基于灰色理论和贝叶斯网络的城市道路交通安全风险研究

周秋龙　张忠宇　唐莎　邱开来　刘田源

摘要：为更好地对城市道路交通安全进行研究，提出了基于灰色理论和贝叶斯网络的城市道路交通安全风险分析方法。从人-车-路-环境-管理5大指标建立城市道路交通安全风险影响因素评价体系；采用灰色关联度方法判别城市道路交通安全的显著影响因素；结合贝叶斯网络评估所筛选因素对道路交通安全风险影响的概率分布，辨识道路交通安全风险主要致因与影响强度分布。选取南京市鼓楼区惠民西路周围道路2009—2011年间发生的267起交通事故验证该模型的有效性。结果表明，该方法共识别影响惠民西路交通安全显著因素11个，基于筛选出的11个因素辨识出惠民西路处于低风险的概率为31%，中风险的概率为37%，高风险的概率为31%，为城市道路交通安全风险研究提供一些参照。

关键词：交通安全；道路风险因素；灰色理论；贝叶斯网络；交通工程

中图分类号：U491文献标志码：A随着城市经济快速发展，汽车拥有量在逐年增加，交通事故数量也在逐年增加，道路交通安全成为人们日益关注的问题，影响道路交通安全的因素较多、涉及范围较广且较复杂，这些因素对道路交通安全的影响程度也不同［1］。因此，对城市道路交通安全影响因素进行辨识，筛选出关键因素并计算影响因素的强度分布对研究城市道路交通安全风险尤为重要［2］。

目前，国内外对城市道路交通安全已有较多的研究。针对城市道路交通安全影响因素的研究主要集中于应用Logit、Logistic回归模型等进行因素的筛选。Shi等［3］采用Logistic回归分析方法分析了高速公路交通事故的影响因素，结果表明，影响高速公路交通事故伤亡人数的主要因素有性别、事故类型、驾驶员类型、责任原因等。Stipancic等［4］利用数据的时间序列性和空间相关性，分别运用有序Logit 和Probit 模型，分析了在不同的驾驶环境条件下，驾驶员本身的特性参数对道路交通事故严重程度的影响。Sun等［5］選取经济、道路、人3个方面的变量作为解释变量，以交通事故受伤人数为被解释变量进行回归分析，结果表明，经济的发展能提高交通安全水平，新增道路里程、新增人口、新增车辆保有量的增加会使道路交通安全形势恶化。孟云伟等［6］分析了高速公路9年的交通事故数据，利用Logistic回归模型，选取事发天气、事故类型等6类自变量进行分析，筛选出对高速公路的交通事故的严重程度有显著性影响的因素。然而，应用此类方法存在以下不足：1）无法对道路交通安全风险进行全面分析；2）难以辨识不同因素的强度分布；3）分析结果往往受限于数据质量问题，如事故数据稀少、变量选取主观等问题。

基于实际道路事故数据、应用灰色理论方法为全面剖析城市道路事故数据、辨识城市道路交通安全的影响因素提供了新的思路［7］。刘兆惠等［7］采用灰色关联度方法对道路交通安全影响因素进行辨析，找到对道路影响最大的因素。李菁等［8］提出了基于灰色关联度和组合赋权法对道路交通安全进行评价，找到相对关联度最优的影响因素，建立安全评价体系对道路交通安全进行评价。然而，灰色理论分析方法只能筛选出影响城市道路交通安全的关键因素，不能得到各因素的强度分布以及道路交通安全的风险等级。贝叶斯网络风险评价方法能较好地表达变量之间的关系，能对事故大小进行定量的评价，该方法以变量之间的相互作用为前提、通过参数学习和概率推理来获取结果分布信息，目前主要应用于船舶搁浅事故成因分析［9］、船舶航行风险评价分析以及搜索营救可靠性分析［10］等。在公路交通安全方面，Mbakwe等［11］基于德尔菲技术和贝叶斯网络对高速公路的交通安全进行分析，利用贝叶斯网络的评价结果对事故进行预测，结果表明，基于贝叶斯网络的评价结果能得到各因素的强度分布，从而准确地对事故进行预测。

