彭小蕩， 白明舉， 宋 浪， 安文娟

(1.貴州省都勻公路管理局， 貴州 都勻 558000； 2.招商局重慶交通科研設(shè)計(jì)院有限公司， 重慶 400067)

山區(qū)普通干線公路普遍存在小半徑曲線、長陡坡等線形不良路段，且路側(cè)地質(zhì)及路況環(huán)境惡劣，再加上雨、雪、霧等不良天氣，交通事故多發(fā)易發(fā)成為山區(qū)普通干線公路的運(yùn)營特征之一。在多種風(fēng)險(xiǎn)因素的綜合作用下，如何有效識別山區(qū)普通干線公路交通事故的風(fēng)險(xiǎn)致因，并針對性地提高該類公路的運(yùn)營安全水平，對保障人們出行安全尤為重要。

目前在交通事故風(fēng)險(xiǎn)識別領(lǐng)域已開展過大量研究。溫惠英等[1]構(gòu)建了山區(qū)公路風(fēng)險(xiǎn)要素分析模型，結(jié)果表明山區(qū)公路在多因素風(fēng)險(xiǎn)的綜合作用下，其交通事故風(fēng)險(xiǎn)性急劇增加。曹夢迪等[2]利用回歸模型分析了高速公路分、合流區(qū)的交通事故特征。既有研究成果表明，交通事故多發(fā)點(diǎn)風(fēng)險(xiǎn)致因分析需要借助各種分析模型，深入挖掘交通事故數(shù)據(jù)內(nèi)部之間的相互關(guān)系，常用的模型有Logit模型[3]、K均值聚類算法[4]、貝葉斯網(wǎng)絡(luò)[5]、故障樹模型[6]、灰色聚類法[7]、關(guān)聯(lián)規(guī)則[8]等。其中，關(guān)聯(lián)規(guī)則算法是利用支持度、置信度和提升度等評價(jià)指標(biāo)挖掘事物之間的關(guān)聯(lián)關(guān)系，在國內(nèi)外已得到廣泛的關(guān)注和應(yīng)用。

近年來，部分學(xué)者將關(guān)聯(lián)規(guī)則算法應(yīng)用到交通事故數(shù)據(jù)分析中，從中挖掘環(huán)境因素和事故后果之間的內(nèi)在關(guān)系。王穎志等[9]對關(guān)聯(lián)規(guī)則算法進(jìn)行了改進(jìn)，并結(jié)合頻數(shù)分析法對事故多發(fā)點(diǎn)風(fēng)險(xiǎn)致因進(jìn)行了分析；金雪純子等[10]利用關(guān)聯(lián)規(guī)則挖掘了重大道路交通事故影響因素之間的關(guān)系。其他學(xué)者也探討了關(guān)聯(lián)規(guī)則在城市道路[11-12]、高速公路出口匝道[13]等交通事故數(shù)據(jù)的挖掘中。但上述研究所涉及的關(guān)聯(lián)規(guī)則算法假設(shè)各個(gè)影響因素具有同等重要性，這與實(shí)際情況不符。

為此，本文引入風(fēng)險(xiǎn)權(quán)重來優(yōu)化改進(jìn)關(guān)聯(lián)規(guī)則算法，通過對山區(qū)普通干線公路事故多發(fā)點(diǎn)交通事故數(shù)據(jù)進(jìn)行分析，探索各影響因素之間的內(nèi)在關(guān)系，以對山區(qū)普通干線公路的運(yùn)營風(fēng)險(xiǎn)提出針對性整治措施，提升運(yùn)營安全水平。

1 山區(qū)普通干線公路交通事故特征分析

1.1 數(shù)據(jù)收集與處理

本文收集了貴州省黔南州普通干線公路16個(gè)交通事故多發(fā)點(diǎn)近3年的168條交通事故數(shù)據(jù)。該16處事故多發(fā)點(diǎn)含二級公路13處、三級公路2處、四級公路1處，設(shè)計(jì)速度均為40 km/h；有10處為平縱線形組合不良的急彎加陡坡路段，占比63%；急彎、陡坡、路側(cè)干擾嚴(yán)重、交叉口等單一平面線形或縱面線形不良的路段，占37%。近3年，急彎陡坡路段的事故總數(shù)最多，明顯高于其他類型路段；同時(shí)發(fā)生事故最多的單個(gè)路段也是急彎陡坡路段，如圖1所示為G210的一處急彎路段。在山區(qū)普通干線公路事故多發(fā)段中急彎+陡坡的平縱線形組合不良路段極為常見，也是影響其運(yùn)營安全的關(guān)鍵路段。

