第23卷第6期2023年12月交 通 工 程Vol.23No.6Dec.2023DOI:10.13986/ki.jote.2023.06.005高速公路大桥路段事故特征分析及预测模型研究以鄂东长江公路大桥为例邹晓芳1,张俊杰2,杨培东1(1.招商新智科技有限公司,北京 100070;2.东南大学交通学院,南京 211189)摘 要:高速公路大桥路段事故频发,引发各界广泛关注.本文以高速公路大桥路段为研究对象,首先基于鄂东长江公路大桥2016 2019年事故数据,从时空角度对路段事故特征进行分析;其次以鄂东长江公路大桥2018年217起事故为研究对象,利用同质法与出入口分段结合的思想对路段单元进行划分,以交通流量及道路线形2类指标6个自变量构建零膨胀负二项回归模型,对交通事故数据进行拟合.研究结果表明,鄂东长江公路大桥路段事故存在一定的时空分布特征,流量㊁路段长度㊁线形(曲线vs 直线)对高速公路大桥路段事故影响显著.本文有助于高速公路管理公司及交通管理部门直观了解高速公路大桥路段事故分布特征,拟为提高高速公路大桥路段运营安全水平,创新精细化交通管理提供理论支撑及参考.关键词:交通安全;高速公路大桥路段;事故特征;事故预测;零膨胀负二项回归模型中图分类号:U 491文献标志码:A文章编号:2096⁃3432(2023)06⁃027⁃08收稿日期:2023⁃06⁃14.基金项目:国家自然科学基金(52102402).作者简介:邹晓芳(1987 ),女,硕士,工程师,研究方向为智能交通.E⁃mail:zouxiaofangfei@.Crash Characteristics Analysis and Prediction Model Study of Freeway Bridge SectionA Case Study of Edong Yangtze River Freeway BridgeZOU Xiaofang 1,ZHANG Junjie 2,YANG Peidong 1(1.China Merchants New Intelligence Technology Co.,Ltd.,Beijing 100070,China;2.College of Transportation,Southeast University,Nanjing 211189,China)Abstract :The frequent occurrence of crashes on the bridge segment of freeway has attracted the attention of many researchers.This study takes the freeway bridge road segment as the research object and analyzes the crash characteristics of the road segment from a spatial and temporal perspective based on the crash data of the Edong Yangtze River Highway Bridge from 2016to 2019.The 217crashes of the Erdong Yangtze River Highway Bridge in 2018were studied to classify the section units using the idea of combining the homogeneous method with the entrance and exit segments.A zero⁃inflated negative binomial regression model was developed with six independent variables of two types of indicators,including traffic flow and road alignment,to fit the traffic crash data.The results show that there are certain spatial and temporal distribution characteristics of crashes in the Edong Yangtze River Highway Bridge segment,and traffic flow,segment length,and horizontal alignment (curve vs.straight)havesignificant effects on crashes in the freeway bridge segment.This study helps freeway management companies and traffic management