李洪奇，周倩倩+，辛 盈，劉艷芳，趙艷紅

(1.中國(guó)石油大學(xué) (北京) 信息科學(xué)與工程學(xué)院 石油數(shù)據(jù)挖掘北京市重點(diǎn)實(shí)驗(yàn)室，北京 102249；2.中國(guó)石油國(guó)際勘探開(kāi)發(fā)有限公司，北京 100034)

0 引 言

我國(guó)在事故預(yù)警方面的研究已經(jīng)涉及到各個(gè)方向，如鐵路、高速公路、城市道路等交通安全管理和預(yù)警，這些研究主要是通過(guò)分析道路現(xiàn)狀，建立預(yù)警模型，確定警限和警兆，從而對(duì)交通安全狀況進(jìn)行預(yù)警。鄭曉鴻[1]調(diào)查我國(guó)道路安全現(xiàn)狀，基于事故形態(tài)、事故成因，其中成因包括人、車(chē)、路、環(huán)境等，建立事故預(yù)警指標(biāo)體系，設(shè)計(jì)分析了預(yù)警系統(tǒng)架構(gòu)。吳剛[2]提出了基于模糊推理的高速公路事故預(yù)警算法，通過(guò)交通流的變化狀態(tài)對(duì)道路事故風(fēng)險(xiǎn)進(jìn)行預(yù)警。喻幸[3]提出了利用粗糙集理論對(duì)事故因素進(jìn)行約簡(jiǎn)，確定各因素指標(biāo)權(quán)重，建立事故預(yù)警模型。侯力楊[4]從事故致因角度出發(fā)使用BP神經(jīng)網(wǎng)絡(luò)對(duì)事故進(jìn)行分級(jí)預(yù)警。以往的事故預(yù)警指標(biāo)建立大多從人、車(chē)、路、環(huán)境等因素全面分析，涵蓋范圍較廣，但是存在冗余因素較多的問(wèn)題，致使重要因素不突出，導(dǎo)致誤警。本文在已有研究成果的基礎(chǔ)上，以克拉瑪依市為例，采用數(shù)據(jù)挖掘方法探究該市交通事故重要影響因素，指標(biāo)選取更符合實(shí)際道路情況，然后根據(jù)事故動(dòng)態(tài)分布規(guī)律、人、車(chē)、路、環(huán)境等事故影響因素，以及道路交通流變化，對(duì)事故來(lái)源地進(jìn)行事故預(yù)警，并應(yīng)用到實(shí)際的交通管理系統(tǒng)中。

1 研究方法

本文通過(guò)歷史交通事故對(duì)事故進(jìn)行預(yù)警研究，事故預(yù)警指標(biāo)體系主要包括事故分布規(guī)律，用于分析事故動(dòng)態(tài)發(fā)展過(guò)程，以及事故成因分析，通過(guò)數(shù)據(jù)挖掘方法得到事故重要影響因素，建立造成事故的強(qiáng)關(guān)聯(lián)指標(biāo)集合。如圖1所示。

圖1 道路交通事故預(yù)警結(jié)構(gòu)

1.1 事故預(yù)警指標(biāo)選取

道路交通事故預(yù)警指標(biāo)體系是為了能判斷道路的安全狀況，因此指標(biāo)的選取需要具備客觀性和全面性，指標(biāo)之間應(yīng)相互聯(lián)系，要能反映出引起事故發(fā)生和影響事故嚴(yán)重程度的重要原因。通過(guò)查閱相關(guān)文獻(xiàn)，指標(biāo)選取需要具備以下幾個(gè)原則[5]：①可測(cè)性：通過(guò)數(shù)據(jù)定量分析和對(duì)比，找到事故發(fā)生的真正原因，為評(píng)價(jià)結(jié)果提供有利的數(shù)據(jù)支撐；②可操作性：保證道路交通事故預(yù)警在實(shí)際應(yīng)用中的可行性；③獨(dú)立性：指標(biāo)之間相輔相成，既有一定的相關(guān)性，又相互獨(dú)立；④閾值識(shí)別：構(gòu)建指標(biāo)體系時(shí)需要確定指標(biāo)等級(jí)，對(duì)于分類(lèi)原則、臨界閾值要有較明確的識(shí)別標(biāo)準(zhǔn)；⑤靈敏性：評(píng)價(jià)指標(biāo)要能靈敏地反映道路交通安全狀況，能對(duì)危險(xiǎn)情況及時(shí)預(yù)警。

