道路交通事故嚴重程度預測及致因分析

摘要：【目的】為提高交通事故嚴重程度預測的準確性，明晰事故嚴重程度的關鍵影響因素。【方法】從885起道路交通事故案例數據中選取影響交通事故嚴重程度的人、車、路、環境四方面共14個因素，采用融合通道注意力的卷積神經網絡（CA-CNN）構建事故分類預測模型。在此基礎上，采用邊際效用方法分析得出交通事故嚴重程度的顯著影響因素。【結果】結果表明，相較于卷積神經網絡（CNN）、隨機森林（RF）、樸素貝葉斯（NaiveBayes）、回歸分析（Logistics）、決策表（Decision_table）、引導聚集算法（Bagging）6種預測模型，CA-CNN模型在準確率、查準率、召回率等指標評價下，整體預測性能更優；在交通事故嚴重程度的影響因素中，季節、是否工作日、道路類型、事故形態、是否違法變更車道、未按規定讓行及制動不當7個因素具有顯著性（p≤0.05）。【結論】CA-CNN是一種有效的交通事故嚴重程度預測模型，其分析結果有助于降低交通事故發生率和嚴重程度。

關鍵詞：交通安全；事故嚴重程度預測；卷積神經網絡；通道注意力；致因分析

中圖分類號：U491.31 文獻標志碼：A

本文引用格式：嚴利鑫，胡鑫輝，劉清梅，等. 道路交通事故嚴重程度預測及致因分析[J]. 華東交通大學學報，2024，41（5）：65-73.

Road Traffic Accident Severity Prediction and Causation Analysis

Yan Lixin1， Hu Xinhui1， Liu Qingmei2， Jin Wujie1

（1.School of Transportation Engineering， East China Jiaotong University， Nanchang 330013， China;

2.College of Transportation， Nanchang Jiaotong Institute， Nanchang 330044， China）

Abstract： 【Objective】To improve the accuracy of predicting the severity of traffic accidents and clarify the key influencing factors of traffic accident severity.【Method】Fourteen factors related to people， vehicles， roads， and environment that affect traffic accident severity were selected from 885 road traffic accident case data， and a traffic accident classification prediction model was constructed using a convolutional neural network with channel attention （CA-CNN）. On this basis， the significant influencing factors of traffic accident severity were analyzed using the method of marginal utility.【Result】The results show that compared with the 6 prediction models such as convolutional neural network （CNN）， random forest （RF）， NaiveBayes， logistics regression （Logistics）， decision table （Decision_table）， and bagging algorithm （Bagging）， the convolutional neural network model with channel attention fusion has better overall prediction performance in terms of accuracy， precision， and recall， etc. Among the influencing factors of traffic accident severity， the season， whether it is a workday， road type， accident type， illegal lane change， failure to yield， and improper braking have significant effects （p≤0.05）. 【Conclusion】CA-CNN is an effective traffic accident severity prediction model， and the analysis results are helpful in reducing the incidence and severity of traffic accidents.

Key words： traffic safety; accident severity prediction; convolutional neural network; channel attention; causation analysis

Citation format： YAN L X， HU X H， LIU Q M， et al. Road traffic accident severity prediction and causation analysis[J]. Journal of East China Jiaotong University， 2024， 41（5）： 65-73.

【研究意義】根據世界衛生組織發布的《2023年全球道路安全狀況報告》，2021年全球約有119萬人因道路交通事故死亡，相當于每10萬人中有15人死于道路交通事故，道路交通事故是造成5至29歲年齡段人員死亡的主要原因之一[1]。近年來，隨著我國經濟社會的快速發展和城鎮化水平的不斷提高，道路交通需求急劇擴張，這無疑對日益嚴峻的交通安全形勢構成了更大挑戰。因此，提高交通事故嚴重程度預測的準確性，明晰事故嚴重程度的關鍵影響因素，對提高道路安全水平具有重要意義。

