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。

考虑建成环境的电动自行车事故严重程度致因分析

为探究考虑建成环境影响下,电动自行车交通事故严重程度的影响因素,本文从事故属性、骑行者属性、对象车辆及驾驶员属性、道路属性及建成环境属性这5个方面,选取18个影响电动自行车交通事故严重性的潜在变量。在此基础上,构建考虑均值及方差异质性的随机参数Logit模型,利用边际效应量化显著变量对事故严重程度的影响差异。基于北京市近5年电动自行车事故抽样数据进行实证研究,结果表明:事故时段19:00-次日7:00、骑行者年龄大于40岁、重(大)型货车、到最近医院的距离增大及恶劣天气等因素会增加电动自行车事故严重程度。建成环境属性中,到最近医院的距离在死亡事故中的参数为服从正态分布的随机参数,路段及恶劣天气会增大其均值异质性,驾驶员年龄为(40,60]岁会增大其方差异质性;其他属性中,一般城市道路在受伤事故中的参数为服从正态分布的随机参数,路段会增大其均值异质性。研究结果可以为降低电动自行车事故严重程度提供理论支撑。

基于随机参数logit的山区高速公路事故严重程度研究

为了探究平曲线、纵曲线、平纵组合线形对山区高速公路交通事故严重程度的影响,首先,统计分析某山区高速公路263 km路段的线形数据和该路段5年内发生的1870起事故,并将其分类;然后,根据调研数据的结构形式,建立随机参数logit模型,进而利用该模型研究组合线形对事故严重程度的影响。结果表明:曲线比例(ROC)、加权曲率(CW)、单元坡度差(ΔS_(2))等因素与仅财产损失事故增加相关,而坡长组合(CSL)与仅财产损失事故减少相关;加权曲率(CW=0.6~0.7)和连续上坡与轻伤事故的事故增加相关,加权曲率(CW=0.3~0.4)、单元坡度差(ΔS_(1))、曲线比例(ROC)等因素与轻伤事故减少相关;曲率变化率(VRC)、单元半径比(CRF,CRB)、弯坡组合(CSR)等因素与重伤或死亡事故增加相关,曲线比例(ROC)与重伤或死亡事故减少相关;组合线形对事故严重程度有着显著影响。

建成环境对交叉口行人事故严重程度异质性影响

为探索建成环境及其他因素对行人事故伤害严重程度的影响,通过建立均值和方差异质性随机参数Logit模型对交叉口行人事故严重程度进行异质性分析。利用行人碰撞事故数据,从行人、驾驶员、车辆、道路、环境、时间、建成环境7个方面筛选出27个影响因素,通过弹性系数分析显著变量对事故严重程度的影响程度。结果表明:地铁站可达性为“存在”是随机参数,车辆状态为“其他”会减小该随机参数的均值,降低交叉口行人事故严重程度;方差与“下午”显著相关,此变量会使随机参数的离散程度增加,分布变宽,随机性增加;不同用地类型与交叉口类型对行人事故严重程度的影响具有显著差异,用地类型为商业区、地铁站的可达性为“存在”时,交叉口行人发生交通事故的概率与伤害严重程度降低;行人有不当行为等因素显著增加了交叉口行人事故严重程度。研究结果为制定交叉口建成环境的优化改善措施提供参考和依据。

基于集成学习的交通事故严重程度预测研究与应用

目前自动驾驶技术重点是关注如何主动避免碰撞,然而在面对其他交通参与者入侵而导致不可避免的碰撞事故场景时,预测车辆在不同行驶模式下的碰撞严重程度来降低事故严重程度的研究却很少。为此,提出一种双层Stacking事故严重程度预测模型。基于真实交通事故数据集NASS-CDS完成训练,模型输入为车辆传感器可感知得到的事故相关特征,输出为车内乘员最高受伤级别。在第1层中,通过实验对不同学习器组合进行训练,最终综合考虑预测性能以及耗时挑选K近邻、自适应提升树、极度梯度提升树作为基学习器;在第2层中,为降低过拟合,采用逻辑回归作为元学习器。实验结果表明,该方法准确率达到85.01%,在精确率、召回率和F1值方面优于其他个体模型和集成模型,该预测结果可作为智能车辆决策规划模块先验信息,帮助车辆做出正确的决策,减缓事故损害。最后阐述了模型在L_(2)辅助驾驶与L_(4)自动驾驶车辆中的应用,在常规车辆安全防护的基础上进一步提升车辆的安全性。

