电动汽车与行人/非机动车碰撞事故多发点段鉴别

doi:10.12141/j.issn.1000-565X.240592

华南理工大学学报(自然科学版) ›› 2025, Vol. 53 ›› Issue (11): 112-121.doi: 10.12141/j.issn.1000-565X.240592

电动汽车与行人/非机动车碰撞事故多发点段鉴别

杨妙言¹, 董春娇¹, 熊志华¹, 庄焱², 许博¹

^1.北京交通大学交通运输学院，北京 100044
^2.中国电子信息产业发展研究院，北京 100846

收稿日期:2024-12-20 出版日期:2025-11-25 发布日期:2025-06-18
通信作者: 熊志华（1979—），女，博士，副教授，主要从事交通安全可靠性、交通规划研究。 E-mail:zhhxiong@bjtu.edu.cn
作者简介:杨妙言（2002—），女，博士生，主要从事交通安全、交通出行与规划研究。E-mail： 24110253@bjtu.edu.cn
基金资助:
国家自然科学基金项目(72371017)

Hotspot Segments Identification of Collisions Between Electric Vehicles and Pedestrians/Non-Motor Vehicles

YANG Miaoyan¹, DONG Chunjiao¹, XIONG Zhihua¹, ZHUANG Yan², XU Bo¹

^1.School of Traffic and Transportation，Beijing Jiaotong University，Beijing 100044，China
^2.China Center for Information Industry Development，Beijing 100846，China

Received:2024-12-20 Online:2025-11-25 Published:2025-06-18
Contact: 熊志华（1979—），女，博士，副教授，主要从事交通安全可靠性、交通规划研究。 E-mail:zhhxiong@bjtu.edu.cn
About author:杨妙言（2002—），女，博士生，主要从事交通安全、交通出行与规划研究。E-mail： 24110253@bjtu.edu.cn
Supported by:
the National Natural Science Foundation of China(72371017)

摘要/Abstract

摘要：

为了深入探究电动汽车与道路弱势群体碰撞事故的时空分布特征，提出一种电动汽车与行人/非机动车碰撞事故的时空多发点段鉴别方法。首先，基于电动汽车与行人/非机动车碰撞事故数据，采用层次分析法确定事故影响因素的权重，通过赋权网络核密度估计方法揭示交通事故的空间聚集性。在此基础上，采用密度峰值聚类（DPC）算法作为事故空间聚类模型，并引入带时间维度特征的时空DBSCAN（ST-DBSCAN）算法构建事故时空多发点段鉴别模型，精准刻画电动汽车与行人/非机动车碰撞事故的时空多发位置。最后，以某市连续11个月的电动汽车事故为例进行实证研究。结果表明：电动汽车与行人/非机动车碰撞事故在时间上具有3个高峰，异于传统交通事故的双峰特征，在空间则呈局部集中特征；对于空间多发点段的鉴别，相比DBSCAN、OPTICS和Mean Shift算法的最优值，DPC算法的轮廓系数、Davies-Bouldin指数（DBI）和Calinski-Harabasz指数（CHI）分别具有42.9%、74.5%和11.1%的优势；对于时空多发点段的鉴别，在DBI相近的条件下，ST-DBSCAN算法的轮廓系数和CHI分别比ST-OPTICS、ST-DPC和ST-Mean Shift算法的最优值高2.25倍和57.3%。

关键词: 电动汽车, 行人/非机动车碰撞, 时空分布特征, 事故多发点段鉴别, 聚类算法

Abstract:

To explore in-depth the spatiotemporal distribution characteristics of collisions between electric vehicles and vulnerable road users, this paper proposes a method for identifying spatiotemporal hotspot segments of collisions between electric vehicles and pedestrians/non-motor vehicles. First, based on the collision data involving electric vehicles and pedestrians/non-motor vehicles, the analytic hierarchy process is employed to determine the weights of the influencing factors, and a weighted network kernel density estimation method is employed to reveal the spatial clustering of traffic accidents. On this basis, the density peaks clustering (DPC) algorithm is utilized as a spatial clustering model for accidents, and a spatiotemporal-DBSCAN (ST-DBSCAN) model is constructed to incorporate the temporal dimension, thereby accurately characterizing the spatiotemporal distribution characteristics of collision accidents between electric vehicles and pedestrians/non-motor vehicles. Finally, an empirical study is conducted using the electric vehicle accident data from a city over 11 consecutive months. The results indicate that the collisions between electric vehicles and pedestrians/non-motor vehicles exhibit 3 temporal peaks, differing from the traditional bimodal characteristic observed in traffic accidents, while spatially demonstrating localized clustering characteristics. For identifying spatial hotspot segments, as compared with the optimal values of DBSCAN, OPTICS and Mean Shift algorithms, DPC algorithm shows improvements of 42.9%, 74.5% and 11.1% in terms of silhouette coefficient, Davies-Bouldin index (DBI) and Calinski-Harabasz Index (CHI), respectively. For identifying spatiotemporal hotspot segments, under similar DBI conditions, ST-DBSCAN algorithm achieves silhouette coefficient and CHI values that are 2.25 times and 57.3% higher, respectively, than the optimal values of ST-OPTICS, ST-DPC and ST-Mean Shift algorithms.

Key words: electric vehicle, pedestrian/non-motor vehicle collision, spatio-temporal distribution characteristic, accident hotspot segment identification, clustering algorithm

中图分类号:

U491.3

杨妙言, 董春娇, 熊志华, 庄焱, 许博. 电动汽车与行人/非机动车碰撞事故多发点段鉴别[J]. 华南理工大学学报(自然科学版), 2025, 53(11): 112-121.

YANG Miaoyan, DONG Chunjiao, XIONG Zhihua, ZHUANG Yan, XU Bo. Hotspot Segments Identification of Collisions Between Electric Vehicles and Pedestrians/Non-Motor Vehicles[J]. Journal of South China University of Technology(Natural Science Edition), 2025, 53(11): 112-121.

