高速公路事故高发区的识别:一种利用非事故数据进行识别并减少误差的新方法论框架

《Engineering Applications of Artificial Intelligence》:Identification of freeway crash hotspots: A novel methodological framework using non-crash data for identification and errors reduction

【字体: 大 中 小 】 时间:2026年01月01日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  驾驶偏离度量化与多模块融合的公路事故热点识别方法研究。该框架通过DCGAN生成理想驾驶状态,量化驾驶偏离度作为事故风险替代指标(模块1);采用自适应多变量核密度估计融合宏观因素(模块2);模块3整合1、2结果,有效缓解回归偏差。实验表明,较传统NB模型和KDE方法,MAE降低0.0070,RMSE降低0.0057,R2提升0.0255,且模块1可独立用于新建公路的事故风险预测。

  
叶云涛|何杰|张长健|严新通|张夏志|秦鹏程|方志明
东南大学交通学院,中国南京210096,四牌楼

摘要

识别事故高发区对于高速公路安全至关重要,但现有的大多数方法都是基于事故数据的,存在诸如被动分析、数据收集周期长以及回归均值(RTM)偏差等局限性。为了解决这些问题,本研究提出了一个新颖的三模块框架,该框架结合了事故数据和非事故数据来识别事故高发区,并同时减轻RTM偏差的影响。具体而言,在模块1中,使用深度卷积生成对抗网络(DCGAN)来学习理想条件下的车辆运动参数的时空模式。通过将实际样本与DCGAN生成的样本进行比较,将驾驶不稳定性量化为事故风险估计的替代指标。在模块2中,引入了一种自适应的多变量核密度估计方法,利用事故数据和宏观因素来识别高发区。模块3则运用机器学习模型整合模块1和模块2的结果。通过案例研究验证了所提出的框架的有效性。结果表明,该框架的性能优于现有的方法(包括负二项模型和核密度估计方法),平均绝对误差减少了0.0070,均方根误差减少了0.0057,R2值平均提高了0.0255。此外,模块1还能够在没有事故数据的情况下估计平均事故风险。对模块3的分析表明,模块1对模块2具有修正作用,减少了由RTM偏差引起的误差。在实际应用中,模块1可以用于新建的高速公路;对于已有足够事故数据的高速公路,该综合框架可以实现更准确的识别。