departments to understand the crash distribution characteristics of交 通 工 程2023年freeway bridge segments intuitively,and is intended to provide theoretical support and reference for improving the operation safety level of freeway bridge segments and innovating refined traffic management.Key words:traffic safety;freeway bridge segment;crash characteristics;crash prediction;zero⁃inflated negative binomial regression model0 引言随着我国经济的快速发展和机动车数量的不断增加,道路交通事故频发,道路交通安全也面临极大挑战.世界卫生组织2018年关于交通安全的统计报告结果显示,中国因道路交通事故导致的死亡人数居世界第2,由此可见,我国的道路交通安全现状非常严峻[1].截至2019年,我国高速公里通车里程达14.96万km,位居世界第1[2].高速公路因其行车速度快㊁通行能力高等特点,更易发生严重交通事故,有研究表明其里程死亡率㊁事故死亡率分别是普通公路的4.51倍㊁2.21倍[3].桥梁作为高速公路瓶颈路段,通常也是事故多发路段,对该路段交通事故进行研究,对于改善高速公路行车安全具有十分重要的意义.交通事故是1种具有随机性㊁突发性的事件,其发生是1个极其复杂的过程,是包括驾驶员㊁车辆㊁道路及自然环境等多方面因素综合影响的结果,国内外学者对交通事故特征及影响因素进行了大量研究.冯雷等[4]选取4条交通气象条件较好的雾天事故多发高速公路路段为研究对象,对雾天条件下交通事故特征进行研究,并将交通事故与能见度进行定量分析.陆化普等[5]基于GIS技术对深圳市道路交通事故空间分布特征进行研究,发现交通事故发生频率及严重度在城区与郊区分布存在差异.王洁等[6]对河北省高速公路夏冬季事故时变特征进行研究,并基于二元Logistic回归建立交通事故气象预警模型.Hou等[7]借助详细的交通事故㊁交通特征和高速公路几何数据,对影响安全的因素进行研究,结果表明事故数随着平曲线半径的减小而增大. Tarko[8]研究了公路几何结构对高速公路路段交通事故发生的安全影响,结果表明坡度是交通事故的影响因素,坡度越陡,交通事故发生的概率越高. Duckwon等[9]对美国加州I⁃880N高速公路45英里路段的交通事故和实时交通流数据进行分析,发现实时交通流是影响交通事故的主要因素.Cafiso 等[10]通过广义线性模型研究道路几何线形㊁交通流与交通事故之间的关系,结果表明:平均车速与交通事故之间呈正相关性.为研究道路交通事故特征,分析交通事故的成因,统计回归模型被广泛应用于交通事故预测研究中.Li等[11]基于低等级道路交通事故数据采用泊松回归进行拟合,结果证明了泊松回归在交通事故频数建模中的适用性.Ramesh等[12]对比了广义负二项回归模型与负二项模型在数据拟合方面能力,结果表明广义负二项回归模型拟合效果更好.段萌萌等[13]以高桥隧比高速公路为研究对象,采用多元非线性回归分析法建立事故预测模型,结果表明该模型精度较高,可作为高桥隧比高速公路事故建模的参考.为了解释数据中零值出现频次较多的问题,部分学者建立零膨胀回归模型(ZINB)来降低零值对估计结果的影响.Qin等[14]采用零膨胀泊松回归模型分析了双车道公路不同类型事故数与车道宽度㊁交通量等因素的关系,研究表明该模型可较好反映交通事故数与年平均日交通量㊁路段长度之间的关系.Arief Rizaldi等[15]利用零膨胀负二项回归模型对印度尼西亚事故数据进行研究,结果表明事故数与单位长度中央分隔带开孔数㊁对行人和道路预留区的干扰程度呈正相关.Daniel等[16]基于城市主干道货车事故数据建立零膨胀泊松和零膨胀负二项模型,结果表明路段长度和信号设置对货车事故频数有较为显著的影响.Ayati等[17]基于城市道路交通事故数据,分别建立了泊松㊁负二项㊁零膨胀泊松㊁零膨胀负二项模型,结果表明,平均速度㊁交通流量㊁横断面车道数和出入口数量对事故数有显著影响,同时发现在四类模型中零膨胀负二项模型的预测精度最高.综上,目前国内外学者对交通事故致因及事故预测模型进行了大量研究,但针对高速公路大桥路段的事故特征及预测模型研究较少.因此,本文以G50高速公路K785+834 K800+984断面为研究对象,在数据描述分析的基础上,对高速公路大桥路段事故特征进行分析,并构建零膨胀负二项回归模型对交通事故数据进行拟合,并借助R软件对模型进行求解.