跨海大桥交通事故严重程度预测分析方法

刘坤 王莹 刘兴旺

（1.港珠澳大桥管理局，广东 珠海 519000；2.北京中交华安科技有限公司，北京 100000）

0 引言

跨海大桥作为交通基础设施重要的组成部分，有效链接了地区间的交通网络，提升了出行便捷性。但由于跨海大桥具有距离长、深入海洋环境等特点，当发生交通事故后，若不能及时根据事故的严重程度作出救援处理方案，则会严重影响交通正常通行。因此，及时研判跨海大桥交通事故严重程度，探究事故严重程度的影响因素，对保障跨海大桥的运营安全具有重要意义。

当前，交通事故严重程度的研究主要从驾驶员特性、道路特性、环境特性等角度出发。Lio，OF0、曹弋[2]等研究了气象因素对道路交通事故严重程度的影响，Alkheder S[3]等研究指出，驾驶人乘坐位置、事故类型、是否使用安全带，以及道路类型是影响交通事故严重程度的潜在因素，冯天军[4]等研究发现，碰撞行人、涉事含摩托车、违反信号通行、夜晚无照明、酒驾等因素造成伤亡事故概率较大。还有学者探究了客、货车交通事故严重程度的共性与差异[5]，白玉等[6]提出事故认定原因、事故发生纵向位置、事故发生道路类型显著影响事故严重程度。

在交通事故严重程度建模方面，研究者们通常采用传统的统计模型和机器学习模型开展致因分析。Eboli L[7]、吕晓弯[8]等使用logistic模型评估不同特征的影响，申昕[9]等基于Multinomial Logit模型计算变量对慢行交通事故严重程度的边际效应，尚婷[10]等采用部分优势比模型建立交通事故严重程度预测模型。考虑到统计模型存在的不足[11]，孙轶轩[12]等建立了基于SVM灵敏度分析的城市交通事故严重程度影响因素模型。Shakil Ahmed[13]等研究了一组单模式和集成模式机器学习（ML）方法，Mubariz Manzoor[14]等结合随机森林和卷积神经网络集成机器学习和深度学习模型预测事故严重程度。吕通通[15]等提出先验网络构造方法，分析各因素变化与事故严重程度的定量互动关系。

综上分析，以往研究多集中于城市道路或者一般公路，对跨海大桥的事故严重程度研究得并不多；基于事故历史信息研究事故严重程度的影响因素较多，但利用这些信息来探究如何减少事故发生时的影响程度较少。因此，本文以某跨海大桥为例，综合交通事故发生时的多维度影响因素，建立XGBoost跨海大桥交通事故严重程度预测模型，鉴别各因素对交通事故发生时严重程度的影响程度，可为应急救援部门在研判跨海大桥交通事故严重程度制定处置方案提供理论依据。

1 体系建立及数据处理

本文选取跨海大桥交通事故严重程度作为研究点，数据源于某跨海大桥2016年至2021年的交通事故记录、交通事故上下游检测器，以及交通事故处理报告。该跨海大桥5年内共发生1315起交通事故，在剔除含有缺失值的数据后保留1266条作为研究对象。

1.1 因变量设置

本文参考《道路交通事故信息调查》和胡立伟[16]等人的研究中对交通事故的分类分级，根据跨海大桥交通事故历史数据、人员受伤及死亡情况及交通量大小，将跨海大桥交通事故严重程度分为的四级，如表1所示。

表1 跨海大桥交通事故严重程度

1.2 自变量选取

1.2.1 体系建立

考虑跨海大桥交通运行特征，本文通过分析与研究事故严重程度与事故原因，得到跨海大桥事故伤害影响因素体系，包括时间因素、位置因素、事故形态因素、车辆因素、交通流因素，如图1所示。

图1 跨海大桥事故伤害影响因素体系

结合道路拥堵指数定义，本文使用交通流量与速度来判断事故发生后交通流运行状态指数δ。其中，交通流运行状态指数δ的计算公式如式（1）所示，（交通流量和速度的计算时间范围为5min，计算区间范围为距离交通事故发生点最近的上下游检测器的距离）。

式（1）中：

当事故发生后，交通运行状态发生改变，当变化程度较大时，容易引起二次事故的发生，产生交通运行风险，使用事故发生前、后区间范围交通运行状态指数δafter的变化率，来动态评估交通运行风险并划分等级，具体如表2所示。

表2 事故后交通运行风险等级划分表

1.2.2 数据处理

为确定模型的特征变量，本文基于上节交通事故严重程度影响因素体系的建立与跨海大桥的实际数据，对所建立体系中包括发生时刻、是否发生在工作日、交通指标、位置指标、事故形态指标等5类、8种特征变量与跨海大桥交通事故风险等级实施偏相关性分析，结果都表明显著性相关（p＜0.05）。经过数据处理，共得到两个离散变量，6个分类变量，具体如表3所示。