为填补上述研究空白，提出了灰色理论与贝叶斯网络相结合的方法用于分析城市道路交通安全。从人、车、路、环境以及管理5个方面建立城市道路交通安全风险因素评价体系，采用灰色理论辨识城市道路交通安全的关键影响因素，结合贝叶斯网络技术对关键因素的概率分布进行研究，从而得到道路交通安全风险等级，为城市道路交通安全风险的研究提供一定的参考。

1城市道路交通安全评价指标

对城市道路交通安全影响因素的辨识需要遵循全面性的原则，由于影响道路交通安全的因素是无穷多个的，不同的因素对城市道路交通安全的影响程度有所不同［12］，因此本研究基于系统工程学的原理，从人、车、路、环境及管理5个因素分析城市道路交通系统安全风险［13］。这5个因素之间相互作用、相互影响，因素间的具体关系如图1所示。

基于上述划分的主要因素，构建了城市道路交通安全风险影响因素评价指标体系，如图2所示，根据选取的道路交通安全评价指标体系构建灰色关联模型，进行关联度分析。

2基于灰色理论和贝叶斯网络城市道路交通安全风险研究模型

2.2基于灰色理论的贝叶斯网络

一个贝叶斯网络N（ξ，θ）是由n个变量X=（X1，X2，…，Xn）组成，假设其中的节点Xi有ri个取值，其父节点Pa（Xi）共有qi个组合［7］。因此，根据计算得到各个因素与事故之间的灰色关联度，基于灰色关联度的大小确定出影响道路交通安全的主要因素，这些因素隶属于交通安全评价指标体系。对选取的因素进行分类调整，将安全指标体系中的人、车、路、环境以及管理作为贝叶斯网络的父节点，按照内在的因果关系将各类因素归到这5大类因素中。将这5类节点的值域设置为{1，2，3}，分别代表道路的风险等级的“低”“中”“高”。筛选出的影响道路交通安全的主要因素作为子节点，以同样的方式进行值域的设置。

在贝叶斯网络结构中需要确定的参数值即节点的概率分布。确定参数的方法主要包括3种：1）通过专家团队经验、样本数据的专家参数估计，确定概率值，将概率值输入到节点的概率表中。2）将事故数据输入网络模型中，通过参数学习获得节点的概率。3）利用GeNIe中K2算法，导入训练好的数据集，输入节点概率特征，获取条件概率。本文主要采用GeNIe中的K2算法。该算法具有高效性和准确性的优点。K2算法的伪代码如下所示［16］：

3实例应用

选取南京市鼓楼区惠民西路周围道路2009—2011年发生的267起交通事故进行安全风险分析，验证提出模型的有效性。该事故数据集共包括轻微事故43起、中度事故216起以及重大事故8起。各因素导致的事故数量以及严重程度如图3所示。

对交通安全指标体系中的24个因素进行灰色关联度分析，以这些因素为序列号，以事故的严重程度为决策属性，事故的数量作为条件属性，进行数据的处理。利用Python进行关联度计算，得出相对关联度与综合关联度并取其平均值进行关联度分析。

关联度的计算结果如表1所示，为更加形象地观察到各个因素的关联情况，各个因素的关联度矩阵如图4和图5所示。

由表1、图4和图5的结果可以看出，酒后驾车（HUM1）平均关联度为0.93、超速（HUM2）平均关联度为0.94、疲劳驾驶（HUM3）平均关联度为0.95、驾驶技术（HUM4）平均关联度为0.95、制动故障（VEH1）平均关联度为0.93、非法改装（VEH2）平均关联度为0.97、交通标志标线（RD1）平均关联度为0.95、信号配时（RD2）平均关联度为0.95、天气状况（ENV1）平均关联度为0.90、行车速度（ENV2）平均关联度为0.95以及监控系统（MGT1）平均关联度为0.91，这些因素对该区域的安全有较大的影响。

因此，对这11个因素的道路事故数据进行初步的训练处理。选取道路事故数据处理的部分结果如表2所示。再利用GeNIe软件，基于这11个因素以及相应的数据构建贝叶斯网络拓扑结构，如图6所示。

