基于累积Logistic模型的行人交通事故严重程度分析及对策研究

为了准确分析影响行人交通事故严重程度的各项因素,引入累积Logistic模型研究人、车、路、环境及事故特征与行人事故严重程度之间的关系.以美国北卡罗来纳州夏洛特市2016年的行人交通事故数据为样本,通过聚类压缩、共线性检验和预测力分析,从人、车、路、环境及事故特征5个方面选取16个因素作为自变量,事故严重程度作为因变量,构建行人交通事故严重程度预测模型来分析仅财产损失事故、受伤事故和死亡事故的影响因素,并引入弹性分析量化各显著因素的影响程度,检验结果显示模型拟合良好.结果表明,在0.05的显著性水平下,事故形式、事故发生时段、车辆类型、照明条件、行人年龄段、行人饮酒情况6个因素与事故严重程度显著相关.最后针对性地提出了行人事故预防对策.研究结果有助于交通管理者采取合理的策略来降低行人交通事故严重程度.     

高速公路交通事故影响因素分析及伤害估计

为了定量分析高速公路交通事故的主要影响因素,以国内3条高速公路227起交通事故为基础,根据人、车、路和环境交通4要素,提出运用有序Logit和多项Logit模型分别建立事故伤害程度预测模型。通过显著性水平为5%的假设检验,从15个备选变量中分别确定2类Logit模型的输入自变量。显著性分析表明:道路线形、路面通行条件、事故发生时间和能见度4个自变量与交通事故严重程度均显著相关。事故伤害程度预测模型对比结果显示:有序Logit模型仅对有财产损失的事故估计准确率为72.3%,多项Logit模型对死亡事故估计的准确率高达95%,总体上多项式模型的准确率比有序模型高20%。     

面向自动驾驶的典型汽车与行人事故冲突场景研究

为了从交通事故数据中提取典型汽车与行人冲突场景,应用于自动驾驶汽车研发测试,首先将行人事故冲突场景的组成变量按主车、行人、道路、环境4个类别进行划分,利用群决策理论分析了各类别下属变量的重要性,提取重要变量并根据其取值定义了汽车与行人冲突的基础场景.结合国家车辆事故深度调查体系(NAIS)中行人事故数据,统计得到46类基础场景,分析了中国行人冲突基础场景的特征,并提取了 7种典型的基础场景,就其中2类最典型场景进行聚类分析,对后5类典型场景进行统计分析,获得了 16类典型汽车与行人冲突场景的详细描述.研究结果可为系统全面地研究我国自动驾驶汽车行人自动紧急制动(AEB)测试场景提供参考.     

山区二级公路交通事故致因的时间演化机制

为获取二级公路事故致因的时间演化机制,根据云南省元(谋)双(柏)二级公路2012—2017年事故数据,以交通事故严重程度为因变量,以时间、交通运行环境及交通事故参与者等为自变量,基于熵权-逼近理想解排序(TOPSIS)法量化交通事故严重程度;采用相关性分析法分析自变量与因变量间的相关程度;依托Logistic模型建立各年交通事故严重程度分析模型,并从拟合优度检验和预测准度检验等2方面检验模型的信度与效度。结果表明:事故发生天气、时间段、事故形态、是否涉及无防护车辆以及是否涉及大型车辆等与事故严重程度相关性较高,且形态为碰撞行人、涉及无防护车辆或大型车辆的事故严重程度较高。     

山区双车道公路摩托车事故严重度分析模型比较

山区双车道公路摩托车交通事故频发且死亡人数较多,准确认识不同类别事故严重度影响因素的作用规律是遏制事故发生的重要前提.针对这一问题,基于云南典型双车道公路522起摩托车交通事故数据,通过描述性统计分析时空分布特征、事故涉及交通方式分布特征、事故形态特征,并以3分类的事故严重度为因变量,将其分为仅财产损失、受伤、死亡事故3个等级,从人、车、路和行车环境4个方面选择了 14个潜在影响因素,分别采用有序Logit模型和多项Logit模型建立摩托车事故严重度分析模型,从预测准确率和自变量作用强度两个方面比较分析了两个摩托车事故严重度分析模型的适用范围,筛选重要影响因素.结果表明:仅财产损失事故受涉事者和肇事者年龄的影响较大,受伤事故受事故形态和事故发生季节的影响较大,死亡事故受事故发生季节和肇事者交通方式的影响较大;对3类事故严重度的预测能力,有序Logit模型的预测准确率为84.7％,多项Logit模型的准确率为92.4％,基于多项Logit模型摩托车事故严重度分析模型的预测准确率高且误报率较低,更适用于多分类的交通事故严重度的预测.     

