高速公路實(shí)時(shí)事故風(fēng)險(xiǎn)研判模型及可移植性

游錦明， 方守恩， 張?zhí)m芳， 折 欣

(同濟(jì)大學(xué) 道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室， 上海 201804)

隨著我國(guó)交通行業(yè)的快速發(fā)展，公眾在交通出行時(shí)對(duì)高速公路交通安全的要求越來(lái)越高，交通安全領(lǐng)域已由傳統(tǒng)的被動(dòng)安全改善向主動(dòng)安全風(fēng)險(xiǎn)防控發(fā)展.然而由于我國(guó)高速公路信息化發(fā)展遲滯，多數(shù)高速公路尚未完善配置密集的監(jiān)控檢測(cè)設(shè)備用以信息采集，使得調(diào)度管理人員無(wú)法對(duì)高速公路進(jìn)行全方位把控，部分高速公路路段處于監(jiān)控盲區(qū)，從而導(dǎo)致該部分路段的實(shí)時(shí)交通運(yùn)行安全無(wú)法得到保障.與此同時(shí)，我國(guó)高速公路信息化正處于高速發(fā)展階段，公安部、交通部等主管部門紛紛出臺(tái)相關(guān)規(guī)劃文件，在新型智能交通快速發(fā)展的背景下，提出了主動(dòng)風(fēng)險(xiǎn)防控的需求，各地高速公路交通管理部門也在同步進(jìn)行信息化建設(shè)，逐漸加密完善監(jiān)控檢測(cè)、信息發(fā)布等設(shè)備布設(shè)，提升高速公路交通安全服務(wù)水平.

為了實(shí)現(xiàn)全方位的高速公路實(shí)時(shí)事故風(fēng)險(xiǎn)研判，基于我國(guó)高速公路現(xiàn)狀信息化管理下的稀疏高清卡口交通流數(shù)據(jù)，對(duì)實(shí)時(shí)事故風(fēng)險(xiǎn)研判模型進(jìn)行構(gòu)建，并開展模型的可移植性研究，從而為國(guó)內(nèi)高速公路相關(guān)交通安全管理部門在實(shí)時(shí)主動(dòng)交通安全風(fēng)險(xiǎn)分析方面提供借鑒.

1 研究綜述

在實(shí)時(shí)事故風(fēng)險(xiǎn)預(yù)測(cè)方面，國(guó)外專家開展了大量的研究，尤其以美國(guó)、歐洲、日本等發(fā)達(dá)國(guó)家為主，由于其高速公路信息化較早、信息化程度較高，許多專家學(xué)者基于其海量密集的高速公路運(yùn)營(yíng)數(shù)據(jù)，開展了廣泛的事故先兆研究工作.

早期高速公路交通流數(shù)據(jù)以線圈數(shù)據(jù)為主，專家學(xué)者通過(guò)采用不同的模型方法在交通流狀態(tài)參數(shù)與事故結(jié)果之間建立起因果關(guān)聯(lián)，如Logistic模型[1-3]、神經(jīng)網(wǎng)絡(luò)模型[4-6]、貝葉斯方法[7-8]等.2012年隨著美國(guó)高速公路上布設(shè)了新型的自動(dòng)車輛識(shí)別系統(tǒng)(AVI),使得旅行速度的實(shí)時(shí)測(cè)度成為了可能，該指標(biāo)能夠反映車輛在某個(gè)路段的平均行駛速度.Abdel-Aty等[7]通過(guò)結(jié)合該系統(tǒng)所采集的數(shù)據(jù)和路段上的事故數(shù)據(jù)進(jìn)行建模，其Logistic回歸模型能夠鑒別69%的事故伴隨著42.01%的誤報(bào)率，同時(shí)提出了一種基于貝葉斯改進(jìn)方法的Logistic回歸模型，模型能夠提升3.5%的事故預(yù)測(cè)精度，但是誤報(bào)率也提升為45.83%.由于大量的事故誤報(bào)會(huì)影響駕駛?cè)藢?duì)管控評(píng)價(jià)系統(tǒng)的認(rèn)同度從而降低管控系統(tǒng)的有效性，因此模型還有待繼續(xù)改進(jìn).

