基于可解釋機(jī)器學(xué)習(xí)框架的快速路立交出口風(fēng)險(xiǎn)預(yù)測及致因解析

趙曉華 亓 航 姚 瑩 郭 淼 國景楓 張?jiān)讫?/p>

(1北京工業(yè)大學(xué)北京市交通工程重點(diǎn)實(shí)驗(yàn)室， 北京 100124)(2北京工業(yè)大學(xué)城市建設(shè)學(xué)部， 北京 100124)(3Zachry Department of Civil Engineering, Texas A&M University, College Station, TX 77843, USA)

城市快速路立交出口作為快速路連接主干道路的關(guān)鍵樞紐，是車輛合流、分流、交織運(yùn)行集中發(fā)生地[1].急加速、隨意并線等危險(xiǎn)行為會(huì)加劇道路風(fēng)險(xiǎn)，導(dǎo)致交通事故頻發(fā).因此，針對(duì)立交出口區(qū)域的道路風(fēng)險(xiǎn)辨識(shí)與致因分析對(duì)于提升快速路交通安全整體水平具有重要意義.

近年來，針對(duì)交通安全風(fēng)險(xiǎn)理論研究成果豐富，多名學(xué)者指出交通狀態(tài)、道路設(shè)施和外部環(huán)境均是影響道路安全性的重要因素[2-4].文獻(xiàn)[5]研究表明，快速路安全分析還需考慮交通標(biāo)志等可視性因素.此外，諸多研究應(yīng)用Logistics、負(fù)二項(xiàng)理論、貝葉斯模型等方法解析交通事故的潛在機(jī)制和特征規(guī)律.Abegaz 等[6]運(yùn)用廣義有序 Logit 模型研究得出，提升車速或陰雨天氣會(huì)顯著提高事故的嚴(yán)重程度.王雪松等[7]應(yīng)用分層負(fù)二項(xiàng)模型指出近郊路段比遠(yuǎn)郊路段更易發(fā)生事故.謝琨等[8]建立分層貝葉斯模型發(fā)現(xiàn)相臨間距近或轉(zhuǎn)向車道比例大的交叉口具有高事故發(fā)生率.然而已有研究多采用事故后果分析[9]，由于事故數(shù)據(jù)具有偶發(fā)性、周期長的特點(diǎn)，導(dǎo)致全路網(wǎng)風(fēng)險(xiǎn)時(shí)空特征刻畫不足，安全性綜合分析也因數(shù)據(jù)樣本與來源限定受到制約.目前，基于事前替代指標(biāo)的交通安全風(fēng)險(xiǎn)識(shí)別與致因挖掘備受關(guān)注[10-11]，駕駛行為在交通安全致因分析中發(fā)揮著重要作用.

目前，手機(jī)終端GPS及內(nèi)置傳感器可細(xì)粒度感知用戶駕駛行為等全時(shí)空信息，有助于實(shí)現(xiàn)海量行為數(shù)據(jù)的互聯(lián)和聚合.此外，相比于傳統(tǒng)模型，機(jī)器學(xué)習(xí)方法可在變量之間確定復(fù)雜非線性關(guān)聯(lián)關(guān)系，通常以較高的精度預(yù)測道路風(fēng)險(xiǎn).可解釋性框架是各個(gè)領(lǐng)域的研究熱點(diǎn)，國外研究已開始使用可解釋機(jī)器學(xué)習(xí)框架SHAP技術(shù)解釋復(fù)雜機(jī)器學(xué)習(xí)模型內(nèi)部特征變量如何影響預(yù)測，該技術(shù)對(duì)交通安全風(fēng)險(xiǎn)的動(dòng)態(tài)研判具有應(yīng)用價(jià)值[12].

本文針對(duì)快速路立交出口區(qū)域安全性問題開展研究，引入風(fēng)險(xiǎn)替代指標(biāo)交通秩序指數(shù)評(píng)估立交出口風(fēng)險(xiǎn)水平，使用極限梯度提升(XGBoost)算法建立立交出口路段風(fēng)險(xiǎn)預(yù)測模型，并利用SHAP解析道路屬性、交通控制設(shè)施和交通運(yùn)行對(duì)立交出口風(fēng)險(xiǎn)的耦合影響.基于駕駛行為數(shù)據(jù)驅(qū)動(dòng)與可解釋機(jī)器學(xué)習(xí)相結(jié)合的方法，為解決道路安全問題提供了新思路.