本文以克拉瑪依市道路交通事故為研究對(duì)象，首先設(shè)計(jì)了交通事故的水平指標(biāo)和動(dòng)態(tài)指標(biāo)，然后從不同方面深入分析了事故動(dòng)態(tài)分布規(guī)律的演變過(guò)程。其中水平指標(biāo)包括發(fā)展水平、平均發(fā)展水平、增長(zhǎng)量、平均增長(zhǎng)量；速度指標(biāo)包括發(fā)展率、平均發(fā)展率、增長(zhǎng)率和平均增長(zhǎng)率。以2008-2018年該市道路交通事故統(tǒng)計(jì)資料為基礎(chǔ)，應(yīng)用基于絕對(duì)數(shù)的分析指標(biāo)進(jìn)行分析，包括定基增長(zhǎng)量和環(huán)比增長(zhǎng)量，定基發(fā)展率和環(huán)比發(fā)展率，主要反映某一時(shí)期的事故動(dòng)態(tài)變化的規(guī)模、速度和水平。結(jié)果表明增長(zhǎng)量和增長(zhǎng)率所表現(xiàn)的事故發(fā)展趨勢(shì)基本一致。如果只考慮單方面指標(biāo)，可能會(huì)得出錯(cuò)誤的結(jié)論，不能合理掌握事故分布規(guī)律。文中將速度指標(biāo)和水平指標(biāo)相結(jié)合，互相補(bǔ)充。

事故發(fā)生可歸結(jié)為人、車(chē)、路、環(huán)境等多維動(dòng)靜態(tài)因素耦合失調(diào)導(dǎo)致的。本文使用決策樹(shù)分析方法挖掘事故原因與各影響因素之間的內(nèi)在規(guī)律。圖2展示的是各影響因素對(duì)分類(lèi)模型的重要度，可以看出車(chē)輛行駛狀態(tài)、道路物理隔離、車(chē)輛種類(lèi)、天氣對(duì)于事故發(fā)生的影響較為重要。

通過(guò)分析決策樹(shù)模型推理出的規(guī)則，并結(jié)合克拉瑪依市實(shí)際道路交通事故情況，事故發(fā)生原因多為未按規(guī)定讓行和超速行駛，這兩種違法行為嚴(yán)重影響了道路交通安全。

圖2 事故影響因素重要度分析

車(chē)輛非直行情況下易發(fā)生事故，在陰雨雪天氣、道路無(wú)物理隔離時(shí)發(fā)生事故的概率較大，事故發(fā)生多為小型汽車(chē)，其次是大中型汽車(chē)，貨車(chē)和客車(chē)發(fā)生事故較多。城市道路上的大中型汽車(chē)一方面能影響道路交通流情況，另一方面，數(shù)量過(guò)多，道路安全水平將大大降低，一旦發(fā)生事故，容易造成道路阻塞，甚至?xí)l(fā)二次事故，其造成的危險(xiǎn)和損失比小型普通汽車(chē)大得多。

為了使預(yù)警指標(biāo)的選取更具可取性和合理性，本文以受傷事故和死亡事故為研究對(duì)象，采用兩步BIRCH算法進(jìn)行事故特征聚類(lèi)，分析不同事故嚴(yán)重程度下影響因素的重要性和差異性。相較于經(jīng)典的K-means算法，兩步BIRCH聚類(lèi)算法既能處理數(shù)值型變量，又能處理分類(lèi)型變量，并且不用指定聚類(lèi)數(shù)目，不那么依賴(lài)于先驗(yàn)知識(shí)[6]。由于事故因素較多，同一模式下對(duì)全部因素聚類(lèi)分析容易造成聚類(lèi)特征中的隱含信息損失，因此，本文將事故影響因素進(jìn)行重組，分成“責(zé)任主體特征”和“事故環(huán)境特征”兩種模式。

