基于改进网络核密度和负二项回归的事故黑点鉴别

doi:10.12141/j.issn.1000-565X.220659

华南理工大学学报(自然科学版) ›› 2024, Vol. 52 ›› Issue (1): 119-126.doi: 10.12141/j.issn.1000-565X.220659

基于改进网络核密度和负二项回归的事故黑点鉴别

庄焱¹ 董春娇¹ 米雪玉² 王菁¹ 杨妙言¹

^1.北京交通大学交通运输学院，北京 100044
^2.华北理工大学建筑工程学院，河北唐山 063210

收稿日期:2022-10-10 出版日期:2024-01-25 发布日期:2023-02-16
通信作者: 董春娇（1982-），女，教授，博士生导师，主要从事交通安全、交通出行与规划等研究。 E-mail:cjdong@bjtu.edu.cn
作者简介:庄焱（1992-），女，博士生，主要从事交通安全，交通出行与规划等研究。E-mail:yzhuang1010@bjtu.edu.cn
基金资助:
国家重点研发计划项目(2019YFF0301400);北京交通大学中央高校基本科研业务费专项资金资助项目(2020YJS089)

Identification of Accident Black Spots Based on Improved Network Kernel Density and Negative Binomial Regression

ZHUANG Yan¹ DONG Chunjiao¹ MI Xueyu² WANG Jing¹ YANG Miaoyan¹

^1.School of Traffic and Transportation of Beijing Jiaotong University，Beijing 100044，China
^2.College of Civil and Architectural Engineering，North China University of Science and Technology，Tangshan 063210，Hebei，China

Received:2022-10-10 Online:2024-01-25 Published:2023-02-16
Contact: 董春娇（1982-），女，教授，博士生导师，主要从事交通安全、交通出行与规划等研究。 E-mail:cjdong@bjtu.edu.cn
About author:庄焱（1992-），女，博士生，主要从事交通安全，交通出行与规划等研究。E-mail:yzhuang1010@bjtu.edu.cn
Supported by:
the National Key Research and Development Program of China(2019YFF0301400)

摘要/Abstract

摘要：

已有的交通事故黑点鉴别研究大多基于事故频数或事故率，并未考虑交通事故对不同发生地的影响特征。为了综合考虑交通事故在不同交通环境和路网特征下的差异影响，并解决交通事故数据中零值远超经典离散分布的零膨胀问题，本文提出一种考虑节点综合重要度的改进网络核密度估计法，并基于零膨胀负二项回归模型对城市交通事故黑点进行鉴别。首先，在拓扑路网中综合考虑事故发生地的交通环境和道路条件构建事故综合影响度指标，连同事故严重程度指数嵌入到传统网络核密度估计中，通过在道路网络上生成平滑的密度表面定性体现点事件的空间聚集性。在此基础上，构建基于零膨胀负二项回归鉴别模型，明晰事故高发区域边界范围，定量刻画不同严重等级的事故黑点路段空间分布特征。最后，以深圳市华强北街道为例进行实例分析。结果表明，在90%、80%和70%的阈值水平下本文提出的事故黑点鉴别法的有效搜索率均高于平面核密度估计法，且考虑节点综合影响度后，部分无道路区域不再被误识，模型准确率比传统网络核密度法分别提升了3.60%、5.31%和7.20%。

关键词: 城市交通, 交通事故, 黑点鉴别, 网络核密度估计, 零膨胀负二项回归

Abstract:

The existing research on identifying black spots in traffic accidents is mostly based on accident frequency or accident rate, without considering the impact characteristics of traffic accidents on different locations. In order to comprehensively consider the differential effects of traffic accidents in different traffic environments and road network characteristics and to solve the zero inflation problem of zero values far exceeding the classical discrete distribution in traffic accident data, this paper proposed an improved network kernel density estimation method that considers the comprehensive importance of nodes, and identified urban traffic accident black spots based on the zero inflation negative binomial regression model. Firstly, in the topological road network, a comprehensive impact index of accidents was constructed by comprehensively considering the traffic environment and road conditions at the location of the accident, and the accident severity index was embedded into the traditional network kernel density estimation. By generating a smooth density surface on the road network, the spatial aggregation of point events was qualitatively reflected. On this basis, a discrimination model based on zero-inflated negative binomial regression was constructed to clarify the boundary range of accident-prone areas and quantitatively depict the spatial distribution characteristics of accident black spots at different severity levels. Finally, an example analysis was carried out for Huaqiangbei street in Shenzhen. The results show that the search efficiency indexes of the proposed method are all larger than those of the planar kernel density estimation method at the threshold levels of 70%, 80% and 90%. Furthermore, some non-road areas are no longer mistaken, and the accuracy of the model is 3.60%, 5.31% and 7.20% larger than those of the traditional network kernel density method respectively after considering the comprehensive importance of nodes.

