高速公路事故多发点鉴别及诱发因素识别

第１１卷第１期

２０１１年２月

交通运输系统工程与信息

ＪｏｕｒｎａｌｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ

Ｖ０１．１１Ｆｅｂｒｕａｒｙ

Ｎｏ．１２０１１

文章编号：１００９石７４４（２０１１）０１－０１１４－０７

高速公路事故多发点鉴别及诱发因素识别

孟祥海，李

梅＋，麦

强，关志强

（哈尔滨工业大学交通科学与工程学院，哈尔滨１５００９０）

摘要：

为了提高事故多发点鉴别的客观公正性．及自动化识别水平，提出了在公路沿线

上划分初始评估地点的动态聚类算法，建立了釜别事故多发点的自组织神经网络模型，给出了基于离散多变量算法与概率分布相结合的事故多发点突出事故诱发因素识别过程．方法应用结果表明，基于动态聚类的初始评估点划分方法能够客观地描述出事故点在公路沿线上的集中与分散状况，而神经网络鉴别模型能够对初始评估地点的安全状况进行自动分类且结果较合理．在掌握了能够满足统计分析要求的事故样本点数量的基础上，能够应用突出事故诱发因素识剐方法建立一套评估标准，并用朱识剐事故多发点的突出事故诱发因素．

关键词：

公路运输；高速公路；路段划分；事故多发点鉴别；诱发因素识别；动态聚类；

Ｕ４１２．３６

自组织神经网络中图分类号：

文献标识码：Ａ

Ｒｅｓｅａｒｃｈ

ｏｎ

ＩｄｅｎｔｉｆｉｃａｔｉｏｎｏｆＢｌａｃｋＳｐｏｔａｎｄＡｃｃｉｄｅｎｔＩｎｄｕｃｉｎｇ

ＦａｃｔｏｒｆｏｒＦｒｅｅｗａｙ

ＭＥＮＧＸｉａｎｇ—ｈａｌ，ＬＩＭｅｉ，ＭＡＩＱｉａｎｇ，ＧＵＡＮ

Ｚｈｉ—ｑｉａｎｇ

（ＳｃｈｏｏｌｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＨａｒｂｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ１５００９０，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：

Ｉｎｏｒｄｅｒｔｏ

ｉｍｐｒｏｖｅｔｈｅｏｂｊｅｃｔｉｖｉｔｙ，ｆａｉｒｎｅｓｓａｎｄａｕｔｏｍａｔｅｄｉｄｅｎｔｉｆｉｃａｔｉｏｎｌｅｖｅｌｏｆｂｌａｃｋ

ｔｏ

ｓｐｏｔ

ｉ－

ｄｅｎｔｉｆｉｃａｔｉｏｎ，ｄｙｎａｍｉｃｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍ，ｗｈｉｃｈｉｓｕｓｅｄｉｓｐｒｏｐｏｓｅｄ

ｄｉｖｉｄｅｉｎｉｔｉａｌａｓｓｅｓｓｍｅｎｔ

ｏｆｓｉｔｅｓａｌｏｎｇｔｈｅｒｏａｄ，

ｔｏ

ｏｎ

ｆｉｒｓｔｌｙ．Ｔｈｅｎ，ｔｈｅｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｉｓｅｓｔａｂｌｉｓｈｅｄ

ｓｐｏｔｐｒｏｍｉｎｅｎｔａｃｃｉｄｅｎｔｓｉｎｄｕｃｅｄｆａｃｔｏｒｓ’ｉｄｅｎｔｉｆｉｃａｔｉｏｎ

ｐｒｏｃｅｓｓ

ｉｄｅｎｔｉｆｙ

ｂｌａｃｋｓｐｏｔ．

Ｔｈｉｒｄｌｙ，ｂｌａｃｋ

ｂａｓｅｄ

ｄｉｓｃｒｅｔｅｍｕｌｔｉ—ｖａｒｉａ‘

ｂｌｅａｌｇｏｒｉｔｈｍｃｏｍｂｉｎｅｄｗｉｔｈｐｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎｉｓｐｒｅｓｅｎｔｅｄ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｉｎｉｔｉａｌａｓｓｅｓｓｍｅｎｔｂａｓｅｄ

