基于灰色理論和貝葉斯網(wǎng)絡(luò)的城市道路交通安全風(fēng)險(xiǎn)研究

周秋龍　張忠宇　唐莎　邱開來　劉田源

摘要：為更好地對城市道路交通安全進(jìn)行研究，提出了基于灰色理論和貝葉斯網(wǎng)絡(luò)的城市道路交通安全風(fēng)險(xiǎn)分析方法。從人-車-路-環(huán)境-管理5大指標(biāo)建立城市道路交通安全風(fēng)險(xiǎn)影響因素評價(jià)體系；采用灰色關(guān)聯(lián)度方法判別城市道路交通安全的顯著影響因素；結(jié)合貝葉斯網(wǎng)絡(luò)評估所篩選因素對道路交通安全風(fēng)險(xiǎn)影響的概率分布，辨識道路交通安全風(fēng)險(xiǎn)主要致因與影響強(qiáng)度分布。選取南京市鼓樓區(qū)惠民西路周圍道路2009—2011年間發(fā)生的267起交通事故驗(yàn)證該模型的有效性。結(jié)果表明，該方法共識別影響惠民西路交通安全顯著因素11個(gè)，基于篩選出的11個(gè)因素辨識出惠民西路處于低風(fēng)險(xiǎn)的概率為31%，中風(fēng)險(xiǎn)的概率為37%，高風(fēng)險(xiǎn)的概率為31%，為城市道路交通安全風(fēng)險(xiǎn)研究提供一些參照。

關(guān)鍵詞：交通安全；道路風(fēng)險(xiǎn)因素；灰色理論；貝葉斯網(wǎng)絡(luò)；交通工程

中圖分類號：U491文獻(xiàn)標(biāo)志碼：A隨著城市經(jīng)濟(jì)快速發(fā)展，汽車擁有量在逐年增加，交通事故數(shù)量也在逐年增加，道路交通安全成為人們?nèi)找骊P(guān)注的問題，影響道路交通安全的因素較多、涉及范圍較廣且較復(fù)雜，這些因素對道路交通安全的影響程度也不同［1］。因此，對城市道路交通安全影響因素進(jìn)行辨識，篩選出關(guān)鍵因素并計(jì)算影響因素的強(qiáng)度分布對研究城市道路交通安全風(fēng)險(xiǎn)尤為重要［2］。

目前，國內(nèi)外對城市道路交通安全已有較多的研究。針對城市道路交通安全影響因素的研究主要集中于應(yīng)用Logit、Logistic回歸模型等進(jìn)行因素的篩選。Shi等［3］采用Logistic回歸分析方法分析了高速公路交通事故的影響因素，結(jié)果表明，影響高速公路交通事故傷亡人數(shù)的主要因素有性別、事故類型、駕駛員類型、責(zé)任原因等。Stipancic等［4］利用數(shù)據(jù)的時(shí)間序列性和空間相關(guān)性，分別運(yùn)用有序Logit 和Probit 模型，分析了在不同的駕駛環(huán)境條件下，駕駛員本身的特性參數(shù)對道路交通事故嚴(yán)重程度的影響。Sun等［5］選取經(jīng)濟(jì)、道路、人3個(gè)方面的變量作為解釋變量，以交通事故受傷人數(shù)為被解釋變量進(jìn)行回歸分析，結(jié)果表明，經(jīng)濟(jì)的發(fā)展能提高交通安全水平，新增道路里程、新增人口、新增車輛保有量的增加會使道路交通安全形勢惡化。孟云偉等［6］分析了高速公路9年的交通事故數(shù)據(jù)，利用Logistic回歸模型，選取事發(fā)天氣、事故類型等6類自變量進(jìn)行分析，篩選出對高速公路的交通事故的嚴(yán)重程度有顯著性影響的因素。然而，應(yīng)用此類方法存在以下不足：1）無法對道路交通安全風(fēng)險(xiǎn)進(jìn)行全面分析；2）難以辨識不同因素的強(qiáng)度分布；3）分析結(jié)果往往受限于數(shù)據(jù)質(zhì)量問題，如事故數(shù)據(jù)稀少、變量選取主觀等問題。

