基于支持向量机的交通事故影响因素分析

魏凌峰，姜文龙

（中国人民公安大学 交通管理学院，北京 100038）

引言

根据中国统计年鉴2020 年［1］，2016—2019 年发生的机动车交通事故统计数据见表1。

表1 2016—2019 年事故统计

根据表1 中数据发现，2016—2019 年交通事故发生数在2017 年有所下降，2018 年开始有较大增长，与电动自行车的快速发展和机动车保有量的大幅上升有关。此外，死亡人数整体相对较为稳定且有小幅增减，受伤人数增长较多。非机动车的事故数从2016 年的17 747 起增加至2019 年的29 049 起，增幅约63.7%，表明电动自行车的事故也在不断增多。事故的不断增多会带来伤亡和经济损失，为减少我国交通事故的发生，采取相应措施进行针对性地预测与预防是十分必要的。

国内专家学者早已对交通事故的影响因素进行分析，李世民等［2］对北京市某交叉口进行了为期 4 a的数据研究，通过累计logistic 回归模型进行分析；邓晓庆等［3］利用BP 神经网络对道路交通量和道路线形进行研究，且获得较好的预测结果；姚琦和王林山［4］利用GA 和LM 的结合算法对BP 神经网络进行优化，从而对交通事故模型进行预测；张广泰等［5］利用多层次灰色与GA-BP 神经网络模型对乌鲁木齐事故多发黑点路段进行预测，验证其模型的可行性。

1 特征选择

1.1 随机森林模型

随机森林模型其根源为决策树模型，它是一种集成学习的组合分类算法。集成学习其核心在于把多个分类性能较弱的分类器组合起来，经过演变得出一个具有较高分类性能的分类器。而随机森林算法可以并行同时生成，这也为特征指标的选择提供了依据。

随机森林算法主要利用自主抽样法，流程为从原始数据中有放回的抽取多个样本，随后利用分类性能较弱的分类器（决策树）对先前抽取的样本进行训练，再将这些并行演算的决策树全部组合到一起，通过投票得出最终的结果即最后的分类。见图1。

图1 随机森林流程

利用随机森林的重要性评分功能，其原理是利用基尼系数（Gini），在随机森林的每一棵树的生成时，都是按照基尼系数在分裂前后的减少情况为分裂的依据，对某个节点进行分类。因此，在随机森林中可以按照特征N 进行分裂，随后通过其基尼系数的减少的总量对特征N 进行分析判断，确定其重要性。针对一般决策树的基尼系数：

式中：K—共有K 类；Pk—样本属于第K 类的概率。

基尼系数越大，则不确定性就越大；基尼系数越小，不确定性越小，数据分割越彻底，越干净。

使用随机森林选取特征重要性具有较多优点，如在数据集上表现良好，在当前很多数据集上，相对其他算法具有较大优势，两个随机性的引入使得随机森林对于数据的缺失值、异常值等具有较低的敏感性；训练速度快，可以对多个变量的重要性进行排序；实现简单等。但也有一定缺点，如在某些缺失大量数据或存在较多异常值样本集上，RF 模型容易陷入过拟合；取值划分比较多的特征容易对RF决策产生更大的影响，从而影响拟合模型效果。

1.2 数据处理

针对交通事故原始数据集进行一个筛选，将不符合本次分析内容的特征进行删除，最后留下16 个特征指标，利用事故类型作为因变量共分为三类：财产损失（轻度）、伤人（中度）、死亡（重度）。针对16 个特征属性747 条数据利用Matlab 进行数据预处理，再经过数据筛选、补全缺失值等处理过程后得到完整的数据集。随后利用随机森林RF 对数据集的特征重要性进行计算，同时进行归一化，其结果由高到底见表2。

表2 特征重要性占比

下一步对数据集进行RF 预测，利用原数据集与指标选取后的数据集进行准确度对比，找出准确度最高的数据指标集合。在此之前需要进行验证来测试算法准确性，以防止过拟合的现象，在Matlab 中可以利用交叉验证法与留出法进行验证。采取十折交叉验证法，其原理为将数据集分成10 份，依次将其中9 份作为训练数据，1 份作为测试数据进行试验。每次试验都会得出相应的正确率（或差错率）。将10 次的结果取算术平均值，将平均值作为该算法的大致精度，同时10 次交叉验证并不只做一次，往往是多次进行。10 次交叉验证，将10 次的结果再次求其算术平均数，这样可以减少误差提高算法准确性的精度。经过计算得出RF 模型准确率见表3。