表3 模型特征变量描述

2 预测模型构建

预测分析模型分为两部分，首先基于机器学习XGBoost算法构建跨海大桥事故严重程度预测模型，再利用SHAP归因算法进一步解决多重因素耦合作用下对跨海大桥事故严重程度的分析难点，挖掘各特征变量与事故严重程度的综合影响关系，以实现事故严重程度的预测及分析。

2.1 XGBoost模型

2.2 SHAP归因模型

3 模型验证与分析

3.1 模型参数调优

本文采用网格搜索法和五折交叉验证法分别进行参数调整和最优模型构建。网格搜索是遍历所有可能的超参数组合，以找到产生最佳性能的组合；五折交叉验证是指将原始跨海大桥交通事故数据集随机分成5份，依次将其中4份作为训练数据，1份作为测试数据模型训练，最终将5次评价指标的平均值作为整个模型的评价指标取值。经过不断测试调参，当模型性能最佳时，XGBoost的最优参数如表4所示。

表4 XGBoost 模型最优参数表

3.2 模型验证及分析

在模型训练中，按照4:1划分训练集和测试集，共获得1013组训练样本及253组测试样本。本文分别使用XGBoost模型和Logistic模型预测跨海大桥交通事故严重等级，得到混淆矩阵。根据混淆矩阵结果，使用准确率(Accuracy)、精确率(Precision)和召回率(Recall)评价模型。

XGBoost模型的预测准确率为85.4%、精确率为88%；Logistic模型为77.1%、精确率为60.2%。结果表明，XGBoost模型预测准确率较高，具有较好的可行性与实用性。

根据模型结果分析特征变量的重要性：F-Score是一种衡量特征对因变量分辨能力的机器学习评价指标，其计算方法如式（8）所示。

式（8）中，i代表第i个特征，即每一个特征都会有一个F-score。是所有该特征值的平均数，而（+）（-）则分别代表所有阳性样本和阴性样本的特征值的平均数。k是对于具体第i个特征的每个实例差。

通过计算F-score可获得各特征变量对跨海大桥交通事故严重程度的影响贡献程度。F-score越大说明该特征对因变量的辨别能力越强，特征对模型输出的贡献程度就越大。各个特征变量的F-score和重要性排序如表5所示。

表5 特征变量F-Score 表

由结果可知，交通因素对跨海大桥事故严重程度的影响最大，当发生严重交通事故，出现人员伤亡并伴有较大的影响范围时，会明显造成交通流的聚集和排队现象；其他特征变量的排序依次是涉及车辆类型、位置因素、涉及车辆数、事故形态因素、发生时间段，以及是否发生在工作日；此外，F-score计算结果表明，涉及车辆类型数对跨海大桥交通事故严重程度的影响可忽略不计，这可能是由于涉及车辆数和车辆类型指标已经足够描述车辆因素所带来的影响。

特征重要性分析往往代表了特征贡献，能够清晰地看出不同特征变量对跨海大桥交通事故严重程度的贡献重要性次序，但不能体现特征变量如何影响模型结果，无法得到特征变量对事故严重程度的影响方向。因此，此项研究进一步总体分析特征变量，使用SHAP值分析各特征的正负影响，如图2所示，颜色表示特征变量的取值，横坐标 SHAP值用以衡量特征对交通事故严重程度的贡献程度和影响作用的正负性。

图2 XGboost 模型各特征变量正负性影响图

通过SHAP框架解释机器学习 XGBoost模型，结果表明，当涉及车辆数越多时，跨海大桥交通事故严重程度越高；侧翻及碰撞这两种事故形态导致的跨海大桥事故严重程度要大于车辆故障和剐蹭；当跨海大桥事故涉及车辆为大货车、油罐车、半挂车时，事故严重的风险等级会较高；在工作日和夜晚发生的事故更有可能造成较大人员伤亡。

结合模型准确度和特征分析，基于XGboost与SHAP归因模型的跨海大桥交通事故严重程度分析与面向交通事故的安全分析结论一致，可以很好地应用于实际跨海大桥交通事故严重程度的预测分析中，为事故发生后大桥管理者的判断决策提供理论支撑。

4 结束语

本文以某跨海大桥1266起交通事故数据为基础，建立了多维度交通事故严重程度影响因素体系；构建了基于XGBoost与SHAP归因分析的预测分析模型并开展检验工作。通过与其他算法的对比，证明了XGBoost模型的有效性，预测准确率达到了85.4%，能够较好地预测跨海大桥交通事故严重程度等级，为制定跨海大桥交通事故应急救援方案提供有效参考。

模型分析结果表明，交通因素、涉及车辆类型、位置因素、涉及车辆数等7类特征变量对跨海大桥交通事故影响程度较大。其中，事故发生时交通因素对模型结果的影响较为关键；就车辆因素而言，当车辆数越多，车辆类型为大货车、油罐车、半挂车时，事故严重的风险等级会升高；就事故形态因素而言，侧翻及碰撞导致的跨海大桥交通事故严重程度要大于车辆故障和剐蹭；此外，在工作日和夜晚发生的事故更有可能造成较大的人员伤亡。