由圖3，圖4可以看出，在責(zé)任主體特征方面，不論是受傷事故還是死亡事故，駕齡較低，尤其是無(wú)證駕駛引發(fā)的事故較多，受傷事故中發(fā)生事故的主體多為小型汽車(chē)，死亡事故中大型汽車(chē)的事故率也不容忽視。

由圖5，圖6可以看出，在事故環(huán)境特征方面，道路無(wú)隔離、無(wú)防護(hù)的情況下易發(fā)生受傷以上的嚴(yán)重事故，除晴天以外的天氣也有一定的事故量。一年中晴天占大多數(shù)，但是陰、雨雪天氣道路安全系數(shù)降低，更易導(dǎo)致事故發(fā)生。

圖3 責(zé)任主體特征—受傷事故

圖4 責(zé)任主體特征—死亡事故

圖5 事故環(huán)境特征—受傷事故

圖6 事故環(huán)境特征—死亡事故

1.2 基于事故動(dòng)態(tài)分析的預(yù)警指標(biāo)體系

由于事故因素?zé)o法直接量化，因此使用事故數(shù)量或事故比例對(duì)各項(xiàng)指標(biāo)進(jìn)行度量。在影響交通事故的諸多因素中，交通流的穩(wěn)定程度對(duì)交通沖突的大小、道路交通安全有較大影響[7]。因此，本文構(gòu)建道路交通事故預(yù)警指標(biāo)體系時(shí)考慮了交通流狀況，該體系是三層結(jié)構(gòu)模型，見(jiàn)表1，分別是目標(biāo)層A、準(zhǔn)則層B和指標(biāo)層C。

表1 道路交通事故預(yù)警指標(biāo)三層結(jié)構(gòu)

在事故分布規(guī)律指標(biāo)中，X11是事故相對(duì)于某一基期的增長(zhǎng)量，表征的是交通事故的發(fā)展趨勢(shì)；X12是計(jì)算期事故量與基期之比，表征的是交通事故發(fā)展速度；X13是事故死亡人數(shù)與受傷人數(shù)之比，反映的是交通事故嚴(yán)重程度。在事故成因指標(biāo)中，X21和X22分別是引起事故發(fā)生的主要成因和次要成因構(gòu)成比例，事故原因主要有不按規(guī)定讓行、超速行駛、酒后駕駛、逆行等。X23屬于人為因素，是事故責(zé)任人3年以下駕齡(包括無(wú)證駕駛)的事故占比，X24屬于道路因素，是道路無(wú)物理隔離的事故占比，X25屬于車(chē)輛因素，是肇事汽車(chē)中大中型汽車(chē)的事故占比。X26表示在雨、雪、霧等惡劣天氣中的事故比例。X27是道路交通流量相對(duì)于某一時(shí)期的變化率。各指標(biāo)級(jí)別越高，對(duì)道路安全的影響越大，事故發(fā)生的可能性和嚴(yán)重性就越大。