1 數(shù)據(jù)基礎(chǔ)

1.1 數(shù)據(jù)概況

本文選取北京市西二環(huán)和蓮花池東西路范圍內(nèi)的9座立交橋作為研究對(duì)象，選擇不同方向22個(gè)典型立交出口路段開展分析.文獻(xiàn)[13]研究指出，立交出口前500 m是影響駕駛?cè)诉\(yùn)行的關(guān)鍵區(qū)域.因此，截取距離各立交出口標(biāo)志位置(設(shè)置于快速路出口三角帶分流點(diǎn)端頭)至行車方向前500 m路段區(qū)域作為分析范圍.該區(qū)域交通環(huán)境復(fù)雜，每個(gè)出口的平均高德用戶量為1 200輛/h.圖1為研究路段快速路節(jié)點(diǎn)和與研究范圍示意圖.

圖1 研究區(qū)域立交出口選取范圍與天寧寺橋出口路段示意圖

1.2 數(shù)據(jù)類型

數(shù)據(jù)采集時(shí)間為 2019-06-01—2019-06-30，數(shù)據(jù)類型包括地圖數(shù)據(jù)、擁堵狀態(tài)數(shù)據(jù)、環(huán)境數(shù)據(jù)和駕駛行為數(shù)據(jù)，由高德軟件公司從使用高德app手機(jī)用戶的底層數(shù)據(jù)中提取.此外，結(jié)合實(shí)地調(diào)查獲得交通控制設(shè)施設(shè)置參數(shù)與立交出口道路屬性數(shù)據(jù)，構(gòu)建支撐立交出口路段安全分析的綜合數(shù)據(jù)庫.

1.2.1 地圖數(shù)據(jù)

地圖數(shù)據(jù)包括道路ID、道路長度、道路等級(jí)等信息.道路ID用于匹配不同來源的多類型數(shù)據(jù)，道路長度用于計(jì)算相鄰出口間距和單位距離內(nèi)發(fā)生的駕駛行為事件頻率.

1.2.2 擁堵狀態(tài)數(shù)據(jù)

擁堵狀態(tài)數(shù)據(jù)主要用于描述道路的交通流情況及交通擁堵程度.擁堵狀態(tài)數(shù)據(jù)包括時(shí)間、平均速度、擁堵指數(shù)和道路ID.數(shù)據(jù)更新頻率為2 min.其中擁堵指數(shù)κ計(jì)算公式為[14]

(1)

高德軟件公司以擁堵指數(shù)作為城市擁堵程度的評(píng)價(jià)指標(biāo)，并將其分為4個(gè)等級(jí):自由流(κ∈[0,1.5))、緩行(κ∈[1.5,2))、擁堵(κ∈[2,4))和嚴(yán)重?fù)矶?κ∈[4, +∞)).在導(dǎo)航軟件中擁堵等級(jí)用以實(shí)時(shí)展示道路的交通擁堵狀態(tài).

1.2.3 環(huán)境數(shù)據(jù)

環(huán)境數(shù)據(jù)包含天氣和時(shí)段.由于研究時(shí)間段僅為1個(gè)月(2019-06)，天氣類型主要包括晴、陰、多云與小雨，未覆蓋霧或暴雨等極端天氣類型.本文將時(shí)段數(shù)據(jù)分為高峰時(shí)段(07:00—10:00、17:00—20:00)和非高峰時(shí)段(10:00—17:00、20:00—07:00).

1.2.4 駕駛行為數(shù)據(jù)

導(dǎo)航軟件可精準(zhǔn)辨識(shí)用戶在不同駕駛情境中觸發(fā)的激進(jìn)駕駛行為事件，并記錄事件形態(tài)、發(fā)生時(shí)間與坐標(biāo).激進(jìn)駕駛行為事件指急加速、急減速、急左并道、急右并道、急左轉(zhuǎn)和急右轉(zhuǎn)6種事件類型.判定閾值與相關(guān)指標(biāo)由高德導(dǎo)航軟件公司內(nèi)部經(jīng)大量車輛測試計(jì)算所得.然而，由于用戶隱私和公司機(jī)密的保護(hù)，閾值和計(jì)算方法尚未提供.判定方法如下：

① 急加速或急減速時(shí)，手機(jī)處于車內(nèi)固定位置，當(dāng)車輛加速度超過或低于某一閾值時(shí)，識(shí)別并記錄一次急加速或急減速事件.

② 急并道或急轉(zhuǎn)彎時(shí)，手機(jī)處于車內(nèi)固定位置，當(dāng)車輛轉(zhuǎn)彎向心力的檢測角度變化超過某一閾值時(shí)，識(shí)別并記錄一次急并道或急轉(zhuǎn)彎.