2013年Yu等[9]采用分類回歸樹和貝葉斯Logistic回歸對(duì)指標(biāo)選取后，構(gòu)建了支持向量機(jī)模型，采用受試者曲線下面積(AUC)對(duì)不同核函數(shù)的支持向量機(jī)模型進(jìn)行評(píng)判，AUC值均大于0.7，能夠較優(yōu)地對(duì)事故風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè).同年Yu等[10]采用隨機(jī)效應(yīng)Logistic回歸模型分析工作日和周末事故數(shù)據(jù)差異、道路線形數(shù)據(jù)和遠(yuǎn)程微波交通檢測(cè)器采集的交通流數(shù)據(jù)(RTMS)，結(jié)果發(fā)現(xiàn)工作日事故更易發(fā)生在擁堵區(qū)域而周末事故往往發(fā)生在自由流條件下.2013年Ahmed等[11]采用隨機(jī)梯度推理機(jī)器學(xué)習(xí)方法，結(jié)合RTMS和AVI的交通流數(shù)據(jù)對(duì)事故風(fēng)險(xiǎn)進(jìn)行建模，模型最終達(dá)到了89%的事故預(yù)測(cè)精度伴隨著6.5%的誤報(bào)率.Shi等[12]通過(guò)對(duì)未處理的AVI原始數(shù)據(jù)對(duì)事故風(fēng)險(xiǎn)進(jìn)行研究，采用多層隨機(jī)參數(shù)模型和負(fù)二項(xiàng)模型進(jìn)行建模來(lái)提升模型對(duì)于復(fù)雜數(shù)據(jù)和樣本間的非勻質(zhì)性的適應(yīng)能力，研究表明低速、高速度離散性和高流量會(huì)顯著提升事故風(fēng)險(xiǎn).這些研究均表明了采用高分辨率的交通流參數(shù)對(duì)事故預(yù)測(cè)的有效性.

國(guó)內(nèi)由于高速公路信息化程度較低，在實(shí)時(shí)事故風(fēng)險(xiǎn)預(yù)測(cè)方面的研究較少.哈爾濱工業(yè)大學(xué)趙新勇[13]結(jié)合支持向量機(jī)和決策樹提出了基于交通流參數(shù)的事故多發(fā)點(diǎn)交通安全事件風(fēng)險(xiǎn)研判模型，選取高速公路追尾事故作為分析的目標(biāo)交通安全事件，采用了支持向量機(jī)算法建立了追尾事故風(fēng)險(xiǎn)預(yù)測(cè)模型.孫劍等[14]基于上海市快速路上的線圈交通流數(shù)據(jù)和事故數(shù)據(jù)，采用貝葉斯網(wǎng)絡(luò)(BN)對(duì)事故風(fēng)險(xiǎn)進(jìn)行建模，基于高斯混合模型和最大期望算法對(duì)貝葉斯網(wǎng)絡(luò)模型參數(shù)進(jìn)行估計(jì)，分別對(duì)事故點(diǎn)前后2組檢測(cè)器和4個(gè)時(shí)間段的8組交通流數(shù)據(jù)進(jìn)行建模，結(jié)果表明使用事故點(diǎn)上下游各一檢測(cè)器、基于事故前5～10 min內(nèi)的交通流數(shù)據(jù)的模型效果最優(yōu)，其事故預(yù)測(cè)精度達(dá)到了76.94%.次年賈豐源等[15]對(duì)模型進(jìn)行了改進(jìn)，采用隨機(jī)森林對(duì)變量進(jìn)行篩選，最終篩選變量后建立的貝葉斯網(wǎng)絡(luò)模型預(yù)測(cè)效果更佳，其事故預(yù)測(cè)準(zhǔn)確率達(dá)到了82.78%.