Key words: urban traffic, traffic accident, black spot identification, network kernel density estimation, zero-inflated negative binomial regression

中图分类号:

U491.3

庄焱, 董春娇, 米雪玉, 等. 基于改进网络核密度和负二项回归的事故黑点鉴别[J]. 华南理工大学学报(自然科学版), 2024, 52(1): 119-126.

ZHUANG Yan, DONG Chunjiao, MI Xueyu, et al.. Identification of Accident Black Spots Based on Improved Network Kernel Density and Negative Binomial Regression[J]. Journal of South China University of Technology(Natural Science Edition), 2024, 52(1): 119-126.

图/表 9

图1

图2

表1

图3

图4

图5

图6

表2

图7

参考文献 17

1	公安部道路交通安全研究中心．中国大城市道路交通发展研究报告（2018）［M］．北京：人民交通出版社，2020.
2	林鹏飞，翁剑成，付宇，等．基于刷卡数据的轨道交通加权网络结构特征［J］．吉林大学学报（工学版），2020，50（3）：956-962.
	LIN Peng-fei， WENG Jian-cheng， FU Yu，et al ．Structure characteristics of rail transit weighted network based on smart card data［J］．Journal of Jilin University （Engineering and Technology Edition），2020，50（3）：956-962.
3	ACHU A L， AJU C D， SURESH V，et al ．Spatio-temporal analysis of road accident incidents and delineation of hotspots using geospatial tools in Thrissur District，Kerala，India［J］．KN-Journal of Cartography and Geographic Information，2019，69（4）：255-265.
4	BASSANI M， ROSSETTI L， CATANI L ．Spatial analysis of road crashes involving vulnerable road users in support of road safety management strategies［J］．Transportation Research Procedia，2020，45：394-401.
5	HARIRFOROUSH H， BELLALITE L ．A new integrated GIS-based analysis to detect hotspots：a case study of the city of Sherbrooke［J］．Accident Analysis & Prevention，2019，130：62-74.
6	刘伟，陈科全，田宗忠，等．基于密度熵的道路交通事故影响范围分区模型［J］．交通运输工程学报，2019，19（6）：163-170．
	LIU Wei， CHEN Ke-quan， TIAN Zong-zhong，et al ．Partition model of road traffic accident influence area based on density entropy［J］．Journal of Traffic and Transportation Engineering，2019，19（6）：163-170.
7	RIDOUT M， DEMÉTRIO C G B， HINDE J ．Models for count data with many zeros［C］∥ Proceedings of the XIXth international biometric conference．Cape Town，SA：International Biometric Society Invited Papers，1998，19：179-192.
8	马壮林，张宏璐，杨杨．高速公路追尾碰撞事故起数预测模型研究［J］．中国安全科学学报，2015，25（4）：58-62.
	MA Zhuang-lin， ZHANG Hong-lu， YANG Yang ．Research on rear-end collision frequency prediction on expressway［J］．China Safety Science Journal，2015，25（4）：58-62.
9	WENG J， GE Y E， HAN H ．Evaluation of shipping accident casualties using zero-inflated negative binomial regression technique［J］．The Journal of Navigation，2016，69（2）：433-448.
10	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.
	LONG Xue-qin， ZHOU Meng， ZHAO Huan，et al ．Passengers’hot spots identification of online car-hailing based on network kernel density［J］．Journal of Transportation Systems Engineering and Information Technology，2021，21（3）：86-93.
11	XIE Z， YAN J ．Kernel density estimation of traffic accidents in a network space［J］．Computers，Environment and Urban Systems，2008，32（5）：396-406.
12	OUNI F， BELLOUMI M. Spatio-temporal pattern of vulnerable road user’s collisions hot spots and related risk factors for injury severity in Tunisia［J］．Transportation Research Part F：Traffic Psychology and Behaviour，2018，56：477-495.
13	CHAMLING M， BERA B ．Likelihood of elephant death risk applying kernel density estimation model along the railway track within biodiversity hotspot of Bhutan-Bengal Himalayan Foothill［J］．Modeling Earth Systems and Environment，2020，6（4）：2565-2580.
14	陈英，袁华智，黄中祥，等．零截尾负二项模型在交叉口事故预测中的应用［J］．中国公路学报，2020，33（4）：146-154．
	CHEN Ying， YUAN Hua-zhi， HUANG Zhong-xiang，et al ．Modeling intersection traffic crashes using a zero-truncated negative binomial model［J］．China Journal of Highway and Transport，2020，33（4）：146-154.
15	张大明，符茂胜，郭慧，等．基于惩罚距离的混合模型分量数自动估计算法［J］．华南理工大学学报（自然科学版），2009，37（10）：101-107．
	ZHANG Da-ming， FU Mao-sheng， GUO Hui，et al ．Automatic estimation algorithm mixture model based on of component number of penalized distance［J］．Journal of South China University of Technology （Natural Science Edition），2009，37（10）：101-107.
16	刘尧．交通事故的时空热点分析鉴别以及致因因素探究［D］．杭州：浙江大学，2019.
17	陈金林．基于网络核密度估计城市路网事故黑点鉴别研究［D］．南京：东南大学，2015.

