基于驾驶行为和交通运行状态的事故风险研究

doi:10.12141/j.issn.1000-565X.210629

华南理工大学学报(自然科学版) ›› 2022, Vol. 50 ›› Issue (9): 29-38.doi: 10.12141/j.issn.1000-565X.210629

所属专题： 2022年交通运输工程

基于驾驶行为和交通运行状态的事故风险研究

郭淼^1,² 赵晓华^1,² 姚莹^1,² 吴大勇³ 苏岳龙⁴ 毕超凡⁴

^1.北京工业大学北京市交通工程重点实验室, 北京 10024
^2.北京工业大学城市建设学部, 北京 100124
^3.招商新智科技有限公司北京 100070
^4.高德软件有限公司高德未来交通研究中心, 北京 100102

收稿日期:2021-09-28 出版日期:2022-09-25 发布日期:2022-05-06
通信作者: 姚莹（1991-），女，博士后，主要从事交通安全与交通行为研究。 E-mail:yaoying@bjut.edu.cn
作者简介:郭淼（1993-），男，博士生，主要从事交通安全研究。E-mail:guomiao@emails.bjut.edu.cn
基金资助:
国家自然科学基金资助项目(61672067)

Study on Accident Risk Based on Driving Behavior and Traffic Operating Status

GUO Miao^1,² ZHAO Xiaohua^1,² YAO Ying^1,² WU Dayong³ SU Yuelong⁴ BI Chaofan⁴

^1.Beijing Key Laboratory of Traffic Engineering，Beijing University of Technology，Beijing 100124，China
^2.Faculty of Architecture，Civil and Transportation Engineering，Beijing University of Technology，Beijing 100124，China
^3.China Merchants New Intelligence Technology Co. Ltd. ，Beijing 100070，China
^4.Future Transportation Research Center of Amap，AutoNavi Software Co. Ltd. ，Beijing 100102，China

Received:2021-09-28 Online:2022-09-25 Published:2022-05-06
Contact: 姚莹（1991-），女，博士后，主要从事交通安全与交通行为研究。 E-mail:yaoying@bjut.edu.cn
About author:郭淼（1993-），男，博士生，主要从事交通安全研究。E-mail:guomiao@emails.bjut.edu.cn
Supported by:
the National Natural Science Foundation of China(61672067)

摘要/Abstract

摘要：

准确识别交通事故风险和及时掌握交通事故风险的变化对于交通事故的主动防控和减少交通事故的发生具有重要意义。现有的交通事故风险识别研究大多基于交通流、交通冲突等实时、动态参数，同时受以往数据采集技术的制约，风险驾驶行为在交通事故风险识别研究中的应用受到限制。为了更加准确的识别道路交通事故风险，本研究引入风险驾驶行为和交通流等大数据，提取急加速、急减速、急转弯、急并道以及交通流量、平均速度、拥堵指数等变量，结合事故数据构建交通事故风险识别模型。基于逻辑回归算法计算交通事故发生概率，对交通事故识别模型进行评价，一方面量化风险驾驶行为在交通事故风险识别中的贡献，另一方面分析事故发生前后，交通事故发生概率的变化趋势。研究结果表明，同时考虑交通运行状态和风险驾驶行为的交通事故风险识别模型的敏感度和AUC值分别提高5.00%和0.03，误报率和漏报率分别降低1.78%和5.00%，模型的拟合效果更好。此外，在交通事故发生前后，交通事故风险概率呈现明显上升趋势，是交通事故防控的重点时段，应在相应的路段及时采取防控措施降低交通事故风险的概率，避免发生交通事故。本研究可为交通事故的预防预警以及主动防控提供直观的依据。

关键词: 高速公路, 交通安全, 事故风险识别, 驾驶行为, 交通运行状态

Abstract:

Accurate identification of traffic accident risk and timely mastering the change of traffic crash risk are of great significance for proactive prevention and reduction of traffic accident. Most of the existing traffic crash identification studies are based on real-time and dynamic parameters such as traffic flow and traffic conflict. The application of risky driving behavior in traffic accident risk detection is limited by the constraints of previous data acquisition technologies. To more accurately identify the risk of road traffic crashes, this study introduced risky driving behavior and traffic operating status and other big data, and extracted sharp acceleration, deceleration, turns, merge into other lane, traffic volume, average speed, and congestion index as variables. And traffic accident identification models were constructed based on accident data. The traffic accident identification model was evaluated based on the logistic regression algorithm. On the one hand, the contribution of risky driving behavior in traffic accident identification was quantified; on the other hand, the trend of traffic accident occurrence probability before and after the accident was analyzed. The results show that the sensitivity and AUC values of the traffic accident identification model considering both traffic operation state and risky driving behavior are increased by 5.00% and 0.03, respectively. The false alarm rate and missing report rate are decreased by 1.78% and 5.00%, respectively, which shows better fitting effect of the model. In addition, before and after the occurrence of traffic accidents, the risk probability of traffic crashes shows an obvious trend of rise, which is the key period of traffic accident prevention and control. The measures should be taken in corresponding sections in time to curb the rising trend of traffic crash risk and avoid the occurrence of traffic crashes. This study can provide intuitive basis for traffic accident prevention, and active prevention and control.