研究表明事故風(fēng)險(xiǎn)預(yù)測(cè)模型經(jīng)過(guò)參數(shù)重訓(xùn)練后能夠應(yīng)用于其他高速公路實(shí)時(shí)交通安全評(píng)價(jià)[16]，但是由于國(guó)內(nèi)外駕駛?cè)笋{駛習(xí)慣的差異性和不同區(qū)域的交通流特性不同，直接使用現(xiàn)有的模型實(shí)際上并不可取，模型的可移植性分析顯得尤為重要.Sun等[17-18]基于上海市快速路延安高架和南北高架的交通流檢測(cè)器數(shù)據(jù)，翔實(shí)地研究了不同時(shí)間段、不同懲罰因子等模型參數(shù)對(duì)于實(shí)時(shí)事故風(fēng)險(xiǎn)預(yù)測(cè)模型的影響，并進(jìn)行了相互的可移植性研究，驗(yàn)證了模型的有效性和普適性.然而該部分研究依然基于間距為300～500 m的檢測(cè)器，上下游共4個(gè)檢測(cè)器，與國(guó)外研究保持一致.而國(guó)內(nèi)高速公路上檢測(cè)設(shè)備較為稀疏，不能支撐模型研判，這使得高密度的模型無(wú)法在這種條件下進(jìn)行應(yīng)用驗(yàn)證.另一方面，許多研究指出速度離散性對(duì)于事故風(fēng)險(xiǎn)有著顯著影響，但是由于現(xiàn)有交通流數(shù)據(jù)多數(shù)來(lái)自于集計(jì)的線圈數(shù)據(jù)，速度離散性指標(biāo)并沒(méi)有得到充分研究[19].因此開展基于稀疏檢測(cè)器的高速公路實(shí)時(shí)事故風(fēng)險(xiǎn)研判研究，探索將已信息化高速公路路段的研判模型應(yīng)用至相鄰路段，并進(jìn)行模型可移植性研究，為新信息化路段的實(shí)時(shí)交通安全風(fēng)險(xiǎn)防控提供決策依據(jù).

建模技術(shù)路線如圖1所示.

圖1 建模技術(shù)路線

2 數(shù)據(jù)準(zhǔn)備

數(shù)據(jù)來(lái)源于G15沈海高速南通段，該段全長(zhǎng)約100 km，設(shè)計(jì)速度120 km·h-1，雙向6車道，數(shù)據(jù)主要為事故數(shù)據(jù)和高清卡口過(guò)車數(shù)據(jù)兩大類.

2.1 事故數(shù)據(jù)

采用的事故數(shù)據(jù)為2016年1月1日至2016年10月31日期間G15沈海高速公路南通段所登記錄入的事故數(shù)據(jù).公安部交通事故登記錄入了事故發(fā)生時(shí)間、事故地點(diǎn)、事故類型、事故形態(tài)、死傷人數(shù)等信息，記錄信息較全面，部分事故信息在記錄時(shí)缺少方向信息，因此該部分事故數(shù)據(jù)無(wú)法直接定位到高速公路路段上進(jìn)行后續(xù)分析應(yīng)用，予以剔除.整體而言，共記錄事故數(shù)據(jù)5 924起，按照事故形態(tài)劃分如圖2.

圖2 G15沈海高速南通段事故形態(tài)統(tǒng)計(jì)

從圖中可以發(fā)現(xiàn)，車輛間事故(含碰撞運(yùn)動(dòng)車輛、其他車輛間事故)占了總體約88%，而碰撞運(yùn)動(dòng)車輛占了約86%，說(shuō)明該路段上大部分事故均為動(dòng)態(tài)交通中的追尾碰撞事故，而對(duì)于單車事故而言由于偶然因素較多，因此著重研究車輛間事故的實(shí)時(shí)風(fēng)險(xiǎn)研判.