引言

交通事故已成为全球性的重大问题,因为它们造成了巨大的生命和财产损失。在这些事故中,高速公路事故往往比其他道路上的事故后果更为严重,这归因于更高的车速、更大的交通流量以及更复杂的交通状况(Liu等人,2020年)。识别事故高发区是提高高速公路安全性的关键手段(Kashifi,2024年;Montella,2010年)。事故高发区被定义为由于局部风险因素而比其他类似位置发生事故数量更多的地点(Elvik,2008年)。这些风险因素通常与当地的交通状况和道路几何形状有关,会对驾驶员的感知产生负面影响,增加驾驶员犯错的可能性,从而导致更多的事故(Islam等人,2020年;Khan等人,2023年;Zhang等人,2021a)。因此,如果能够确定这些事故高发区,高速公路管理部门就可以战略性地分配资源,实施针对性的安全干预措施,如改进标志标识、交通控制或道路改造,从而降低事故风险。
许多研究致力于开发用于识别事故高发区的建模方法。早期的研究通常采用统计模型,根据历史事故数据和若干宏观因素(例如交通流量、水平曲率和垂直曲率)来预测特定位置的事故频率,从而识别事故高发区。在各种统计模型中,负二项(NB)模型被广泛使用,因为它能够解释事故数据的过度离散现象(Abdel-Aty和Radwan,2000年;Lord和Mannering,2010年)。此外,还提出了NB模型的几种变体,以进一步解决事故数据中零值过多和长尾现象的问题(Jamali和Wang,2017年;Lord等人,2005年;Shirazi等人,2016年;Zou等人,2013年)。鉴于识别事故高发区的本质在于捕捉事故的空间分布,一些地理空间方法也被应用于此目的。地理空间方法主要有两类(Harirforoush和Bellalite,2019年):(1)基于密度的方法,如核密度估计(KDE)和样方分析(Anderson,2009年;Bíl等人,2019年;Thakali等人,2015年);(2)基于距离的方法,如最近邻距离、K函数和Moran's I(Hussain等人,2023年;Steenberghen等人,2010年;Yamada和Thill,2004年)。地理空间方法的优点在于它们能够清晰地可视化道路网络上事故高发区的分布。目前,许多机器学习模型也被广泛用于识别事故高发区,并且表现出了令人满意的效果。例如SVM(Li等人,2008年)、条件深度生成网络(Zarei等人,2024年)、Hetero-ConvLSTM(Yuan等人,2018年)、XGBoost(Veran等人,2023年)和PL-TARMI(Huang等人,2023年)。
尽管之前的研究取得了丰硕的成果,但在实际应用中仍存在一些局限性。首先,这些方法在开发和应用阶段都需要大量的历史事故数据。因此,由于事故数据不足,它们无法用于新建高速公路的事故高发区识别。不可否认,历史事故数据包含了与事故风险和高发区相关的宝贵信息。然而,由于事故是罕见事件,收集足够的数据以进行有效分析需要很长时间(Xing等人,2019年)。此外,这些基于事故数据的方法属于被动安全研究,因为它们只能在事故发生后进行(Guo等人,2018年)。事故数据的另一个固有问题是回归均值(RTM)偏差,这意味着使用基于事故数据的方法识别出的当前高风险/低风险位置的事故频率在后续时期可能会下降/上升(Gil-Marin等人,2024年;Khodadadi等人,2022年)。RTM偏差严重削弱了基于事故数据的识别方法的准确性和可靠性(Guo等人,2020年)。
在实际应用中,非事故数据相比事故数据具有三个主要优势。首先,与非事故数据(如交通冲突和驾驶波动性)相比,事故数据本质上是回顾性的,因此非事故数据有助于提前识别事故高发区,从而支持主动而非被动的安全干预措施(Wali等人,2018年;Yuan等人,2022年)。其次,非事故数据可以通过实地调查或实验系统地收集,使研究人员能够在相对较短的时间内获得足够的数据进行安全分析(Xing等人,2019年;Yuan等人,2022年)。第三,非事故数据不太容易受到RTM效应的影响,因为它们通常是高频收集的,反映了交通流量或车辆运动状态的连续测量,而不是离散结果。它们的过程导向特性平滑了短期波动,从而减少了随机极端值的影响。尽管非事故数据已在多项研究中用于特定位置(如交叉路口和收费站)的事故风险分析,但很少有研究专注于使用非事故数据识别事故高发区。
除了依赖事故数据的局限性外,这些方法通常基于一些宏观因素来识别事故高发区,例如交通流量(Xue等人,2023年)、交通流速度(X. Ma等人,2023年)和道路几何形状(Ahmed等人,2011年;Montella和Imbriani,2015年;Zou和Tarko,2016年)。尽管已有充分证据表明事故风险与某些微观因素(如车辆速度、纵向和横向加速度、偏航率以及制动和转向操作)密切相关,但很少有研究将微观因素纳入事故高发区的识别中(Gu等人,2023年;Kluger等人,2016年;Pande等人,2017年)。这些微观因素本质上量化了驾驶运动和操控的变化;这些变化的幅度和程度被称为“驾驶波动性”(Gu等人,2023年)。一些驾驶波动性的指标(如纵向加速度波动性、横向加速度波动性和偏航率波动性)已被证明与事故风险高度相关(Arvin等人,2019a,2021年)。总之,本研究的主要目标如下:
  • ●
    开发一种无需事故数据即可识别事故高发区的方法,适用于新建的高速公路。
  • ●
    提高基于事故的方法的性能,并尝试减少RTM偏差引起的误差。
  • ●
    在识别事故高发区时考虑宏观和微观因素。
  • 为了实现上述目标,本研究提出了一个用于识别高速公路事故高发区的新框架。该框架由三个模块组成,如图1所示。在模块1中,我们提出了基于驾驶波动性的“驾驶偏差”概念。驾驶偏差指的是实际驾驶条件与理想驾驶条件下的车辆运动参数(例如车辆速度、纵向和横向加速度)之间的差异。我们开发了一种基于深度卷积生成对抗网络(DCGAN)的方法来量化驾驶偏差并估计高速公路路段的事故风险。模块1旨在无需事故数据即可估计事故风险和识别事故高发区(详见第3.1节)。在模块2中,我们改进了传统的KDE方法,并开发了一种自适应多变量核密度估计(AMKDE)方法,利用历史事故数据和一些宏观数据来估计事故风险(详见第3.2节)。这两个模块可以独立使用。此外,引入了模块3来整合模块1和模块2的结果,从而减少RTM偏差引起的误差,并在考虑微观和宏观因素的情况下实现更准确的事故高发区识别(详见第3.3节)。此外,还在中国四川省进行了案例研究以验证所提出的框架。
    本文的后续部分结构如下:第2节回顾相关文献;第3节介绍所提出的框架;第4节通过案例研究验证该框架;第5节对结果进行讨论和分析;最后,第6节总结我们的主要发现、建议和未来研究的方向。

