摘 要：基于視頻信息提取了貨車-兩輪車碰撞典型事故場景，對事故場景中不同事故因素間的相關性進行了挖掘以補充代表事故遺漏的事故特征。應用210例帶視頻信息的貨車-兩輪車碰撞事故案例獲取相關事故信息，采用 K-modes聚類方法對事故案例進行聚類得到典型事故場景，采用關聯(lián)規(guī)則方法對每個事故場景中事故因素之間的關聯(lián)度進行分析。結果表明：貨車-兩輪車事故可分為4種典型場景，即2種十字路口事故，1種直行道路事故以及1種丁字路口事故。十字路口事故場景中事故特征與存在視覺障礙關聯(lián)度較高，且在十字路口事故中“貨車左轉”所帶來的風險也比較高；直行道路事故中貨車制動規(guī)避與道路上是否有信號燈存在關聯(lián)性；丁字路口事故中型貨車轉向規(guī)避與騎車人遭到碾壓之間存在關聯(lián)性。該研究結果可以為兩輪車騎車人安全對策和安全測試場景提供參考。

關鍵詞： 汽車安全；交通事故視頻；貨車；兩輪車； K-modes聚類；關聯(lián)規(guī)則分析

中圖分類號： U 461.91 文獻標識碼： A DOI： 10.3969/j.issn.1674-8484.2024.04.006

Typical accident scene extraction and accident factor association"rules analysis for truck-two-wheeler collisions

NIE Jin1， ZHANG Xiang2， ZHANG Yue2， WANG Bingyu2，3， YI Xiangxian*1， ZHOU Wu1

（1. Automobile School， Loudi Vocational and Technical College， Loudi 417000， China;2. School of Mechanical and Automotive Engineering， Xiamen University of Technology， Xiamen， 361024， China;3. Fujian Collaborative Innovation Center for Ramp;D of Coach and Special Vehicle， Xiamen， 361024， China）

Abstract： Typical accident scenarios of truck-two-wheeler collisions were extracted based on video information. The correlation among accident factors within these scenarios was explored using association rules analysis to elucidate accident characteristics that were not typically described by typical accidents. Accident information was extracted from 210 cases of truck-two-wheeler accidents with accompanying video information sourced from the internet. These cases were then subjected to K-modes clustering to obtain typical accident scenarios. Subsequently， association rule mining was employed to analyze the degree of association among accident factors within each accident scenario. The results show that truck-two-wheeler accidents can be categorized into four typical scenarios， namely two types of intersection accidents， one straight road accident，"and one T-junction accident. In intersection accidents， there is a high association between accident features and the presence of visual obstacle. The accident featuring a “truck turning left” will cause high accident risk. In straight road accidents， there is an association between truck braking for avoidance and the presence of traffc signals on the road. In T-junction accidents， there is an association between mediu-sized truck steering for avoidance and two-wheeler riders being crushed. These research fndings can provide reference to safety measures and safety testing scenarios for two-wheeler riders.

Key words： a utomotive safety; traffc accident video; truck; two-wheelers; K-modes cluster; association rules

統(tǒng)計年報顯示，截至2022年，中國兩輪車保有量為約5.33億輛，其中電動兩輪車3.78億輛，摩托車1.55億輛，中國成為兩輪車保有量最多的國家[1]。隨之而來的是，兩輪車騎行者在道路交通事故中的傷亡率也逐年上升[2]。相關統(tǒng)計數(shù)據(jù)表明： 中國兩輪車騎行者傷亡人數(shù)從2016年的88 087人上升至2022年的119 376人，其中摩托車傷亡人數(shù)從63 763人上升至66 624人，非機動車傷亡人數(shù)從22 646人上升至48 764人，自行車傷亡人數(shù)1 678人上升至2 988人，直接財產(chǎn)損失由14 669.9萬元增加為19 881.1萬元[1]。通過對兩輪車事故類型進行分析發(fā)現(xiàn)，貨車與兩輪車事故造成的騎車人死亡與重傷率相對較高[3]。相關機構的事故統(tǒng)計數(shù)據(jù)顯示，2018—2021年，兩輪車與重型貨車事故中騎車人死亡率高達 75%，是兩輪車與乘用車事故的2倍多[4]。因此，貨車與兩輪車事故的風險需要受到關注。