【研究進展】在早期的研究中，受計算機運算能力的限制，研究人員主要采用線性回歸、負二項式、零膨脹回歸等簡單耗時的方法來構建道路交通事故預測模型[2-3]；然而，這類方法未能充分反映出道路交通事故的分布特點，模型預測準確率不高。Sun等[4]用動態貝葉斯網絡模型探索事故發生前車輛的速度數據與事故發生的關系，實現了76.4%的預測精度。孫軼軒等[5]采用C5.0決策樹方法構建交通事故嚴重程度預測模型，以二分類和三分類作為因變量進行預測，預測準確率分別為70%和61%。Parsa等[6]采用概率神經網絡（PNN）構建模型用以監測交通事故的發生，該模型在正確預測事故方面的表現優于支持向量機（SVM）。Vaiyapuri等[7]比較了多層感知機、邏輯回歸和K最近鄰算法在事故嚴重程度預測上的性能，發現多層感知機的預測性能優于其他算法。綜合來看，在評估某種事故嚴重程度預測模型的預測精度時，通常會將其與其他多種模型進行對比分析，以凸顯出該模型的優勢。

在交通事故嚴重程度致因分析領域的研究中，李英帥等[8]基于隨機森林算法構建了一個預測模型，該模型將22個特征因素納入考慮以預測事故嚴重程度；研究發現，車輛間事故類型、受傷部位、道路物理隔離類型等因素是影響受傷嚴重程度的主要因素。石小林等[9]基于美國密歇根州 Wayne 縣的直角事故記錄數據，通過二元 Logit 模型分析了影響直角事故傷害嚴重性的因素；Jalayer 等[10] 采用相關隨機參數有序Probit模型，探討了駕駛員錯誤駕駛行為對交通事故嚴重性的影響；韓天園等[11]運用文本挖掘技術提取了重特大道路交通事故調查報告中的事故成因特征；以上研究結果顯示駕駛員違法、安全隱患和操作不當是導致重大交通事故的主要原因。目前，對于涉及多種因素和分類的交通事故嚴重性的研究尚需進一步深化，此前大多研究主要集中在二分類事故嚴重程度上，這也會限制事故數據中有用信息的提取。

【創新特色】在目前關于交通事故嚴重程度的研究中，研究數據主要來自高速公路，對日常市區通勤發生的交通事故研究較少，為了填補這項空白，本文選取江蘇某園區城市道路交通事故數據。機器學習方法已經在道路交通事故的預測中顯示良好的應用前景，本文采用改進卷積神經網絡，得到模型精度更高、泛化能力更強的交通事故嚴重程度預測模型。

【關鍵問題】深入研究交通事故與涉及的人、車輛、道路條件、環境等各要素之間的復雜關系，對于精確預測事故的嚴重程度至關重要，找出對事故嚴重程度有顯著影響的因素，對提升道路安全水平，改善交通管理策略，促進交通安全政策的制定與執行，推動交通安全技術的進步，增強公眾對交通安全重要性的認識具有重要的應用價值。

1 道路交通事故數據

依據公安部2017年頒布的《道路交通事故處理程序規定》，道路交通事故按事故后果嚴重程度可以分為：死亡事故、傷人事故和財產損失事故。本研究選用蘇州某園區一年的交通事故數據進行挖掘分析，經過預處理得到有效數據885條。結合數據樣本特征，將交通事故嚴重程度等級劃分為：輕微事故、一般事故、重大事故3個不同等級。其中輕微事故指的是造成經濟財產損失但事故人員不需要醫療干預的事故；一般事故是指在事故中相關人員涉及骨折等較為嚴重的傷情，需要醫療干預的事故；重大事故是指事故發生導致事故相關人員死亡或1個月內重傷不治的事故。

每條交通事故記錄包含3種類型的信息：① 事故原因；② 事故特征；③ 環境特征；事故原因又包括駕駛員、車輛、環境3個維度的信息；事故特征包括所涉車輛種類，事故形態等；環境特征包括事故發生的時間、地點、道路環境等。從以上多方面信息中篩選出性別（gender）、年齡段（age group）、季節（season）、是否工作日（weekday）、時間段（time period）、路面情況（pavement condition）、道路類型（road type）、事故形態（accident pattern）、車輛類型（vehicle type）、違反交通信號（traffic signal violation）、違法變更車道（illegal lane change）、未按規定讓行（failure to yield）、制動不當（improper braking）、非機動車逆行（non-motor vehicle retrograde）14個因素作為影響交通事故嚴重程度的變量，見表1。從數據統計結果可知，一般事故數量最多，占比為37.5%；其次為輕微事故，占比為33.8%；數量最少的為重大事故，占比為28.7%。