Key words: freeway, traffic safety, accident risk detection, driving behavior, traffic operating state

中图分类号:

U491

郭淼, 赵晓华, 姚莹, 等. 基于驾驶行为和交通运行状态的事故风险研究[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 29-38.

GUO Miao, ZHAO Xiaohua, YAO Ying, et al. Study on Accident Risk Based on Driving Behavior and Traffic Operating Status[J]. Journal of South China University of Technology(Natural Science Edition), 2022, 50(9): 29-38.

图/表 14

表1

表2

表3

图1

图2

图3

图4

表4

表5

图5

表6

图6

表7

图7

参考文献 24

1	赵琳娜．城市道路交通事故特点及解决对策［J］．汽车与安全，2018（5）：68-70.
	ZHAO Lin-na ．Characteristics and countermeasures of urban road traffic crashes［J］．Auto & Safety，2018（5）：68-70.
2	WU K F， AGUERO-VALVERDE J， JOVANIS P P ．Using naturalistic driving data to explore the association between traffic safety-related events and crash risk at driver level［J］．Accident Analysis & Prevention，2014，72：210-218.
3	HUGHES R， COUNCIL F，On establishing relationship（s） between freeway safety and peak period operations：performance measurement and methodological considerations［C］//78th Annual Meeting of Transportation Research Board．Washington：［s.n.］，1999.
4	ABDEL-ATY M， UDDIN N， PANDE A，et al ．Predicting freeway crashes from loop detector data by matched case-control logistic regression［J］．Transportation Research Record Journal of the Transportation Research Board，2004，1897：88-95.
5	PANDE A， ABDEL-ATY M ．Assessment of freeway traffic parameters leading to lane-change related collisions［J］．Accident Analysis & Prevention，2006，38（5）：936-948.
6	徐铖铖，刘攀，王炜，等．基于判别分析的高速公路交通安全实时评价指标［J］．东南大学学报（自然科学版），2012，42（3）：555-559.
	XU Cheng-cheng， LIU Pan， WANG Wei，et al ．Discriminant analysis based method to develop real-time crash indicator for evaluating freeway safety［J］．Journal of Southeast University （Natural Science Edition），2012，42（3）：555-559.
7	SHI Q， ABDEL-ATY M ．Big data applications in real-time traffic operation and safety monitoring and improvement on urban expressways［J］．Transportation Research Part C：Emerging Technologies，2015，58：380-394.
8	朱顺应，蒋若曦，王红，等．机动车交通冲突技术研究综述［J］．中国公路学报，2020，33（2）：15-33.
	ZHU Shun-ying， JIANG Ruo-xi， WANG Hong，et al ．Review of research on traffic conflict techniques［J］．China Journal of Highway and Transport，2020，33（2）：15-33.
9	江周，张存保，夏银霞．基于交通冲突的高速公路实时安全状态评价研究［J］．中国安全科学学报，2014，24（9）：95-101.
	JIANG Zhou， ZHANG Cun-bao， XIA Yin-xia ．research on real-time traffic safety state evaluation of freeway based on number of traffic conflicts［J］．China Safety Science Journal，2014，24（9）：95-101.
10	JIANG R， ZHU S， WANG P，et al ．Insearch of the consequence severity of traffic conflict［J］．Journal of Advanced Transportation，2020，2020（1186）：1-15.
11	GUO Y， SAYED T， ESSA M ．Real-time conflict-based bayesian tobit models for safety evaluation of signalized intersections［J］．Accident Analysis & Prevention，2020，144：105660.
12	张鑫，张卫华，冯忠祥，等．基于交通冲突技术的城市快速路合流区交通安全评价［J］．安全与环境工程，2020，27（4）：174-179.
	ZHANG Xin， ZHANG Wei-hua， FENG Zhong-xiang，et al ．Traffic safety evaluation of expressway confluence area based on traffic conflict technology［J］．Safety and Environmental Engineering，2020，27（4）：174-179.
13	孙璐，李颜平，钱军，等．基于交通冲突技术的交织区交通安全评价［J］．中国安全科学学报，2013，23（1）：55-60.
	SUN Lu， LI Yan-ping， QIAN Jun，et al ．Evaluation of weaving sections with respect to traffic safety based on traffic conflict technique［J］．China Safety Science Journal，2013，23（1）：55-60.
14	朱顺应，邹禾，蒋若曦，等．高速公路施工区合流路段交通冲突模型［J］．哈尔滨工业大学学报，2020，52（9）：70-76.
	ZHU Shun-ying， ZOU He， JIANG Ruo-xi，et al ．Traffic conflict model for confluence section in highway construction area［J］．Journal of Harbin Institute of Technology，2020，52（9）：70-76.
15	楚文慧，吴超仲，张晖，等．驾驶行为安全性评价研究综述［J］．公路交通科技，2017，34（S2）：8-15.
	CHU Wen-hui， WU Chao-zhong， ZHANG Hui，et al ．A review of safety evaluation of driving behaviors［J］．Journal of Highway and Transportation Research and Development，2017，34（S2）：8-15.
16	BAGDADI O ．Assessing safety critical braking events in naturalistic driving studies［J］．Transportation Research Part F：Traffic Psychology and Behaviour，2013，16：117-126.
17	TOLEDO T， LOTAN T ．Invehicle data recorder for evaluation of driving behavior and safety［J］．Transportation Research Record：Journal of the Transportation Research Board，2006，1953：112-119.
18	WANG Jian-qiang， ZHENG Yang， LI Xiao-fei，et al ．Driving risk assessment using near-crash database through data mining of tree-based model［J］．Accident； analysis and prevention，2015，84：54-64.
19	王雪松，徐晓妍．基于自然驾驶数据的危险事件识别方法［J］．同济大学学报（自然科学版），2020，48（1）：51-59.
	WANG Xue-song， XU Xiao-yan ．Detection of safety-critical events based on naturalistic driving data［J］．Journal of Tongji University（Natural Science），2020，48（1）：51-59.
20	Mobile Quest ．China mobile internet annual report in 2017［EB/OL］．［2019-04-02］．.
21	Federal Highway Administration ．Travel time reliability-making it there on time，all the time ［EB/OL］．［2006-01-21］．.
22	YUAN J， ABDEL-ATY M， GONG Y，et al ．Real-time crash risk prediction using long short-term memory recurrent neural network［J］．Transp Res Rec，2019，2673：314-326.
23	CAI Q， ABDEL-ATY M， YUAN J，et al ．Real-time crash prediction on expressways using deep generative models［J］．Transp Res Part C Emerg Technol，2020，117：102697.
24	BASSO F， BASSO L J， BRAVO F，et al ．Real-time crash prediction in an urban expressway using disaggregated data［J］．Transp Res Part C Emerg Technol，2018，86：202-219.