图/表 10

图1

表1

图2

图3

表2

图4

图5

表3

图6

图7

参考文献 21

[1]	陆化普，罗圣西，李瑞敏．基于GIS分析的深圳市道路交通事故空间分布特征研究［J］．中国公路学报，2019，32（8）：156-164．
	LU Hua-pu， LUO Sheng-xi， LI Rui-min ．GIS-based spatial patterns analysis of urban road traffic crashes in Shenzhen［J］．China Journal of Highway and Transport，2019，32（8）：156-164．
[2]	CUI H， DONG J， ZHU M，et al ．Identifying accident black spots based on the accident spacing distribution［J］．Journal of Traffic and Transportation Engineering （English Edition），2022，9（6）：1017-1026．
[3]	刘尧，王颖志，王立君，等．交通事故的时空热点分析［J］．浙江大学学报（理学版），2020，47（1）：52-59．
	LIU Yao， WANG Yingzhi， WANG Lijun，et al ．Spatial-temporal hotspots analysis on traffic accidents［J］．Journal of Zhejiang University （Science Edition），2020，47（1）：52-59．
[4]	吴佩洁，孟祥海，曹梦迪．城市交通事故多发点鉴别与时空模式挖掘［J］．中国安全科学学报，2020，30（11）：127-133．
	WU Peijie， MENG Xianghai， CAO Mengdi ．Identification of black spots in urban roads and spatiotemporal patterns mining［J］．China Safety Science Journal，2020，30（11）：127-133．
[5]	LI Y， ABDEL A M， YUAN J，et al ．Analyzing traffic violation behavior at urban intersections：a spatio-temporal kernel density estimation approach using automated enforcement system data［J］．Accident Analysis & Prevention，2020，141：105509/1-11．
[6]	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．
[7]	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．
[8]	DEBRABANT B， HALEKOH U， BONAT W H，et al ．Identifying traffic accident black spots with Poisson-Tweedie models［J］．Accident Analysis & Prevention，2018，111：147-154．
[9]	郭璘，周继彪，董升，等．基于改进K-means算法的城市道路交通事故分析［J］．中国公路学报，2018，31（4）：270-279．
	GUO Lin， ZHOU Jibiao， DONG Sheng，et al ．Analysis of urban road traffic accidents based on improved K-means algorithm［J］．China Journal of Highway and Transport，2018，31（4）：270-279．
[10]	FAN Z， LIU C， CAI D，et al ．Research on black spot identification of safety in urban traffic accidents based on machine learning method［J］．Safety Science，2019，118：607-616．
[11]	GREGORIADES A， MOUSKOS K C ．Black spots identification through a Bayesian Networks quantification of accident risk index［J］．Transportation Research Part C：Emerging Technologies，2013，28：28-43．
[12]	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．
	YANG Yang， HU Yanran， YUAN Zhenzhou，et al ．Analysis on propagation of spatio-temporal dynamic effects towards freeway traffic crash［J］．Journal of South China University of Technology （Natural Science Edition），2023，51（1）：123-133．
[13]	DERELI M A， ERDOGAN S ．A new model for determining the traffic accident black spots using GIS-aided spatial statistical methods［J］．Transportation Research Part A：Policy and Practice，2017，103：106-117．
[14]	王颖志，王立君．基于网络时空核密度的交通事故多发点鉴别方法［J］．地理科学，2019，39（8）：1238-1245．
	WANG Yingzhi， WANG Lijun ．An identification me-thod of traffic accident black point based on street-network spatial-temporal kernel density estimation［J］．Scientia Geographica Sinica，2019，39（8）：1238-1245．
[15]	张道文，董鑫驰，雷毅，等．新能源汽车与行人交通事故严重程度分析［J］．安全与环境学报，2024，24（3）：1061-1069．
	ZHANG Daowen， DONG Xinchi， LEI Yi，et al ．Analysis of the severity of traffic accidents between new energy vehicles and pedestrians［J］．Journal of Safety and Environment，2024，24（3）：1061-1069．
[16]	SCHUBERT A， BABISCH S， SCANLON J M，et al ．Passenger and heavy vehicle collisions with pedes-trians：assessment of injury mechanisms and risk［J］．Accident Analysis & Prevention，2023，190：107139．
[17]	《中国公路学报》编辑部．中国汽车工程学术研究综述·2023［J］．中国公路学报，2023，36（11）：1-192．
	Editorial Department of China Journal of Highway and Transport ．Review on China’s Automotive Engineering Research Progress： 2023［J］．China Journal of Highway and Transport，2023，36（11）：1-192．
[18]	刘永涛，张慧臣，袁诗泉，等．基于FP-growth的老年行人交通事故损伤致因研究［J］．中国安全生产科学技术，2024，20（6）：176-182．
	LIU Yongtao， ZHANG Huichen， YUAN Shiquan，et al ．Research on traffic accident injury causation of elderly pedestrian based on FP-growth［J］．Journal of Safety Science and Technology，2024，20（6）：176-182．
[19]	RODRIGUEZ A， LAIO A ．Clustering by fast search and find of density peaks［J］．Science，2014，344（6191）：1492-1496．
[20]	ESTER M， KRIEGEL H P， SANDER J，et al ．A density-based algorithm for discovering clusters in large spatial databases with noise［C］∥ Proceedings of the National Conferences on Aritificial Intelligence， KDD-96 Proceedings． Portland：Association for the Advan-cement of Artificial Intelligence，1996：226-231．
[21]	BIRANT D，KUT A ．ST-DBSCAN： an algorithm for clustering spatial-temporal data［J］．Data & Knowle-dge Engineering，2007，60（1）：208-221．

