道路交通安全預測方法綜述

唐睿熙

（重慶交通大學土木工程學院，重慶 400074）

交通運輸業(yè)的突飛猛進在促進社會經(jīng)濟繁榮的同時，也使得道路交通事故不斷增加，嚴重威脅人民的生命及財產(chǎn)安全。我國近年來的飛速經(jīng)濟發(fā)展也帶來了同樣的問題，雖然自2002年后全國每年的交通事故數(shù)及受傷死亡人數(shù)已呈逐年遞減趨勢[1]，但相對于發(fā)達國家而言，我國的死亡人數(shù)及萬車死亡率仍舊處于危險的高位。道路交通事故的發(fā)生是一個隨機事件，且具有不可避免性，但可以挖掘其內部以及與外界影響因素之間的關系，運用合適的方法對道路交通事故進行預測，有效的預防以及減少交通事故的發(fā)生，提高道路交通的安全性。目前，國內外在道路交通安全預測方法方面的研究基本分為兩大類，即宏觀預測方法和微觀預測方法。

1 宏觀預測方法

道路交通安全的宏觀預測方法發(fā)展相對較早，學者們最初利用經(jīng)濟學領域的德爾菲調查法對道路交通安全進行預測，即專家們根據(jù)道路的相關背景資料，憑借自身的經(jīng)驗對道路交通的安全程度進行預測評分，綜合統(tǒng)計各專家的評分給出道路最終的安全性預測結果。德爾菲調查法以及在此基礎上發(fā)展的專家預測法均屬于定性預測范疇，適用于短期宏觀預測。

然而定性預測無法完全滿足道路安全性預測要求，因此學者們又提出了定量預測法，典型的定量預測法包括經(jīng)驗預測法、統(tǒng)計回歸法、移動平均法、時間序列預測法、灰色預測法等[2]。著名的史密德（Smeed）模型以及美國的伊·阿拉加爾模型都是經(jīng)驗預測法的代表性模型。移動平均法和時間序列預測法則主要根據(jù)時間或空間位置的推移來預測道路上可能發(fā)生的事故數(shù)量?；疑A測法多以灰色理論為基礎，結合馬爾科夫鏈或模糊數(shù)學的概念[3]，對影響道路交通安全的因素進行定量賦值，以此分析道路交通安全的重要影響因素，對道路事故數(shù)和傷亡人數(shù)等進行預測。上述定量預測方法皆適用于道路交通安全的中或長期宏觀預測，而統(tǒng)計回歸法不僅僅適用于宏觀預測，同樣可以在微觀預測中運用。因為統(tǒng)計回歸法是基于概率統(tǒng)計的一種數(shù)學方法，運用數(shù)學公式來擬合影響道路交通安全的各項因素，通過尋找各項影響因素與事故率或事故嚴重程度之間的關系，建立道路交通安全的預測模型。當統(tǒng)計回歸模型選用例如經(jīng)濟、人口、區(qū)域面積、車輛保有量等宏觀影響因素作為擬合參數(shù)時，該預測模型即為宏觀預測模型；反之，如果選用道路幾何線形、車道數(shù)、路面情況等微觀影響因素作為模型的擬合參數(shù)，則該統(tǒng)計回歸模型即為微觀預測模型。

2 微觀預測方法

道路交通安全的宏觀預測模型主要是預測整條道路或者某個區(qū)域范圍內的事故率或死亡率，而道路交通安全的微觀預測模型則一般研究某個路段、某一截面或者某個交叉口的安全性，包括對事故發(fā)生率、傷亡人數(shù)、是否為道路黑點以及事故嚴重程度等的預測。可以通過統(tǒng)計回歸法、機器學習法等建立微觀預測模型，達到預測指定路段、截面事故率或短期交通流的目的。國內學者對基于統(tǒng)計回歸的泊松回歸模型以及延伸發(fā)展的負二項回歸模型做了大量研究，大量運用該類模型進行路段事故率預測；利用同樣基于統(tǒng)計回歸的logit系列模型進行事故嚴重程度的預測研究[4]。為對道路安全進行實時監(jiān)控，學者們采用了眾多機器學習模型獲取路段的短期交通流，以此對路段的事故風險性進行實時預測，這也是目前道路交通安全預測領域的研究熱點。神經(jīng)網(wǎng)絡法、隨機森林法以及支持向量機都是機器學習的典型代表模型[5]，其中神經(jīng)網(wǎng)絡模型和隨機森林模型都是從指定輸入的變量或節(jié)點中，挖掘各節(jié)點之間的隱藏關系，找出能作用于道路安全預測的變量或節(jié)點，即對道路交通安全影響顯著的因素。而隨機森林模型和支持向量機模型，可以通過其分類算法進行分類預測，獲取事故的重要誘導因素，據(jù)此指導預緊工作，減少事故的發(fā)生。

3 結語

無論是宏觀預測模型還是微觀預測模型，都建立在道路交通事故與其影響因素的內在聯(lián)系基礎上，是從不同層面和程度上解釋交通事故發(fā)生的誘發(fā)性和可能性，對減少交通事故的發(fā)生，降低事故率均能起到一定效果的指導作用。根據(jù)不同的需求和研究目的選用合適的預測模型，是我們進行道路交通安全預測的重要前提。目前的各種預測模型具有一定的準確性和適用性，隨著社會和科學的不斷發(fā)展，如何得到一個適用范圍更廣的預測模型，還需要研究者們繼續(xù)努力。