2.2 高清卡口交通流數(shù)據(jù)

采用的高清卡口交通流數(shù)據(jù)為2016年1月1日至2016年10月31日期間G15沈海高速公路南通段上公安部交通管理部門所布設(shè)的高清卡口系統(tǒng)所采集的過(guò)車數(shù)據(jù).高清卡口過(guò)車數(shù)據(jù)相對(duì)于傳統(tǒng)的線圈數(shù)據(jù)而言，能夠更精準(zhǔn)地采集單獨(dú)車輛通過(guò)時(shí)的詳細(xì)數(shù)據(jù)，可以準(zhǔn)確分辨車輛所處車道信息、車速信息等，為進(jìn)行速度離散性于交通安全的影響研究提供了數(shù)據(jù)支撐.該路段共布設(shè)5套高清卡口系統(tǒng)，其中一套D122為單行卡口，只能記錄單側(cè)通行方向車輛過(guò)車信息.其布設(shè)點(diǎn)位信息如圖3.

圖3 G15沈海高速南通段高清卡口布設(shè)點(diǎn)位情況

由圖中可見，全長(zhǎng)約100 km的高速公路路段只配置了5套高清卡口設(shè)備，2個(gè)高清卡口最近的距離為5 km，最遠(yuǎn)的距離長(zhǎng)達(dá)33 km，與國(guó)外布設(shè)的線圈布設(shè)密度(0.5 mile，約800 m)相比，相差甚遠(yuǎn).目前在既有研究中，已經(jīng)證明了基于單檢測(cè)器的交通流數(shù)據(jù)用以實(shí)時(shí)事故風(fēng)險(xiǎn)研判的可靠性和有效性[20]，因此，基于單個(gè)高清卡口的交通流數(shù)據(jù)對(duì)同路段的事故進(jìn)行研判研究.以高速公路出入口和立交樞紐作為節(jié)點(diǎn)，將該路段劃分為8個(gè)子路段，則共有4個(gè)子路段上布設(shè)了高清卡口，因此最終該4個(gè)路段上發(fā)生的事故能夠通過(guò)時(shí)間和空間配對(duì)方法匹配到相應(yīng)的交通流數(shù)據(jù).如若事故發(fā)生在丁堰收費(fèi)站和S28互通立交之間，則匹配到子路段⑥上布設(shè)的高清卡口設(shè)備B198，根據(jù)事故發(fā)生時(shí)間確定其對(duì)應(yīng)時(shí)間前5至10 min的高清卡口過(guò)車數(shù)據(jù)作為事故發(fā)生前的交通流狀態(tài).然后將該時(shí)間片段內(nèi)的過(guò)車數(shù)據(jù)針對(duì)其時(shí)空分布抽取對(duì)應(yīng)的各車道的時(shí)間分布參數(shù)(Qn、EQn、DQn)、速度分布參數(shù)(EVn、DVn、RVn)等共18個(gè)指標(biāo)，其中Qn、EQn、DQn分別代表第n車道5～10 min內(nèi)的流量、車輛時(shí)間分布均值，車輛時(shí)間分布離散度，EVn、DVn、RVn分別代表第n車道5～10 min內(nèi)的速度均值、速度方差、速度極差.

2.3 配對(duì)案例對(duì)照方法

采用對(duì)照組和案例組4∶1的比例對(duì)駕駛?cè)?、車輛特性及道路環(huán)境等因素進(jìn)行控制變量研究.對(duì)照組根據(jù)事故發(fā)生的時(shí)間進(jìn)行選定，分別選取其前14 d相應(yīng)時(shí)間、前7 d相應(yīng)時(shí)間、后7 d相應(yīng)時(shí)間、后14 d相應(yīng)時(shí)間的交通流數(shù)據(jù)作為對(duì)照組，未能匹配到高清卡口過(guò)車數(shù)據(jù)的樣本及匹配到異常值過(guò)車數(shù)據(jù)的樣本在最終樣本確定時(shí)予以剔除，最終共有3個(gè)路段上的事故數(shù)據(jù)和過(guò)車數(shù)據(jù)完成配對(duì)，如表1.

