魏凌峰，姜文龍

（中國人民公安大學(xué) 交通管理學(xué)院，北京 100038）

引言

根據(jù)中國統(tǒng)計年鑒2020 年［1］，2016—2019 年發(fā)生的機動車交通事故統(tǒng)計數(shù)據(jù)見表1。

表1 2016—2019 年事故統(tǒng)計

根據(jù)表1 中數(shù)據(jù)發(fā)現(xiàn)，2016—2019 年交通事故發(fā)生數(shù)在2017 年有所下降，2018 年開始有較大增長，與電動自行車的快速發(fā)展和機動車保有量的大幅上升有關(guān)。此外，死亡人數(shù)整體相對較為穩(wěn)定且有小幅增減，受傷人數(shù)增長較多。非機動車的事故數(shù)從2016 年的17 747 起增加至2019 年的29 049 起，增幅約63.7%，表明電動自行車的事故也在不斷增多。事故的不斷增多會帶來傷亡和經(jīng)濟損失，為減少我國交通事故的發(fā)生，采取相應(yīng)措施進行針對性地預(yù)測與預(yù)防是十分必要的。

國內(nèi)專家學(xué)者早已對交通事故的影響因素進行分析，李世民等［2］對北京市某交叉口進行了為期 4 a的數(shù)據(jù)研究，通過累計logistic 回歸模型進行分析；鄧曉慶等［3］利用BP 神經(jīng)網(wǎng)絡(luò)對道路交通量和道路線形進行研究，且獲得較好的預(yù)測結(jié)果；姚琦和王林山［4］利用GA 和LM 的結(jié)合算法對BP 神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，從而對交通事故模型進行預(yù)測；張廣泰等［5］利用多層次灰色與GA-BP 神經(jīng)網(wǎng)絡(luò)模型對烏魯木齊事故多發(fā)黑點路段進行預(yù)測，驗證其模型的可行性。

1 特征選擇

1.1 隨機森林模型

隨機森林模型其根源為決策樹模型，它是一種集成學(xué)習(xí)的組合分類算法。集成學(xué)習(xí)其核心在于把多個分類性能較弱的分類器組合起來，經(jīng)過演變得出一個具有較高分類性能的分類器。而隨機森林算法可以并行同時生成，這也為特征指標的選擇提供了依據(jù)。

隨機森林算法主要利用自主抽樣法，流程為從原始數(shù)據(jù)中有放回的抽取多個樣本，隨后利用分類性能較弱的分類器（決策樹）對先前抽取的樣本進行訓(xùn)練，再將這些并行演算的決策樹全部組合到一起，通過投票得出最終的結(jié)果即最后的分類。見圖1。

圖1 隨機森林流程

利用隨機森林的重要性評分功能，其原理是利用基尼系數(shù)（Gini），在隨機森林的每一棵樹的生成時，都是按照基尼系數(shù)在分裂前后的減少情況為分裂的依據(jù)，對某個節(jié)點進行分類。因此，在隨機森林中可以按照特征N 進行分裂，隨后通過其基尼系數(shù)的減少的總量對特征N 進行分析判斷，確定其重要性。針對一般決策樹的基尼系數(shù)：

式中：K—共有K 類；Pk—樣本屬于第K 類的概率。

基尼系數(shù)越大，則不確定性就越大；基尼系數(shù)越小，不確定性越小，數(shù)據(jù)分割越徹底，越干凈。

使用隨機森林選取特征重要性具有較多優(yōu)點，如在數(shù)據(jù)集上表現(xiàn)良好，在當(dāng)前很多數(shù)據(jù)集上，相對其他算法具有較大優(yōu)勢，兩個隨機性的引入使得隨機森林對于數(shù)據(jù)的缺失值、異常值等具有較低的敏感性；訓(xùn)練速度快，可以對多個變量的重要性進行排序；實現(xiàn)簡單等。但也有一定缺點，如在某些缺失大量數(shù)據(jù)或存在較多異常值樣本集上，RF 模型容易陷入過擬合；取值劃分比較多的特征容易對RF決策產(chǎn)生更大的影響，從而影響擬合模型效果。

1.2 數(shù)據(jù)處理

針對交通事故原始數(shù)據(jù)集進行一個篩選，將不符合本次分析內(nèi)容的特征進行刪除，最后留下16 個特征指標，利用事故類型作為因變量共分為三類：財產(chǎn)損失（輕度）、傷人（中度）、死亡（重度）。針對16 個特征屬性747 條數(shù)據(jù)利用Matlab 進行數(shù)據(jù)預(yù)處理，再經(jīng)過數(shù)據(jù)篩選、補全缺失值等處理過程后得到完整的數(shù)據(jù)集。隨后利用隨機森林RF 對數(shù)據(jù)集的特征重要性進行計算，同時進行歸一化，其結(jié)果由高到底見表2。

表2 特征重要性占比

下一步對數(shù)據(jù)集進行RF 預(yù)測，利用原數(shù)據(jù)集與指標選取后的數(shù)據(jù)集進行準確度對比，找出準確度最高的數(shù)據(jù)指標集合。在此之前需要進行驗證來測試算法準確性，以防止過擬合的現(xiàn)象，在Matlab 中可以利用交叉驗證法與留出法進行驗證。采取十折交叉驗證法，其原理為將數(shù)據(jù)集分成10 份，依次將其中9 份作為訓(xùn)練數(shù)據(jù)，1 份作為測試數(shù)據(jù)進行試驗。每次試驗都會得出相應(yīng)的正確率（或差錯率）。將10 次的結(jié)果取算術(shù)平均值，將平均值作為該算法的大致精度，同時10 次交叉驗證并不只做一次，往往是多次進行。10 次交叉驗證，將10 次的結(jié)果再次求其算術(shù)平均數(shù)，這樣可以減少誤差提高算法準確性的精度。經(jīng)過計算得出RF 模型準確率見表3。