1.2.5 交通控制設(shè)施數(shù)據(jù)

交通標(biāo)志傳遞的信息有效性和準(zhǔn)確性直接影響駕駛?cè)说呐袛鄾Q策行為過程，進(jìn)而影響行駛安全[15].圖2為南沙窩橋出口路段的交通標(biāo)志系統(tǒng).本研究提取影響立交出口安全性的2種因素：出口預(yù)告標(biāo)志數(shù)量和橋形標(biāo)復(fù)雜度.

圖2 出口標(biāo)志系統(tǒng)設(shè)置示意圖

根據(jù)《北京市道路交通標(biāo)志指路系統(tǒng)設(shè)置指南》(BJJT/0040—2019)[16]，出口預(yù)告標(biāo)志提供前方出口相交道路名稱、方向和距離等信息；橋形標(biāo)志提供前方立交各匝道的出口走向、名稱等信息.橋形標(biāo)復(fù)雜度反映了駕駛員對(duì)不同復(fù)雜程度橋形標(biāo)的認(rèn)知水平，依據(jù)李洋等[17]提出的橋形標(biāo)復(fù)雜度分類標(biāo)準(zhǔn)，本文研究范圍內(nèi)的立交橋形標(biāo)復(fù)雜度分類如圖3所示.

(a) 低復(fù)雜度

(b) 中復(fù)雜度

1.2.6 道路屬性數(shù)據(jù)

道路屬性數(shù)據(jù)包括車道數(shù)、交通合流數(shù)、交通分流數(shù)和出口間距類型等信息.交通合流(分流)數(shù)表示各立交出口前500 m內(nèi)交織段處的交通合流點(diǎn)數(shù)量(交通分流點(diǎn)數(shù)量).出口間距指該立交出口沿行駛方向與相鄰出口之間的距離.出口間距劃分為3個(gè)等級(jí)：小間距( [0, 250) m )、中間距( [250, 750) m )、大間距( [750, +∞) m ).

1.3 數(shù)據(jù)庫構(gòu)建

1.3.1 數(shù)據(jù)預(yù)處理

首先，統(tǒng)計(jì)研究區(qū)域內(nèi)使用高德導(dǎo)航的用戶數(shù)量，通過統(tǒng)一量綱，將個(gè)體激進(jìn)駕駛行為事件轉(zhuǎn)換為集計(jì)駕駛行為.集計(jì)駕駛行為反映了單位車輛在單位時(shí)間內(nèi)的激進(jìn)駕駛行為事件頻次，計(jì)算公式如下：

(2)

式中，Babc為2019年6月a日b道路上c時(shí)段內(nèi)發(fā)生激進(jìn)駕駛行為事件頻次，次/(輛·h)；eabc為激進(jìn)駕駛行為事件次數(shù)；Nabc為使用高德的機(jī)動(dòng)車數(shù)量.

然后，采用擁堵狀態(tài)數(shù)據(jù)中的平均速度計(jì)算速度變異系數(shù).速度變異系數(shù)與碰撞頻率顯著相關(guān)，能夠一定程度上反映道路風(fēng)險(xiǎn)[18].計(jì)算公式如下：

(3)

1.3.2 交通秩序指數(shù)

Yao等[19]發(fā)現(xiàn)交通秩序差的道路發(fā)生交通事故的概率較高，由此提出交通秩序指數(shù)以評(píng)價(jià)城市道路的交通有序度.交通秩序指數(shù)是根據(jù)當(dāng)前道路發(fā)生的激進(jìn)駕駛行為事件頻次與速度波動(dòng)情況提出的描述道路混亂程度的指數(shù)，用來推斷道路的潛在風(fēng)險(xiǎn).文獻(xiàn)[20]將秩序分析方法應(yīng)用于交叉口安全評(píng)價(jià)，并證明了該方法切實(shí)可行.

交通秩序指數(shù)采用TOPSIS與均方差加權(quán)法計(jì)算得出.車速變化越小且發(fā)生激進(jìn)駕駛行為越少，則交通秩序指數(shù)越大，道路安全性綜合水平越高.交通秩序指數(shù)計(jì)算公式如下：

(4)

D=wBSB+wESE

(5)

式中，wk為B或E的權(quán)重(k=B或E)，由均方差加權(quán)法確定;σk為B或E的標(biāo)準(zhǔn)差；D為交通秩序指數(shù)；SB為由TOPSIS法計(jì)算得到的激進(jìn)駕駛行為事件頻次得分；SE為歸一化的速度變異系數(shù)評(píng)分，表示路段內(nèi)車速的離散情況.分?jǐn)?shù)越高，激進(jìn)駕駛行為事件頻次或速度變異系數(shù)越少.