表1 配對(duì)后有效樣本信息

確定有效樣本后，將根據(jù)各子路段的樣本進(jìn)行分別建模，從而為后續(xù)的可移植性研究作好鋪墊.

3 支持向量機(jī)建模

支持向量機(jī)(SVMs)作為現(xiàn)階段最為流行的監(jiān)督式機(jī)器學(xué)習(xí)算法之一，被廣泛應(yīng)用于文本分類、圖像識(shí)別、語(yǔ)音識(shí)別等領(lǐng)域，在分類問(wèn)題、回歸問(wèn)題上均有著良好的表現(xiàn).由于傳統(tǒng)的廣義線性模型假設(shè)自變量與因變量之間有著顯著的線性關(guān)系，而當(dāng)自變量表現(xiàn)出很強(qiáng)的非線性特征時(shí)，那么采用廣義線性模型去對(duì)參數(shù)進(jìn)行估計(jì)時(shí)便會(huì)產(chǎn)生顯著的偏差[21]，而支持向量機(jī)在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，因此基于當(dāng)前樣本的小樣本特點(diǎn)，選取支持向量機(jī)C-SVC模型作為實(shí)時(shí)事故風(fēng)險(xiǎn)研判的模型手段.

在機(jī)器學(xué)習(xí)領(lǐng)域，樣本變量的選取決定了機(jī)器學(xué)習(xí)的效率.而隨機(jī)森林可以以自然的形式對(duì)分類回歸問(wèn)題中的變量進(jìn)行排序從而篩選出影響結(jié)果的重要變量，因此為了構(gòu)建高效的機(jī)器學(xué)習(xí)模型，提升模型計(jì)算效率和避免過(guò)擬合現(xiàn)象，選用隨機(jī)森林進(jìn)行參數(shù)篩選.針對(duì)3個(gè)子路段構(gòu)建的樣本分別篩選關(guān)鍵參數(shù)，用以后續(xù)的支持向量機(jī)建模.各子路段參數(shù)篩選后的參數(shù)概述信息如表2所示.

研究經(jīng)驗(yàn)表明，采用徑向基核函數(shù)作為C-SVC模型高維映射變換函數(shù)的分類預(yù)測(cè)模型的分類效果普遍優(yōu)于基于多項(xiàng)式、Sigmoid核函數(shù)的C-SVC模型，因此采用徑向基核函數(shù)作為樣本高維映射核函數(shù).在C-SVC模型的構(gòu)建時(shí)，引入了常數(shù)C作為懲罰系數(shù)控制損失的大小.模型求解中C可作為調(diào)節(jié)參數(shù)，用于影響訓(xùn)練模型的分類性能.此外，徑向基核函數(shù)中γ參數(shù)也是模型訓(xùn)練前需輸入的常數(shù)，該參數(shù)的數(shù)值也會(huì)明顯影響模型的分類性能.所以應(yīng)用SVM方法解決分類問(wèn)題還需解決SVM模型參數(shù)及核函數(shù)參數(shù)的尋優(yōu)問(wèn)題，得到分類效果最佳的一組C、γ參數(shù).目前在核函數(shù)參數(shù)選取方面，機(jī)器學(xué)習(xí)領(lǐng)域尚未有統(tǒng)一規(guī)則，往往根據(jù)歷史經(jīng)驗(yàn)，給定一定的參數(shù)范圍空間C∈[20,216]、γ∈[2-16,20]，按照梯度，通過(guò)編程枚舉的方式對(duì)不同參數(shù)組合下的模型預(yù)測(cè)效果進(jìn)行對(duì)比，結(jié)合十重交叉驗(yàn)證法得出最優(yōu)的參數(shù)對(duì)(C,γ)并建立對(duì)應(yīng)的SVM分類器.將各路段對(duì)應(yīng)的樣本按照訓(xùn)練集與測(cè)試集的比例為70%、30%的比例分配，以訓(xùn)練集訓(xùn)練模型，最后采用測(cè)試集的預(yù)測(cè)精度(包含事故預(yù)測(cè)精度和總體預(yù)測(cè)精度，其中事故預(yù)測(cè)精度指在所有事故樣本中成功被預(yù)測(cè)的事故樣本的比例，總體預(yù)測(cè)精度指所有樣本成功被預(yù)測(cè)的樣本比例)和AUC作為支持向量機(jī)分類器的分類性能評(píng)價(jià)指標(biāo).3個(gè)子路段對(duì)應(yīng)的支持向量機(jī)分類器相關(guān)參數(shù)和分類性能如表3.