2 研究方法

2.1 建模方案設計

將交通事故的嚴重程度等級作為因變量，同時選取影響交通事故發生的人、車、路、環境四個方面的特征因素作為自變量。考慮到數據中影響因素較多，傳統的數據預處理方法，如主成分分析，并不能有效提高模型的預測性能。因此，本研究采用了一種融合通道注意力的卷積神經網絡（convolutional neural network with channel attention，CA-CNN）模型來預測交通事故的嚴重等級。該模型通過調整不同特征在網絡預測中的權重，實現了對不同事故嚴重等級（如輕微事故、一般事故、重大事故）的有效識別，從而增強了模型的預測性能，并提高了道路交通安全預警的水平。

卷積計算被當作一種特殊的線性運算，常用于提取圖像特征。CNN具有訓練速度快、準確率高等優點，該模型主要包括卷積層、池化層和分類器層[12-13]。與傳統的特征提取方法不同，CNN可以自動提取特征信息（其結構如圖1所示），在特征識別方面同樣具有平移不變性的優勢，因此廣泛應用于時間序列的特征識別和提取。

為了應對CNN中普遍存在的通道間信息價值不均衡問題，本文引入文獻[14]中提出的通道注意力與卷積神經網絡進行組合，構建CA-CNN交通事故嚴重等級預測模型。

通道注意力通過均值池化全局信息壓縮到信息通道維度，以此來建立不同通道間的相互依存關系，對卷積計算得到的特征通道維度加權，提高神經網絡對數據特征的表達能力，從而增強網絡模型對目標的判別能力，提高模型識別準確率。為了能從復雜背景下區分不同特征的重要程度，給予重要特征更高的權重有利于提升神經網絡對數據的特征提取能力，進一步獲取不同特征的關鍵程度，將池化后的向量分別送入瓶頸結構的擠壓-激勵網絡，獲取不同重要程度特征的權重，通道注意力模塊流程如圖2所示。

設送入通道注意力機制的矩陣為[X∈RH×1×a]；H為通道數；a為數據長度。通過擠壓-激勵網絡輸出的兩個結果相加，以此得到新的特征矩陣向量[c∈RH×1×1]。最后，通道注意力機制的輸出矩陣為

[C=X?σ（c）] （1）

通過全局平均池化層保留通道特征，使用兩層1*1卷積層學習通道特征權重，并利用sigmoid激活函數進行歸一化處理，可以得到不同通道的權值分配信息，有利于特征提取。

[Mn（F1）=σ（MLP（AvgPool（F1）））=σ（W1（W0（Fn1-age）））] （2）

[F0=Mn（F1）*F1+F1] （3）

式中：[σ]為激活函數；MLP為感知機；[Fn1-age]為平均池化特征；[W0]，[W1]為減少率；n 是特征的通道維度的大小。[Mn（F1）]是一個通道注意力參數矩陣，[F1]和[F0]分別表示通道注意力模塊特征圖的輸出和輸入。

在通道注意力的基礎上，模型將具有不同道路事故嚴重程度的數據作為輸入數據，構建基于融合通道注意力的卷積神經網絡識別模型，通道注意力模塊用于提取不同特征變量之間的差異，增強或減弱特征在事故嚴重程度預測中的輸入權重。CA-CNN交通事故嚴重程度預測模型網絡結構如圖3所示。

