基于机器学习的公交驾驶员事故风险识别及影响因素研究

为从公交驾驶员群体中识别出易发生事故的风险公交驾驶员,结合某市公交公司营运安全管理系统数据库、百度应用程序接口(API)及网络爬取技术,并应用K近邻算法补充缺失值,获取42条线路及1 893名驾驶员的数据;基于驾驶员、车辆、线路特征、违规行为、事故、管理等基本特征变量构造派生变量;采用包括递归特征消除、有惩罚项的逻辑回归、随机森林的集成方法选择特征;采用极致梯度提升(XGBoost)等6种机器方法分别建立分类模型,并采用贝叶斯方法优化超参数。结果表明：在构建的6个分类模型中,XGBoost方法构建的模型其受试者工作特征(ROC)曲线下的面积(AUC)评估结果最佳;运用贝叶斯方法优化模型,可以在一定程度上提升ROC的AUC指标;对于风险公交驾驶员预测准确率达到98.66%,运营单位还可以根据自身情况权衡虚报率与命中率代价。此外,车辆服役时间、违规次数等特征对于事故风险具有明显的非线性影响。     

公交车驾驶人历史违规数据与事故责任的随机参数模型研究

普遍认为公交车驾驶人历史违规行为是表征驾驶人风险程度的重要指标,但以往文献缺乏实证研究.为探究历史违规行为与事故责任之间的定量关系,以便更具靶向性地减少责任事故发生率,提高公交运营安全水平.基于某市461起涉及公交车的碰撞事故数据,以事故中公交驾驶人是否有责作为研究的因变量,从公交车驾驶人属性、事故特征、驾驶人前1年的历史违规行为记录、公交线路特征等方面选取16个自变量进行分析.利用随机参数模型展开研究,可以很好地解释数据中未观测到的异质性,并结合弹性分析定量分析各显著因素对公交车驾驶人发生有责事故的影响.结果表明,公交车驾驶人性别、驾驶经验、事故发生路程、事故发生地点、违章站点行为、收到投诉、发生过有责事故、发生过无责事故均会显著影响驾驶人发生有责事故的概率,其中回程、交叉口、发生过无责事故3个变量是服从正态分布的随机参数.研究结果为高风险驾驶人判别及运营安全管理提供了理论依据.