表2隨機(jī)森林參數(shù)篩選后各子路段交通流參數(shù)統(tǒng)計(jì)

Tab.2Summarystatisticsofeachsub-segmentaftertrafficparameterfilteringbasedonRandomForest

卡口編號(hào)指標(biāo)均值方差1/4分位數(shù)3/4分位數(shù)A196EQ3 59.71×10-46.26×10-458.71×10-462.67×10-4DQ34.77×10-42.45×10-42.85×10-46.68×10-4EV360.39 20.78 50.88 78.44 DV325.88 10.11 16.94 36.10 RV3110.45 26.59 98.00 124.00 B198EQ358.56×10-410.41×10-458.85×10-462.36×10-4DQ34.52×10-42.64×10-42.57×10-46.60×10-4EV363.28 21.14 56.38 78.56 DV329.53 11.19 22.48 39.69 C200EQ148.13×10-430.55×10-431.00×10-457.00×10-4EQ360.17×10-47.46×10-458.69×10-463.59×10-4DQ34.36×10-42.59×10-42.36×10-46.43×10-4EV370.55 23.14 59.48 89.39 DV327.85 12.52 16.32 40.47

表3 各子路段支持向量機(jī)分類器參數(shù)及分類性能

從表中可以看出，從事故預(yù)測(cè)精度、總體精度、AUC各指標(biāo)角度對(duì)分類器性能進(jìn)行評(píng)價(jià)，都可以發(fā)現(xiàn)構(gòu)建的3個(gè)基于高清卡口的支持向量機(jī)分類器分類性能較優(yōu)，同比國(guó)內(nèi)外其他研究中構(gòu)建的模型而言，模型分類精度有著較高程度的提升，這也間接地表明了采用高分辨率的交通流數(shù)據(jù)用以實(shí)時(shí)事故風(fēng)險(xiǎn)研判的可靠性，同時(shí)，也為模型的可移植性拓展研究提供了數(shù)據(jù)支撐.

4 模型可移植性分析

為提升模型的普適性，需對(duì)模型的可移植性進(jìn)行分析，從而使模型能應(yīng)用于其他路段.由于實(shí)時(shí)事故風(fēng)險(xiǎn)研判需要大量的歷史事故數(shù)據(jù)和交通流數(shù)據(jù)進(jìn)行支持，而往往對(duì)于新納入信息化發(fā)展規(guī)劃中的路段而言缺乏了歷史的交通流數(shù)據(jù)用以進(jìn)行研判支撐，通過(guò)模型可移植性分析，可以將已信息化路段構(gòu)建的研判模型轉(zhuǎn)移至周邊道路進(jìn)行應(yīng)用，使得模型具備推廣應(yīng)用能力.考慮到國(guó)內(nèi)高速公路的逐步信息化進(jìn)程，對(duì)G15上已經(jīng)能夠進(jìn)行實(shí)時(shí)事故風(fēng)險(xiǎn)研判的3個(gè)路段進(jìn)行交互性的可移植性分析，即采用某個(gè)既定路段所構(gòu)建的模型對(duì)其他相鄰路段的交通流狀態(tài)進(jìn)行判別，從而達(dá)到實(shí)時(shí)事故風(fēng)險(xiǎn)研判的目的.例如，采用A196對(duì)應(yīng)路段構(gòu)建的支持向量機(jī)模型分別對(duì)B198路段的樣本和C200路段的樣本分別進(jìn)行預(yù)測(cè)，采用事故預(yù)測(cè)精度和總體預(yù)測(cè)精度對(duì)分類器性能進(jìn)行評(píng)價(jià).各段交互預(yù)測(cè)結(jié)果如表4.

