徐永利 李景軍 王以龍

摘 要：高速公路網(wǎng)的日益完善，通車數(shù)量的急劇增加，目前交通事故的發(fā)生已成為高速公路通行中的一大難題。為了確定各因素對(duì)事故的影響程度，提高事故規(guī)律分析及預(yù)測(cè)的準(zhǔn)確性，提出通過建立廣義線性回歸模型對(duì)高速公路進(jìn)行事故預(yù)測(cè)。首先通過挖掘高速公路的歷史事故數(shù)據(jù)，對(duì)影響事故的多個(gè)因素進(jìn)行定量分析，建立負(fù)二項(xiàng)回歸方程，其次驗(yàn)證各因素的擬合優(yōu)度，最后進(jìn)行事故預(yù)測(cè)，結(jié)果表明模型提升了事故預(yù)測(cè)的準(zhǔn)確性。

關(guān)鍵詞：廣義線性回歸模型;高速公路;事故預(yù)測(cè)

中圖分類號(hào)：U491.3 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

根據(jù)山東省統(tǒng)計(jì)局官方網(wǎng)站統(tǒng)計(jì)，2018年山東省道路交通事故共發(fā)生13 226起，死亡人數(shù)為3 600人。而山東省截止到2018年，在汽車擁有量、道路面積、通車?yán)锍潭汲掷m(xù)增加的情況下，道路交通安全呈整體穩(wěn)定的趨勢(shì)。

1 事故預(yù)測(cè)模型選擇

1.1 Poison分布模型

Poison分布作為回歸模型最基礎(chǔ)、最常用的模型，事故量選用Poison分布模型預(yù)測(cè)時(shí)，數(shù)據(jù)的均值和方差是相等的，采用該分布模型描述事故發(fā)生的規(guī)律，表達(dá)式如下：

式中：表示路段發(fā)生次事故的概率;表示路段發(fā)生的事故次數(shù)的數(shù)學(xué)期望;表示路段的解釋變量;表示解釋變量的系數(shù)。

由于道路交通事故數(shù)據(jù)難以滿足Poison分布對(duì)數(shù)據(jù)的要求，模型的應(yīng)用具有局限性。

1.2 負(fù)二項(xiàng)分布模型

結(jié)合事故數(shù)據(jù)的特點(diǎn)，將Poison分布模型消除均值等于方差帶來的影響，即成為負(fù)二項(xiàng)分布模型。如式*：

式中：表示路段上發(fā)生的交通事故率;表示路段上發(fā)生的交通事故率的期望值;表示離散度指數(shù);表示模型的解釋變量;表示解釋變量的參數(shù)。

1.3 零堆積Poison分布和零堆積負(fù)二項(xiàng)分布模型

如果劃分路段內(nèi)無事故發(fā)生時(shí)，會(huì)導(dǎo)致數(shù)據(jù)過度離散，將無法使用Poison分布模型和負(fù)二項(xiàng)分布模型。

事故次數(shù)分布服從Poison分布和負(fù)二項(xiàng)分布，由于均值遠(yuǎn)小于方差，因此選用負(fù)二項(xiàng)模型進(jìn)行事故預(yù)測(cè)較為合適。

2 事故數(shù)據(jù)準(zhǔn)備

2.1 路段劃分

使用微觀模型預(yù)測(cè)事故時(shí)首先需要將路段進(jìn)行單元?jiǎng)澐郑瑸檠芯拷煌髋c事故之間的關(guān)系，選取濟(jì)樂高速南延段作為研究對(duì)象，該路段的道路設(shè)計(jì)為雙向四車道，最高速度不超過100 km/h，將道路每1 km視為一個(gè)路段，共50個(gè)樣本路段。

2.2 自變量選取

選擇交通流數(shù)據(jù)作為模型的自變量，研究各路段中固定檢測(cè)器所采集的數(shù)據(jù)，統(tǒng)計(jì)為表1。

3 負(fù)二項(xiàng)事故預(yù)測(cè)模型建立

由于交通流參數(shù)的不同，路段的事故期望值可看作交通流參數(shù)的函數(shù)，表達(dá)式為：

4 模型結(jié)果分析

通過對(duì)濟(jì)樂高速南延段事故數(shù)據(jù)和交通流數(shù)據(jù)的分析，選用SPSS17.0對(duì)多個(gè)數(shù)據(jù)進(jìn)行回歸擬合，顯著性水平設(shè)為0.05，采用逐步回歸的方法，參數(shù)估計(jì)結(jié)果見表2和表3。

從表中彈性系數(shù)一列看各個(gè)因素的值，3個(gè)參數(shù)的彈性值均大于0，說明與交通事故發(fā)生次數(shù)是呈正相關(guān)的，其中路段平均占有率彈性系數(shù)值最大，說明對(duì)事故發(fā)生次數(shù)影響最大。

濟(jì)樂高速南延段交通事故期望值為：

其中：為年平均日交通量;為路段平均占有率;為大中型車占比。

將2019年該路段的交通流數(shù)據(jù)，代入上述所標(biāo)定的模型，所得相對(duì)誤差為7.6%，證明所建立的事故預(yù)測(cè)模型具有較高的精度。

5 結(jié)語

論文根據(jù)歷史事故數(shù)據(jù)的分布規(guī)律，對(duì)多個(gè)影響因素進(jìn)行量化，建立負(fù)二項(xiàng)回歸模型，研究各因素對(duì)交通事故的影響程度，使得預(yù)測(cè)結(jié)果更為準(zhǔn)確。

參考文獻(xiàn)：

[1]陳長(zhǎng)坤，武艷，辛夢(mèng)陽，等.基于廣義線性模型的干線公路交通事故預(yù)測(cè)[J].公路與汽運(yùn)，2015（06）：56-59.

[2]童偉，楊凡.基于SVR的成都市交通事故態(tài)勢(shì)分析[J].農(nóng)家參謀，2018（12）：287.

[3]王小凡，朱永強(qiáng).基于灰色BP神經(jīng)網(wǎng)絡(luò)模型的道路交通事故預(yù)測(cè)[J].白城師范學(xué)院學(xué)報(bào)，2019，33（06）：36-40+51.