研究结果拟为提高相似道路条件下的交通安全水平,提升交通管理能力提供理论支撑和参考.82 第6期邹晓芳,等:高速公路大桥路段事故特征分析及预测模型研究1 鄂东长江公路大桥路段简介及事故特征分析1.1 鄂东长江公路大桥路段简介鄂东长江公路大桥位于湖北省长江黄石水道中下游,跨越繁忙的长江主航道,是G45㊁G50高速在湖北东部的共用过江通道,其基本走势如图1所示.鄂东长江公路大桥全段共有4座立交,线路全长15.2km,桥梁总长6.23km.大桥南北引桥全长5.886km,其中跨江桥面段0.96km.南北引桥间为双向六车道,其余主路双向四车道.全程客车限速(60~100)km/h,货车限速(60~90)km/h.图1 鄂东长江公路大桥基本走势(沪渝向) 1.2 鄂东长江公路大桥路段数据描述及事故概况以湖北省高速公路联网中心反馈的路段流量数据及从辖区交警处获取的路段事故数据为研究对象,在对数据预处理的基础上对鄂东长江公路大桥路段事故特征进行分析,具体路段数据描述如表1所示.表1 鄂东长江公路大桥路段数据描述数据类型指标说明事故事故日期㊁时间事故发生时天气事故发生桩号及方向事故车辆类型事故形态及原因事故损失2016 2019事故数据 以2016 2019年事故数据为研究对象,从事故类型㊁事故原因及事故车型3个角度分析鄂东长江公路大桥路段事故特性,各角度中位列前3的因素如表2所示.表2 鄂东长江公路大桥路段事故概况序号事故类型事故原因事故车型1操作不当追尾小型轿车2未保持安全距离碰撞固定物其余小型汽车3不当变道刮擦货车1.3 鄂东长江公路大桥路段数据描述及事故概况1.3.1 鄂东长江公路大桥路段事故特征分析以2016 2019年鄂东长江公路大桥路段事故数据为研究对象,研究发现该路段在相邻年内逐月及逐小时事故数量分布大体一致.不失一般性,本节选取2017㊁2018年事故数据对鄂东长江公路大桥路段事故时间分布特性进行分析.绘制如图2所示的2017 2018年鄂东长江公路大桥段逐月事故变化趋势图.由图2可知,事故在逐月分布上呈现 单月激增,整体均衡”状态.大桥辖区2月份事故最多,其次为1月份㊁10月份,其余月份流量较为均衡.2017㊁2018年春节分别为1月27日㊁2月15日,因此1㊁2月份事故高发与春节期间出行增多有密切关系.10月事故数较临近月份有所增加,这与国庆黄金周出行增多有关.进一步分析大桥段事故在1d内24h的时段分布,绘制如图3所示的变化趋势图.由图3可知,大桥路段1d内事故呈现 M”型分布特征,事故主要集中在上午09:00 11:00,下午14:00 16:00,以及18:00 20:00时段,其余时段事故较少.白天2个时段事故较集中主要由长时间的驾驶疲劳以及注意力不集中导致,晚间18:00 20:00事故多发则因为夜色降临,视线较差,驾驶员不易辨识前后车距离等导致.92交 通 工 程2023年图2 2017 2018年鄂东长江公路大桥段逐月事故变化图3 2017 2018年鄂东长江公路大桥段事故24h 时段分布1.3.2 鄂东长江公路大桥路段事故空间分布特征分别绘制沪渝向及渝沪向事故空间分布柱状图,将事故空间分布柱状图与大桥段实际道路线形结合,形成如图4所示的事故空间分布图.由图4可知,沪渝向事故在一定范围内较为集中,主要为散花收费站附近㊁北引桥起点附近㊁花湖互通附近,其余区间内事故较少;渝沪向事故分布没有明显的集中趋势,在大桥段范围各区域较为平均.对于桥面段而言,沪渝向与渝沪向两者事故数量均未较其他断面有所增加,渝沪向桥面段事故稍多于沪渝向.2 鄂东长江公路大桥路段事故预测模型研究2.1 路段单元划分及数据描述目前常用的路段单元划分方法包括定长法及同质法2种[18⁃19].定长法即按照固定长度对研究路段进行划分,同质法则以道路属性的变化为划分依据,常选取的指标包括交通量㊁限速和其他道路条件.考虑路段实际及数据支撑情况,结合该路段平面及街景地图,本文采用同质法与出入口分段结合的思想,在互通桩号点处㊁车道改变处㊁曲直分段点处,同时考虑出入口情况,将辖区G50路段双向共分为18个段面.其中最短断面508m,最长断面3223m,平均路段长度1614m,具体路段单元划分结果如图5所示.为对该路段内事故数进行预测,以辖区2018年全年(除10月)217起事故为基础,收集了包括交通事故㊁道路几何设计及交通流3个方面的数据.其中,事故数据包括事故发生时间㊁事故车型及经济损失等,道路线形数据包括平面线形㊁车道数㊁路段长度及出入口类型,交通流量数据包括车流量及其行驶方向.在对数据分析的基础上,结合路段单元划分结果,本文以交通流量和道路线形2类指标为自变量建立事故预测模型,具体备选自变量指标如表3所示.表3 备选自变量变量类别变量名称变量单位交通流量月均流量pcu /m 货车比%路段长度km 道路线形车道数line 线形 出入口形式 将收集的交通事故㊁道路线形及交通流量数据一一对应到划分的18个路段研究单元上,生成198条数据记录,即本文建模样本.为对该路段事故数进行预测,将事故频数作为因变量,其余变量作为自变量,自变量中月均流量㊁货车比㊁路段长度为连续变3 第6期邹晓芳,等:高速公路大桥路段事故特征分析及预测模型研究13 Array图4 鄂东长江公路大桥事故空间分布交 通 工 程2023年量,由于月均流量数值较大,故将其取对数处理.