建立道路交通事故預(yù)警指標(biāo)體系過(guò)程中，關(guān)鍵環(huán)節(jié)是確定各個(gè)指標(biāo)的警限值[8-10]，本文在設(shè)定警限值時(shí)主要參考了“工程評(píng)價(jià)標(biāo)準(zhǔn)”和“交通管理評(píng)價(jià)指標(biāo)體系”以及應(yīng)用了目前國(guó)內(nèi)比較成熟的系統(tǒng)化分析方法，例如使用了多數(shù)、半數(shù)、少數(shù)、均數(shù)、眾數(shù)、負(fù)數(shù)和參數(shù)等原則，每個(gè)原則確定一個(gè)警限值，綜合平均這些警限值，并做適當(dāng)調(diào)整得出各個(gè)指標(biāo)的警限值。表2展示的是成因指標(biāo)的各等級(jí)警限值[11]，臨界值之間的取值通過(guò)模糊綜合評(píng)價(jià)法的隸屬度計(jì)算來(lái)確定等級(jí)。事故預(yù)警分布規(guī)律指標(biāo)分級(jí)標(biāo)準(zhǔn)參見(jiàn)文獻(xiàn)[13]的表3。

1.3 道路交通事故預(yù)警模型

1.3.1 構(gòu)建預(yù)警模型

事故預(yù)警指標(biāo)權(quán)重的確定和事故預(yù)警警度的計(jì)算是模型構(gòu)建的重要過(guò)程。計(jì)算指標(biāo)權(quán)重使用的是層次分析法(AHP)[12]，使用模糊綜合評(píng)價(jià)法[13]確定隸屬度矩陣，量化各定性預(yù)警指標(biāo)，指標(biāo)評(píng)價(jià)由下向上分析，下層指標(biāo)的評(píng)價(jià)結(jié)果是上層指標(biāo)綜合評(píng)價(jià)的依據(jù)和基礎(chǔ)。事故預(yù)警模型的構(gòu)建過(guò)程如圖7所示。

表2 道路交通事故預(yù)警成因指標(biāo)分級(jí)標(biāo)準(zhǔn)

圖7 道路交通事故預(yù)警指標(biāo)評(píng)價(jià)過(guò)程

通過(guò)專(zhuān)家和決策者咨詢對(duì)預(yù)警指標(biāo)進(jìn)行兩兩比較打分，采用1-9標(biāo)度法構(gòu)建判斷矩陣，運(yùn)用定性和定量集成的AHP方法確定指標(biāo)權(quán)重。設(shè)權(quán)重矩陣為A，則權(quán)重矩陣構(gòu)建中的判斷矩陣如下

矩陣構(gòu)建完成后計(jì)算每個(gè)矩陣的最大特征值，即所求指標(biāo)的權(quán)重。最后使用CR進(jìn)行一致性檢驗(yàn)，若CR<0.10，則認(rèn)為判斷矩陣具有協(xié)調(diào)性與同步性。CR、CI計(jì)算如下

1.3.2 計(jì)算預(yù)警警度

預(yù)警警度的計(jì)算采用兩層次模糊綜合評(píng)價(jià)，分別是準(zhǔn)則層與指標(biāo)層、目標(biāo)層與準(zhǔn)則層，預(yù)警警度計(jì)算的具體步驟為：

(1)建立因素集X

根據(jù)本文構(gòu)建的預(yù)警指標(biāo)體系，可得到預(yù)警因素集具有兩個(gè)層次，如下：

第一個(gè)層次包含2個(gè)因素：X={X1,X2}={事故分布規(guī)律, 事故成因分析}。

第二個(gè)層次包含Xij(i=1,2;j=1,2,…,7)個(gè)子因子，即X1={X11,X12,X13}，X2={X21,X22,…,X27}。

(2)建立評(píng)價(jià)集S

評(píng)價(jià)集是各指標(biāo)可作出的所有評(píng)判結(jié)果，即：Vi={v1,v2,…vn,}(i=1,2,…,n)，vi表示評(píng)價(jià)等級(jí)。評(píng)價(jià)集結(jié)構(gòu)和預(yù)警指標(biāo)因素X對(duì)應(yīng)，同樣具有兩個(gè)層次。

