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）

交通運輸業的突飛猛進在促進社會經濟繁榮的同時，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安全。我國近年來的飛速經濟發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及受傷死亡人數已呈逐年遞減趨勢[1]，但相對于發達國家而言，我國的死亡人數及萬車死亡率仍舊處于危險的高位。道路交通事故的發生是一個隨機事件，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展相對較早，學者們最初利用經濟學領域的德爾菲調查法對道路交通安全進行預測，即專家們根據道路的相關背景資料，憑借自身的經驗對道路交通的安全程度進行預測評分，綜合統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驗預測法、統計回歸法、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時間或空間位置的推移來預測道路上可能發生的事故數量?；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，對道路事故數和傷亡人數等進行預測。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。因為統計回歸法是基于概率統計的一種數學方法，運用數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。當統計回歸模型選用例如經濟、人口、區域面積、車輛保有量等宏觀影響因素作為擬合參數時，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、路面情況等微觀影響因素作為模型的擬合參數，則該統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，包括對事故發生率、傷亡人數、是否為道路黑點以及事故嚴重程度等的預測?？梢酝ㄟ^統計回歸法、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。國內學者對基于統計回歸的泊松回歸模型以及延伸發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。神經網絡法、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]，其中神經網絡模型和隨機森林模型都是從指定輸入的變量或節點中，挖掘各節點之間的隱藏關系，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，據此指導預緊工作，減少事故的發生。

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系基礎上，是從不同層面和程度上解釋交通事故發生的誘發性和可能性，對減少交通事故的發生，降低事故率均能起到一定效果的指導作用。根據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努力。