道路交通安全预测方法综述

唐睿熙

（重庆交通大学土木工程学院，重庆 400074）

交通运输业的突飞猛进在促进社会经济繁荣的同时，也使得道路交通事故不断增加，严重威胁人民的生命及财产安全。我国近年来的飞速经济发展也带来了同样的问题，虽然自2002年后全国每年的交通事故数及受伤死亡人数已呈逐年递减趋势[1]，但相对于发达国家而言，我国的死亡人数及万车死亡率仍旧处于危险的高位。道路交通事故的发生是一个随机事件，且具有不可避免性，但可以挖掘其内部以及与外界影响因素之间的关系，运用合适的方法对道路交通事故进行预测，有效的预防以及减少交通事故的发生，提高道路交通的安全性。目前，国内外在道路交通安全预测方法方面的研究基本分为两大类，即宏观预测方法和微观预测方法。

1 宏观预测方法

道路交通安全的宏观预测方法发展相对较早，学者们最初利用经济学领域的德尔菲调查法对道路交通安全进行预测，即专家们根据道路的相关背景资料，凭借自身的经验对道路交通的安全程度进行预测评分，综合统计各专家的评分给出道路最终的安全性预测结果。德尔菲调查法以及在此基础上发展的专家预测法均属于定性预测范畴，适用于短期宏观预测。

然而定性预测无法完全满足道路安全性预测要求，因此学者们又提出了定量预测法，典型的定量预测法包括经验预测法、统计回归法、移动平均法、时间序列预测法、灰色预测法等[2]。著名的史密德（Smeed）模型以及美国的伊·阿拉加尔模型都是经验预测法的代表性模型。移动平均法和时间序列预测法则主要根据时间或空间位置的推移来预测道路上可能发生的事故数量。灰色预测法多以灰色理论为基础，结合马尔科夫链或模糊数学的概念[3]，对影响道路交通安全的因素进行定量赋值，以此分析道路交通安全的重要影响因素，对道路事故数和伤亡人数等进行预测。上述定量预测方法皆适用于道路交通安全的中或长期宏观预测，而统计回归法不仅仅适用于宏观预测，同样可以在微观预测中运用。因为统计回归法是基于概率统计的一种数学方法，运用数学公式来拟合影响道路交通安全的各项因素，通过寻找各项影响因素与事故率或事故严重程度之间的关系，建立道路交通安全的预测模型。当统计回归模型选用例如经济、人口、区域面积、车辆保有量等宏观影响因素作为拟合参数时，该预测模型即为宏观预测模型；反之，如果选用道路几何线形、车道数、路面情况等微观影响因素作为模型的拟合参数，则该统计回归模型即为微观预测模型。

2 微观预测方法

道路交通安全的宏观预测模型主要是预测整条道路或者某个区域范围内的事故率或死亡率，而道路交通安全的微观预测模型则一般研究某个路段、某一截面或者某个交叉口的安全性，包括对事故发生率、伤亡人数、是否为道路黑点以及事故严重程度等的预测。可以通过统计回归法、机器学习法等建立微观预测模型，达到预测指定路段、截面事故率或短期交通流的目的。国内学者对基于统计回归的泊松回归模型以及延伸发展的负二项回归模型做了大量研究，大量运用该类模型进行路段事故率预测；利用同样基于统计回归的logit系列模型进行事故严重程度的预测研究[4]。为对道路安全进行实时监控，学者们采用了众多机器学习模型获取路段的短期交通流，以此对路段的事故风险性进行实时预测，这也是目前道路交通安全预测领域的研究热点。神经网络法、随机森林法以及支持向量机都是机器学习的典型代表模型[5]，其中神经网络模型和随机森林模型都是从指定输入的变量或节点中，挖掘各节点之间的隐藏关系，找出能作用于道路安全预测的变量或节点，即对道路交通安全影响显著的因素。而随机森林模型和支持向量机模型，可以通过其分类算法进行分类预测，获取事故的重要诱导因素，据此指导预紧工作，减少事故的发生。

3 结语

无论是宏观预测模型还是微观预测模型，都建立在道路交通事故与其影响因素的内在联系基础上，是从不同层面和程度上解释交通事故发生的诱发性和可能性，对减少交通事故的发生，降低事故率均能起到一定效果的指导作用。根据不同的需求和研究目的选用合适的预测模型，是我们进行道路交通安全预测的重要前提。目前的各种预测模型具有一定的准确性和适用性，随着社会和科学的不断发展，如何得到一个适用范围更广的预测模型，还需要研究者们继续努力。