影响指标			分类描述及对应离散化取值
道路条件	节点	节点交叉口类型	三路交叉口（1）四路交叉口（2）环形交叉口（3）
	节点相连道路	路面状况	水泥（1）水泥+沥青（2）沥青（3）
		节点相连道路等级	支路（3）次干路（5）主干路（8）
		节点相连道路限速	0~20 km/h（1） 20~30 km/h（2） 30~40 km/h（3）
环境条件	交通环境	交通拥堵程度	0~2（1） 2~4（2） 4~6（3）

累计概率/%	有效搜索指数/%
	平面核密度估计		网络核密度估计
	未考虑节点综合影响度	考虑节点综合影响度	未考虑节点综合影响度	考虑节点综合影响度
90	38.624	39.526（+2.34）	38.143	39.515（+3.60）
80	37.061	38.932（+5.05）	37.997	40.013（+5.31）
70	36.321	38.945（+7.22）	36.513	39.142（+7.20）

[1]	杨亚璪, 翁唐政. 时空约束对运动出行的影响[J]. 华南理工大学学报(自然科学版), 2024, 52(2): 113-123.
[2]	赵小梅, 郝郭宇, 牛晓婧, 等. 不同降雨量下基于宏观基本图的边界控制策略[J]. 华南理工大学学报(自然科学版), 2024, 52(1): 72-82.
[3]	陈小鸿, 田田甜, 张华. 城市居民活动韧性——新冠肺炎疫情期间轨道客流恢复的实证[J]. 华南理工大学学报(自然科学版), 2023, 51(7): 109-119.
[4]	胡兴华, 陈兴辉, 汪然, 等. 随机特性下考虑碳排放的公交优先控制优化模型[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 160-170.
[5]	许伦辉, 余佳芯, 裴明阳, 等. 基于几何路网结构和强化学习的车辆重定位策略[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 99-109.
[6]	沈羽桐, 李明, 崔志勇, 等. 混合服务模式车辆资源多时段分配方法研究[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 89-98.
[7]	王昊, 谢凝. 考虑有轨电车效率的干线分段绿波协调优化模型[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 95-105.
[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]	赵建东, 朱丹, 刘佳欣. 基于时间序列分解与门控循环单元的地铁换乘客流预测 [J]. 华南理工大学学报(自然科学版), 2022, 50(5): 22-31.
[10]	吴娇蓉谢金宏王宇沁. 公交线路运行不稳定性画像方法及其应用[J]. 华南理工大学学报(自然科学版), 2022, 50(2): 15-22.
[11]	陈小红, 胡芳. 基于可能度的交叉口信号控制区间优化模型[J]. 华南理工大学学报(自然科学版), 2022, 50(10): 29-40.
[12]	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.
[13]	陈吉清, 舒孝雄, 兰凤崇, 等. 典型危险事故特征的自动驾驶测试场景构建[J]. 华南理工大学学报（自然科学版）, 2021, 49(5): 1-8.
[14]	俞礼军. 具有路段容量限制的广义系统最优交通分配[J]. 华南理工大学学报(自然科学版), 2021, 49(4): 140-148.
[15]	姚恩建卢沐阳刘宇环元凌. 考虑充电约束的电动公交区域行车计划编制[J]. 华南理工大学学报(自然科学版), 2019, 47(9): 68-73.

基于改进网络核密度和负二项回归的事故黑点鉴别

Identification of Accident Black Spots Based on Improved Network Kernel Density and Negative Binomial Regression

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 17

相关文章 15

编辑推荐

Metrics

本文评价