圖1 G210獨(dú)山縣一處急彎路段

基于上述分析，根據(jù)所獲取的該路段交通事故數(shù)據(jù)集字段信息，選擇事故發(fā)生月份、時(shí)間、責(zé)任車型、事故易發(fā)類型、氣候環(huán)境、事故原因、事故類型等7個(gè)屬性，并結(jié)合《公路路線設(shè)計(jì)規(guī)范》(JTG D20—2017)，對屬性及屬性值進(jìn)行編碼，其具體含義如表1所示。

表1 屬性及屬性值的選擇

1.2 事故嚴(yán)重程度分類

交通事故數(shù)據(jù)中“事故發(fā)生時(shí)間、事故易發(fā)類型”等屬性提供了交通環(huán)境致因因素，而“事故后果”則揭示相應(yīng)交通環(huán)境可能造成的危害，通常采用死亡人數(shù)、重傷人數(shù)、輕傷人數(shù)和財(cái)產(chǎn)損失等指標(biāo)量化嚴(yán)重程度。為表述交通環(huán)境風(fēng)險(xiǎn)權(quán)重，將事故后果統(tǒng)計(jì)指標(biāo)統(tǒng)一換算為單一的風(fēng)險(xiǎn)權(quán)重值。由于各指標(biāo)間還沒有形成統(tǒng)一的換算標(biāo)準(zhǔn)，依據(jù)公安部頒布的《關(guān)于修訂道路交通事故等級劃分標(biāo)準(zhǔn)的通知》的劃分標(biāo)準(zhǔn)，如表2所示[14]，利用人員傷亡和財(cái)產(chǎn)損失指標(biāo)間的關(guān)系給出換算系數(shù)。令“財(cái)產(chǎn)損失”轉(zhuǎn)換為“1”、“輕傷1人”轉(zhuǎn)換為“1.5”、“重傷1人”轉(zhuǎn)換為“3”、“死亡1人”轉(zhuǎn)換為“9”，得到風(fēng)險(xiǎn)權(quán)重值。

表2 依據(jù)事故后果的交通事故分類方法

2 改進(jìn)的多維加權(quán)關(guān)聯(lián)規(guī)則算法

關(guān)聯(lián)規(guī)則的概念由Agrawal等[15]首次提出，用于挖掘數(shù)據(jù)內(nèi)部項(xiàng)集間隱藏的、頻繁的相關(guān)關(guān)系，傳統(tǒng)的關(guān)聯(lián)規(guī)則算法有Apriori、灰色關(guān)聯(lián)和FP-growth等。其中，Apriori算法[16]是關(guān)聯(lián)規(guī)則挖掘中最為經(jīng)典也是使用最為廣泛的一個(gè)算法。經(jīng)典Apriori算法通過逐層搜索迭代，挖掘事務(wù)的頻繁項(xiàng)集集合，從而找到相對之間的強(qiáng)關(guān)聯(lián)關(guān)系。但經(jīng)典Apriori算法只適用于單一維度的數(shù)據(jù)挖掘，在處理多個(gè)維度時(shí)容易出現(xiàn)類似“事故責(zé)任車型(摩托)+事故責(zé)任車型(客車)=>事故類型(碰撞)”“事故責(zé)任車型(摩托)=>事故責(zé)任車型(客車)”等同一維度下不同屬性值的相互連接，使得產(chǎn)生一些對交通事故致因分析沒有意義的規(guī)則，同時(shí)也降低了挖掘算法的運(yùn)算效率。此外，經(jīng)典Apriori算法假設(shè)各個(gè)影響因素具有同等重要性，但在現(xiàn)實(shí)生活中，每個(gè)影響因素的重要性并不相同，如急彎陡坡路段處發(fā)生1起死亡事故和交叉口處發(fā)生1起財(cái)產(chǎn)損失事故，并不能視為同等的重要程度處理。為此，通過引入交通事故風(fēng)險(xiǎn)權(quán)重來定義支持度、置信度和提升度，提出了一種改進(jìn)的多維屬性加權(quán)Apriori算法，用來挖掘引發(fā)交通事故的多維關(guān)聯(lián)規(guī)則，從而提取導(dǎo)致交通事故發(fā)生的主要原因，并按影響程度的優(yōu)先級進(jìn)行改造。

