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

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

Abstract

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

CLC Number:

U491.3

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.

Figures/Tables 10

Fig.1

Table 1

Fig.2

Fig.3

Table 2

Fig.4

Fig.5

Table 3

Fig.6

Fig.7

References 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