车道数㊁线形㊁出入口形式为分类变量,其中车道数㊁线形(直线㊁曲线)为二分类变量,出入口形式为四分类变量,将其做哑变量处理,变量描述性统计如表4所示.在198条事故数记录中,110条记录值为0,因变量事故频数中0值较多,传统的负二项回归模型并不适用,因此考虑使用零膨胀负二项回归模型.表4 因变量及自变量描述性统计变量描述统计值汇总事故频数路段月事故数均值=1.1;标准差=1.99月均流量路段月均流量自然对数值均值=5.53;标准差=0.121货车比路段货车的比例,以小数表示均值=0.26;标准差=0.075路段长度路段长度值均值=1.614;标准差=0.979车道数2车道1103车道88线形路段为直线154路段为曲线44路段既无入口也无出口88出入口形式路段仅有入口33路段仅有出口33路段既有入口也有出口442.2 零膨胀负二项回归模型构建零膨胀负二项回归建模,将交通事故的发生看作2个过程:第1个过程对应零事件的发生,即未发生事故,此过程中个体取值只能为零,称为零过程,这解释了数据中为何存在过多零值;第2个对应事故的发生过程,此过程中个体的取值为正,该过程称为计数过程.零膨胀负二项回归模型是将原数据集看做1个全为零的数据集与1个满足负二项分布的数据集的集合,适用于零值较多㊁过度离散的数据[20⁃21].其概率分布P (Y i )可表达为:P (Y i =y i )=P i +(1-P i )1(1+Kλi )1K y i =0(1-P i )Γ(y i +(1/K ))Γ(y i +1)Γ(1/K )(Kλi )y i (1+Kλi )y i +(1+K )y i ìîíïïïïï>0(1)式中,P i 为一定时间段内第i 个路段未发生交通事故的概率;y i 为第i 个路段事故数观测值;λi 为第i 个路段事故的期望值;K 为离散系数;Г为伽马函数.零膨胀负二项回归模型的均值E (Y i )及方差Var (Y i )分别为:E (Y i )=(1-P i )λi(2)Var (Y i )=λi (1-P i ()1+P i λi +λi )K(3)当P i =0时,变量Y i 服从均值为λi ,方差为λi (1+λi /K )的负二项分布.通常情况下可采用二元Logit 模型预测零膨胀负二项回归模型中事故发生的概率,因此零膨胀负二项回归模型可表达为:λi =e x Ti β+σ(4)(lgP i 1-P)i=x T iγ+ε(5)式中,x T i 为影响P i 协方差向量的转置;β㊁γ代表回归系数对应的向量;σ㊁ε为误差项.2.3 模型求解本文以月均流量㊁货车比㊁路段长度㊁车道数㊁线形及出入口形式为自变量,月事故频数为因变量,构建零膨胀负二项回归模型.构建模型时,自变量之间的强相关性可能导致变量间存在多重共线问题,进而影响模型中其余变量的显著性,因此在建模型前应检验自变量间的相关性,以便更加精确地构建模型.本文借助R 软件,利用Pearson 相关系数衡量月均流量㊁货车比㊁路段长度3个连续变量间的相关性,利用Spearman 等级相关系数衡量车道数㊁线形及出入口形式3个分类变量之间及其与连续变量之间的相关关系.自变量23 第6期邹晓芳,等:高速公路大桥路段事故特征分析及预测模型研究共线性检验结果矩阵如表5所示.由表5可知,流量与货车比㊁路段长度㊁车道数及出入口形式间存在较大相关性,货车比与车道数及线形之间也有较大相关性.将全部自变量代入模型,输出结果表明流量㊁断面长度㊁曲线与直线3个自变量显著.表5 自变量共线性检验结果矩阵流量货车比路段长度车道数曲线vs直线有入口vs无有出口vs无有出入口vs无流量0.000.000.010.000.300.010.010.00货车比0.000.000.300.000.130.840.840.16路段长度0.000.300.000.840.000.000.000.00车道数0.000.000.230.000.840.000.000.00曲线vs直线0.060.020.000.400.000.010.010.00有入口vs无0.000.220.000.000.000.000.050.01有出口vs无0.000.210.000.000.000.000.000.01有出入口vs无0.000.030.000.000.000.000.000.00 将显著变量再次迭代至模型,但由于流量㊁路段长度和路段线形存在相关性,如同时存在将对模型结果产生影响.因此最终得到2个模型,即模型1和模型2,其自变量分别为流量和路段长度,流量和路段线形.具体模型输出结果如表6㊁7所示.表6 模型1输出结果变量系数标准差P值截距-6.79383.12910.0299流量1.07420.60720.0769路段长度0.24380.10760.0235表7 模型2输出结果变量系数标准差P值截距-10.47073.34740.0018流量1.82060.64010.0045曲线vs直线0.83440.22920.0003 由表6及表7可知,流量㊁路段长度㊁曲线vs直线对高速公路大桥路段事故影响显著.