基于實(shí)際道路事故數(shù)據(jù)、應(yīng)用灰色理論方法為全面剖析城市道路事故數(shù)據(jù)、辨識城市道路交通安全的影響因素提供了新的思路［7］。劉兆惠等［7］采用灰色關(guān)聯(lián)度方法對道路交通安全影響因素進(jìn)行辨析，找到對道路影響最大的因素。李菁等［8］提出了基于灰色關(guān)聯(lián)度和組合賦權(quán)法對道路交通安全進(jìn)行評價(jià)，找到相對關(guān)聯(lián)度最優(yōu)的影響因素，建立安全評價(jià)體系對道路交通安全進(jìn)行評價(jià)。然而，灰色理論分析方法只能篩選出影響城市道路交通安全的關(guān)鍵因素，不能得到各因素的強(qiáng)度分布以及道路交通安全的風(fēng)險(xiǎn)等級。貝葉斯網(wǎng)絡(luò)風(fēng)險(xiǎn)評價(jià)方法能較好地表達(dá)變量之間的關(guān)系，能對事故大小進(jìn)行定量的評價(jià)，該方法以變量之間的相互作用為前提、通過參數(shù)學(xué)習(xí)和概率推理來獲取結(jié)果分布信息，目前主要應(yīng)用于船舶擱淺事故成因分析［9］、船舶航行風(fēng)險(xiǎn)評價(jià)分析以及搜索營救可靠性分析［10］等。在公路交通安全方面，Mbakwe等［11］基于德爾菲技術(shù)和貝葉斯網(wǎng)絡(luò)對高速公路的交通安全進(jìn)行分析，利用貝葉斯網(wǎng)絡(luò)的評價(jià)結(jié)果對事故進(jìn)行預(yù)測，結(jié)果表明，基于貝葉斯網(wǎng)絡(luò)的評價(jià)結(jié)果能得到各因素的強(qiáng)度分布，從而準(zhǔn)確地對事故進(jìn)行預(yù)測。

為填補(bǔ)上述研究空白，提出了灰色理論與貝葉斯網(wǎng)絡(luò)相結(jié)合的方法用于分析城市道路交通安全。從人、車、路、環(huán)境以及管理5個(gè)方面建立城市道路交通安全風(fēng)險(xiǎn)因素評價(jià)體系，采用灰色理論辨識城市道路交通安全的關(guān)鍵影響因素，結(jié)合貝葉斯網(wǎng)絡(luò)技術(shù)對關(guān)鍵因素的概率分布進(jìn)行研究，從而得到道路交通安全風(fēng)險(xiǎn)等級，為城市道路交通安全風(fēng)險(xiǎn)的研究提供一定的參考。

1城市道路交通安全評價(jià)指標(biāo)

對城市道路交通安全影響因素的辨識需要遵循全面性的原則，由于影響道路交通安全的因素是無窮多個(gè)的，不同的因素對城市道路交通安全的影響程度有所不同［12］，因此本研究基于系統(tǒng)工程學(xué)的原理，從人、車、路、環(huán)境及管理5個(gè)因素分析城市道路交通系統(tǒng)安全風(fēng)險(xiǎn)［13］。這5個(gè)因素之間相互作用、相互影響，因素間的具體關(guān)系如圖1所示。

基于上述劃分的主要因素，構(gòu)建了城市道路交通安全風(fēng)險(xiǎn)影響因素評價(jià)指標(biāo)體系，如圖2所示，根據(jù)選取的道路交通安全評價(jià)指標(biāo)體系構(gòu)建灰色關(guān)聯(lián)模型，進(jìn)行關(guān)聯(lián)度分析。

2基于灰色理論和貝葉斯網(wǎng)絡(luò)城市道路交通安全風(fēng)險(xiǎn)研究模型

2.2基于灰色理論的貝葉斯網(wǎng)絡(luò)