考虑建成环境的交通事故严重程度致因交互效应研究

为探究考虑建成环境影响下各类因素对交通事故的作用机理,本文提出一种融合ADASYN(Adaptive Synthetic Sampling)平衡算法与CatBoost模型的方法,对沈阳市2015—2020年的道路交通事故进行研究,并解析事故致因的交互效应。首先,通过地理信息匹配的方法补充事故地点周围14项建成环境因子,构建多源数据集。其次,通过比较4种经典的机器学习模型,即CatBoost,Random Forest,XGBoost,LightGBM,并筛选出泛化能力最强的模型。随后,利用SHAP(Shapley Additive Explanation)归因方法对最优模型进行解释以揭示单个风险因素效应以及影响重要度排序。最后,基于单因素分析,探究建成环境与事故特征之间的交互效应。研究表明:相同的特征在单因素以及双因素交互分析中对事故影响机制存在差异。在单因素分析中,季节、交通方式这2项因素对致命事故具有显著的正向影响;而主干路密度、快速路密度、工业用地比例、现场形态、道路物理隔离这5项因素对致命事故有着显著的负向影响。在双因素交互分析中,高主路密度与秋冬季节交互以及低工业用地比例与春季交互等对致命事故具有正向影响;而高工业用地比例与行人交互则产生了负向影响。本文成果可为相关人员提供准确的影响交通事故严重程度的相关因素,为优化和建设城市交通系统提供一定的理论支撑。

艰险山区高速公路交通事故特征及严重程度影响因素分析

为研究艰险山区高速公路交通事故特征及事故严重程度影响因素,基于包茂(包头—茂名)高速公路南环立交至大观互通段2016—2020年1 169起交通事故数据,分析事故发生的时空分布特征、路段线形分布特征、事故类型分布特征、事故车型分布特征及事故严重程度分布特征,将事故当量法和累积曲线法相结合鉴定事故多发路段;从车辆、道路条件、运行环境和事故形态方面确定艰险山区高速公路交通事故严重程度影响因素,构建多因素耦合作用下树增强朴素贝叶斯网络模型,通过推理分析和敏感性分析提取各因素对事故严重程度的影响显著性。结果表明,艰险山区高速公路事故多发段集中于隧道路段、互通和不良线形路段;事故形态主要为追尾、撞击固定物和侧翻;小汽车和货车是事故多发车型;事故涉及车辆数、事故形态、路段线形和天气是决定艰险山区高速公路事故严重程度的关键因素。

高速公路追尾事故严重程度影响因素异质性分析

为了探索白天和夜晚高速公路追尾事故严重程度致因机理的差异性,构建了具有均值异质性的相关随机参数有序Probit(CROPHM)模型,用以捕捉未被观测的异质性和解释随机因素之间的关联性.从2012—2018年山西省高速事故数据集中提取出8664起追尾事故,以时间变量、环境变量和事故属性为输入指标,并以追尾事故的最大受伤等级为输出指标,分别探索了影响白天和夜晚追尾事故严重程度的影响因素.首先,利用似然比(LR)检验证明了分别针对白天和夜晚追尾事故严重程度单独建模的必要性;然后,构建了2个CROPHM模型,用以比较追尾事故严重程度致因因素在不同时段的差异性;最后,通过边际效用分析提出了相应的改善建议.研究结果表明:相较于18:00—24:00,凌晨00:00—06:00发生追尾事故会导致致死事故的概率增加0.0637;相比于单车事故,夜间发生多车追尾事故时,致死事故的概率增加0.0156;当追尾事故中涉及大型车辆时,无论是白天还是夜晚,发生致死事故的概率均显著增加.

新能源汽车与行人交通事故严重程度分析

为探究影响新能源汽车与行人交通事故严重程度的诱因,基于英国近4 a发生的1819条新能源汽车与行人交通事故数据,从驾驶员、行人、新能源车辆、道路、时空和环境5个方面选择了19个影响因素作为协变量,并根据数据特征将因变量分为轻伤和严重伤害两类。考虑到数据异质性,首先通过因子分析法与k-means聚类进行聚类分析,然后采用Logistic模型对聚类分析得到的两类集群进一步分析,从预测准确率和协变量共线性指标两个方面确认了模型的适用度。结果表明:基于聚类分析构建的Logistic模型预测准确率均达到80%以上;变道或超车、车龄、支路及环形交叉口、双幅路(有中央分隔带)对事故伤害严重程度有异质性影响;行人年龄大于46岁和夜间行车会明显增加事故严重程度;其中,变道或超车和行人年龄对新能源汽车事故严重程度的影响比传统人-车事故更加显著。