表4各路段支持向量機(jī)模型可移植性分析

Tab.4TransferabilityanalysisoftheSVMsoneachsub-segment

模型預(yù)測(cè)精度/%A196樣本B198樣本C200樣本A19683.33,97.6271.43,93.9647.92,86.77B198100.00,97.8576.47,95.9672.92,93.12C200100.00,96.0692.86,96.07100.00,91.23

注：逗號(hào)前為事故預(yù)測(cè)精度，逗號(hào)后為總體預(yù)測(cè)精度.

從表中可以看出，3個(gè)支持向量機(jī)分類器的可移植性效果都較佳，尤其以C200處建立的支持向量機(jī)分類器而言，其建立的支持向量機(jī)分類器能夠較好地對(duì)A196路段處和B198路段處的事故樣本和總體樣本進(jìn)行預(yù)測(cè)，說(shuō)明其分類器的參數(shù)集合更具有普適性，可移植性更優(yōu).

針對(duì)各分類器對(duì)各樣本集的錯(cuò)誤分類的樣本進(jìn)行時(shí)間、天氣分析可以發(fā)現(xiàn)：

(1) 對(duì)于A196對(duì)應(yīng)路段的樣本而言，采用B198路段構(gòu)建的SVM錯(cuò)誤地將7起正常樣本劃分為事故樣本，其中3起樣本為雨天環(huán)境下的樣本；采用C200路段構(gòu)建的SVM錯(cuò)誤地將6起正常樣本劃分為事故樣本，其中3起為雨天環(huán)境下的樣本.總體而言，錯(cuò)分類樣本中有5起正常樣本是B198-SVM和C200-SVM的錯(cuò)誤劃分，這5起樣本中有3起樣本都發(fā)生在國(guó)定假日期間.

(2) 對(duì)于B198對(duì)應(yīng)路段的樣本而言，采用A196路段構(gòu)建的SVM錯(cuò)誤地將20起樣本錯(cuò)誤劃分，其中9起樣本為雨天環(huán)境下的樣本，12起為夜間發(fā)生的事故樣本；采用C200路段構(gòu)建的SVM錯(cuò)誤將9起樣本劃分，其中4起為雨天環(huán)境下的樣本，3起為夜間發(fā)生的事故樣本.總體而言，錯(cuò)分類樣本中有8起樣本是A196-SVM、B198-SVM和C200-SVM 3個(gè)分類器的錯(cuò)誤劃分，8起中有2起樣本發(fā)生在國(guó)定假日期間.

(3) 對(duì)于C200對(duì)應(yīng)路段的樣本而言，采用A196路段構(gòu)建的SVM錯(cuò)誤地將25起樣本錯(cuò)誤劃分，其中4起樣本為雨天環(huán)境下的樣本，5起為夜間發(fā)生的事故樣本；采用B198路段構(gòu)建的SVM錯(cuò)誤將16起樣本劃分，其中4起為雨雪天環(huán)境下的樣本，4起為夜間發(fā)生的事故樣本.總體而言，錯(cuò)分類樣本中有4起樣本是A196-SVM、B198-SVM和C200-SVM 3個(gè)分類器的錯(cuò)誤劃分.