一個(gè)貝葉斯網(wǎng)絡(luò)N（ξ，θ）是由n個(gè)變量X=（X1，X2，…，Xn）組成，假設(shè)其中的節(jié)點(diǎn)Xi有ri個(gè)取值，其父節(jié)點(diǎn)Pa（Xi）共有qi個(gè)組合［7］。因此，根據(jù)計(jì)算得到各個(gè)因素與事故之間的灰色關(guān)聯(lián)度，基于灰色關(guān)聯(lián)度的大小確定出影響道路交通安全的主要因素，這些因素隸屬于交通安全評價(jià)指標(biāo)體系。對選取的因素進(jìn)行分類調(diào)整，將安全指標(biāo)體系中的人、車、路、環(huán)境以及管理作為貝葉斯網(wǎng)絡(luò)的父節(jié)點(diǎn)，按照內(nèi)在的因果關(guān)系將各類因素歸到這5大類因素中。將這5類節(jié)點(diǎn)的值域設(shè)置為{1，2，3}，分別代表道路的風(fēng)險(xiǎn)等級的“低”“中”“高”。篩選出的影響道路交通安全的主要因素作為子節(jié)點(diǎn)，以同樣的方式進(jìn)行值域的設(shè)置。

在貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)中需要確定的參數(shù)值即節(jié)點(diǎn)的概率分布。確定參數(shù)的方法主要包括3種：1）通過專家團(tuán)隊(duì)經(jīng)驗(yàn)、樣本數(shù)據(jù)的專家參數(shù)估計(jì)，確定概率值，將概率值輸入到節(jié)點(diǎn)的概率表中。2）將事故數(shù)據(jù)輸入網(wǎng)絡(luò)模型中，通過參數(shù)學(xué)習(xí)獲得節(jié)點(diǎn)的概率。3）利用GeNIe中K2算法，導(dǎo)入訓(xùn)練好的數(shù)據(jù)集，輸入節(jié)點(diǎn)概率特征，獲取條件概率。本文主要采用GeNIe中的K2算法。該算法具有高效性和準(zhǔn)確性的優(yōu)點(diǎn)。K2算法的偽代碼如下所示［16］：

3實(shí)例應(yīng)用

選取南京市鼓樓區(qū)惠民西路周圍道路2009—2011年發(fā)生的267起交通事故進(jìn)行安全風(fēng)險(xiǎn)分析，驗(yàn)證提出模型的有效性。該事故數(shù)據(jù)集共包括輕微事故43起、中度事故216起以及重大事故8起。各因素導(dǎo)致的事故數(shù)量以及嚴(yán)重程度如圖3所示。

對交通安全指標(biāo)體系中的24個(gè)因素進(jìn)行灰色關(guān)聯(lián)度分析，以這些因素為序列號，以事故的嚴(yán)重程度為決策屬性，事故的數(shù)量作為條件屬性，進(jìn)行數(shù)據(jù)的處理。利用Python進(jìn)行關(guān)聯(lián)度計(jì)算，得出相對關(guān)聯(lián)度與綜合關(guān)聯(lián)度并取其平均值進(jìn)行關(guān)聯(lián)度分析。

關(guān)聯(lián)度的計(jì)算結(jié)果如表1所示，為更加形象地觀察到各個(gè)因素的關(guān)聯(lián)情況，各個(gè)因素的關(guān)聯(lián)度矩陣如圖4和圖5所示。

由表1、圖4和圖5的結(jié)果可以看出，酒后駕車（HUM1）平均關(guān)聯(lián)度為0.93、超速（HUM2）平均關(guān)聯(lián)度為0.94、疲勞駕駛（HUM3）平均關(guān)聯(lián)度為0.95、駕駛技術(shù)（HUM4）平均關(guān)聯(lián)度為0.95、制動(dòng)故障（VEH1）平均關(guān)聯(lián)度為0.93、非法改裝（VEH2）平均關(guān)聯(lián)度為0.97、交通標(biāo)志標(biāo)線（RD1）平均關(guān)聯(lián)度為0.95、信號配時(shí)（RD2）平均關(guān)聯(lián)度為0.95、天氣狀況（ENV1）平均關(guān)聯(lián)度為0.90、行車速度（ENV2）平均關(guān)聯(lián)度為0.95以及監(jiān)控系統(tǒng)（MGT1）平均關(guān)聯(lián)度為0.91，這些因素對該區(qū)域的安全有較大的影響。