表3 RF 模型准确率

结果发现在删除最后两个的特征时，模型的准确率只有很小幅度地提升，在删除第三个特征值的时候模型准确率有了较大地提高，若继续删除的话也只有小幅度地提升。为保证数据分析的多样性，最终确定使用12 个特征值：事故类型（SGLX）、事故形态（SGXT）、车辆间事故（CLJSG）、直接财产损失（MONEY）、天气（TQ）、事故认定原因（人员操作）（SGRDYY）、能见度（NJD）、照明条件（Light）、道路类型（DLLX）、路口路段类型（LKLULX）、道路物理隔离（DLWLGL）、路侧防护设施（LCFHSS）、道路安全属性（LDAQSX）。

2 SVM 模型评价分析

2.1 模型选择

确定数据特征后利用Matlab 进行模型分析，为确保最大准确率，在分析前利用Matlab 对所有的模型进行训练，得出最优模型，其模型结果见表4。

表4 模型准确度

通过模型训练可知，准确度最高的为支持向量机（SVM）模型，因此本文拟采用SVM 对交通事故的严重程度影响因素进行分析。

2.2 模型介绍

高斯核函数［6］首先将原来的数据点映射成一种新的特征向量，然后得到新的特征向量点乘的结果。对高斯核函数来说，本质就是将每一个样本点映射到一个无穷维的特征空间，这就表明高斯核函数对于样本数据的变形是非常复杂的，但是经过变形，再去点乘，可以得到十分简单明了的结果，表明了核函数的高效。

高斯函数公式：

因此，可以利用高斯核SVM 对本次交通事故影响因素进行分析。

2.3 模型评价指标

SVM 模型主要采取混淆矩阵、F1 分数、ROC 曲线以及AUC 值进行评价。其中混淆矩阵的计算指标见表5。

表5 指标介绍

通过计算表5 中相应指标结果，可推算出评价模型效果的指标：真正类率TPR、假真类率FPR、真负类率TNR=1-FPR、准确率ACC、精确率Precision、召回率Recall 以及调和平均值F1。

将计算的指标绘制ROC 曲线，ROC 曲线是由FPR 和TPR 的点连成。横轴是FPR，纵轴是TPR。而AUC 即为ROC 曲线下方的面积，AUC 主要用于衡量二分类问题中机器学习算法性能或者泛化能力。

2.4 模型结果分析［6］

利用Matlab 实现高斯核函数SVM，获得相应的评价指标结果。

（1）混淆矩阵。混淆矩阵可见图2，通过混淆矩阵可知原本是伤人事故的预测准确率最高，只有三个被误分类未死亡事故，虽然财产损失误分类的个数也只有三个，但由于其本身数量较少，其错误率达11.1%。同时也可以得出真正类率TPR 与真负类率TNR 等。

图2 混淆矩阵

（2）ROC 曲线。ROC 曲线上r 任意一点都反映着对同一信号刺激的感受性。通过ROC 曲线可以计算出AUC 值，其计算方法通过Matlab 软件实现。

为了验证其最优性，选取另外两种模型决策树与朴素贝叶斯神经网络进行ROC 曲线、AUC 值的对比分析，结果见图3。

图3 ROC 曲线

由图3 分析可知,高斯核函数SVM 能较好地预测交通事故严重程度，故将数据集采用随机抽取的方式抽取测试集进行预测，抽取样本为所有样本的20%即150 条数据，预测结果见表6。为证明其最优性，采取SVM、决策树与朴素贝叶斯神经网络进行对比预测。

表6 模型预测准确度

通过对比发现，对于交通事故严重程度的预测，高斯核函数SVM 具有较好的预测准确性，其准确率达95.72%。使用朴素贝叶斯神经网络［7］对事故严重程度进行预测［8］准确率只有63.72%，准确率较低。

3 结语

通过随机森林对事故数据的特征指标进行重要性计算可知，对于事故发生最重要的特征因素为人员操作不当［9］，主要存在三个方面：非机动车不按规定行驶、行人不按规定行驶和机动车不按规定行驶。因此，为减少道路交通事故的发生，需要对这三类人员进行交通安全教育。

基于交通事故数据分析，验证高斯核函数具有95%的较高预测准确性，为未来事故预测提供一定的参考，同时为交通安全的改善提供方向。不足之处为数据量相对较少，只考虑了部分城市道路，涉及范围较少，可能存在一定的偶然性，在今后的研究中将继续逐步解决这些问题。