影响指标		分类描述及对应取值^1）
道路设施因素	信号灯密度	实际值
	中央隔离设施	有硬隔离（1）
	中央隔离设施	无硬隔离（0）
	非机动车道	有（1）
	非机动车道	无（0）
	双向车道数	实际值
	道路类型R	公路（1）
		城市道路（2）
		其他道路（3）
事故参与者因素	事故参与者年龄A	25岁以下（1）
		25~45岁（2）
		45岁以上（3）
环境因素	天气W	晴（1）
环境因素	天气W	非晴（2）
经济因素	GDP	实际值
	参加失业保险人数	实际值
	60岁及以上占人口比例	实际值
事故后果	事故严重程度S	财产损失（1）
		受伤（4）
		死亡（6）

算法	轮廓系数	DBI	CHI
DBSCAN	0.41	2.16	184.38
OPTICS	0.17	5.51	32.14
Mean Shift	0.42	1.06	144.26
DPC	0.60	0.27	204.77

算法	轮廓系数	DBI	CHI
ST-DBSCAN	0.52	1.47	245.79
ST-OPTICS	0.14	1.57	15.61
ST-DPC	0.13	1.36	70.63
ST-Mean Shift	0.16	1.17	156.28

电动汽车与行人/非机动车碰撞事故多发点段鉴别

Hotspot Segments Identification of Collisions Between Electric Vehicles and Pedestrians/Non-Motor Vehicles

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 21

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王庆荣, 高桓伊, 朱昌锋, 何润田, 慕壮壮. 基于动态自适应门控图卷积网络的交通拥堵预测[J]. 华南理工大学学报(自然科学版), 2025, 53(9): 31-47.
[2]	谢坤, 邢馨元, 董宏辉, 董春娇, 陈元朵. 轨迹数据驱动的职住地识别及出行活动特征分类方法[J]. 华南理工大学学报(自然科学版), 2025, 53(6): 131-139.
[3]	毕军, 王嘉宁, 王永兴. 基于LSTM-FC模型的充电站短期运行状态预测[J]. 华南理工大学学报(自然科学版), 2025, 53(2): 58-67.
[4]	上官文斌, 岳炼, 吕辉, 等. 基于载荷谱的电池包疲劳试验与计算方法[J]. 华南理工大学学报(自然科学版), 2024, 52(3): 50-56.
[5]	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.
[6]	董萍, 韦述阳, 刘明波. 多网络协作下电动汽车参与电力市场的调度策略[J]. 华南理工大学学报(自然科学版), 2023, 51(12): 83-94.
[7]	裴明阳, 朱宏昱. 电动汽车动态无线充电路段优化建模方法[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 135-151.
[8]	罗玉涛, 吴志强. 基于DAEKF算法的锂离子电池主要状态在线联合估计[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 84-94.
[9]	刘小兰, 石宗宇, 叶泽慧, 等. 基于锚点图的低秩缺失多视图子空间聚类[J]. 华南理工大学学报(自然科学版), 2022, 50(12): 60-70.
[10]	刘汉武, 雷雨龙, 付尧, 等. 基于多目标优化的增程式电动汽车自适应制动回馈控制策略[J]. 华南理工大学学报（自然科学版）, 2021, 49(7): 42-50,65.
[11]	上官文斌, 方致远, 李利平, 等. 动力总成-副车架悬置系统的刚体模态和位移控制计算方法[J]. 华南理工大学学报(自然科学版), 2021, 49(3): 1-7.
[12]	郭烈, 葛平淑, 许林娜, 等. 转向工况下的分布式电动汽车稳定性控制[J]. 华南理工大学学报（自然科学版）, 2020, 48(3): 100-107.
[13]	杨金明孙杰杉刘润鹏. 电动汽车无线充电系统原边和副边整流桥的无源控制[J]. 华南理工大学学报(自然科学版), 2020, 48(10): 11-18,47.
[14]	郑思凡, 王卫星, 何占华, 等. 双粒度光流流形学习的刮刷总成摆杆摆幅检测[J]. 华南理工大学学报（自然科学版）, 2020, 48(1): 123-132.
[15]	陈维亚潘鑫方晓平. 基于 K-means 聚类组合模型的公交线路客流短时预测[J]. 华南理工大学学报(自然科学版), 2019, 47(4): 83-89,113.