流量对路段交通运行有着重要影响,不同流量下的驾驶员驾驶行为也存在差异.高速公路大桥路段事故数量随着流量的增加而增加,因此流量是影响事故发生的因素之一,这与以往的研究结论[22⁃24]一致.路段长度也与高速公路大桥路段事故数有关,大桥路段越长,事故数越多.道路线形对驾驶员的负面影响是造成交通事故的主要原因之一(如弯道处视距不足等),这一结论与Ayati等[25]的结论一致.3 结论1)本文对高速公路大桥路段事故特征及预测模型进行研究.在对数据描述分析的基础上,从时空角度对路段事故特征进行分析.利用同质法与出入口分段结合的思想对路段单元进行划分,根据收集的事故数据统计特征,选择构建零膨胀负二项回归模型对交通事故数据进行拟合,借助R软件对模型进行求解.2)研究结果表明,高速公路大桥路段事故在逐月分布上呈现 单月激增,整体均衡”的状态,在1d内24h的时段分布中呈现 M”型分布特征.从空间角度,沪渝向事故在一定范围内较为集中,渝沪向事故较为分散.影响高速公路大桥路段事故发生的主要因素为流量㊁路段长度及线形.流量对路段交通的运行有重要影响,不同流量下驾驶员驾驶行为存在差异.路段长度也与高速公路大桥路段事故数有关,大桥路段越长,事故数越多.道路线形对驾驶员有重要影响,如驾驶员可能在曲线处因视距不足而引发交通事故.3)交通事故的发生是1个及其复杂的过程,是众多因素作用的结果,由于数据限制,本文构建的零膨胀负二项回归模型未考虑交通事故严重度等因素,这可能增大模型误差且降低其迁移能力,后续可进一步完善数据资源,使零膨胀负二项回归模型可用于其他相似道路条件下的交通事故预测.参考文献:[1]World Health Organization.Global status report on road33交 通 工 程2023年safety2018[EB/OL].(2018⁃12⁃7)[2019⁃4⁃26]. https:∥www.who.int/violence_injury_prevention/road _safety_status/2018/en/.[2]2019年交通运输行业发展统计公报[R].交通财会, 2020(6):86⁃91.[3]杨东,张岫竹,张彦琦,等.2004 2015年中国高速公路与普通公路交通伤对比研究[J].第三军医大学学报,2017,39(6):589⁃596.[4]冯蕾,邓毅萍,李蔼恂,等.雾天高速公路交通事故的特征及与能见度的关系[J].科技导报,2020,38(11): 160⁃168.[5]陆化普,罗圣西,李瑞敏.基于GIS分析的深圳市道路交通事故空间分布特征研究[J].中国公路学报, 2019,32(8):156⁃164.[6]王洁,曲晓黎,张金满.河北高速公路交通事故特征及其气象预警模型[J].干旱气象,2020,38(2):339⁃345. [7]Qinzhong H,Xianghai M,Junqiang L,et al.Application of a random effects negative binomial model to examine crash frequency for freeways in China[J].Physica A: Statistical Mechanics and its Applications,2018,509: 937⁃944.[8]Tarko,Andrew,P,et al.An insight into the performance of road barriers⁃redistribution of barrier⁃relevant crashes[J]. Accident Analysis and Prevention,2016.[9]Duckwon Chung,Xuhua Rui,Dugki Min.Road traffic big data collision analysis processing framework[C]∥2013 7th International Conference on Application of Information and Communication Technologies(AICT).2013. [10]Cafiso S,Graziano A D,Silvestro G D,et al.Development of comprehensive accident models for two⁃lane rural highways using exposure,geometry,consistency and context variables[J].Accident Analysisand Prevention,2010,42(4):1072⁃1079. [11]Zhibin Li,Wei Wang,Pan Liu,John M.Bigham,Daviding Geographically Weighted PoissonRegression for county⁃level crash modeling in California[J].Safety Science,2013,58.