自動剎車系統(tǒng)（automatic emergency braking，AEB）在規(guī)避追尾事故、減少交通事故帶來的損害的功能已經(jīng)被大量的應用證明[5]，而事故場景是評價AEB技術的有效手段，同時也是事故模式研究的重要來源。歐洲新車評價規(guī)程 （European New Car Assessment Program，Euro-NCAP） 推出的針對商用貨車AEB系統(tǒng)的評估協(xié)議中包括貨車與兩輪車撞擊的場景[6]。中國新車評價規(guī)程 （China-New Car Assessment Program，C-NACP） 最新的評價規(guī)程中包含了對行人、兩輪車等事故的AEB測試協(xié)議，但是沒有單獨針對貨車碰撞兩輪車事故進行測試場景開發(fā)[7]。目前國內外法規(guī)的測試場景對于覆蓋中國復雜的交通情況來說尚存在局限性，隨著貨車AEB裝車率的上升，針對高傷亡率的貨車-兩輪車事故開發(fā)評測場景能夠厘清事故特征，有效地減輕事故嚴重性。

許多學者通過事故數(shù)據(jù)庫對事故場景進行研究。如蔣駿[8]等對國家車輛事故深度調查體系 （National Automobile Accident In-depth Investigation System， NAIS） 數(shù)據(jù)庫中的二輪車事故案例進行聚類，構建了5類AEB測試場景。胡林[9]等對中國交通事故深入研究（China In-depth Accident Study CIDAS） 數(shù)據(jù)庫中的乘用車?兩輪車案例進行分析，歸納出10類場景并且通過致因分析得到了部分中國特色場景。利用數(shù)據(jù)庫來獲取車輛碰撞事故典型場景的可信度較高，但是，事故信息采集大多是在事故后才能開展，對于碰撞速度等信息需要根據(jù)現(xiàn)場痕跡進行估算，導致部分信息不夠準確甚至缺失。視頻信息的來源增加與清晰度提升，使得視頻信息正成為提高事故信息完整度的一個重要依據(jù)。目前已有多位學者基于視頻信息開展了研究，如鄒鐵方[10]等對NAIS、CIDAS等數(shù)據(jù)庫中的帶有視頻的事故進行重現(xiàn)并研究了AEB未能避免事故的事故特征。韓勇[11]等利用事故視頻探索了兩輪車事故中騎車人的運動學響應，吳良偉[12]等通過網(wǎng)絡視頻觀察了兩輪車致傷因素，ZHAO Yuqing [13]等基于行車記錄儀視頻探究了車輛避撞策略，PAN Di [14]等基于事故視頻探索了一套AEB測試場景。由此可見，視頻信息在探索事故模式，提升事故研究精確度等方面存在較高的研究價值。

本研究中將基于網(wǎng)絡搜集的210例貨車-兩輪車事故視頻提取事故信息，對提取的事故前、中、后的信息進行K-modes聚類，并進一步地采用關聯(lián)規(guī)則算法對聚類結果中事故模式出現(xiàn)的場景進行細化以及補充聚類代表案例無法覆蓋的邊緣場景，以期為貨車?兩輪車的事故場景建立和事故預防提供數(shù)據(jù)支撐。

1 研究方法

1.1 視頻基本信息提取

在網(wǎng)絡上廣泛地篩選包含完整事故發(fā)生過程信息的視頻并下載，來源包括但不限于視頻網(wǎng)站、新聞專欄報道等，并且所有視頻出處均為中國，這讓數(shù)據(jù)能夠較好地反映中國的真實交通情況。按照以下篩選原則對所收集的貨車?兩輪車事故案例進行篩選：

