[发明专利]一种应用于区域路网的交通事故严重度预测方法

说明书

本发明公开了一种应用于区域路网的交通事故严重度预测方法，其步骤包括：1、区域路网交通事故数据的采集与预处理；2、基于区域路网交通事故数据，建立潜在类别分析模型；3、根据潜在类别分析结果，对各子类别分别建立CART决策树模型；4、对各子类别分别建立基于二元logistic回归的事故严重度模型(考虑自变量和交互作用项)，并将敏感度与特异性曲线交点作为模型预测分类阈值。本发明能降低事故数据异质性对分析结果的不利影响，克服传统交通事故严重度预测模型忽略交互作用项和非平衡数据综合预测效果差的问题，提高事故严重度模型的预测精度和拟合优度。

技术领域

本发明涉及一种应用于区域路网的交通事故严重度预测方法，属于道路交通安全分析技术领域。

背景技术

据全球道路安全状况报告，道路交通事故是全球第八大死亡原因，造成每年超过135万人死亡，道路交通安全逐渐成为全球都在关注的重大焦点问题。依靠交通事故数据分析来确定影响事故严重度的因素和提出降低死亡事故风险的对策，是目前最实际的交通安全改善措施之一。然而，道路交通事故是涉及各种驾驶员对外部环境反应，以及车辆、道路状况、交通因素和环境因素之间相互作用的复杂事件，可能存在未观测到的事故影响因素，这使得交通事故数据具有高度异质性，而且事故严重度可能受到各因素之间交互作用的影响。

在事故严重度(死亡和非死亡事故)分析方法方面，二元logistic回归模型应用最为广泛。然而，该方法忽略了事故数据的异质性和各自变量之间的交互作用对分析结果的影响，可能会导致不准确的参数估计或忽略重要的隐藏的关系。余荣杰等人利用潜在类别分析将事故数据划分为若干同质潜在类别降低事故数据异质性对分析结果的影响(Yu R,Wang X,Abdel-Aty M.A Hybrid Latent Class Analysis Modeling Approach toAnalyze Urban Expressway Crash Risk[J].AccidentAnalysis and Prevention,2017,101:37-43.)。Rusli等人利用决策树筛选自变量间的高阶交互作用，并将高阶交互项和主效应相结合纳入事故严重度模型，定量分析自变量的交互作用对事故严重度的影响，而该方法仅考虑了自变量间的高阶交互作用忽略了自变量间存在的各阶交互作用(RusdiRusli,Md.Mazharul Haque,Mohammad Saifuzzaman,Mark King.Crash severity alongrural mountainous highways in Malaysia:An application of a combined decisiontree and logistic regression model[J].Traffic Injury Prevention,2018,19(7):741-748.)。此外，传统的二元logistic回归模型仅考虑模型的整体预测精度，选取0.5作为模型分类阈值。然而，交通事故数据中死亡事故往往占比较少(即该数据为非平衡数据)，采用0.5作为分类阈值虽然使模型能够获得较高的整体预测精度，但会使敏感度过低，使其失去预测意义。

发明内容

本发明为克服现有技术的不足之处，提出一种应用于区域路网的交通事故严重度预测方法，以期能降低事故数据异质性对分析结果的不利影响、识别自变量的交互作用项和调整预测模型分类阈值，从而能克服传统交通事故严重度预测模型忽略交互作用项和非平衡数据综合预测效果差的问题，提高事故严重度模型的预测精度和拟合优度。

为达到上述目的，本发明采用如下技术方案：

本发明一种应用于区域路网的交通事故严重度预测方法的特点是按如下步骤进行：

步骤一、区域路网道路交通事故数据的采集与预处理；