在網絡結構的設置上，經過多次調試，模型設置多個卷積層、2個通道注意力單元、1個輸入層及1個輸出層。每個隱含層結構采用卷積層、激活層、卷積層結構；通道注意力單元采用自適應平均池化層、卷積層、激活層、卷積層、激活層的結構；輸出層為1個卷積層。模型網絡隱含層中采用了ReLU作為激活函數，通道注意力單元中第1個激活層使用ReLU函數，第2個激活層使用sigmoid函數。各卷積層中卷積核大小為1，卷積核移動步長均設置為1。訓練模型時，網絡采用SGD函數優化學習率，初始學習率設置為0.02。

2.2 模型評價指標

在對模型分類預測模型進行評估時，評價指標種類多樣，但不同的指標可能得到不同的結果。本研究采用分類準確率（accuracy）、查準率（precision）、召回率（recall）等5種預測評價指標對事故嚴重程度預測精度進行評估[15]，其詳細表達式見式（4）～式（8）。

1） 準確率，分類準確度衡量了分類模型總體預測準確度，計算公式如下

[Accuracy=TP+TNTP+TN +FN+FP] （4）

式中：TP樣本為正類，預測為正類；FP樣本為負類，預測為正類；TN樣本為負類，預測為正類；FN樣本為正類，預測為正類。

2） 查準率計算公式如下

[Precision=TPTP +FP] （5）

3） 召回率計算公式如下

[Recall=TPTP+FN] （6）

4） F1_score是統計學中用來衡量模型精確度的一種指標，它同時兼顧了分類模型的準確率和召回率

[F1_score=2Precision×RecallPrecision+Recall] （7）

5） MCC用以衡量分類預測模型性能的指標，該指標考慮了真正類、真負類、假正類和假負類，通常認為該指標是一個比較均衡的指標，計算公式如下

[MCC=TP×TN-FP×FN（TP+FP）（TP+FN）（TN+FP）（TN+FN）]（8）

3 模型結果評估分析

3.1 模型預測結果分析

通過數據的預處理，本研究形成一份包含885個樣本，14個特征變量的交通事故數據集。分類變量標簽以事故嚴重程度為標準，劃分為3個等級。算法使用python語言在pytorch深度學習框架上進行編程。計算機使用i5-1135G7處理器以及16 GB內存硬件配置。考慮到本研究數據量較少，因此選取了90%的數據用于訓練模型，10%的數據作為測試集。

3.2 不同模型預測結果對比

根據本文建模方案，將經預處理的數據集分別輸入CNN，CA-CNN，RF，NaiveBayes，Logistics，Decision_table，Bagging 7個模型中。為充分驗證此模型在事故嚴重程度預測上具有優勢，將CA-CNN模型與以上模型進行比較。

依據各模型預測結果計算出對應混淆矩陣，利用混淆矩陣顯示模型對各事故嚴重程度的預測結果與實際指標之間的差異。在混淆矩陣中，每一行代表特定事故嚴重程度的實際觀察次數，而各列代表預測次數。對角線上的單元格值表示準確預測特定事故嚴重程度的次數，非對角線單元格則表示錯誤分類，這可能導致模型估計過高或過低。各模型預測結果對應的混淆矩陣詳見表2。在輕微事故的預測中，CA-CNN模型的預測準確率最高，達到72.4%；在一般事故的預測中，RF模型的預測準確率最高，達到96.3%；在重大事故的預測中，CA-CNN模型的預測準確率最高，達到78.3%。在所有分類預測模型中，CA-CNN模型正確預測事故類別的數量最多，正確預測總數達到71例。其他幾種模型正確預測的數量依次為：RF模型 69例、CNN模型66例、Logistics模型65例、NaiveBayes模型62例、Bagging模型58例、Decision_table 52例。