令I(lǐng)={I1,I2,…,Ik,…,In}是項(xiàng)的集合，含有n個(gè)元素，Ik為包含k個(gè)項(xiàng)目集合的k項(xiàng)集；D={D1,D2,…,Dj,…,Dm}是事務(wù)的集合(即交通事故數(shù)據(jù)集)，含有m條事務(wù)(即交通事故數(shù)據(jù)集中事故起數(shù))，在本文所獲取的交通數(shù)據(jù)中m=168；每個(gè)事務(wù)都是一個(gè)非空項(xiàng)集，存在唯一的編號。關(guān)聯(lián)規(guī)則形如X?Y，其中X∈I，Y∈I，X∩Y∈φ，且X、Y均為非空項(xiàng)集。規(guī)則X?Y解釋為項(xiàng)集X在某次事故中出現(xiàn)，則項(xiàng)集Y會以一定的概率伴隨出現(xiàn)。同時(shí)規(guī)則X?Y，如果在事務(wù)集D中成立，應(yīng)具有支持度(Support)、置信度(Confidence)和提升度(Lift)，相關(guān)計(jì)算公式如式(1)～式(3)所示。若同時(shí)滿足最小支持度和最小置信度，以及提升度大于1的要求，則為強(qiáng)關(guān)聯(lián)規(guī)則，用戶對這類規(guī)則是感興趣的。如存在強(qiáng)關(guān)聯(lián)規(guī)則“急彎陡坡路段，雨”=>“駛出路面”，表示為雨天行駛在急彎陡坡路段易發(fā)生駛出路面的交通事故，前項(xiàng)交通事故屬性與后項(xiàng)交通事故屬性之間存在一定的關(guān)聯(lián)關(guān)系。

(1)

(2)

(3)

引入風(fēng)險(xiǎn)權(quán)重的支持度、置信度和提升度后，式(1)～式(3)可改進(jìn)為式(4)～式(6)，風(fēng)險(xiǎn)權(quán)重值的定義見1.2節(jié)。

P′(X∪Y)

(4)

(5)

(6)

式中：δ為交通事故風(fēng)險(xiǎn)權(quán)重值。

在多維關(guān)聯(lián)規(guī)則中，表1所給出的7個(gè)交通事故屬性組合構(gòu)成了交通事故項(xiàng)集，所獲取的168條交通事故數(shù)據(jù)構(gòu)成了事務(wù)集合。舉例說明：“1月”“急彎路段”“雨天”等屬性值均為項(xiàng)目，{“1月”“急彎路段”“雨天”}為一個(gè)3項(xiàng)集；{“12月”“事故發(fā)生時(shí)間(12:00, 18:00]”“客車”“急彎路段”“陰”“超速駕駛”“碰撞”}為一個(gè)事務(wù)，且對應(yīng)的編號為1。關(guān)聯(lián)規(guī)則將支持度大于最小支持度的項(xiàng)集稱為頻繁集。由于任何非頻繁k-1項(xiàng)集都不是頻繁k項(xiàng)集的子集，為避免算法每次迭代都要搜索整個(gè)數(shù)據(jù)集，提高算法的運(yùn)算效率，利用算法的先驗(yàn)性質(zhì)，對算法進(jìn)行剪枝。交通事故關(guān)聯(lián)規(guī)則分析是研究人-車-路-環(huán)境等因素(前項(xiàng)X)與事故類型(后項(xiàng)Y)之間的關(guān)聯(lián)關(guān)系，通過挖掘強(qiáng)關(guān)聯(lián)規(guī)則，找出其中影響行車安全的不良因素進(jìn)行改造，因此關(guān)聯(lián)規(guī)則挖掘時(shí)，項(xiàng)集中后項(xiàng)需為事故類型。

關(guān)聯(lián)規(guī)則改進(jìn)算法挖掘流程如下：

Step1 對交通事故數(shù)據(jù)進(jìn)行預(yù)處理，按表1屬性值編碼方法，將事故文本數(shù)據(jù)轉(zhuǎn)換為標(biāo)準(zhǔn)格式，令k=2。

Step2 搜索數(shù)據(jù)庫，找出k項(xiàng)集的候選集，根據(jù)式(4)計(jì)算支持度，并與最小支持度比較，進(jìn)而找出k項(xiàng)集的頻繁集。

Step3 剪枝，若某頻繁集中不包含事故原因或事故類型2個(gè)維度的項(xiàng)目，則刪除這條頻繁集；若某頻繁集中出現(xiàn)同一維度的項(xiàng)目，則刪除這條頻繁集。

Step4 將k項(xiàng)頻繁集中的事故類型維度的項(xiàng)目作為后項(xiàng)Y，其余項(xiàng)目作為前項(xiàng)X，根據(jù)式(5)和式(6)計(jì)算各規(guī)則置信度和提升度。

Step5 連接，在k項(xiàng)頻繁集的基礎(chǔ)上，連接一個(gè)其他維度的項(xiàng)目，形成k+1項(xiàng)頻繁集，令k=k+1。

Step6 若k≤n，回到Step2，否則結(jié)束。

3 事故多發(fā)點(diǎn)成因分析

3.1 關(guān)聯(lián)規(guī)則指標(biāo)含義及閾值

采用關(guān)聯(lián)規(guī)則進(jìn)行交通事故數(shù)據(jù)挖掘，需提前設(shè)置支持度、置信度和提升度閾值，參考金雪純子等[10]的參數(shù)取值，將3個(gè)指標(biāo)的閾值設(shè)置為支持度≥0.1、置信度≥0.7和提升度≥1.5。關(guān)聯(lián)規(guī)則挖掘中還存在類似氣候環(huán)境“雨天”、事故責(zé)任車型“摩托車”等小概率前項(xiàng)和事故類型“撞固定物”等小概率后項(xiàng)等情況，傳統(tǒng)的關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘容易忽略這些小概率評價(jià)因子，但這些小概率評價(jià)因子往往最易導(dǎo)致傷亡事故的發(fā)生。為此本文采用加權(quán)關(guān)聯(lián)規(guī)則算法，同時(shí)將支持度閾值取為4/N作為小概率評價(jià)因子關(guān)聯(lián)規(guī)則挖掘頻繁集判定依據(jù)[9]。