1） 事故車輛涉及且僅涉及一輛貨車與一輛兩輪車（包括摩托車、輕便摩托車、電動自行車、自行車等）；

2） 騎車人處于騎行狀態(tài)；

3） 事故中不含2次或者多次碰撞；

4） 視頻中事故發(fā)生過程清晰可供提取。

最終，共有210個符合要求的樣本被篩選并用來提取事故信息。選定事故樣本后，按照碰撞前、碰撞中、碰撞后的時間順序來提取事故中各種信息，如表1所示。其中，碰撞前的數(shù)據(jù)中，雙方運動狀態(tài)、頭盔使用、天氣、道路類型、交通控制情況可以直接通過觀察獲得；貨車車型根據(jù)《道路交通管理機動車類型》（GA-802-2019）中的貨車規(guī)格分類與結構分類獲取[15]；對于視覺障礙信息，由于沒有額外的信息，本文中對碰撞位置位于貨車內輪差內，碰撞前有其他車輛遮擋，夜晚視野不良3種情況進行提取，若此類情況中貨車在碰撞前未做出反應（如剎車、轉向等）則認為有存在視覺障礙的可能。

1.2 碰撞速度的提取

碰撞速度已經(jīng)被研究證明是影響騎車人損傷風險程度的重要指標[16]，因此，正確的獲取事故發(fā)生時貨車的行駛速度至關重要。為獲取視頻中的機動車行駛速度，本文中根據(jù)《道路交通事故車輛速度鑒定》（GB/T 33195）、《基于圖像的車輛行駛速度鑒定》（GA/T 1133）中的逐幀法、典型碰撞情況下的經(jīng)驗公式以及直接線性變換法 （direct linear transform，DLT） 來予以估算[17-19]。

根據(jù)視頻中的不同情況選擇不同的速度估算方法，并在可能時用2種方法來進行交叉驗證，具體方法的使用場景如表2所示。根據(jù)本文對機動車速度的劃分，交叉驗證時雙方速度差值若不高于10 km/h則認為2個速度均可以接受。此外，若視頻存在畸變或者以下方法均失效則該案例不予估算速度。

1.3 K-modes聚類-Apriori算法分析

聚類算法被廣泛地應用于挖掘交通事故中特定的事故模式[8-9，14]。本文采用的數(shù)據(jù)集中，數(shù)據(jù)項多為分類變量，為此本文采用對分類型變量進行聚類的K-modes算法。聚類的效果可以用輪廓系數(shù)（silhouette coef?cient， SC）和簇內誤差平方和（sum of the squared error， SSE）來衡量[21]，如式（1）和式（2）所示：

其中： a（i）、b（i）分別表示簇內平均距離和簇間平均距離；SC取值范圍為[-1，1]， 越接近1則表示聚類效果越好；k為聚類簇數(shù)； P為各個聚類完成的簇中的樣本； Xcent為第i個聚類中心，其值越小表示聚類的內聚性越好。

在聚類得到的結果中，使用聚類中心來代表一個事故模式，但是單獨的聚類中心無法完整地描述整體的事故特征，通過關聯(lián)規(guī)則算法可以對事故特征進行全面的挖掘。關聯(lián)規(guī)則數(shù)據(jù)挖掘中，Apriori算法的應用較廣[20-21]，其基本思想是通過頻繁項集向下封閉的性質找出所有的滿足最小支持度和最小置信度的頻繁項集，其中，對于任意的項集A、B，支持度Psup和置信度Pcon的定義如式（3）、（4）所示：

置信度可以顯示一條規(guī)則的重要程度，但某些情況下單獨的置信度會錯估規(guī)則的重要性，因此本研究采用提升度來輔助判斷一條規(guī)則中項集的相關性，提升度大于1表示項集間存在正相關關系，提升度等于1表示2個項集間無關，提升度小于1表示項集間存在負相關關系，提升度Plift可以用式（5）計算： Plift = P（B|A） / P（B）.

聯(lián)合分析算法流程如圖1所示：

2 結 果

2.1 聚類結果

2.1.1 聚類數(shù)目

通過對數(shù)據(jù)的預處理，確定道路類型、視覺障礙、貨車規(guī)格、車輛運動狀態(tài)、貨車速度、碰撞角度、貨車及兩輪車規(guī)避措施，以及碰撞后騎車人是否拋出和遭到碾壓等為事故因素，進行聚類。