因此，對這11個(gè)因素的道路事故數(shù)據(jù)進(jìn)行初步的訓(xùn)練處理。選取道路事故數(shù)據(jù)處理的部分結(jié)果如表2所示。再利用GeNIe軟件，基于這11個(gè)因素以及相應(yīng)的數(shù)據(jù)構(gòu)建貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，如圖6所示。

基于軟件GeNIe構(gòu)建的交通風(fēng)險(xiǎn)評估貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，進(jìn)行參數(shù)的輸入并對求解風(fēng)險(xiǎn)概率的賦值進(jìn)行計(jì)算。主要根據(jù)處理過的事故數(shù)據(jù)，選取貝葉斯參數(shù)學(xué)習(xí)確定每個(gè)節(jié)點(diǎn)的概率，結(jié)果如圖7所示，其中，State1表示低風(fēng)險(xiǎn)，State2表示中風(fēng)險(xiǎn)，State3表示高風(fēng)險(xiǎn)。從圖7可以看出，選取的11個(gè)因素造成城市道路交通風(fēng)險(xiǎn)的概率有所不同。這11個(gè)因素造成城市道路處于中風(fēng)險(xiǎn)與高風(fēng)險(xiǎn)的概率較大，尤其是HUM3（疲勞駕駛）使得城市道路處于高風(fēng)險(xiǎn)的概率達(dá)到了53%。

根據(jù)各個(gè)變量之間的因果關(guān)系，GeNIe軟件可以自動(dòng)計(jì)算出相應(yīng)的HUM節(jié)點(diǎn)、RD節(jié)點(diǎn)、MGT節(jié)點(diǎn)、ENV節(jié)點(diǎn)以及VEH節(jié)點(diǎn)的條件概率值，從而最終計(jì)算出Safety的概率值。形成的評估城市道路交通安全風(fēng)險(xiǎn)的模型如圖8所示。

在圖8中，惠民西路與其周圍道路交通安全處于低風(fēng)險(xiǎn)的概率為31%，中風(fēng)險(xiǎn)的概率為37%，高風(fēng)險(xiǎn)的概率為31%。人、環(huán)境、道路、車以及管理這5個(gè)因素對城市道路交通安全影響的概率有所不同。由于人的因素導(dǎo)致該地區(qū)道路處于低風(fēng)險(xiǎn)的概率為31%，中風(fēng)險(xiǎn)的概率為36%，高風(fēng)險(xiǎn)的概率為33%；由于道路的因素導(dǎo)致該地區(qū)道路處于低風(fēng)險(xiǎn)的概率為12%，中風(fēng)險(xiǎn)的概率為51%，高風(fēng)險(xiǎn)的概率為37%；由于管理因素導(dǎo)致該地區(qū)道路處于低風(fēng)險(xiǎn)的概率為37%，中風(fēng)險(xiǎn)的概率為46%，高風(fēng)險(xiǎn)的概率為17%；由于環(huán)境因素導(dǎo)致該地區(qū)道路處于低風(fēng)險(xiǎn)的概率為23%，中風(fēng)險(xiǎn)的概率為53%，高風(fēng)險(xiǎn)的概率為25%；由于車的因素導(dǎo)致該地區(qū)道路處于低風(fēng)險(xiǎn)的概率為28%，中風(fēng)險(xiǎn)的概率為48%，高風(fēng)險(xiǎn)的概率為24%。