采用小概率支持度閾值4/N，共挖掘到1 138條關(guān)聯(lián)規(guī)則。由于有效關(guān)聯(lián)規(guī)則數(shù)據(jù)量較大，無法有效進(jìn)行分析，故按照評價(jià)因子進(jìn)行分類，并根據(jù)“提升度-置信度-支持度”的優(yōu)先順序?qū)ζ浣敌蚺帕?，選取前5項(xiàng)關(guān)聯(lián)規(guī)則作為當(dāng)前評價(jià)因子的代表。以事故類型“碰撞”為例，運(yùn)算結(jié)果如表3所示。由表3關(guān)聯(lián)分析結(jié)果可知，引起碰撞事故的因素有雨天路面濕滑、違規(guī)占道行為、急彎路段線形不良等因素，因此，應(yīng)加強(qiáng)山區(qū)普通干線公路急彎路段雨天路面濕滑環(huán)境下客車違規(guī)占道行駛的管控，以降低碰撞事故風(fēng)險(xiǎn)。

表3 關(guān)聯(lián)規(guī)則結(jié)果

3.2 后項(xiàng)評價(jià)因子成因分析

選取碰撞、翻車等事故類型作為后項(xiàng)進(jìn)行總體分析，其中翻車、撞固定物為小概率后項(xiàng)，結(jié)果如表4所示。由表4可知，山區(qū)普通干線公路運(yùn)營安全管理過程中，應(yīng)加強(qiáng)對急彎路段與急彎陡坡路段的超車行為管控，加強(qiáng)車輛違規(guī)占用對向車道行為的執(zhí)法，盡量增大平曲線半徑、減小縱坡坡度，增設(shè)夜間行車安全警示標(biāo)志。

表4 后項(xiàng)評價(jià)因子總體分析結(jié)果

3.3 前項(xiàng)評價(jià)因子影響分析

選取摩托車、急彎路段、占道行駛、超速行駛等評價(jià)因子作為前項(xiàng)進(jìn)行總體分析，結(jié)果如表5所示。由表5可知，山區(qū)普通干線公路運(yùn)營安全管理過程中，應(yīng)加強(qiáng)急彎路段與急彎陡坡路段超速執(zhí)法，加強(qiáng)摩托車駕駛員安全駕駛行為培訓(xùn)，增設(shè)雨天行車安全警示標(biāo)志。

表5 前項(xiàng)評價(jià)因子總體分析結(jié)果

4 結(jié)束語

1) 根據(jù)所獲取的168條山區(qū)普通干線公路事故多發(fā)點(diǎn)的交通事故數(shù)據(jù)資料，采用改進(jìn)的多維加權(quán)關(guān)聯(lián)規(guī)則算法進(jìn)行事故多發(fā)點(diǎn)風(fēng)險(xiǎn)致因挖掘分析，相對于傳統(tǒng)描述性統(tǒng)計(jì)分析方法，能夠揭示多種因素相互作用對山區(qū)普通干線公路交通事故的影響。

2) 通過關(guān)聯(lián)分析發(fā)現(xiàn)，山區(qū)普通干線公路交通事故主要原因?yàn)檎嫉佬旭偤统傩旭?，最常見的是因違規(guī)占道行駛導(dǎo)致發(fā)生碰撞事故。從不同類型事故的發(fā)生原因統(tǒng)計(jì)結(jié)果看，超速駕駛、占道行駛、未保持安全行車間距均是引起碰撞事故的主要原因。易引起事故的風(fēng)險(xiǎn)因素組合有：客車、輕型貨車在雨天超速行駛；客車和貨車在急彎路段違規(guī)占道行駛。

3) 在山區(qū)普通干線公路的運(yùn)營管理和風(fēng)險(xiǎn)隱患整治行動(dòng)中，建議加強(qiáng)急彎、急彎陡坡等線形不良路段的車輛違規(guī)變道、超速行駛管理，加強(qiáng)雨天道路濕滑環(huán)境下的減速慢行警示誘導(dǎo)，加強(qiáng)急彎、路基寬度不足等路段的車輛違規(guī)占道監(jiān)管。