ｏｌｌ

ｄｙｎａｍｉｃｃｌｕｓｔｅｒｉｎｇｍｅｔｈｏｄ

ｃａｎ

ｃａｎ

ｄｅｓｃｒｉｂｅｔｈｅａｃｃｉｄｅｎｔｓ’ｃｏｎｃｅｎｔｒａｔｉｏｎａｎｄｄｉｓｐｅｒｓｉｏｎ

ａｎ

ｏｂｊｅｃｔｉｖｉｔｙ，

ｗｈｉｌｅｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｓｉｔｕａｔｉｏｎａｎｄｔｈｅｒｅｓｕｌｔｓｏｆａｃｃｉｄｅｎｔｓ

ｏｎ

ａｒｅ

ｇｉｖｅ

ａｕｔｏｍａｔｉｃｃｌａｓｓｉｆｉｃａｔｉｏｎ

ｃａｎ

ｔｏｔｈｅｉｎｉｔｉａｌａｓｓｅｓｓｍｅｎｔ

ｏｆｔｈｅｓｅｃｕｒｉｔｙ

ｍｏｒｅｒｅａｓｏｎａｂｌｅ．Ｉｎｔｈｅｍａｓｔｅｒ

ｍｅｅｔｔｈｅｒｅｑｕｉｒｅｍｅｎｔｓｏｆｓｔａｔｉｓｔｉｃａｌａｎａｌｙｓｉｓ

ｔｈｅｂａｓｉｓｏｆｔｈｅｎｕｍｂｅｒｏｆｓａｍｐｌｅｐｏｉｎｔｓ，ｂｌａｃｋｓｐｏｔｐｒｏｍｉｎｅｎｔａｃｃｉｄｅｎｔｓｉｎｄｕｃｉｎｇｆａｃｔｏｒｉ－

ｃａｎ

ｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓ，ｗｈｉｃｈｄｅｎｔｓｉｎｄｕｃｉｎｇｆａｃｔｏｒ．

ｂｅｕｓｅｄｔｏｅｓｔａｂｌｉｓｈ

ａｓｅｔ

ｏｆｅｖａｌｕａｔｉｏｎｃｒｉｔｅｒｉａａｎｄｉｄｅｎｔｉｆｙｐｒｏｍｉｎｅｎｔａｃｃｉ－

．’

Ｋｅｙｗｏｒｄｓ：ｈｉｇｈｗａｙｔｒａｎｓｐｏｒｔａｔｉｏｎ；Ｌｅｅｗａｙ；ｓｅｇｍｅｎｔｄｉｖｉｓｉｏｎ；ｂｌａｃｋ

ｓｐｏｔ

ｉｄｅｎｔｉｆｉｃａｔｉｏｎ；ａｃｃｉｄｅｎｔｉｎｄｕ。

ｃｉｎｇｆａｃｔｏｒｉｄｅｎｔｉｆｉｃａｔｉｏｎ；ｄｙｎａｍｉｃｃｌｕｓｔｅｒａｎａｌｙｓｉｓ；ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋＣＬＣｎｕｍｂｅｒ：

Ｕ４１２．３６

Ｄｏｃｕｍｅｎｔｃｏｄｅ：

Ａ

收稿日期：２００９－０９．１４修回日期：２０１０－０８—２８录用日期：２０１０—１ｌ—ｌＯ

作者简介：孟祥海（１９６９一），男，黑龙江哈尔滨人，教授，博士．

’通讯作者：ｌｉｍｅｉｚｙｆ＠ｇｍａｉｌ．ｃｏｒｎ

第１１卷第１期高速公路事故多发点鉴别及诱发因素识别

１１５

１

引言

事故多发点鉴别时首先要开展的工作就是划分路段．目前，多采用人工划分的方法，即通过主观判断出的事故点聚散情况来人为划分．显然，划分结果会因人而异．另外，方法本身也是一种手工操作方法，与自动化划分路段、自动化鉴别多发点的目标不一致．

经典的事故多发点鉴别方法有事故次数法、事故率法、矩阵法、质量控制法、事故次数概率分布法等．这些方法虽然在工程实际中得到了较广泛的应用，但同时也存在着评价指标不一致、不同方法鉴别结果偏差较大等问题…．近年来，基于事故次数和事故损失的鉴别方法旧。、事故多发区位鉴别方法‘３｜、双变量区间过滤法‘引、模糊评价法‘引、ＢＰ神经网络法、基于地理信息和卫星定位技术的鉴别方法∞１等也被引入到研究中，但大多都处在探索和不断研究阶段．

