高速公路交通事故概率預測方法研究

王少群 WANG Shao-qun；張曉明 ZHANG Xiao-ming

（長安大學經濟與管理學院，西安710064）

0 引言

高速公路交通事故現已成為影響行車安全、運輸效率的重要因素，而準確的事故預測和事故預防可以大大降低事故的危害性。回歸分析預測、灰色預測、神經網絡等都是比較經典的預測方法。回歸分析方法利用解釋變量和預測對象之間的因果關系建立回歸分析模型，對未來發展做出預測，但是復雜對象難以確定其因果關系，從而降低了精度。灰色預測方法[1]可以彌補數據缺失的不足，同時會引起精度的下降。神經網絡預測方法的非線性易形成局部極小狀況，以致得不到全局最優解[2]。在短期微觀事故預測方面，王莉莉[3]等基于模糊評價方法提出了事故實時預警模型，但這種方法在隸屬度確定上具有較強的主觀性；秦利燕等[4]基于數量化理論和最小二乘原理，提出了道路斷面事故率預測方法，這種方法弱化了影響因素的非線性。本文在分析高速公路交通事故產生因素和大量歷史資料的基礎上，建立貝葉斯網絡及預測模型，得出事故概率，為高速公路行車安全提供重要信息。

1 交通事故概率的貝葉斯推理

設 S=（s1，s2，s3，…sn）為影響交通事故 A 的因素集，其中s1，s2，s3，…sn為相互獨立的變量。則根據貝葉斯理論得到：

根據條件獨立性有：

整理便可得交通事故的條件概率：

2 模型建立及求解

2.1 高速公路交通事故影響因素分析 現在公共輿論與交通管理機構的官方統計都簡單的認為事故的最主要因素是駕駛員的粗心、錯誤以及汽車的機械問題。這說明在以往研究中忽視了道路條件等因素的影響。而實際上，作為交通基礎設施和車輛行駛基本條件，道路條件對交通事故的作用不可忽視。本文以信息可獲取性為基本原則，分析了道路條件各種因素對高速公路交通事故的影響。

2.1.1 道路基本情況

2.1.1.1 道路平曲線及縱坡 適當半徑的道路曲線路段可以使行駛者擺脫道路的單調感，減少困倦，但若速度控制不當，容易導致翻車或車輛側滑等事故。縱坡坡度過大使車輛難以維持合理速度以及連貫狀態，下坡時易形成車輛高速行駛，制動距離加長，上坡時易形成爬坡吃力，引發追尾等事故。

2.1.1.2 道路設計限速 道路設計限速會給駕駛員一種暗示，只要在限速內行車都是安全的，從而行駛速度會比較接近限速值。因此限速值大的道路上車輛行駛速度會更高。隨著車速的提高，駕駛員可支配時間變少，使得駕駛員獲取行車信息不全面、判斷不準確等，導致操作失誤，從而引發交通事故。而且車速與事故嚴重性成正比，高車速會導致更嚴重的后果。

2.1.1.3 立交、收費站、服務區處 進入立交、收費站和服務區，部分車輛需要減速、變道，導致形成復雜的交通狀態和相對低速的交通流，大大增加了交通事故發生率。

2.1.1.4 隧道 在駛入或駛出隧道時，由于光線強度變化較大，容易對駕駛員視覺造成不利影響，從而做出錯誤判斷，導致不當操作，引發交通事故。另外，秋冬季節，隧道口處易結冰，對行車安全也有不利影響。

2.1.2 外部環境影響

2.1.2.1 天氣狀況 不同天氣狀況對道路造成不同影響，主要表現在對路表和能見度的影響上。一般在雨雪天氣時，路表會較濕潤，摩擦系數會變小；大霧等天氣下，能見度會大大降低，都不利于行車安全。

高速公路上車輛往往以較高速度行駛，能見度的微小變化會對行車安全都會造成較大影響。在遇到大霧、大雨、大雪等天氣時，能見度會明顯下降，嚴重時相關部門應立即做出反應，甚至封鎖該路段。