為從整體上了解模型整體預測效果，依據模型預測結果對應混淆矩陣，計算模型預測效果總體評價指標MCC，F1_score，ACC，具體計算結果見圖4。

由圖4可知，CA-CNN模型的整體預測性能優于其他模型。與其他模型相比，CA-CNN模型的F1_score值最大（0.796），相對于CNN，RF，NaiveBayes，Logistics，Decision_table，Bagging模型分別提高了0.070，0.016，0.097，0.062，0.098和0.144，對應增長率分別為8.8%，2.0%，12.2%，7.8%，12.3%和18.1%；CA-CNN模型的MCC值最大，為0.701，相對于CNN，RF，NaiveBayes，Logistics，Decision_table，Bagging模型分別高出0.058，0.027，0.149，0.096，0.147和0.218，對應增長率為8.3%，3.9%，21.3%，13.7%，21.0%和31.1%；模型CA-CNN模型準確率為0.801，相對于其他模型分別提高了0.026，0.017，0.093，0.063，0.097和0.042，增長率為3.2%，2.1%，12.1%，7.9%，12.1%和5.2%。由以上分析可知，采用模型CA-CNN的預測效果最佳，其性能較Bagging等模型而言有明顯提升。

為更具體地了解模型實際總體分類性能，引入了TP Rate（真正類率），FP Rate（假正類率），Precision和Recall評價指標，具體計算結果見圖5和圖6。

TPR數值越大，FPR數值越小，表明模型預測效果越好。從圖5的數據可知，CA-CNN模型的TPR數值最大，其對應數值為0.798，其次為RF模型，TPR值為0.784，Bagging模型的TPR值最小，TPR值為0.659。CA-CNN模型的TPR值較Bagging模型和RF模型分別提高0.139，0.014，增長率為21.1%，1.8%。CA-CNN模型的FPR數值最小，其對應數值為0.096，RF模型，FPR值為0.108，Bagging模型的TPR值最大，FPR值為0.173。CA-CNN模型的FPR值較Bagging模型和RF模型分別減小0.077，0.012，減小比率為80.2%，12.5%。

由文獻[13]可知，Precision和Recall的值越高，模型預測效果越好。從圖6可知，CA-CNN模型對應的Precision值和Recall值分別為0.796和0.799，遠高于Bagging模型的0.651和0.659，分別提高了0.145和0.140，增長率為22.3%和21.2%。

由以上分析可知，從整體預測效果上看CA-CNN模型是一種較好的交通事故預測模型，其整體預測效果優于CNN，RF，Logistics等模型。

3.3 多重共線性檢驗

為了排除不同影響因素之間存在較強相關性從而影響模型的準確性，本文基于Stata15.0軟件對回歸模型14個自變量做了多重共線性診斷，診斷結果見表3。

衡量多重共線性程度一個常用的指標是方差膨脹因子VIF。VIF值越大，表示自變量的容忍度越小，越有共線性問題。通常，以10作為臨界值，當VIF值大于10時，則認為變量間存在明顯的多重共線性。從上表結果可以看出，所有變量的VIF值均遠小于臨界值10，表明它們之間不存在多重共線性，可以作為模型的自變量。

3.4 模型標定結果分析

基于Stata15.0軟件，對交通事故嚴重程度的事故數據建立多元Logit模型，設置置信度區間為95%。當顯著性水平P值小于或等于0.05時，表示該變量對事故嚴重程度具有顯著影響，當Pgt;0.05時，說明該變量對事故嚴重程度影響顯著性較低。對應的參數估計結果見表4。

從以上結果可以看出，影響交通事故發生的因素中存在7個顯著因子，為季節、是否工作日、道路類型、事故形態、是否違法變更車道、未按規定讓行及制動不當。

4 事故嚴重程度致因分析

基于此前分析得出的顯著影響因素結果，為量化不同影響因素對事故嚴重程度等級的影響，本研究在多元Logit模型的基礎上對存在顯著影響的自變量進行了深入的邊際效應分析，具體邊際效應結果見表5。

4.1 輕微事故致因分析

對于輕微事故而言，普通道路、車輛與非機動車事故、夏季這3個因素對于該類事故的發生影響更為顯著，其對應的邊際效用絕對值高達43.3%，43.1%和31.2%。 在對一般事故以及重大事故機理分析中，道路類型為普通道路的影響也很顯著，因此合并在一起進行機理分析。

1） 普通道路。此類道路類型會將3種事故發生的概率分別增加43.3%，46.7%和39.8%。道路原因主要表現在混合交通、平面交叉、標志不全、路面障礙和道路不符合標準，此外，一般車輛在普通道路上行駛的時間相對于三支以及四支分岔口時間更長，從這個角度來說，也會相應增大事故的發生概率。