基于累积Logistic模型的交通事故严重程度时空分析

交通事故的发生具有随机性和偶然性,为尽可能地降低交通事故的伤害程度,根据某高速公路典型事故多发段的交通事故统计资料,以交通事故严重程度为因变量,从时间、道路空间结构和交通运行环境等因素中初步选择12个候选自变量,采用混合逐步选择法分析候选自变量与因变量是否显著相关。采用累积Logistic模型建立交通事故严重程度时空分析模型,并从成比例检验、拟合优度检验和预测准确度检验3个方面对模型进行检验。研究结果表明:事故发生时段、季节因素、发生地点、道路线形、坡度、事故涉及车辆数和日标准交通量与年平均日交通量之比与交通事故严重程度显著相关。     

基于APRIORI-TAN的交通事故伤害分析与预测*

为探究道路交通事故因素和事故伤害的相关性,以2 467起涉及人员伤亡的交通事故为数据集,运用Apriori算法分别挖掘事故伤害关联规则,并结合社会网络分析的可视化和核心-边缘分析构建受伤事故和死亡事故的关联规则网络。结果表明:事故伤害程度与事故时间、道路条件和交通环境等因素关系紧密,尤其死亡事故与碰撞固定物、人行横道事故、高速公路、高速道路、非市区、酒驾和超速存在高相关性。基于树型贝叶斯网络（TAN）构建事故伤害程度的预测模型,预测结果准确率可达87.56%。     

考虑异质性的翻车事故伤害建模

为深入分析影响翻车事故伤害程度的各项因素及其对不同受伤等级事故的影响,根据人、车、路、环境及事故5方面的安全因素,构建考虑异质性的翻车事故伤害混合logit模型;采用蒙特卡罗方法估计模型参数,并计算相应显著变量的弹性;通过显著性水平为5%的假设检验,从22个备选变量中确定混合logit模型的输入自变量。结果表明:驾驶员性别、年龄、安全带使用、安全气囊展开、甩出车外、酒驾、毒驾、偏离车道行驶、疲劳驾驶、采取错误避让措施、车辆类型、车辆行驶意图、路段类型、限速值、事故发生地、事故发生日期、不良天气、光线及路面条件与翻车事故伤害程度显著相关;年轻驾驶员与男性驾驶员群体对事故伤害程度的影响具有个体差异性。     

公路隧道交通事故严重程度预测模型研究

为明晰公路隧道交通事故严重程度的影响因素,从134起事故统计数据中选出13个事故严重程度的潜在影响因素,分别采用有序Logit模型和广义有序Logit模型,建立交通事故严重程度预测模型。分析这13个因素对交通事故严重程度的影响程度,并对比2个模型的预测效果。结果表明:事故发生日期、发生时间、是否超速、天气和大型车比例5个自变量与事故严重程度显著相关。从广义有序Logit模型来看,事故发生时间不满足比例优势假设;广义有序Logit模型可以放宽部分自变量的比例优势假设,能给出更好的预测结果。     

严重冲突场景下山区双车道公路货车跟驰风险预测

为预测严重冲突场景下山区双车道公路货车跟驰事故风险，基于视频轨迹数据、实测交通流数据、道路线形数据及交通事故数据，采用双变量冲突极值模型、轻量型梯度提升机，构建严重冲突场景下山区双车道公路货车跟驰事故风险实时预测(Truck Following Accident Risk Real-Time Prediction, TFARRP)模型，并利用耦合度模型分析变量耦合程度。研究显示：碰撞时间(Time to Collision)为5.418 s,后侵入时间(Post Encroachment Time)为0.512 s,这是严重冲突场景阈值；TFARRP模型准确率高达95.000%;平均车头时距(A_HD)、两车间距(T_CD)、货车平均速度(T_AS)、及货车横向偏移(T_LO)对TFARRP模型的重要度都超过了10%;当监测到A_HD<21.11 s、T_CD<35.00 m、T_AS<29.00 km/h或T_LO     