圖2中展示的是聚類簇數(shù)k 從2到10的不同情況下，平均輪廓系數(shù) （average silhouette coef?cient， ASC）和SSE的變化趨勢。增加簇數(shù)能夠得到SSE更小，即內聚性更好的聚類結果，但同時需要考慮每個聚類的樣本數(shù)量來確定最佳的聚類簇數(shù)，而圖中可見，在簇數(shù)為4時，SSE下降的趨勢明顯減緩，因此應考慮簇數(shù)4附近為最佳聚類簇數(shù)候選。觀察ASC變化趨勢可知，聚類簇數(shù)為3和4時，ASC的值相較其他簇數(shù)較優(yōu)。結合ASC與SSE的值，本研究最終選擇聚類數(shù)目為4。

圖3所示是聚類數(shù)目為4時，所有簇內的樣本的SC和ASC的對比，根據(jù)式（1）可知，當單個樣本的輪廓系數(shù)為負值時，表示樣本可能應該被分配到其他簇。圖中可以看出，所有樣本中，SC為負值的樣本占比不高，這表明多數(shù)樣本被分配到正確的簇中。

2.1.2 聚類結果事故特征分析

根據(jù)發(fā)生道路環(huán)境，聚類得到的結果事故場景分成4類，即，簇1：丁字路口事故；簇2：十字路口事故；簇3：直行道路事故；簇4：十字路口事故，如圖4所示，4類聚類結果場景碰撞中和碰撞后的描述見表3。

丁字路口事故中包含39例樣本，碰撞前中型平板式貨車以20～30 km/h的速度右轉通過無信號燈控制的路口，其周圍可能存在視覺障礙，兩輪車在貨車右側直行。隨后兩輪車以30°～ 60°的角度與貨車相撞，碰撞中兩輪車騎車人進行了轉向規(guī)避，貨車駕駛員進行了制動規(guī)避。碰撞后，騎車人遭到碾壓。

直行道路事故共計包含64例樣本，重型欄板式貨車在直行道上以約30～40 km/h的速度行駛，不存在視覺障礙，兩輪車從右至左穿行道路并與該貨車以90°～120°的角度碰撞，碰撞中雙方均未采取應急措施，碰撞后騎車人從兩輪車上被拋出。

最后，包含75例樣本的2簇十字路口事故顯示，存在信號燈控制，中型廂式貨車以10 ～20 km/h的速度直行通過路口，兩輪車在貨車的垂向從左至右直行通過路口。隨后兩輪車與貨車相撞成90°～120°的發(fā)生碰撞，碰撞中貨車駕駛員采取了制動措施。3簇的十字路口事故中，包含37例樣本，碰撞前重型自卸車在有信號燈控制十字路口以約20～30 km/h的速度右轉，并且可能存在視覺障礙，兩輪車位于該貨車右側直行。碰撞以約30°～ 60°的角度發(fā)生，雙方均未采取應急措施。碰撞后，騎車人遭到碾壓。

2.2 關聯(lián)規(guī)則結果分析

引入聚類簇變量后，分別在各聚類內根據(jù)1.3節(jié)中描述的方法對數(shù)據(jù)集進行強關聯(lián)規(guī)則挖掘，以對聚類的代表案例無法包含的事故特征進行描述。

強關聯(lián)規(guī)則中仍會包含大量無效或者冗余規(guī)則，根據(jù)提升度對規(guī)則集進行剪枝，然后對其中有效規(guī)則進行提取，部分有效強關聯(lián)規(guī)則在表4—表7中列出。

2.2.1 十字路口事故規(guī)則分析

十字路口事故占到整個數(shù)據(jù)集的約50%，分別對其中兩種事故類型進行分析。對于簇2，將最小支持度min_sup設為0.4，最小置信度min_con設為0.6時，

從數(shù)據(jù)集中挖掘到共計1 274條規(guī)則，其中包含提升度大于1的規(guī)則829條，從中篩選高置信度、高提升度的規(guī)則如表4所示。表4中可見，所得規(guī)則為對簇2中代表案例的事故模式的細化描述，這可以更精確地揭示事故因素出現(xiàn)的情形，也能進一步的說明關聯(lián)規(guī)則挖掘的有效性。

簇4中，以min_sup設為0.35，最小置信度min_con設為0.6的條件從數(shù)據(jù)集中挖掘到共計782條規(guī)則，然后計算每條規(guī)則的提升度發(fā)現(xiàn)，84.27%的規(guī)則提升度處于1以上，這說明所得規(guī)則中，前項項集出現(xiàn)時，后項項集出現(xiàn)的概率會提升。篩選提升度較高且能對簇2信息有效補充的規(guī)則得到表5所示規(guī)則。