事故诱发因素识别最初以统计分析为主，后来逻辑斯蒂模型、对数转化线性回归模型、方差分析、分类回归树分析及Ｑｕａｓｉ－ｌｎｃｌｕＪｅｄＥｘｐｏｓｕｒｅ技术等被应用于事故成因分析＂７引．近年来，非线性科学领域的突变论、离散的多变量算法、模糊划分理论、ＳＯＦＭ神经网络法、租糙集理论及改进的灰色关联度法也被用于事故诱发因素的识别研究中∽。１

４｜．

２

基于动态聚类算法的路段划分

２．１路段划分的目的和方法选择

路段划分是指，根据交通事故在道路沿线上的分布情况，将路线分成一系列的区间．这些区间的交通安全状况是不同的，有些区间集中了大量交通事故，即事故多发点．显然，路段划分的目的，就是确定事故多发点鉴别时的基础评价单元．把一个关系划分为多个子集并分布到多个处理节点上的问题，有多种解决方法．但考虑到本研究中样本量较大、事故点离散分布的特点，采用动态聚类方法是可行的．应用动态聚类算法时，样本点就是每一起事故，属性变量就是每起事故的里程桩号，最终聚类结果就是由起终点桩号所描述的一个个路段

区间．

２．２

实施步骤（１）选择聚点．

、

将几个事故点人为的分成ｋ类（可考虑以整公里数作为分类数），以每类的重。ｔｂ作为聚点．

（２）确定初始分类．

设ｋ个初始聚点的集合是Ｌ∞’＝｛名：∞，名ｉ

０１，

…，茗：町｝，其中名：∞是第ｉ个聚点的里程桩号．取

Ｇ：０）＝｛菇：ｄ（石，菇：ｏ））≤ｄ（石，菇；”），

＿『＝１，２，…，ｋ，＿『≠ｉ｝，ｉ＝１，２，…，ｋ（１）

则可得到一个初始分类Ｇ∽’＝｛Ｇ：叭，Ｇ：们，…，Ｇｉ∞｝．

式（１）中ｄ（戈。，石，）表示样本ｉ与Ｊ的距离，采用欧氏距离，即

ａ（ｘ；，ｘｉ）＝０石；一菇ｊ０＝［（菇；一勺）１（戈；一■）］Ｔ

（２）

（３）迭代计算并确定最终分类．

以Ｇ：∞的重心作为新的聚点茗：¨，即

茗：”＝÷∑扎ｉ＝ｌ川２一，ｋ

（３）

”ｉ。』Ｅ

Ｇｊｏ’

其中

忍；是Ｇ：∞中的事故点数．

得到新聚点集合Ｌ¨’，＝｛石：¨，名ｉ¨，…，菇：”｝．

从￡¨’出发，按式（１）对事故点重新分类，得

Ｇ¨’＝｛Ｇ：¨，Ｇ：¨，…，Ｇ：”｝．迭代计算，直到

Ｇ‘ｍ“’＝｛Ｇ，¨，ＧＰ¨，…，Ｇ，１’ｆ与Ｇｍ’

＝

｛Ｇ：…，Ｇ：…，…，Ｇ：州｝符合规定的精度要求，则

Ｇ‘ｍ’即为最终确定的路段划分结果．２．３路段划分案例分析

被誉为“中国最具挑战性山区高速公路”的京珠高速公路粤北段，由于其复杂的地形、多变的气候条件，通车运营以来已发生了多起交通事故，累计达３７６６起，造成了巨大财产损失和人员伤亡．本文结合“京珠高速粤北段灾害气象防治与管理技术”研究课题中的“京珠高速公路粤北段交通安全保障技术研究”专题，对路段划分、事故多发点鉴别及事故诱发因素识别等问题开展了研究工作．

现以京珠高速公路粤北段南行ｋ４２＋５００至ｋ６２＋５００段为例，应用动态聚类算法进行了路段划分，结果见表１及图１．图１中同时给出了以整公里为标准的路段划分结果．显然，基于动态聚类