2） 車輛與非機動車事故。此類事故形態會將輕微事故發生的概率增加43.1%。考慮原因為非機動車駕駛者缺乏安全意識，沒有注意交通信號和道路標志，違規情況較多，一些道路也存在安全隱患，容易造成事故發生。

3） 夏季。此季節因素會將輕微事故發生的概率增加31.2%。夏季白天時間增長，夜晚時間縮短，人們的睡眠時間也隨之縮短。夜間睡眠不足，導致白天犯困、精神不能集中，甚至開車時打盹。此外，天氣炎熱，溫度高，駕駛員心情容易急躁，尤其是對于暴露在外的非機動車駕駛員。

4.2 一般事故致因分析

對于一般事故而言，普通道路對于該類事故的發生影響最為顯著，對應的邊際效用絕對值為46.7%，其次為三支分岔口、車輛間運動碰撞邊際效用絕對值分別為16.0%和13.2%。

1） 三支分岔口。此類道路類型會將一般事故發生的概率減小16.0%。這可能是由于三支分岔口相對于四支分岔口的路況較簡單，因而對事故發生的影響較小。

2） 車輛間運動碰撞。此類事故形態會將一般事故發生的概率減小13.2%。由于此類型事故是車輛之間的事故，由于車身外殼以及車輛防護設備，發生事故時往往能對乘車人起到保護作用。

4.3 重大事故致因分析

對于重大事故而言，車輛與非機動車事故和普通道路跟其他因素相比影響更為顯著，邊際效用絕對值為39.8%和40.6%，其他事故形態的邊際效用絕對值為26.1%，違法變更車道的邊際效用絕對值為19.6%。

1） 車輛與非機動車事故。此類事故形態會將重大事故發生的概率增加39.8%，由于機動車駕駛速度過快，而非機動車部件老化，甚至存在機械故障，導致安全性較差，事故發生時，非機動車往往因缺乏防護設施導致駕駛者重傷甚至當場死亡。

2） 其他事故形態。其他事故形態會將重大事故發生的概率增加26.1%，其他事故形態包括翻車、墜落、爆炸等，這些類型的事故危害極大，往往造成巨大的生命財產損失。

3） 違法變更車道。違法變更車道會將重大事故發生的概率增加19.6%，在車輛進行車道變換時，駕駛員需要執行一系列復雜的操作，這不僅會耗費他們的精力，還可能誘發超速行為。

5 結論

1） 提出CA-CNN的交通事故分類預測模型。在7種分類預測模型中，CA-CNN模型在準確預測事故類型方面表現最佳，準確預測了71起事故的類別，能夠有效預測出輕微事故、一般事故和重大事故。

2） CA-CNN模型在7種模型中的TPR數值最大，FPR數值最小，Precision值和Recall值也最大，從整體預測效果上看CA-CNN模型是一種效果較好的交通事故預測模型。

3） 置信度區間為95%時，以下7個因素對交通事故的發生具有顯著影響：季節、是否為工作日、道路類型、事故類型、違法變道、未按規定讓行以及不當制動。其中，普通道路、車輛與非機動車事故、夏季對輕微事故的影響更為顯著；普通道路、三岔路口、車輛間運動碰撞對一般事故的影響更為顯著；車輛與非機動車事故、普通道路、其他事故形態和違法變更車道對于重大事故的影響更為顯著。

參考文獻：

[1] " 世界衛生組織.2023年全球道路安全狀況報告[EB/OL].（2023-12-13）[2024-02-15].https：//www.who.int/zh/publications/b/72400.

[2] " 劉海珠. 道路交通事故嚴重程度影響因素分析及預測模型建立[D]. 長春： 吉林大學， 2014.

LIU H Z. The analysis of influencing factors for crash severity and the establishment of predication model[D]. Changchun： Jilin University， 2014.

[3] " SHAON M， QIN X， AFGHARI A， et al. Incorporating behavioral variables into crash count prediction by severity. A multivariate multiple risk source approach[J]. Accident Analysis and Prevention， 2019， 129： 277-288.