總體而言，排除掉夜間發(fā)生的樣本和雨雪天氣環(huán)境下的分類錯(cuò)誤樣本，采用鄰近路段構(gòu)建的支持向量機(jī)分類器對(duì)當(dāng)前路段進(jìn)行研判能夠非常接近當(dāng)前路段所構(gòu)建的支持向量機(jī)分類器性能，由于各個(gè)支持向量機(jī)性能也未能夠?qū)崿F(xiàn)完美地將樣本進(jìn)行分類，這也間接地表明了通過(guò)對(duì)交通流狀態(tài)的判別能夠有效地研判出多數(shù)事故高危狀態(tài)，但是部分事故的發(fā)生受突發(fā)因素影響更加直接，如駕駛?cè)朔中鸟{駛疲勞等，該部分事故就目前運(yùn)營(yíng)采集數(shù)據(jù)而言暫無(wú)法獲取，因此未來(lái)跟隨著汽車技術(shù)發(fā)展能夠采集到更高粒度的實(shí)時(shí)車輛級(jí)數(shù)據(jù)后，可以開展全方面的事故與交通流及駕駛?cè)?、道路環(huán)境等因素之間的內(nèi)在關(guān)聯(lián)研究.

從錯(cuò)誤分類樣本的發(fā)生的共性角度而言，夜間視野不佳、駕駛?cè)似诘纫蛩睾陀晏斓湍芤姸群吐访鏉窕纫蛩?，均?duì)交通安全有著較大的影響，但往往來(lái)說(shuō)，這些因素對(duì)單車事故影響較大，在流量較低情況下易導(dǎo)致單車事故發(fā)生，而在交通流參數(shù)上表征不甚明顯，為了提高模型研判精度及可移植性效果，一方面由于當(dāng)前樣本量較小，后續(xù)可以隨著樣本量的積累提取到更多的樣本信息用以構(gòu)建支持向量；另一方面為了后續(xù)對(duì)實(shí)時(shí)事故風(fēng)險(xiǎn)研判進(jìn)行更加深入的研究時(shí)，可以引入高分辨率的實(shí)時(shí)氣象數(shù)據(jù)進(jìn)行綜合分析，提高模型研判精度，并達(dá)到系統(tǒng)性的事故風(fēng)險(xiǎn)研判目的.同時(shí)，隨著高速公路信息化的不斷開展，可以逐步開展基于相鄰路段、基于交叉路段的可移植性研究，提升模型的可移植性.除此之外，通過(guò)對(duì)可移植性的研究，可以考慮結(jié)合多個(gè)路段對(duì)應(yīng)的分類器模型對(duì)某個(gè)路段的交通流狀態(tài)進(jìn)行綜合研判，使得研判結(jié)果更加準(zhǔn)確有效.

5 結(jié)語(yǔ)

通過(guò)采用G15沈海高速公路南通段上的高清卡口檢測(cè)的高分辨率過(guò)車數(shù)據(jù)對(duì)實(shí)時(shí)事故風(fēng)險(xiǎn)進(jìn)行研判，結(jié)合隨機(jī)森林進(jìn)行參數(shù)篩選，采用支持向量機(jī)對(duì)事故狀態(tài)進(jìn)行實(shí)時(shí)分類預(yù)測(cè)，結(jié)果表明基于高清卡口數(shù)據(jù)構(gòu)建的實(shí)時(shí)事故風(fēng)險(xiǎn)研判模型能夠較好地對(duì)事故狀態(tài)進(jìn)行預(yù)測(cè)，有著較高的事故預(yù)測(cè)精度，模型性能較優(yōu)；基于對(duì)3個(gè)子路段分別構(gòu)建的支持向量機(jī)模型進(jìn)行可移植性分析，結(jié)果表明各支持向量機(jī)模型均具有一定的可移植性，通過(guò)對(duì)模型參數(shù)標(biāo)定后可直接將模型應(yīng)用至鄰近道路對(duì)其實(shí)時(shí)事故風(fēng)險(xiǎn)狀態(tài)進(jìn)行研判，并有著相對(duì)較高的預(yù)測(cè)精度.除去夜間、雨雪天氣環(huán)境下產(chǎn)生的錯(cuò)誤判別樣本后，模型可移植性效果更優(yōu).