表5中可見，規(guī)則1中，視覺障礙的事故因素組提升度較高，這提示貨車不進行轉向規(guī)避，騎車人未轉向，并且事故中存在碾壓時，事故發(fā)生時存在視覺障礙的可能性較高；其次，觀察規(guī)則4發(fā)現(xiàn)，其后項為簇4代表案例不包含“ 貨車左轉”這一事故特征，而其前項所表示事故特征與代表案例相符，這表明此類事故模式中，貨車左轉帶來的風險也值得關注。其余規(guī)則均為對事故原有的主要因素的可能發(fā)生情形的補充。

2.2.2 直行道路事故規(guī)則分析

將簇3的代表案例囊括入項集的最小支持度min_sup設為0.35，以及考慮規(guī)則數(shù)量將最小置信度min_con設為0.6時，從數(shù)據(jù)集中挖掘到共計2 663條規(guī)則，然后計算每條規(guī)則的提升度發(fā)現(xiàn)，2 002條規(guī)則的提升度大于1，即75.17%的規(guī)則的前項與后項存在關聯(lián)性，篩選提升度較高且能對簇3信息有效補充的規(guī)則得到表6所示規(guī)則。

表6中可見，規(guī)則3提升度較高，這表示事故前兩輪車直行時，騎車人被拋出與貨車直行，無視覺障礙，騎車人在碰撞前沒有做出轉向規(guī)避更為相關。其次，可以發(fā)現(xiàn)規(guī)則1是該聚類中的一種非典型事故模式，即當?shù)缆飞洗嬖谛盘枱?，并且騎車人沒有轉向規(guī)避時，貨車更有可能做出制動規(guī)避。規(guī)則2、4、5則分別描述了兩輪車直行、騎車人的應急措施以及騎車人在事故中的轉向規(guī)避動作對應的可能出現(xiàn)的事故模式。

2.2.3 丁字路口事故規(guī)則分析

由圖3可知，簇1的SC值較高，因此該聚類有相對好的內聚性，即關聯(lián)規(guī)則主要描述該簇的代表性事故，在搜索對聚類有補充性質的關聯(lián)規(guī)則時，將最小支持度min_sup設為0.3，最小置信度min_con設為0.55，以將搜索的層面變廣。從簇1中共計搜索到622條強關聯(lián)規(guī)則，其中有514條規(guī)則的提升度大于1，從其中篩選出3條較為有效的高提升度規(guī)則如表7所示。提升度最高的規(guī)則1顯示，當事故貨車為輕型貨車，事故中騎車人沒有遭到碾壓或者拋出時，則事故車輛是廂式貨車的可能性較大，這一規(guī)則能夠提示這樣的事故可能相對較為安全。從規(guī)則2可知，此類事故中即使貨車做出轉向規(guī)避，導致碾壓的可能性仍然較高。規(guī)則3則顯示了指向視覺障礙的事故模式因素。

3 結 論

本文首先從210例貨車?兩輪車事故視頻中提取事故信息，然后對此類事故進行了K-modes聚類分析，最后采用Apriori算法的關聯(lián)規(guī)則對每類典型場景中事故因素之間的關聯(lián)性進行了數(shù)據(jù)挖掘，得到以下結論：

1） 貨車?兩輪車碰撞事故數(shù)據(jù)集可以劃分為4類典型場景，即兩類十字路口事故：一類直行道路事故，一類丁字路口事故。

2） 關聯(lián)規(guī)則算法所挖掘的事故場景中的相關規(guī)則能夠將典型事故場景中一個或數(shù)個事故因素的出現(xiàn)與該事故場景的其他部分事故因素的出現(xiàn)聯(lián)系起來，并且能夠揭示典型事故場景中沒有覆蓋的特定的事故因素的出現(xiàn)與其他事故因素的出現(xiàn)的關聯(lián)。

3） 十字路口事故中，部分事故因素與“貨車左轉”這一事故特征存在關聯(lián)性；直行道路事故中，非典型場景事故因素“有信號燈”與貨車的制動規(guī)避存在關聯(lián)；丁字路口事故中發(fā)現(xiàn)騎車人遭到碾壓與典型事故場景未覆蓋到的事故因素“貨車制動規(guī)避“相關。

參考文獻（References）

[1] 康義. 中國統(tǒng)計年鑒（2023）： 交通事故情況[EB/OL].