本文在研究時將天氣狀況分為晴或多云、陰、雨、雪、霧等。

2.1.2.2 晝夜情況 白晝情況下，道路交通量較大，能見度較好，且小車比例較高；黑夜情況下，道路交通量較小，能見度差，大車比例較高；這些因素對交通事故的發生有著不同影響。

2.1.2.3 道路所處地形 一般來說，穿過山嶺重丘的道路曲線和縱坡路段會比較多，而且還會伴隨較多的隧道橋梁等，這都有可能增加事故發生幾率。但一般來說，這些都能體現在道路的設計上，因此不再單獨作為影響。

2.1.2.4 是否穿越村莊 穿越村莊路段上，行人或牲畜穿越的幾率大，對交通安全的威脅很大。

2.1.3 道路通行狀況 道路通行狀況的主要體現形式是道路斷面交通量。在交通能力一定的情況下，交通量大小直接影響道路的飽和度，而據統計分析，飽和度直接影響交通事故的頻率與嚴重程度。一般來說，交通量越大，交通事故越多，但實際上當交通量達到一定程度時，由于車速減慢，交通事故數量反而減少。事故相對量與飽和度的關系如圖1[5]。

圖1 事故相對量與飽和度的關系

然而，實時的道路飽和度數據很難得到，本文通過路段交通量來研究它對事故的影響程度。

2.2 貝葉斯網路建立 根據2.1的分析，建立如圖2的貝葉斯網絡結構圖。

圖2 高速公路交通事故的貝葉斯網絡

2.3 先驗概率分布 求解圖2的貝葉斯網路，需要眾多先驗知識，這些先驗知識可以通過歷史的統計數據得到，如表1。

表1 發生事故A時因素Si的概率分布

表2 因素Si的概率分布

2.4 模型求解 S=（s1，s2，s3，…s6）為因素集，其中 s1，s2，s3，…s6為相互獨立的變量，A為有事故發生。

整理得到：

在式（1）中，P（A）的值為發生事故的樣本數除以總樣本數。應用貝葉斯公式，可以得到在任一狀態集X下的事故發生概率，并依此來制定相應的對策。

3 小結

高速公路是交通的大動脈，因此高速公路行車安全至關重要，從而增加了高速公路預警的緊迫性和重要性。本文通過研究可觀測的高速公路突發事件影響因素來建立模型，獲取事故概率。主要內容和結論如下：

①分析得出高速公路事故影響因素體系，包括道路基本情況、外部環境影響、道路通行狀況三個大類，道路平曲線及縱坡、道路設計限速等八個因素。本文對影響因素的分析是建立在現象可觀測和信息可獲取基礎上的，舍棄了一些主觀的以及實時的難以掌握的因素，這是為了方法的可操作性。如果技術水平提高了，可以增加更多的影響因素，從而使得模型更加精確。

②建立貝葉斯網絡圖，并推到出計算公式，得到高速路段的概率。通過前面對影響因素的分析，建立相應的貝葉斯網絡，利用相關方法便可獲得單樣本的概率信息，再經過統計分析，與歷史資料比較后得出危險等級，從而發布預警信息。

③預測基于廣泛的同質數據積累，先驗概率等信息隨著時間的推移不斷更新，從而更準確的反應實際情況。

本文研究仍有諸多不足之處，如由于部分數據難以獲取，沒有將車種構成、每天的交通量等考慮到貝葉斯網絡結構中；由于人為措施的實施，使得某些狀態下事故率較小，但實際上卻較危險，如大雪時高速封路等。

[1]鄧聚龍.灰色預測與決策[M].武漢：華中科技大學出版社，2002：45-174.

[2]焦李成.神經網絡的應用與實現[M].西安:電子科技大學出版社，1997：92-114.

[3]王莉莉,史忠科,胡太平.基于模糊評價法的高速公路事故實時預測模型[J].系統工程理論與實踐，2003，5：141-144.

[4]秦利燕,許洪國.基于量化理論的高速公路交通安全評價模型[J].山東交通學院學報，2002，12：33-36.

[5]裴玉龍，王煒.道路交通事故成因及預防對策[M].北京：科學出版社，2004.