数据类别	主要字段	时间精度	空间精度
风险驾驶行为数据	急加速	1 s	经纬度
	急减速
	急左转
	急右转
	急左并道
	急右并道
交通流数据	平均速度	10 min	路段
	拥堵指数	10 min
	交通流量	5 min
交通事故数据	发生与否	1 min	路段

变量	急加速频率/（次·车^-1·（10 min）^-1）	急减速频率/（次·车^-1·（10 min）^-1）	急左转频率/（次·车^-1·（10 min）^-1）	急右转频率/（次·车^-1·（10 min）^-1）	急左并道频率/（次·车^-1·（10 min）^-1）	急右并道频率/（次·车^-1·（10 min）^-1）	流量/（辆·（10 min）^-1）	平均速度/（km·h^-1）	拥堵指数
平均值	0.002 2	0.002 0	0.000 1	0.000 1	<0.000 1	<0.000 1	175.413 6	77.440 8	1.080 9
标准差	0.011 4	0.001 0	0.002 5	0.002 9	0.001 7	0.001 7	118.168 0	9.628 3	0.441 9
最小值	0.000 0	0.000 0	0.000 0	0.000 0	0.000 0	0.000 0	1.000 0	2.304 0	0.760 0
最大值	2.000 0	1.000 0	0.260 9	0.666 7	0.222 2	0.333 3	1 009.000 0	112.644 0	33.850 0

变量类型	自变量	事故数相关系数r^1）/显著性（双侧）
风险驾驶行为	急减速	0.611** / 0.000
	急加速	0.623** / 0.000
	急左转	0.542** / 0.000
	急右转	0.614** / 0.000
	急左并道	0.403** / 0.000
	急右并道	0.495** / 0.000
交通运行状态	交通流量	0.468** / 0.000
	平均速度	0.314** / 0.014
	拥堵指数	0.295* / 0.020

数据类型	原始数据集	测试集	原始训练集	平衡训练集
事故数	200	60	140	199 677
非事故数	285 254	85 577	199 677	199 677
总数	285 454	85 637	199 817	399 354