[2024-07-20]. https：//www.stats.gov.cn/sj/ndsj/ 2023/indexch.htm. KANG Yi. China Statistical Yearbook-2023： Traf?c Accident Situation[EB/OL].[2024-07-20]. https：// www.stats.gov.cn/sj/ndsj/2023/indexch.htm. （in Chinese）

[2] Keall M D， Newstead S. Analysis of factors that increase motorcycle rider risk compared to car driver risk . Accid Anal Prev， 2012， 49： 23-29.

[3] 王衛(wèi)杰， 沈軒霆， 王貴彬， 等. 電動自行車騎行者事故傷害程度影響因素分析. 中國安全科學學報， 2019， 29（2）： 20-25.WANG Weijie， SHEN Xuanting， WANG Guibin， et al. Analysis of factors affecting injury to electric bicycle rider in crash . Chin Safe Sci J， 2019， 29（2）： 20-25. （in Chinese）

[4] 張道文， 李敏， 龐劭榮， 等. 重型貨車與二輪車事故致因及其拓撲層級分析. 汽車安全與節(jié)能學報， 2023， 14（2）： 157-164.ZHANG Daowen， LI Min， PANG Shaorong， et al. Accident causes and its topological hierarchy analysis for heavy-duty trucks and two-wheelers . J Autom Safe Energ， 2023， 14（2）： 157-164. （in Chinese）

[5] ZHAO Yuqing， Ito D， Mizuno K. AEB effectiveness evaluation based on car-to-cyclist accident reconstructions using video of drive recorder . Traf Inju Prev， 2019， 20（1）： 100-106.

[6] Euro NCAP. Commercial van test and assessment protocol [EB/OL]. [2024-7-20]. https：//cdn. euroncap.com/media/67254/euro-ncap-assessment-protocol-sa-v91.pdf.

[7] 中國汽車技術研究中心有限公司. C-NCAP管理規(guī)則（2024年版） [S/OL]. 天津： 中國汽車技術研究中心. [2024-1-18]. https：//cncap.obs.cn-north-4.myhuaweicloud.com/cms/?les/ 769801002080616 448.zip. China Automotive Engineering Research Institute Co.， Ltd. C-NCAP manage rules （2024 Vers） [S/OL]. Tianjing： China Automotive Engineering Research Institute. [2024-1-18]. https：//cncap.obs. cn-north-4.myhuaweicloud.com/cms/?les/769801002080616448.zip. （in Chinese）

[8] 蔣駿， 王朝健， 李嘵艷. 面向AEB測試的汽車與不同二輪車典型事故場景構建. 公路與汽運， 2023 （2）： 32-39.JIANG Jun， WANG Chaojian， LI Xiaoyan. Construction of typical accident scenarios for cars and different two-wheelers for AEB testing . Highway Autom Appl， 2023 （2）： 32-39. （in Chinese）

[9] 胡林， 李根， 王方， 等. 基于CIDAS事故數(shù)據(jù)的路口乘用車-兩輪車測試場景研究. 汽車工程， 2023， 45（8）： 1417-1427.HU Lin， LI Gen， WANG Fang， et al. Research on test scenarios of passenger cars and two-wheelers at intersections based on CIDAS accident data . Autom Engineering， 2023， 45（8）： 1417-1427. （in Chinese）

[10] 鄒鐵方， 劉前程， 魏亮. 加裝傳統(tǒng)AEB后的未避免事故典型碰撞場景與事故特征. 汽車工程， 2023， 45（6）： 1062-1072. ZOU Tiefang， LIU Qiancheng， WEI Liang. Typical collision scenarios and accident characteristics of accidents not avoided after installing traditional AEB . Autom Engineering， 2023， 45（6）： 1062-1072. （in Chinese）

[11] 韓勇， 賀偉， 李泉， 等. 基于視頻信息的汽車碰撞事故中騎車人運動學響應分析. 汽車安全與節(jié)能學報， 2017， 8（4）： 381-387.HAN Yong， HE Wei， LI Quan， et al. Analysis of two-wheelers kinematics before/during/after vehicle collisions based on video records . Chin J Autom Engi， 2017， 8（4）： 381-387. （in Chinese）