基于无人机的交通事故严重程度检测

针对交通事故严重程度检测速度慢的问题,对较为先进的YOLOv8算法进行改进。通过引入GAM注意力机制和GELAN结构,提高模型对交通事故严重程度数据集的识别准确性。与此同时,通过模型轻量化处理和调整参数量,降低复杂度和计算量,增强实用性,使模型更易于部署和运行。实验结果表明,改进后的YOLOv8-GELAN-GAM模型在准确率、mAP@0.5、Recall等关键指标上分别提升了2.9%、1.9%、1.8%,在捕捉碰撞后位置变化小或形变量小的事故车辆方面表现更出色。在复杂背景下,改进后的YOLOv8-GELAN-GAM模型也能避免漏检和误检。总体而言,改进后的YOLOv8-GELAN-GAM模型能够为交通安全研究提供有力支持,提升道路救援的速度,提高道路交通安全水平,为事故损失提供强有力的保障。文中研究可为交通安全技术发展提供新的思路。

基于集成学习模型的交通事故严重程度时空预测

为探究区域交通事故时空特征,精准预测事故严重程度,给交通运输主管部门提供决策支持,以英国交通事故统计数据作为研究基础,首先,将交通事故时空特征数据转化为网格化数据,并对空间特征进行二维卷积,利用时间特征合并二维卷积为三维卷积,解决网格冲突问题;其次,利用卷积神经网络(CNN)、长短期记忆人工神经网络(LSTM)模型的工作原理建立Stacking模型的基学习器和元学习器;最后,输出结果传入分类与回归树(CART),构建完整的事故严重程度预测集成学习模型。研究结果表明,集成学习模型较单一模型对预测效果更优,其AUC比CNN、LSTM和Conv-LSTM单一模型预测分别提升0.02、0.04和0.01;最终决策树选择中,CART决策树比随机森林(RF)和梯度提升决策树(GBDT)预测效果更优;预测结果在时间纬度上,“严重事故”事件占比较实际低3.95%,在空间纬度上,预测热力区域在0.5~1区间范围内与实际接近。

基于XGBoost模型的交通事故严重程度预测

本文采用美国2022年交通事故数据集,通过SMOTE_NC算法对数据进行过采样,从时空因素、天气因素和路况因素三个方面分析对交通事故的严重程度具有影响的13个因子,通过RStudio软件的XGBoost包里的XGBoost函数建立XGBoost多分类预测模型,验证模型的准确性为89.76%,证明了XGBoost多分类模型的可行性,丰富了交通事故严重程度预测的理论内容,为减少事故影响、保障人民生命财产安全提供保障.

大货车-行人及两轮车交通事故严重程度致因分析

为探究大货车-行人/两轮车交通事故严重程度影响因素,文章以成都市双流区322起该类交通事故为样本,将伤者是否死亡作为因变量,选择14个潜在影响因素作为自变量,构建二元logistic回归模型进行分析。结果表明:“车辆类型”“是否交叉口”“行驶状态”对事故严重程度影响显著。结合相关研究及成都实际情况得出这三类因素影响显著的原因,并针对性地提出事故预防措施。

山区高速隧道交通事故严重程度预测及特大事故决策规则提取

为有效避免隧道段发生人员伤亡严重的交通事故,选取2013—2023年我国国内(不含港澳台)发生的交通事故数据进行统计分析,结合事故严重程度和时空分布情况筛选出14个影响因素;采用随机森林模型构建山区高速隧道段交通事故严重程度预测模型,对比分析有序Logit模型和BP神经网络模型与所构建的模型预测精度;基于规则重要性对随机森林中“特大事故”决策规则进行提取。研究结果表明:随机森林模型对于事故严重程度的预测结果较优,决策规则揭示人员伤亡严重时的影响因素组合。研究结果可为针对事故严重程度影响机理提出改进意见提供参考。

贝叶斯网络在地铁运营事故严重程度预测中的应用研究

为了针对不同地铁运营事故致因预测事故后果的严重程度,将贝叶斯网络应用于地铁运营事故严重程度预警,建立地铁运营事故严重程度预测模型。首先,利用树型朴素贝叶斯算法对地铁运营事故数据进行模拟训练,得到不同事故致因的重要度;其次,通过贝叶斯网络分析和网络推理得到各事故致因的概率分布;最后,以搜集得到的国内2001—2022年地铁运营事故数据为例开展实例分析,并选取准确率、召回率和精确率等指标验证模型预测结果的有效性。结果表明:机器学习获得的网络结构显示车辆是否故障、工作人员是否操作失误、人员因素其他原因是影响事故严重程度的重要因素;通过对模型的预测结果进行分析统计,得到不同事故致因对地铁事故严重程度的影响,可以为地铁管理部门进行事故预警提供智能辅助决策,为事故救援处置提供行动依据。