表3 RF 模型準確率

結(jié)果發(fā)現(xiàn)在刪除最后兩個的特征時，模型的準確率只有很小幅度地提升，在刪除第三個特征值的時候模型準確率有了較大地提高，若繼續(xù)刪除的話也只有小幅度地提升。為保證數(shù)據(jù)分析的多樣性，最終確定使用12 個特征值：事故類型（SGLX）、事故形態(tài)（SGXT）、車輛間事故（CLJSG）、直接財產(chǎn)損失（MONEY）、天氣（TQ）、事故認定原因（人員操作）（SGRDYY）、能見度（NJD）、照明條件（Light）、道路類型（DLLX）、路口路段類型（LKLULX）、道路物理隔離（DLWLGL）、路側(cè)防護設(shè)施（LCFHSS）、道路安全屬性（LDAQSX）。

2 SVM 模型評價分析

2.1 模型選擇

確定數(shù)據(jù)特征后利用Matlab 進行模型分析，為確保最大準確率，在分析前利用Matlab 對所有的模型進行訓(xùn)練，得出最優(yōu)模型，其模型結(jié)果見表4。

表4 模型準確度

通過模型訓(xùn)練可知，準確度最高的為支持向量機（SVM）模型，因此本文擬采用SVM 對交通事故的嚴重程度影響因素進行分析。

2.2 模型介紹

高斯核函數(shù)［6］首先將原來的數(shù)據(jù)點映射成一種新的特征向量，然后得到新的特征向量點乘的結(jié)果。對高斯核函數(shù)來說，本質(zhì)就是將每一個樣本點映射到一個無窮維的特征空間，這就表明高斯核函數(shù)對于樣本數(shù)據(jù)的變形是非常復(fù)雜的，但是經(jīng)過變形，再去點乘，可以得到十分簡單明了的結(jié)果，表明了核函數(shù)的高效。

高斯函數(shù)公式：

因此，可以利用高斯核SVM 對本次交通事故影響因素進行分析。

2.3 模型評價指標

SVM 模型主要采取混淆矩陣、F1 分數(shù)、ROC 曲線以及AUC 值進行評價。其中混淆矩陣的計算指標見表5。

表5 指標介紹

通過計算表5 中相應(yīng)指標結(jié)果，可推算出評價模型效果的指標：真正類率TPR、假真類率FPR、真負類率TNR=1-FPR、準確率ACC、精確率Precision、召回率Recall 以及調(diào)和平均值F1。

將計算的指標繪制ROC 曲線，ROC 曲線是由FPR 和TPR 的點連成。橫軸是FPR，縱軸是TPR。而AUC 即為ROC 曲線下方的面積，AUC 主要用于衡量二分類問題中機器學(xué)習(xí)算法性能或者泛化能力。

2.4 模型結(jié)果分析［6］

利用Matlab 實現(xiàn)高斯核函數(shù)SVM，獲得相應(yīng)的評價指標結(jié)果。

（1）混淆矩陣?；煜仃嚳梢妶D2，通過混淆矩陣可知原本是傷人事故的預(yù)測準確率最高，只有三個被誤分類未死亡事故，雖然財產(chǎn)損失誤分類的個數(shù)也只有三個，但由于其本身數(shù)量較少，其錯誤率達11.1%。同時也可以得出真正類率TPR 與真負類率TNR 等。

圖2 混淆矩陣

（2）ROC 曲線。ROC 曲線上r 任意一點都反映著對同一信號刺激的感受性。通過ROC 曲線可以計算出AUC 值，其計算方法通過Matlab 軟件實現(xiàn)。

為了驗證其最優(yōu)性，選取另外兩種模型決策樹與樸素貝葉斯神經(jīng)網(wǎng)絡(luò)進行ROC 曲線、AUC 值的對比分析，結(jié)果見圖3。

圖3 ROC 曲線

由圖3 分析可知,高斯核函數(shù)SVM 能較好地預(yù)測交通事故嚴重程度，故將數(shù)據(jù)集采用隨機抽取的方式抽取測試集進行預(yù)測，抽取樣本為所有樣本的20%即150 條數(shù)據(jù)，預(yù)測結(jié)果見表6。為證明其最優(yōu)性，采取SVM、決策樹與樸素貝葉斯神經(jīng)網(wǎng)絡(luò)進行對比預(yù)測。

表6 模型預(yù)測準確度

通過對比發(fā)現(xiàn)，對于交通事故嚴重程度的預(yù)測，高斯核函數(shù)SVM 具有較好的預(yù)測準確性，其準確率達95.72%。使用樸素貝葉斯神經(jīng)網(wǎng)絡(luò)［7］對事故嚴重程度進行預(yù)測［8］準確率只有63.72%，準確率較低。

3 結(jié)語

通過隨機森林對事故數(shù)據(jù)的特征指標進行重要性計算可知，對于事故發(fā)生最重要的特征因素為人員操作不當(dāng)［9］，主要存在三個方面：非機動車不按規(guī)定行駛、行人不按規(guī)定行駛和機動車不按規(guī)定行駛。因此，為減少道路交通事故的發(fā)生，需要對這三類人員進行交通安全教育。

基于交通事故數(shù)據(jù)分析，驗證高斯核函數(shù)具有95%的較高預(yù)測準確性，為未來事故預(yù)測提供一定的參考，同時為交通安全的改善提供方向。不足之處為數(shù)據(jù)量相對較少，只考慮了部分城市道路，涉及范圍較少，可能存在一定的偶然性，在今后的研究中將繼續(xù)逐步解決這些問題。