算法的划分结果，其聚类中心能较好地描述事故点

１１６

交通运输系统工程与信息２０１１年２月

表１基于动态聚类算法的路段划分结果

Ｔａｂｌｅ１

Ｒｏａｄｄｉｖｉｓｉｏｎｒｅｓｕｌｓｔｂａｓｅｄ

ｏｎ

ｄｙｎａｍｉｃｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍ

区间编号

１２３４５６

聚类中心编号

Ｎｏ

６８

起点桩号

ｋ４２＋５９０ｋ４３＋５５０ｋ４５＋０００ｋ４６＋８００ｋ４８＋３００ｋ４９＋９００

终点桩号

ｋ４３＋５００ｋ４４＋９００ｋ４６＋６５０ｋ４８＋２５０ｋ４９＋８７０ｋ５２＋０００

区间编号

７８９１０１１１２

聚类中心编号

Ｎｏ

７４

起点桩号

ｋ５２＋ｌｏｏｋ５４＋５００

终点桩号

ｋ５４＋３００ｋ５６＋１００ｋ５７＋３００ｋ５８＋５００ｋ５９＋４００ｋ６ｌ＋９００

Ｎｏ６９Ｎｏ７０ＮｏＮｏＮｏ

７ｌ７２７３

Ｎｏ７５Ｎｏ

７６ｋ５６＋３００

Ｉ【５７＋６５０ｋ５８＋９００ｋ６０＋３００

Ｎｏ７７Ｎｏ７８Ｎｏ７９

图１

Ｆｉｇ．１

事故点及路段划分结果

Ｒｅｓｕｌｔｏｆａｃｃｉｄｅｎｔｓａｍｐｌｅａｎｄｒｏａｄｄｉｖｉｓｉｏｎ

的聚集情况，而区间范围也较客观地反映了事故点的分散状态．

个问题的．神经网络中的感知机模型、ＢＰ网络都可用于对样本空间进行分类．但突出的问题是要有明确的目标输出，即训练和测试样本中的评价点

３

基于自组织竞争神经网络的事故多发点

其安全状况是已知的，从而才能得到可供使用的权值矩阵和偏置向量．显然，事先要知道哪些地点是多发点、正常地点或安全地点，在有些情况下是很难实现的．

自组织竞争神经网络通过采用某种无监督的学习方法，只需向网络提供一些学习样本，而无需提供理想的目标输出，即可对样本进行自动排列和分类，因此可较好地解决样本无明显目标输出的问题．

因此，本文提出了一种基于自组织神经网络的事故多发点鉴别方法．网络的输入是每一个待评价点的事故次数和亿车公里事故率指标，输出就是评价点的安全类型．

３．３

鉴别

３．１基本鉴别方法存在的问题

鉴别事故多发点的基本方法主要有事故次数法、事故次数概率分布法、事故率法、矩阵法和质量控制法等，各种方法都有一定的理论基础和适用条件，但也存在着一些需要解决和完善的问题．事故次数法和事故次数概率分布法的主要缺陷是没有考虑事故的关联因素，尤其是没有考虑交通量对事故的影响．事故率法虽然引入了交通量，但临界值的确定缺乏充分的理论依据．矩阵法虽然同时考虑了事故次数和事故率两个方面，但鉴别结果具有较多的人为主观因素．质量控制法是一种理论上较严谨的方法，但它要求鉴别对象之间必须具有相似的道路及交通条件．

３．２基于自组织竞争神经网络的鉴别方法

事故多发点的鉴别可归结为一个模式识别问题，即将一个评价点归类为事故多发点、正常地点或安全地点等．显然，神经网络技术是可以解决这

多发点鉴别案例分析

应用自组织竞争神经网络方法对京珠高速粤

北段（路段划分采用的是基于动态聚类算法的划分结果）进行了多发点鉴别，本文仅给出了南行方向的鉴别结果．为了能综合考虑多种鉴别方法的结果而客观公正地评定事故多发点，还同时应用了

质量控制法、矩阵法、累计事故次数法及事故次数

第１１卷第１期高速公路事故多发点鉴别及诱发因素识别

１１７

表．２

Ｔａｂｌｅ２

多发点鉴别结果一览表

Ｒｅｓｕｌｔｏｆｂｌａｃｋｓｐｏｔｉｄｅｎｔｉｆｉｃａｔｉｏｎ

注：☆表示鉴别结果为事故多发点，※表示鉴别结果为非事故多发点．另外，五种鉴别结果均为非事故多发点的评价点巳略去

图２基于自组织神经网络的事故多发点鉴别结果

Ｆｉｇ．２

Ｂｌａｃｋ

ｓｐｏｔ

ｉｄｅｎｔｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｂａｓｅｄ

ｏｎ

ｓｅｒｆ—ｏｒｇａｎｉｚａｔｉｏｎ

ｎｅｒｖｅ

ｎｅｔｗｏｆｋ

概率分布法进行安全状况评定，结果见表２及图２

一图３．

还应引人道路几何条件、交通设施布设等方面的事故诱发因素．

事故多发点处汇总起来的事故原因很多，尤其是引入道路条件因素后．比如，京珠高速公路粤北段北行ｋ１７一ｋ２１事故多发点，２００５年至２００８年累计发生了３４起交通事故，汇总起来的事故原因有１７种．如何在众多的事故诱发因素中确定突出的因素，是一个值得研究的问题．