基于Logistic的不同车型碰撞行人事故严重程度致因分析

为定量分析不同车型碰撞行人事故严重程度影响因素,以美国北卡罗来纳州2007-2016年人车碰撞事故数据为样本,将其分为小轿车、SUV、货车碰撞行人事故3类,以事故严重程度为因变量,交通参与者属性、道路、环境条件和事故特征为候选自变量,分别建立累计logistic模型进行对比分析,探究人、车、路和环境因素对人车碰撞事故严...     

基于混合聚类的农村公路单车事故影响因素分析

为探究影响安徽省农村公路单车事故严重度的主要因素,利用因子分析法,将自变量转化为相互独立的公共因子,依据因子得分,利用K均值算法聚类事故数据;采用二元Logistic回归模型对各类别数据建立事故严重度模型。结果表明:相对于潜在类别分析,基于混合聚类结果构建的Logistic回归模型拟合优度、预测精度更优;性别、年龄、是否超速等仅在某一类别中显著;道路线形、地形等在多个类别中显著,但对于事故严重度的影响方向不同。     

超大城市昼夜交通事故严重程度致因对比分析——以深圳市为例

为研究夜间交通事故严重程度致因,基于深圳市3年3 244起交通事故数据,获取昼夜交通事故分布的时空特征;进一步选取交通事故集聚的南山区、福田区、罗湖区的1 798起交通事故,以交通事故严重程度为因变量,以事故原因、日期、事故形态等10个因素为候选自变量,构建广义有序Logit回归模型,对比分析昼夜不同严重程度交通事故的影响因素。结果表明:路口路段类型、疲劳驾驶、事故日期在夜间模型参数估计值分别为0.493,-0.363,-0.309,而在日间模型表现为不显著,道路路面材料在日间模型参数估计值为-0.232,而在夜间表现为不显著;事故原因、道路横断面渠化方式等因素在日间和夜间所引起交通事故的严重等级均存在较大差异。     

基于模糊聚类的马氏链模型在交通事故预测中的应用

运用模糊聚类分析方法,借助于MATLAB软件,对中国31个地区交通事故的危害程度进行动态分类和综合评价。根据中国1999—2005年31个地区的交通事故4个指标和5个社会经济因素数据,把31个地区分为3类,即轻灾区、较重灾区、重灾区;其中浙江、福建与宁夏的交通事故危害严重,上海、北京与天津的交通状况正在好转,这与客观实际符合。根据模糊聚类的结果,求得交通事故状态转移概率矩阵,利用马氏链模型可预测未来31个地区的交通事故发展趋势。     

十字路口乘用车与二轮车典型危险场景聚类及推演

为了给智能汽车研发提供有效的场景推演构建方案,统计分析国家车辆事故深度调查体系(NAIS)数据库中乘用车与二轮车发生在十字路口的事故场景数据,得到2类高占比的基础场景;选取7个场景关联变量,并就2类基础场景对应的静态特性数据进行聚类分析;建立运动学推演模型,结合5类典型危险场景的动态参数实际阈值,构建5类典型危险场景的速度-距离危险模型。结果表明:通过统计分类、聚类分析和运动学模型叠加推演方法,可得到5类符合中国道路交通情况的十字路口乘用车与二轮车典型危险场景,进而得出5个危险场景集。     