基于软件GeNIe构建的交通风险评估贝叶斯网络拓扑结构，进行参数的输入并对求解风险概率的赋值进行计算。主要根据处理过的事故数据，选取贝叶斯参数学习确定每个节点的概率，结果如图7所示，其中，State1表示低风险，State2表示中风险，State3表示高风险。從图7可以看出，选取的11个因素造成城市道路交通风险的概率有所不同。这11个因素造成城市道路处于中风险与高风险的概率较大，尤其是HUM3（疲劳驾驶）使得城市道路处于高风险的概率达到了53%。

根据各个变量之间的因果关系，GeNIe软件可以自动计算出相应的HUM节点、RD节点、MGT节点、ENV节点以及VEH节点的条件概率值，从而最终计算出Safety的概率值。形成的评估城市道路交通安全风险的模型如图8所示。

在图8中，惠民西路与其周围道路交通安全处于低风险的概率为31%，中风险的概率为37%，高风险的概率为31%。人、环境、道路、车以及管理这5个因素对城市道路交通安全影响的概率有所不同。由于人的因素导致该地区道路处于低风险的概率为31%，中风险的概率为36%，高风险的概率为33%；由于道路的因素导致该地区道路处于低风险的概率为12%，中风险的概率为51%，高风险的概率为37%；由于管理因素导致该地区道路处于低风险的概率为37%，中风险的概率为46%，高风险的概率为17%；由于环境因素导致该地区道路处于低风险的概率为23%，中风险的概率为53%，高风险的概率为25%；由于车的因素导致该地区道路处于低风险的概率为28%，中风险的概率为48%，高风险的概率为24%。

为对该道路提出更明确、更有针对性的建议和改进措施，对其进行敏感性分析。敏感性分析结果如图9所示，深红的节点为影响城市道路安全较为敏感的因素，包括制动故障、非法改装、交通标志标线、信号配时、天气状况、行车速度、监控系统；标注为浅红色的超速的节点的敏感度也较高。若上述节点变化，会对城市道路交通安全造成较大的影响。

可见，人、道路以及环境的因素对该地区道路交通安全风险造成的影响较大，应加强人的安全教育以及道路和环境的管理。针对于人的方面，要规范驾驶员的驾驶行为，做到不超速、不超载行驶；对于道路方面，交通标志标线的设置应合乎规范，能切实发挥其信息提示的作用；对于环境方面，对于不同的天气状况，及时做好不良天气的预警工作，提醒驾驶员减速行驶、保持安全车距等。针对于车的方面，要改善车辆的安全性能，及时进行车辆定期的检查、保养及维修，禁止非法改装，加大车辆管理力度。

4结论

利用采集到的城市道路交通事故数据，构建了人-车-路-环境-管理5大指标体系，与此同时构建了其24个子指标体系。基于构建的交通安全指标体系，采用灰色关联度的方法识别出显著影响因素，结合贝叶斯网络的方法分析城市道路交通安全风险性。以南京市鼓楼区惠民西路发生的交通事故的数量以及事故成因为例，发现影响惠民西路交通安全的关键因素有11个，主要集中在人、路以及环境3个方面，同时发现惠民西路处于低风险的概率为31%，中风险的概率为37%，高风险的概率为31%。此类方法无需大量的数据，能直接准确地得到影响城市道路交通安全风险的因素，能准确地显示城市道路交通安全状况。该研究有利于后续相关部门采取相应的措施改善该地区道路交通安全状况，对之后的实际工程有一定的借鉴意义。参考文献：

[1]AN M N， TRUONG T M T. Towards the development of traffic safety strategies in developing countries： analysis of road users perspective［J］.Transportation Research Procedia，2020，48：1278-1287.

［2］ 赵建有， 吕鲲鹏， 徐舸， 等. 城市道路平面交叉口交通冲突分析及改善设计［C］//中国公路学会， 世界交通运输大会执委会， 西安市人民政府， 陕西省科学技术协会. 世界交通运输工程技术论坛（WTC2021）论文集（下）. 西安： 中国公路学会， 2021： 568-577.

