基于广义线性回归的高速公路事故预测模型

徐永利 李景军 王以龙

摘 要：高速公路网的日益完善，通车数量的急剧增加，目前交通事故的发生已成为高速公路通行中的一大难题。为了确定各因素对事故的影响程度，提高事故规律分析及预测的准确性，提出通过建立广义线性回归模型对高速公路进行事故预测。首先通过挖掘高速公路的历史事故数据，对影响事故的多个因素进行定量分析，建立负二项回归方程，其次验证各因素的拟合优度，最后进行事故预测，结果表明模型提升了事故预测的准确性。

关键词：广义线性回归模型;高速公路;事故预测

中图分类号：U491.3 文献标识码：A

0 引言

根据山东省统计局官方网站统计，2018年山东省道路交通事故共发生13 226起，死亡人数为3 600人。而山东省截止到2018年，在汽车拥有量、道路面积、通车里程都持续增加的情况下，道路交通安全呈整体稳定的趋势。

1 事故预测模型选择

1.1 Poison分布模型

Poison分布作为回归模型最基础、最常用的模型，事故量选用Poison分布模型预测时，数据的均值和方差是相等的，采用该分布模型描述事故发生的规律，表达式如下：

式中：表示路段发生次事故的概率;表示路段发生的事故次数的数学期望;表示路段的解释变量;表示解释变量的系数。

由于道路交通事故数据难以满足Poison分布对数据的要求，模型的应用具有局限性。

1.2 负二项分布模型

结合事故数据的特点，将Poison分布模型消除均值等于方差带来的影响，即成为负二项分布模型。如式*：

式中：表示路段上发生的交通事故率;表示路段上發生的交通事故率的期望值;表示离散度指数;表示模型的解释变量;表示解释变量的参数。

1.3 零堆积Poison分布和零堆积负二项分布模型

如果划分路段内无事故发生时，会导致数据过度离散，将无法使用Poison分布模型和负二项分布模型。

事故次数分布服从Poison分布和负二项分布，由于均值远小于方差，因此选用负二项模型进行事故预测较为合适。

2 事故数据准备

2.1 路段划分

使用微观模型预测事故时首先需要将路段进行单元划分，为研究交通流与事故之间的关系，选取济乐高速南延段作为研究对象，该路段的道路设计为双向四车道，最高速度不超过100 km/h，将道路每1 km视为一个路段，共50个样本路段。

2.2 自变量选取

选择交通流数据作为模型的自变量，研究各路段中固定检测器所采集的数据，统计为表1。

3 负二项事故预测模型建立

由于交通流参数的不同，路段的事故期望值可看作交通流参数的函数，表达式为：

4 模型结果分析

通过对济乐高速南延段事故数据和交通流数据的分析，选用SPSS17.0对多个数据进行回归拟合，显著性水平设为0.05，采用逐步回归的方法，参数估计结果见表2和表3。

从表中弹性系数一列看各个因素的值，3个参数的弹性值均大于0，说明与交通事故发生次数是呈正相关的，其中路段平均占有率弹性系数值最大，说明对事故发生次数影响最大。

济乐高速南延段交通事故期望值为：

其中：为年平均日交通量;为路段平均占有率;为大中型车占比。

将2019年该路段的交通流数据，代入上述所标定的模型，所得相对误差为7.6%，证明所建立的事故预测模型具有较高的精度。

5 结语

论文根据历史事故数据的分布规律，对多个影响因素进行量化，建立负二项回归模型，研究各因素对交通事故的影响程度，使得预测结果更为准确。

参考文献：

[1]陈长坤，武艳，辛梦阳，等.基于广义线性模型的干线公路交通事故预测[J].公路与汽运，2015（06）：56-59.

[2]童伟，杨凡.基于SVR的成都市交通事故态势分析[J].农家参谋，2018（12）：287.

[3]王小凡，朱永强.基于灰色BP神经网络模型的道路交通事故预测[J].白城师范学院学报，2019，33（06）：36-40+51.