，該方法還有待于進一步地應(yīng)用檢驗，并不斷擴充訓(xùn)練集數(shù)量，優(yōu)化預(yù)測模型。