[4] " SUN J， SUN J. A dynamic Bayesian network model for real-time crash prediction using traffic speed conditions data[J]. Transportation Research Part C： Emerging Technologies， 2015， 54： 176-186.

[5] " 孫軼軒， 邵春福， 趙丹， 等. 交通事故嚴重程度C5.0決策樹預測模型[J]. 長安大學學報（自然科學版）， 2014， 34（5）： 109-116.

SUN Y X， SHAO C F， ZHAO D， et al. Traffic accident severity prediction model based on C5.0 decision tree[J]. Journal of Chang'an University （Natural Science Edition），2014， 34（5）： 109-116.

[6] " PARSA A， TAGHIPOUR H， DERNIBLE S， et al. Real-time accident detection： coping with imbalanced data[J]. Accident Analysis and Prevention， 2019， 129：202-210.

[7] " VAIYAPURI T， GUPTA M. Traffic accident severity prediction and cognitive analysis using deep learning[J]. Soft Computing， 2021：1-13.

[8] 李英帥， 張旭， 王衛杰， 等. 基于隨機森林的電動自行車騎行者事故傷害程度影響因素分析[J]. 交通運輸系統工程與信息， 2021， 21（1）： 196-200.

LI Y S， ZHANG X， WANG W J， et al. Factors affecting electric bicycle rider injury in accident based on random forest model[J]. Transportation Systems Engineering and Information， 2021， 21（1）： 196-200.

[9] 石小林， 李涵， 黃子富. 基于二元Logit模型的直角事故受傷嚴重程度分析[J]. 交通運輸工程與信息學報， 2020，18（1）： 106-110.

SHI X L， LI H， HUANG Z F. Analysis of the severity of right-angle accident injury based on a dual Logit model[J]. Journal of Traffic and Transportation Engineering and Information Technology， 2020， 18（1）： 106-110.

[10] JALAYER M， SHABANPOUR R， POUR-ROUHOLAMIN M， et al. Wrong-way driving crashes： a random-parameters ordered probit analysis of injury severity[J]. Accident Analysis amp; Prevention， 2018（117）： 128-135.

[11] 韓天園， 田順， 呂凱光， 等. 基于文本挖掘的重特大交通事故成因網絡分析[J]. 中國安全科學學報， 2021， 31（9）：150-156.

HAN T Y， TIAN S， LYU K G， et al. Network analysis on causes for serious traffic accidents based on text mining[J]. China Safety Science Journal， 2021， 31（9）： 150-156.

[12] SHUO J， FEI H， SHINING L， et al. Long short-term memory and convolutional neural network for abnormal driving behavior recognition[J]. Intelligent Transport Systems， 2020， 14（5）： 306-312.

[13] 趙建東， 趙志敏， 屈云超， 等. 軌跡數據驅動的車輛換道意圖識別研究[J]. 交通運輸系統工程與信息， 2022， 22（4）： 63-71.

ZHAO J D， ZHAO Z M， QU Y C， et al. Vehicle lane change intention recognition driven by trajectory data[J]. Transportation Systems Engineering and Information， 2022， 22（4）： 63-71.

[14] 馬吉權， 趙淑敏， 孔凡輝. 多尺度條形池化與通道注意力的圖像語義分割[J]. 中國圖象圖形學報， 2022， 27（12）：3530-3541.

MA J Q， ZHAO S M， KONG F H. Semantic image segmentation by using multi-scale strip pooling and channel attention[J]. Chinese Journal of Image and Graphics， 2022， 27（12）： 3530-3541.

[15] XIE G， SHANGGUAN A， FEI R， et al. Unmanned system safety decision-making support： Analysis and assessment of road traffic accidents[J]. IEEE/ASME Transactions on Mechatronics， 2021， 26（2）： 633-644.

通信作者：嚴利鑫（1988—），男，博士，副教授，博士生導師，研究方向為智能網聯汽車關鍵技術，交通安全及事故致因分析。E-mail：yanlixinits@163.com。