训练集	变量	急加速频率/（次·车^-1·（10 min）^-1）	急减速频率/（次·车^-1·（10 min）^-1）	急左转频率/（次·车^-1·（10 min）^-1）	急右转频率/（次·车^-1·（10 min）^-1）	急左并道频率/（次·车^-1·（10 min）^-1）	急右并道频率/（次·车^-1·（10 min）^-1）	流量/（辆·（10 min）^-1）	平均速度/（km·h^-1）	拥堵指数
原始训练集	平均值	0.002 2	0.002 1	0.000 1	0.000 1	<0.000 1	<0.000 1	175.402 6	77.450 4	1.081 1
	标准差	0.010 4	0.009 8	0.002 6	0.003 0	0.001 8	0.001 7	118.168 7	9.624 1	0.450 4
	最小值	0.000 0	0.000 0	0.000 0	0.000 0	0.000 0	0.000 0	1.000 0	2.376 0	0.760 0
	最大值	1.000 0	1.000 0	0.260 9	0.666 7	0.222 2	0.333 3	1 009.000 0	112.644	33.640 0
平衡训练集	平均值	0.005 0	0.010 8	0.000 3	0.000 1	0.000 2	<0.000 1	229.770 7	64.496 4	1.518 0
	标准差	0.014 5	0.022 5	0.002 6	0.002 3	0.002 1	0.001 2	112.575 3	21.260 1	1.062 0
	最小值	0.000 0	0.000 0	0.000 0	0.000 0	0.000 0	0.000 0	1.000 0	2.376 0	0.760 0
	最大值	1.000 0	1.000 0	0.260 9	0.666 7	0.222 2	0.333 3	1 009.000 0	112.644 0	33.640 0

基于驾驶行为和交通运行状态的事故风险研究

Study on Accident Risk Based on Driving Behavior and Traffic Operating Status

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价

模型包含的变量	敏感度/%	误报率/%	漏报率/%	AUC
交通运行状态变量	81.67	16.40	18.33	0.89
交通运行状态变量和风险驾驶行为变量	86.67	14.62	13.33	0.92

日期	时间	风险概率
2019-05-02	8：40	0.574
	13：50	0.692
	15：20	0.673
	18：20	0.433
2019-05-03	10：30	0.889
	10：40	0.678
	14：00	0.673
	14：40	0.620

[1]	黄炎, 符锌砂, 曾彦杰, 等. 基于激光雷达里程计的高速公路三维建模方法[J]. 华南理工大学学报(自然科学版), 2023, 51(7): 129-138.
[2]	林培群, 张扬, 罗芷晴, 等. 融合多源数据的高速公路路段车流碳排放精细测算方法[J]. 华南理工大学学报(自然科学版), 2023, 51(7): 100-108.
[3]	林培群, 龚敏平, 周楚昊. 面向运输风险识别的高速公路货车用户画像方法[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 1-9.
[4]	赵晓华, 董文慧, 李佳, 等. 基于驾驶行为的隧道交通标志影响特征及作用机理[J]. 华南理工大学学报(自然科学版), 2023, 51(4): 88-100.
[5]	周楚昊, 林培群, 闫明月. 基于自监督学习的交通数据补全算法[J]. 华南理工大学学报(自然科学版), 2023, 51(4): 101-114.
[6]	吴娇蓉, 黄正文, 邓泳淇. 都市圈分层空间结构的交通网络密度发展规律[J]. 华南理工大学学报(自然科学版), 2023, 51(2): 111-121.
[7]	胡郁葱, 韦湖, 曾强. 基于空间广义有序Probit模型的高速公路事故严重程度分析[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 114-122.
[8]	杨洋, 胡嫣然, 袁振洲, 等. 高速公路交通事故时空影响动态效应的传播分析[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 123-133.
[9]	吴艳霞, 周彤, 黄帅, 等. 基于驾驶员注意力分布模型的路侧环境安全性研究[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 49-57.
[10]	林旭坤, 张扬, 罗芷晴, 等. 高速公路网车辆碳排放测算方法研究[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 22-28.
[11]	赵晓华, 朱红臻, 边扬, 等. 基于扩展TPB模型的老年驾驶人自我调节行为研究[J]. 华南理工大学学报(自然科学版), 2022, 50(3): 28-37.
[12]	何永明, 冯佳, 权聪, 等. 基于联合仿真的超高速公路车辆制动避撞系统[J]. 华南理工大学学报(自然科学版), 2022, 50(10): 19-28.
[13]	黄玲, 黄子虚, 吴泽荣, 等. 不同行为模型框架下的数据驱动类人驾驶模型比较[J]. 华南理工大学学报(自然科学版), 2022, 50(10): 1-10.
[14]	漆巍巍, 马思维, 周南杰. 高速公路分合流区车流元胞模型的构建及应用[J]. 华南理工大学学报(自然科学版), 2022, 50(10): 11-18.
[15]	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.