[12]Ramesh C,Gupta S H.A new generalization of thenegative binomial distribution[J].Computation Statisticsand Data Analysis,2004,45(2):287⁃300. [13]段萌萌,唐伯明,刘唐志,等.基于多元非线性回归的高桥隧比高速公路事故预测模型[J].公路工程,2018,43(6):122⁃126.[14]Qin X,Ivan J N,Ravishankar N.Selcting exposuremeasures in crash rate prediction for two⁃lane highwaysegments[J].Accident Analysis and Prevention2004,36(2):183⁃191.[15]Arief Rizaldi,Vinayak Dixit,Anurag Panda et al.Predicting casualty⁃accident count by highway designstandards compliance[J].International Journal ofTransportation Science and Technology,2017,6(3):174⁃183.[16]Daniel J,Chien S I J.Truck safety factors on urbanarterials[J].Journal of Transportation Engineering,2001,130(6):742⁃752.[17]Ayati E,Abbasi E.Modeling accidents on Mashhadurban highway[J].Open Journal of Safety Science andTechnology,2004,4(1):22⁃35.[18]Zhang C,Ivan JN.Effects of geometric characteristics onhead⁃on crash incidence on two⁃lane roads inConnecticut.Transportation Research Record,2005,1908:159⁃164.[19]Highway Safety Manual(HSM).FHWA AmericanAssociation of State Highway and Transportation Officials[R].U.S.A,2010.[20]王晓飞,刘永,李思雨.公路空间曲率连续性衰退与事故频数影响关联模型[J].华南理工大学学报(自然科学版),2021,49(8):26⁃34.[21]龙雪琴,周萌,赵欢,等.基于网络核密度的网约车上下客热点识别[J].交通运输系统工程与信息,2021,21(3):86⁃93+100.[22]Chung D,Rui X H,Min D,et al.(2013).Road trafficbig data collision analysis processing framework[C].20137th International Conference on Application ofInformation and Communication Technologies(AICT).IEEE,1⁃4.[23]Ramírez B A,Izquierdoa F A,Fernández C.G,et al.The influence of heavy goods vehicle traffic on accidentson different types of Spanish interurban roads[J].Accident Analysis and Prevention,2009,41:15⁃24.[24]Sun J,Li T N,Li F,et al.Analysis of safety factors forurban expressways considering the effect of congestion inShanghai,China[J].Accident Analysis and Prevention,2016,95:503⁃511.[25]Ayati E,Abbasi E.Modeling accidents on Mashhadurban highway[J].Open Journal of Safety Science andTechnology,2004,4(1):22⁃35.43。