[12] 吳良偉， 鄒鐵方， 劉陽陽， 等. 基于視頻的自行車事故特征及控制人致傷因素觀察. 汽車工程學報， 2021， 11（6）： 393-403+412.WU Liangwei， ZOU Tiefang， LIU Yangyang， et al. Observation on characteristics of bicycle accidents and injury factors for bicycle riders based on video recordings . Chin J Autom Engi， 2021， 11（6）： 393-403+412. （in Chinese）

[13] ZHAO Yuqing， Miyahara T， Mizuno K， et al. Analysis of car driver responses to avoid car-to-cyclist perpendicular collisions based on drive recorder data and driving simulator experiments . Accid Anal Prev， 2021， 150： 105862.

[14] PAN Di， HAN Yong， JIN Qianqian， et al. Study of typical electric two-wheelers pre-crash scenarios using k-medoids clustering methodology based on video recordings in China . Accid Anal Prev， 2021， 160： 106320.

[15] 中華人民共和國公安部. GA 802-2019： 道路交通管理機動車類型[S/OL]. （2019-6-15）. https：//hbba.sacinfo.org.cn/attachment/onlineRead/f5b97e669ecd2c6e66110ac554abb6938fe1d92996727162f185eeff93ceaea7.Ministry of Public Security of the People's Republic of China. GA 802-2019： Road traf?c management-types of motor vehicles[S/OL]. （2019-6-15）. https：//hbba.sacinfo.org.cn/ attachment/ onlineRead/f5b97e669ecd2c6e66110ac554abb6938fe1d92996727162f185eeff93ceaea7. （in Chinese）

[16] 聶進， 楊濟匡. 基于汽車 -自行車碰撞事故重建的騎車人動力學響應和損傷研究. 汽車工程， 2015， 37（2）： 160-167.NIE Jin， YANG Jikuang. A Study on the dynamic response and injury of cyclist based on car-bicycle accident reconstruction . Autom Engineering， 2015， 37（2）： 160-167. （in Chinese）

[17] 中國國家標準化管理委員會. GB/T 33195-2016： 道路交通事故車輛速度鑒定[S/OL]. （2016-12-13）. http：//c.gb688.cn/bzgk/gb/showGb？type=onlineamp;hcno= 4477946C3B913E4307355223CB323 A0B.Standardization Administration of the People's Republic of China. GB/T 33195-2016： Identi?cation for the speed of vehicle involved in road traf?c accident[S]. （2016-12-13）. http：//c.gb688.cn/bzgk/ gb/showGb？type=onlineamp;hcno=4477946C3B913E4307355223CB323A0B. （in Chinese）

[18] 中華人民共和國公安部. GA/T 1133-2014： 基于視頻圖像的車輛行駛速度技術鑒定[S/OL]. （2014-2-10）. https：//www.nssi.org.cn/cssn/js/pdfjs/web/preview.jsp？a100=GA/T%201133-2014.Ministry of Public Security of the People's Republic of China. GA/T 1133-2014： Vehicle speed identi?cation based on video[S/OL]. （2014-2-10）. https：//www.nssi.org.cn/cssn/js/pdfjs/ web/preview. jsp？a100=GA/T%201133-2014. （in Chinese）.

[19] 韓學源， 金先龍， 張曉云， 等. 基于視頻圖像與直接線性變換理論的車輛運動信息重構. 汽車工程， 2012， 34 （12）： 1145-1149.HAN Xueyuan， JIN Xianlong， ZHANG Xiaoyun， et al. Vehicle movement information reconstruction based on video image and DLT theory . Autom Engineering， 2012， 34（12）： 1145-1149. （in Chinese）

[20] Montella A. Identifying crash contributory factors at urban roundabouts and using association rules to explore their relationships to different crash types . Accid Anal Prev， 2011， 43（4）： 1451-1463.

[21] Liao Chia-wen， Perng Yeng-horng. Data mining for occupational injuries in the Taiwan construction industry . Safe Sci， 2008， 46（7）： 1091-1102.