第1層：使用5個(gè)級(jí)別來(lái)表示道路交通安全綜合評(píng)價(jià)，即V={無(wú)警、輕警、中警、重警、巨警}。

第2層：和第1層劃分等級(jí)類(lèi)似，同樣按安全級(jí)別從低到高分成5個(gè)等級(jí)。

(3)指標(biāo)權(quán)重及隸屬度計(jì)算

應(yīng)用AHP方法確定各指標(biāo)的權(quán)重，再使用半梯形分布函數(shù)計(jì)算隸屬度，得到指標(biāo)隸屬度矩陣，即量化各預(yù)警指標(biāo)。

假設(shè)指標(biāo)因素集為XT={x1,x2,…,xm}，評(píng)價(jià)集為V={v1,v2,…vn}，vj和vj+1是相鄰的兩級(jí)標(biāo)準(zhǔn)，vj+1>vj，則vj級(jí)的隸屬度函數(shù)為

(4)隸屬度模糊綜合評(píng)價(jià)

使用模糊綜合評(píng)價(jià)確定第二層的綜合評(píng)價(jià)結(jié)果：Bi=(bi1,bi2,…bik)=Ai·Ri(i=1,2)

其中，Ai是計(jì)算層對(duì)應(yīng)各指標(biāo)因素的權(quán)重矩陣，Ri是計(jì)算層的評(píng)判矩陣，i是計(jì)算層的指標(biāo)個(gè)數(shù)，k是計(jì)算層中涉及的子指標(biāo)個(gè)數(shù)。分別計(jì)算準(zhǔn)則層兩大類(lèi)指標(biāo)和指標(biāo)層的權(quán)重評(píng)價(jià)，得到的結(jié)果B1，B2構(gòu)造總的評(píng)判矩陣R，即目標(biāo)層的評(píng)判矩陣

構(gòu)造準(zhǔn)則層對(duì)于目標(biāo)層的權(quán)重向量A=(a1,a2)，則目標(biāo)層的評(píng)價(jià)結(jié)果

由隸屬度最大原則得到B中最大值即為事故預(yù)警綜合等級(jí)。

1.3.3 判別預(yù)警級(jí)別

道路交通狀態(tài)綜合評(píng)價(jià)分為5個(gè)等級(jí)，即從I級(jí)到V級(jí)，分別對(duì)應(yīng)著無(wú)警、輕警、中警、重警和巨警，不同預(yù)警信號(hào)代表不同警度[14]。見(jiàn)表3。

表3 道路交通事故預(yù)警等級(jí)劃分

2 實(shí)驗(yàn)分析

本文選擇克拉瑪依市3個(gè)路口為研究對(duì)象，分別是昆侖路與勝利路路口、南新路與勝利路路口以及準(zhǔn)噶爾路與勝利路路口，數(shù)據(jù)來(lái)源為2018年3個(gè)路口上半年的事故數(shù)據(jù)以及各路口的實(shí)時(shí)交通流量，事故次數(shù)增長(zhǎng)量和事故次數(shù)發(fā)展率指標(biāo)以1月份為計(jì)算基礎(chǔ)。通過(guò)歷史事故數(shù)據(jù)計(jì)算兩大類(lèi)指標(biāo)下各個(gè)子指標(biāo)對(duì)應(yīng)的指標(biāo)值，見(jiàn)表4。

整理好相關(guān)預(yù)警指標(biāo)數(shù)據(jù)之后，首先需要使用層次分析法對(duì)指標(biāo)進(jìn)行打分，構(gòu)造指標(biāo)評(píng)判矩陣，確定各指標(biāo)的權(quán)重。表5是采用1-9標(biāo)度法建立標(biāo)度矩陣后的權(quán)重計(jì)算和一致性驗(yàn)證。

以昆侖路與勝利路路口為例，應(yīng)用半梯形分布函數(shù)計(jì)算各指標(biāo)的隸屬度，得到指標(biāo)隸屬度矩陣，見(jiàn)表6。

計(jì)算3個(gè)路口的評(píng)判矩陣和隸屬度矩陣，最終得到昆侖路與勝利路、南新路與勝利路、準(zhǔn)噶爾路與勝利路3個(gè)路口的交通事故預(yù)警綜合評(píng)價(jià)結(jié)果，見(jiàn)表7。

