面向高速公路的广义交通事故预测模型构建方法研究

Traffic crash modeling is the most effective way to develop safety performance function， which is further used for the prediction of traffic crashes and development of traffic safety improvement strategies. However, traditional crash models can be only applied to traffic crash data that display certain degree of dispersion (e.g., underdispersion, equidispersion, overdispersion) and thus severely limit their usefulness. More importantly, this limitation makes the analysis of traffic crash data more complicated and can result in inappropriate use of crash models. In light of this, the goal of this project is to investigate and develop general crash models that can handle different degrees of dispersion in traffic crash data. To achieve this goal, this project will first investigate the factors that affect traffic safety, explore the characteristics of traffic crash data, and analyzing probability distributions of crash data. Then, this project will investigate general count models that can be applied to data with unknown degree of dispersion. The selected models will be further used to develop general crash models. Based on the proposed models, both Monte Carlo simulation and real world examples will be used to comprehensively examine model performance. It is anticipated that the proposed model(s) will ease the analysis of crash data, enhance the accuracy of traffic crash prediction, and improve the effectiveness of traffic safety management. Moreover, the theories and methodologies of this research project will contribute to the academic literature of crash modeling.

掌握交通事故发生规律、制定交通安全对策是预防交通事故的有效途径。交通事故预测模型是研究交通事故发生规律最有效的手段。然而，传统的交通事故预测模型受到假设条件的限制，只适用于特定离散程度的交通事故数据，使得交通事故预测需要通过模型的对比和优选，不但过程复杂，而且易造成模型的不当使用，影响了交通事故预测的准确性和可靠性。针对这一问题，本项目拟通过分析交通事故的影响机理和分布规律，结合广义预测理论和方法，构建适用于各种离散程度的交通事故预测模型，研究预测模型的修正方法，并结合仿真模拟和实例验证广义预测模型的适用性和实用性，提出广义交通事故预测模型，为交通事故预测提供科学指导。项目成果将为我国的交通安全管理提供理论依据和预测方法，充实和发展交通事故预测理论和方法，有助于提高交通事故预测的准确性和可靠性、合理制定交通安全管理措施，缓解交通安全所引起的社会问题。

本课题主要研究内容为三大块：1、交通事故发生机理和分布规律研究；2、广义事故预测模型构建；3、广义事故预测模型评价及修正。研究内容完成了计划书预定内容，具体关键研究成果如下：.对交通事故的发生机理和分布规律的探究。本团队对交通事故的时空分布特性及影响因素进行了深入挖掘和探讨，团队人员依托美国爱达荷州冬季事故数据，选择其境内6条道路的事故数据作为研究对象，考虑了不同影响因素对于交通事故发生的影响大小。通过反向传播人工神经网络算法，对事故数及其相关因素的关联性进行了研究。同时，利用统计图表探究了不同道路事故发生的时空分布规律，为后续研究奠定了相关基础。.广义事故预测模型的建立。团队综合考虑了交通量、路段长度、车道数、几何线形等各影响因素，对比分析了包括GEC模型、WEC模型在内的各种广义模型，研究各个广义模型的基本表达方式、假设条件、模型参数、适用范围等，最终选用哈佛大学Gary King教授及其团队提出的广义事件预测模型作为本项目的基础模型，并对模型进行了较为系统深入的研究与改进。.广义事故预测模型的评价与修正。团队首先运用爱达荷州冬季事故数据验证了GEC模型的适用性与准确性。选用爱达荷州三条道路的事故数据，将GEC模型的拟合结果分别与泊松回归模型或者负二项回归模型对比。结果表明，GEC模型的拟合优度能够满足交通事故预测需求，且能够实现各种类型数据（过度离散、偏小离散）的智能预测。为了进一步评价及修正模型，本团队运用多伦多与韩国的事故数据进行了进一步的验证，并将其结果与超泊松回归模型相对比。通过验证表明，GEC模型的拟合效果较好。通过对模型算法的进一步修正，其运算速度大大提高。