為對該道路提出更明確、更有針對性的建議和改進(jìn)措施，對其進(jìn)行敏感性分析。敏感性分析結(jié)果如圖9所示，深紅的節(jié)點(diǎn)為影響城市道路安全較為敏感的因素，包括制動(dòng)故障、非法改裝、交通標(biāo)志標(biāo)線、信號配時(shí)、天氣狀況、行車速度、監(jiān)控系統(tǒng)；標(biāo)注為淺紅色的超速的節(jié)點(diǎn)的敏感度也較高。若上述節(jié)點(diǎn)變化，會對城市道路交通安全造成較大的影響。

可見，人、道路以及環(huán)境的因素對該地區(qū)道路交通安全風(fēng)險(xiǎn)造成的影響較大，應(yīng)加強(qiáng)人的安全教育以及道路和環(huán)境的管理。針對于人的方面，要規(guī)范駕駛員的駕駛行為，做到不超速、不超載行駛；對于道路方面，交通標(biāo)志標(biāo)線的設(shè)置應(yīng)合乎規(guī)范，能切實(shí)發(fā)揮其信息提示的作用；對于環(huán)境方面，對于不同的天氣狀況，及時(shí)做好不良天氣的預(yù)警工作，提醒駕駛員減速行駛、保持安全車距等。針對于車的方面，要改善車輛的安全性能，及時(shí)進(jìn)行車輛定期的檢查、保養(yǎng)及維修，禁止非法改裝，加大車輛管理力度。

4結(jié)論

利用采集到的城市道路交通事故數(shù)據(jù)，構(gòu)建了人-車-路-環(huán)境-管理5大指標(biāo)體系，與此同時(shí)構(gòu)建了其24個(gè)子指標(biāo)體系?；跇?gòu)建的交通安全指標(biāo)體系，采用灰色關(guān)聯(lián)度的方法識別出顯著影響因素，結(jié)合貝葉斯網(wǎng)絡(luò)的方法分析城市道路交通安全風(fēng)險(xiǎn)性。以南京市鼓樓區(qū)惠民西路發(fā)生的交通事故的數(shù)量以及事故成因?yàn)槔l(fā)現(xiàn)影響惠民西路交通安全的關(guān)鍵因素有11個(gè)，主要集中在人、路以及環(huán)境3個(gè)方面，同時(shí)發(fā)現(xiàn)惠民西路處于低風(fēng)險(xiǎn)的概率為31%，中風(fēng)險(xiǎn)的概率為37%，高風(fēng)險(xiǎn)的概率為31%。此類方法無需大量的數(shù)據(jù)，能直接準(zhǔn)確地得到影響城市道路交通安全風(fēng)險(xiǎn)的因素，能準(zhǔn)確地顯示城市道路交通安全狀況。該研究有利于后續(xù)相關(guān)部門采取相應(yīng)的措施改善該地區(qū)道路交通安全狀況，對之后的實(shí)際工程有一定的借鑒意義。參考文獻(xiàn)：

[1]AN M N， TRUONG T M T. Towards the development of traffic safety strategies in developing countries： analysis of road users perspective［J］.Transportation Research Procedia，2020，48：1278-1287.

［2］ 趙建有， 呂鯤鵬， 徐舸， 等. 城市道路平面交叉口交通沖突分析及改善設(shè)計(jì)［C］//中國公路學(xué)會， 世界交通運(yùn)輸大會執(zhí)委會， 西安市人民政府， 陜西省科學(xué)技術(shù)協(xié)會. 世界交通運(yùn)輸工程技術(shù)論壇（WTC2021）論文集（下）. 西安： 中國公路學(xué)會， 2021： 568-577.

［3］ SHI J G， YAO Y， HOU Z H， et al. Influencing factors of expressway traffic accidents［J］. Chinese Journal of Traumatology， 2008， 24： 553-557.

［4］ STIPANCIC J， ZANGENEHPOUR S， MAIRANDA-MO-RENO L， et al. Investigating the gender differences on bicycle-vehicle conflicts at urban intersections using an ordered logit methodology［J］. Accident Analysis & Prevention， 2016， 97：19-27.