根據(jù)最大隸屬度原則，克拉瑪依市昆侖路與勝利路路口、南新路與勝利路路口的道路交通事故預(yù)警級(jí)別均屬第II級(jí)，即輕警，預(yù)警信號(hào)是藍(lán)色，準(zhǔn)噶爾路與勝利路路口的預(yù)警級(jí)別屬于第III級(jí)，即中警，預(yù)警信號(hào)是黃色。當(dāng)預(yù)警級(jí)別在III級(jí)以上(包括III級(jí))，系統(tǒng)發(fā)出相應(yīng)的道路交通危險(xiǎn)警報(bào)。事故預(yù)警如圖8所示。

表4 3個(gè)路口預(yù)警指標(biāo)數(shù)據(jù)

表5 指標(biāo)權(quán)重及一致性檢驗(yàn)

表6 評(píng)價(jià)指標(biāo)的隸屬度矩陣

表7 各路口模糊綜合評(píng)價(jià)結(jié)果

圖8 系統(tǒng)主頁(yè)事故預(yù)警信息展示

系統(tǒng)集成了交通事故管理，用于事故分析與預(yù)警的數(shù)據(jù)支持，交通事故因素分析，用于挖掘事故發(fā)生與多維因素間的內(nèi)在規(guī)律，以及基于視頻的車(chē)流量檢測(cè)功能，交通流量可實(shí)時(shí)獲取，準(zhǔn)確率在80%以上，分別如圖9、圖10、圖11所示。經(jīng)典的關(guān)聯(lián)規(guī)則挖掘算法曾被廣泛應(yīng)用于高速公路事故預(yù)警，但由于此方法具有多次掃描事務(wù)數(shù)據(jù)庫(kù)，可能產(chǎn)生龐大候選集等性能瓶頸問(wèn)題，因此不適合事故實(shí)時(shí)預(yù)警。本文提出的方法從建模到輸出結(jié)果時(shí)間較短，能達(dá)到實(shí)時(shí)預(yù)警效果。系統(tǒng)還建立了預(yù)警信息數(shù)據(jù)庫(kù)，每發(fā)布一次事故預(yù)警，預(yù)警信息都會(huì)被保存。這些信息可供交通管理部門(mén)參考，在遇到相似事件時(shí)可以借鑒歷史記錄，及時(shí)采取合理措施，為提高道路交通安全的管理水平服務(wù)。

圖9 交通事故管理

圖10 道路車(chē)流量檢測(cè)

圖11 事故因素分析

3 結(jié)束語(yǔ)

本文首先對(duì)事故動(dòng)態(tài)分布規(guī)律的水平和速度指標(biāo)進(jìn)行分析，這比傳統(tǒng)的靜態(tài)方法更能反映事故發(fā)展趨勢(shì)的演變過(guò)程。利用決策樹(shù)和兩步聚類(lèi)方法挖掘分析交通事故嚴(yán)重程度與人、車(chē)、路、環(huán)境等影響因素的內(nèi)在關(guān)聯(lián)，構(gòu)建了動(dòng)、靜態(tài)指標(biāo)結(jié)合的道路交通事故預(yù)警強(qiáng)關(guān)聯(lián)指標(biāo)體系。應(yīng)用層次分析和模糊綜合評(píng)價(jià)法建立了事故預(yù)警模型，形成了一套基于事故動(dòng)態(tài)分析的道路交通事故預(yù)警系統(tǒng)，快速評(píng)判道路交通安全等級(jí)，確定道路警情，有利于交通管理部門(mén)及時(shí)采取措施，對(duì)于安全隱患道路加強(qiáng)警力部署和安全指揮，從而提高道路安全水平，預(yù)防交通事故的發(fā)生。該系統(tǒng)在克拉瑪依市實(shí)際道路安全管理上起到了一定的指導(dǎo)作用，有效減少了該市道路交通事故。