汽车行人碰撞接触中行人运动学规律仿真研究

基于交通事故模拟分析PC-Crash软件及其内嵌多体系统动力学分析MADYMO模块,建立并验证了车辆多体模型和行人多体模型;对汽车与行人碰撞接触阶段的行人运动学具有较大影响的因素展开广泛分析,并构建汽车行人碰撞仿真试验方案;通过选取对汽车与行人碰撞接触阶段具有较大影响的因素作为仿真试验的自变量,对不同碰撞环境下汽车与行人碰撞接触过程中的行人运动学规律(包括运动姿态和对应的碰撞车速阈值)进行深入研究;汽车行人碰撞仿真与真实事故以及碰撞试验对比具有较好的规律吻合性和一致性。研究表明,笔者采用的计算机建模仿真方法在汽车行人碰撞运动学研究中具有实用价值。     

高速公路交通事故严重程度与交通流特征的关系研究

为研究交通事故发生前后交通流特征对事故严重程度的影响,以JT高速公路作为研究对象,长期观测和采集交通流及事故数据。将交通事故发生时段的交通流主要衡量指标与事故信息进行数据匹配,形成交通事故与事故小时交通流匹配数据集,并分析流量、速度、大车比例等交通流表征指标与不同等级事故数的分布规律。通过分析发现:在某些流量、速度或大车比例区段,交通事故数及其严重程度处于较高的水平。在此基础上,利用主成分分析(PCA)技术对衡量交通流特征的初始指标进行降维处理,用交通流主成分指标综合反映交通流特征,并建立事故严重程度与交通流主成分指标的统计分析模型。结果表明:交通流主成分指标趋于零的区段的事故严重程度明显高于其他区段。     

基于有序Logit与Probit模型的交通事故严重性影响因素分析

为准确分析影响交通事故严重性的各项因素,引入有序选择模型中的Ordinal Logit模型和Ordinal Probit模型,研究驾驶员、车辆、环境、管理因素与事故严重程度之间的耦合关系,利用计量经济学理论和统计学方法对模型进行显著性检验。并选择美国北卡罗来纳州2010年至2014年385个翻车事故样本进行严重性影响因素分析,所得回归模型参数估计均符合Wald检验(p≤0.0001)和似然比检验(p≤0.0001),模型的拟合度也都符合Pearson检验(p=0.7976)、偏差检验(p=0.6006)和信息准则检验,模型预测精度指标值均大于0.7。所得两个模型中变量"安全带"(p≤0.001)、"路面状况"(p=0.0071)、"道路线形"(p=0.0077)、"路面类型"(p=0.0251)都对翻车事故的严重性具有显著影响,表明有序Logit模型和有序Probit模型均适用于分析和揭示影响交通事故严重性的各个因素。     

无序多分类Logistic回归的地铁扶梯事故特征分析

为探究影响地铁扶梯事故的主要因素,以北京地铁扶梯事故数据为基础,利用无序多分类Logistic回归方法,研究地铁扶梯事故的特征,通过控制相关因素来预防地铁扶梯事故的发生;分析894起地铁扶梯事故的事故形式、解释变量与响应变量的类型及属性,构建无序多分类Logistic回归模型,识别主要影响因素,计算各类影响因素对事故的贡献大小。研究结果表明:针对不同类型事故,制定不同的环境因素、乘客特征、乘客行为因素、线路因素的重点管控策略,可降低地铁扶梯事故的发生;该研究方法能够用于地铁扶梯事故预测研究,解决变量无序且多元的相关性分析和贡献大小的定量分析问题。     

不同等级农村公路交通事故严重程度预测研究

为准确分析各因素及其组合对农村公路发生严重交通事故的影响,将道路类型、路侧防护设施、时间段、天气状况、事故位置等11个因素作为自变量,事故严重程度作为因变量,采用改进的Apriori关联算法,找出各影响因素间的内在联系,并求解得到关键因素的组合。然后,分别构建随机森林、梯度提升决策树(Gradient Boosting Decision Tree, GBDT)、极端梯度提升(eXtreme Gradient Boosting, XGBoost)预测模型对农村公路事故严重程度进行预测。结果显示：与改进前相比,改进后的Apriori算法的运行效率和挖掘准确度都有较大提升;相对于随机森林和GBDT模型,XGBoost模型在准确率、召回率、精确率和F1得分等方面表现最优;照明条件、路侧防护设施、道路类型,天气状况是影响农村公路事故严重程度的重要因素,且各影响因素间存在显著的交互效应。