［5］ SUN L L， LIU D， CHEN T， et al. Road traffic safety： an analysis of the cross-effects of economic， road and population factors［J］. Chinese Journal of Traumatology， 2019， 22（5）：290-295.

［6］ 孟云偉，張熙衍，青光焱，等. 基于Logistic回歸的高速公路交通事故后果的影響因素分析［J］. 武漢理工大學(xué)學(xué)報(bào)（交通科學(xué)與工程版），2022，46（1）：12-16.

［7］ 劉兆惠，王超. 基于灰色關(guān)聯(lián)度的交通安全道路影響因素辨析［J］. 山東交通科技，2010（1）：12-13，17.

［8］ 李菁，張衛(wèi)華. 基于灰色關(guān)聯(lián)和組合賦權(quán)法的道路交通安全評價(jià)［J］. 交通科技與經(jīng)濟(jì)，2010，12（3）：1-4.

［9］ 王新建. 基于貝葉斯網(wǎng)絡(luò)的船舶擱淺事故致因分析［D］.大連：大連海事大學(xué)，2016.

［10］胡甚平，方泉根，蔡存強(qiáng). 基于貝葉斯網(wǎng)絡(luò)推理的船舶航行風(fēng)險(xiǎn)評價(jià)［C］//第五屆海洋船舶駕駛專業(yè)委員會.1995—2009航海技術(shù)論文選集（第1集）.廣州： 中國航海學(xué)會，2010： 465-470.

［11］MBAKWE A C， SAKA A A， CHOI K， et al. Alternative method of highway traffic safety analysis for developing countries using delphi technique and Bayesian network［J］. Accident Analysis and Prevention， 2016， 93：135-146.

［12］DU X J， PEI Y L， WANG Z Y， et al. Highway safety influencing factors in cold regions based on attribute recognition theory［J］. Advances in Mechanical Engineering， 2018， 10（12）： 168781401881833.

［13］王鋒. 高速公路交通安全分析及安全對策研究［J］. 科技信息， 2009（31）：2.

［14］徐東星，尹勇，張秀鳳，等. 長江干線水上交通事故的灰色分析與預(yù)測［J］. 中國航海，2019，42（2）：59-65.

［15］馬明. 貝葉斯網(wǎng)絡(luò)算法研究及應(yīng)用［D］.秦皇島：燕山大學(xué)，2014.

［16］COOPER G F， HERSKOVITS E. A Bayesian method for the induction of probabilistic networks from data［J］. Machine Learning， 1992， 9（4）： 309-347.

（責(zé)任編輯：曾晶）

Study on Urban Road Traffic Safety Risk Based on

Grey Theory and Bayesian Network

ZHOU Qiulong ZHANG Zhongyu TANG Sha QIU Kailai LIU Tianyuan

（1.Nanjing Urban Construction Tunnel and Bridge Wisdom Management Co.， Ltd.， Nanjing 210012， China;

2.Jiangsu Transportation Institute Group Co.， Ltd.， Nanjing 210019， China;

3.School of Transportation， Southeast University， Nanjing 211100， China）Abstract： In order to better study the urban road traffic safety， the author proposes an urban road traffic safety risk analysis method based on grey theory and Bayesian network. The evaluation system of influencing factors of urban road traffic safety risk is established from five indexes of human-vehicle-road-environment-management. The grey relational degree method is used to identify the significant influencing factors of urban road traffic safety. The probability distribution of the influence of selected factors on road traffic safety risk is evaluated by Bayesian network， and the main cause and influence intensity distribution of road traffic safety risk are identified. A total of 267 traffic accidents occurred on roads around Huimin West Road in Gulou District of Nanjing from 2009 to 2011 are selected to verify the effectiveness of the model. The results show that the method identifies 11 significant factors that affect the traffic safety of Huimin West Road. Based on the screened 11 factors， the probability of low risk is 31%， the probability of medium risk is 37%， and the probability of high risk is 31%， which provides some references for the study of urban road traffic safety risk.

Key words： traffic safety; road risk factors; grey theory; Bayesian network; traffic engineering