我国较大及以上生产安全事故特征及严重程度分析

为实现我国较大及以上生产安全事故(MWSA)数据的有效管理,减少事故发生及降低事故严重程度,基于2010—2022年国务院安委会挂牌督办的278起MWSA,建立通用的MWSA数据库,从事故发生时间、空间、行业、类型维度探究事故特征分布,并依据事故严重程度的综合量化指标,构建分位数回归模型全面识别事故严重程度的影响因素。结果表明:在时空分布上,6—9月的事故起数和死亡人数处于高峰,日照充足的白天(7:00—18:00)事故起数和死亡人数占比多达2/3,经济发达省/直辖市(京津江浙沪闽)事故较少;爆炸和车辆伤害为主要事故类型。在0.05的显著性水平下,事故类型、发生日期、季节、日照条件、天气、平均温度、企业员工规模、企业成立时长等8个因素分别在不同分位点处与事故严重程度显著相关。其中,天气、平均温度是低严重度事故中影响事故后果的重要因素,100人以下的企业员工规模因素增大了极端严重事故发生的可能性。

十字路口电动二轮车事故严重程度影响因素分析

为研究十字路口电动二轮车事故严重程度影响因素,分析人、车、路、环境与十字路口事故严重程度之间的关系,以国家车辆事故深度调查体系(National Automobile Accident In-Depth Investigation System,NAIS)中198起十字路口事故数据为样本,分析该类事故严重程度的时间和空间分布特性,将事故伤亡作为因变量,通过共线性、平行性检验选取12个因素作为自变量构建有序Logit回归模型,分析事故严重程度的影响因素。结果表明,机动车驾驶员性别、电动自行车驾驶员年龄、路口信号灯状态和路灯状态、碰撞形式、限速措施、事故发生时段均显著影响交通事故严重程度;路口无信号灯、无路灯对事故严重程度影响最大,碰撞形式、事故发生时段和电动自行车驾驶员年龄的影响次之。

道路交通事故严重程度预测及致因分析

【目的】为提高交通事故严重程度预测的准确性,明晰事故严重程度的关键影响因素。【方法】从885起道路交通事故案例数据中选取影响交通事故严重程度的人、车、路、环境四方面共14个因素,采用融合通道注意力的卷积神经网络(CA-CNN)构建事故分类预测模型。在此基础上,采用边际效用方法分析得出交通事故严重程度的显著影响因素。【结果】结果表明,相较于卷积神经网络(CNN)、随机森林(RF)、朴素贝叶斯(NaiveBayes)、回归分析(Logistics)、决策表(Decision_table)、引导聚集算法(Bagging)6种预测模型,CA-CNN模型在准确率、查准率、召回率等指标评价下,整体预测性能更优;在交通事故严重程度的影响因素中,季节、是否工作日、道路类型、事故形态、是否违法变更车道、未按规定让行及制动不当7个因素具有显著性(p≤0.05)。【结论】CA-CNN是一种有效的交通事故严重程度预测模型,其分析结果有助于降低交通事故发生率和严重程度。

基于深度神经模糊系统的交通事故严重程度预测研究

近年来,由交通事故引起的人身伤害和经济损失比例逐渐上升,准确预测交通事故的严重程度对于交通安全的管理和控制至关重要。文章创新性地提出了一种具备可解释性的深度神经模糊系统(Deep Neural Fuzzy System,DNFS)对交通事故的严重程度进行预测。该系统通过学习历史数据中的特征相关性和模糊规则,实现对输入特征的降维,使其能更准确地捕捉特征之间的潜在关系。实验结果表明,DNFS对轻微事故、严重事故和致命事故的预测准确率分别达到91%、93%和93%,在多类别预测任务中展现出卓越的性能。

基于机器学习的翻车事故严重程度分析方法

为从多方面掌握影响翻车事故严重程度的因素,基于机器学习方法构建事故严重程度模型,分析其与道路、环境、驾驶员及车辆等因素间关系。收集选取CRSS数据库中2019—2021年翻车事故数据,建立了构建合成少数类过采样技术(SMOTE)和极限梯度提升算法(XGBoost)的组合模型来分析翻车事故严重程度。结果表明,SMOTE-XGBoost组合模型效果更好,准确率、召回率、精确率、F1-score以及AUC值均高于单独的XGBoost、支持向量机(Support Vector Machine,SVM)、决策树算法(Decision Tree,DT)、随机森林(Random Forest,RF)模型。该模型参数估计显示,从人车路环境4个方面考虑,对翻车事故严重程度影响较大的因素主要集中在车辆和人相关的因素上。SMOTE-XGBoost组合模型能提高翻车事故严重程度分析的准确性,可为交道路管理者的研究提供帮助具有现实意义。