    章节片段

    高速公路事故风险的影响因素

    先前的研究表明,高速公路事故风险不仅受到交通状况、自然环境和道路几何形状等宏观因素的影响,还受到驾驶员状态、驾驶行为和车辆动态响应等微观因素的影响(Ahmed等人,2011年;Arvin等人,2019b;Beede和Kass,2006年;Y. Ma等人,2023b;Wang和Feng,2019年)。本小节回顾了这些研究,为本文中选择影响因素提供了参考。

    驾驶偏差

    在先前的研究中,驾驶波动性被用来描述驾驶运动和操控的变化。可以通过不同的函数对各种车辆运动参数进行量化,从而得出驾驶波动性的指标。随后,可以根据这些驾驶波动性的指标来估计事故风险(Arvin等人,2019a;Gu等人,2023年;Wali等人,2020年)。换句话说,驾驶波动性将事故风险与车辆运动的变化联系起来

    数据收集

    为了验证所提出的框架,2023年7月13日至15日在中国四川省进行了案例研究。该案例研究包括多次驾驶实验和实地调查。驾驶实验的路段涵盖了S41高速公路,从K000+000到K119+400,如图8(a)所示。这条高速公路有四条车道,限速为120公里/小时。驾驶实验包括在指定路线上进行五次往返行驶

    模块1的性能评估

    本研究分别使用1年、3年和5年的事故数据评估了模块1的性能,结果如表4所示。随着事故数据时间跨度的增加,模块1的性能显著提高,表现为MAE和RMSE的降低以及R2值的提高,其中1年数据集的性能最低,5年数据集的性能最高。
    观察到的结果可以归因于

    结论

    识别事故高发区是提高高速公路交通安全的关键策略。尽管以往研究中常用的基于事故数据的识别方法取得了重要成果,但它们存在一些关键局限性,包括被动安全分析、数据收集周期过长以及RTM偏差。前两个局限性表明,基于事故的数据方法不适用于新建的高速公路;而RTM偏差可能导致

    CRediT作者贡献声明

    叶云涛:撰写 – 审稿与编辑,撰写 – 原始草案,可视化,验证,方法论,调查,概念化。何杰:监督,资源,项目管理。张长健:方法论,正式分析,概念化。严新通:软件,方法论。张夏志:撰写 – 审稿与编辑。秦鹏程:调查。方志明:调查。

    利益冲突声明

    作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

    致谢

    作者感谢国家自然科学基金(项目编号52072069)、国家自然科学基金青年科学家基金(项目编号52502414)、中国博士后科学基金(项目编号2024M760440,项目编号2025M771644)的支持。我们对此表示衷心的感谢。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号