［3］ SHI J G， YAO Y， HOU Z H， et al. Influencing factors of expressway traffic accidents［J］. Chinese Journal of Traumatology， 2008， 24： 553-557.

［4］ STIPANCIC J， ZANGENEHPOUR S， MAIRANDA-MO-RENO L， et al. Investigating the gender differences on bicycle-vehicle conflicts at urban intersections using an ordered logit methodology［J］. Accident Analysis & Prevention， 2016， 97：19-27.

［5］ SUN L L， LIU D， CHEN T， et al. Road traffic safety： an analysis of the cross-effects of economic， road and population factors［J］. Chinese Journal of Traumatology， 2019， 22（5）：290-295.

［6］ 孟云偉，张熙衍，青光焱，等. 基于Logistic回归的高速公路交通事故后果的影响因素分析［J］. 武汉理工大学学报（交通科学与工程版），2022，46（1）：12-16.

［7］ 刘兆惠，王超. 基于灰色关联度的交通安全道路影响因素辨析［J］. 山东交通科技，2010（1）：12-13，17.

［8］ 李菁，张卫华. 基于灰色关联和组合赋权法的道路交通安全评价［J］. 交通科技与经济，2010，12（3）：1-4.

［9］ 王新建. 基于贝叶斯网络的船舶搁浅事故致因分析［D］.大连：大连海事大学，2016.

［10］胡甚平，方泉根，蔡存强. 基于贝叶斯网络推理的船舶航行风险评价［C］//第五届海洋船舶驾驶专业委员会.1995—2009航海技术论文选集（第1集）.广州： 中国航海学会，2010： 465-470.

［11］MBAKWE A C， SAKA A A， CHOI K， et al. Alternative method of highway traffic safety analysis for developing countries using delphi technique and Bayesian network［J］. Accident Analysis and Prevention， 2016， 93：135-146.

［12］DU X J， PEI Y L， WANG Z Y， et al. Highway safety influencing factors in cold regions based on attribute recognition theory［J］. Advances in Mechanical Engineering， 2018， 10（12）： 168781401881833.

［13］王锋. 高速公路交通安全分析及安全对策研究［J］. 科技信息， 2009（31）：2.

［14］徐东星，尹勇，张秀凤，等. 长江干线水上交通事故的灰色分析与预测［J］. 中国航海，2019，42（2）：59-65.

［15］马明. 贝叶斯网络算法研究及应用［D］.秦皇岛：燕山大学，2014.

［16］COOPER G F， HERSKOVITS E. A Bayesian method for the induction of probabilistic networks from data［J］. Machine Learning， 1992， 9（4）： 309-347.

（责任编辑：曾晶）

Study on Urban Road Traffic Safety Risk Based on

Grey Theory and Bayesian Network

ZHOU Qiulong ZHANG Zhongyu TANG Sha QIU Kailai LIU Tianyuan

（1.Nanjing Urban Construction Tunnel and Bridge Wisdom Management Co.， Ltd.， Nanjing 210012， China;

2.Jiangsu Transportation Institute Group Co.， Ltd.， Nanjing 210019， China;

3.School of Transportation， Southeast University， Nanjing 211100， China）Abstract： In order to better study the urban road traffic safety， the author proposes an urban road traffic safety risk analysis method based on grey theory and Bayesian network. The evaluation system of influencing factors of urban road traffic safety risk is established from five indexes of human-vehicle-road-environment-management. The grey relational degree method is used to identify the significant influencing factors of urban road traffic safety. The probability distribution of the influence of selected factors on road traffic safety risk is evaluated by Bayesian network， and the main cause and influence intensity distribution of road traffic safety risk are identified. A total of 267 traffic accidents occurred on roads around Huimin West Road in Gulou District of Nanjing from 2009 to 2011 are selected to verify the effectiveness of the model. The results show that the method identifies 11 significant factors that affect the traffic safety of Huimin West Road. Based on the screened 11 factors， the probability of low risk is 31%， the probability of medium risk is 37%， and the probability of high risk is 31%， which provides some references for the study of urban road traffic safety risk.

Key words： traffic safety; road risk factors; grey theory; Bayesian network; traffic engineering