对鉴别结果进行对比分析可知，神经网络的鉴别结果与质量控制法和事故次数概率分布法更为接近，接近度达９８．９７－％和１００％．尽管尚不能说明自组织竞争神经网络法一定优于上述四种基本方法，但毕竟该方法能较快地给出一种较合理的评价（分类）结果．

４基于离散多变量算法和概率分布的事故多发点突出事故诱发因素识别

４．１基本原理

鉴别出事故多发点后，需找出突出事故诱发因素，从而有针对性地提出安全改善措施．事故多发点处发生了大量交通事故，说明除了驾驶员人为原因外，在道路几何条件、交通设施布设上一定存在不利于行车的安全隐患．因此，在确定事故诱发因素初始集合时，除了要包含驾驶员的人为原因外，

为此，提出了基于离散多变量算法和概率分布的事故多发点突出事故诱发因素识别方法．离散多变量算法用于选择变量，概率分布用于确定评价标准．

４．２基于离散多变量算法的变量选择

对初始事故诱发因素集合，每个诱发因素（可称之为变量）是交叉分类的，从而形成一个以事故次数为基础的偶然事件二元表．对每个表计算

Ｐｏｉｓｓｏｎ统计值，并从中选择Ｐ值最低的变量作为

１１８

交通运输系统工程与信息２０１１年２月

锝疆瓣

砥｝｛

盘鼍｝８

图３

Ｆｉｇ．３

基于质量控制法的事故多发点鉴别结果

ｏｎ

Ｂｌａｃｋｓｐｏｔｉｄｅｎｔｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｂａｓｅｄｑｕａｌｉｔｙｃｏｎｔｒｏｌｍｅｔｈｏｄ

主要变量，同时淘汰不显著的变量．对剩下来的每个变量，在这个变量与主要变量之间形成偶然事件三元表．计算统计值，再选择出一个显著性最高的变量，同时再淘汰掉一个不显著的变量．上述过程重复进行，每次再加入一个新变量，直至全部变量被选择完或被删除完．这种算法的主要特点是能保证所选变量对事故发生具有显著影响，且能解决变量之间的相关性问题．

４．３判别标准的确定

４．４突出事故诱发因素的确定

对某个事故多发点，首先确定其隶属的分组，这里假设它恰好属于ｋ组．然后，计算该多发点的指标向量Ｑ。．

Ｑ。＝（ｑ∽ｑ２Ｉ，…，‰）

（６）

最后，将向量Ｑ。与冠。中的对应元素逐一对比．若Ｑ。中的某个指标值９。。大于ｒ扪则对该事故多发点而言，第１／，个因素就是突出因素．将全部诱发因素组合起来，就形成突出事故诱发因素集合．４．５事故成因实例分析

对上节鉴别出的９个事故多发点（几何线形条件见表３）进行了突出事故诱发因素识别研究．

以京珠高速粤北段南行方向１１０个路段的６６０个路段几何线形属性及２００８起交通事故成因为基础数据，应用离散多变量算法确定出了初始变量集合，主要包括疏忽大意、未正常行驶、疲劳驾驶、超载、超速、视距、平曲线半径、平曲线偏角和纵坡．以尺度变量为依据作交叉试验表．对每个交

选择出的变量按其性质可分为两类，一类是尺度变量，如“是否超速”变量，其取值是语言变量“是”或“否”；二类是实值变量，如“平曲线半径”变量，可用具体数值来描述．用尺度变量进行分组，用实值变量作为计算指标，即可形成一个交叉分类表．

对每个实值变量ｉ，在每一分组下计算其样本数据的均值Ｅ；ｉ（．『为分组数）和均方差矿。，然后可按下式计算其临界值上限ｒ矿

ｏ＝Ｅｌ『＋．｜｝矿ｕ

（４）

叉试验表重新组织数据．计算均值和方差，确定出判别标准．

将９个路段的属性变量与判别标准中相应的变量作比较，得到事故多发点突出事故诱发因素见

表４．

式中ｋ是根据显著性水平所确定的系数，如果显

著性水平取９５％，则ｋ值取１．９６．

当计算得到ｒ。后，就已形成一套判别标准．对某一个分组玉，判别标准可用向量Ｒ。来描述，即

Ｒ＾＝（ｒｌ‘，ｒ２‘，…，ｒ括）

式中

ｚ为实值变量的个数．

（５）

５研究结论

本文基于动态聚类算法进行了路段的划分，克