作為模型的因變量，交通秩序指數(shù)是反映城市交通秩序程度的綜合指標(biāo)，對(duì)獲取城市快速路立交出口路段的安全風(fēng)險(xiǎn)分布具有重要意義.為劃分立交出口的風(fēng)險(xiǎn)水平，采用K-means聚類將交通秩序指數(shù)劃分為如下3個(gè)水平：

① 高風(fēng)險(xiǎn)道路.交通秩序混亂，D∈[0, 0.449).

② 中風(fēng)險(xiǎn)道路.交通秩序良好，D∈[0.449, 0.670).

③ 低風(fēng)險(xiǎn)道路.交通秩序較好，D∈[0.670, +∞).

1.3.3 數(shù)據(jù)庫構(gòu)建

由道路ID與時(shí)間匹配各類型的數(shù)據(jù)，并將所有數(shù)據(jù)類型換算為以h為單位，聚合形成包含立交橋?qū)傩?、駕駛行為、交通秩序指數(shù)、擁堵指數(shù)、交通控制設(shè)施、道路屬性、環(huán)境屬性在內(nèi)的立交出口安全分析數(shù)據(jù)庫.最終樣本量為15 840組.

2 風(fēng)險(xiǎn)預(yù)測模型與可解釋機(jī)器學(xué)習(xí)框架

應(yīng)用以上數(shù)據(jù)庫，基于XGBoost算法，考慮道路屬性、交通設(shè)施、運(yùn)行狀態(tài)、外部環(huán)境等多種要素，構(gòu)建城市快速路立交出口路段的風(fēng)險(xiǎn)預(yù)測模型.此外，將SHAP應(yīng)用于訓(xùn)練后的模型，解析特征變量對(duì)安全秩序預(yù)測值的綜合影響作用，本文技術(shù)路線如圖4所示.

圖4 快速路風(fēng)險(xiǎn)預(yù)測與致因解析技術(shù)路線圖

2.1 XGBoost模型

XGBoost算法是Chen等[21]提出的一種人工智能集成機(jī)器學(xué)習(xí)算法，具有并行速度快、復(fù)雜度可控、容錯(cuò)性強(qiáng)、泛化能力強(qiáng)等優(yōu)點(diǎn)[22].該算法的基本原理是：由多個(gè)精度較低的決策樹模型迭代合成高精度的強(qiáng)學(xué)習(xí)器，運(yùn)用二階泰勒展開式，在損失函數(shù)中加入正則項(xiàng)，控制模型復(fù)雜度并防止模型過擬合.

XGBoost算法的目標(biāo)函數(shù)為

(6)

(7)

定義一個(gè)近似的目標(biāo)函數(shù)，利用二階泰勒展開將目標(biāo)函數(shù)O(t)表示如下：

(8)

式中，gi和hi分別為第i個(gè)樣本一階和二階下輸出的損失梯度；C為常數(shù)項(xiàng).

2.2 可解釋機(jī)器學(xué)習(xí)框架SHAP

可解釋機(jī)器學(xué)習(xí)是指使機(jī)器學(xué)習(xí)系統(tǒng)的行為和預(yù)測對(duì)人類可理解的算法或模型.Lundberg等[23]開發(fā)了一種事后解釋機(jī)器學(xué)習(xí)方法的統(tǒng)一框架 SHAP.對(duì)于每個(gè)測試樣本，模型生成一個(gè)預(yù)測值，并提供一個(gè)可解釋的預(yù)測.其主要思想是計(jì)算添加到模型中的特征的邊際貢獻(xiàn)，即SHAP值，等價(jià)于特征對(duì)樣本的影響.在合作博弈理論中，SHAP值計(jì)算公式如下：

(9)

式中，Φm為第m個(gè)特征的貢獻(xiàn)；L為特征子集；N{m}為特征集合；M為輸入特征總數(shù)；v(L∪{m})為當(dāng)樣本只有L∪{m}中的特征值時(shí)模型的預(yù)測值；v(L)為當(dāng)樣本只有L中的特征值時(shí)模型的預(yù)測值.基于加性特征屬性方法，定義線性函數(shù)g，即

(10)

式中，g(x)為樣本x的事后解釋模型預(yù)測值；Φ0為模型預(yù)測值的平均值；xm為第m個(gè)特征樣本.

3 模型構(gòu)建與結(jié)果分析

3.1 交通秩序指數(shù)特征分布

根據(jù)交通秩序指數(shù)的計(jì)算方法獲得不同立交出口的交通秩序分布，如圖5所示.不同立交出口的交通秩序因其交通流狀態(tài)以及道路屬性的不同而存在差異.經(jīng)單因素方差分析驗(yàn)證22個(gè)立交出口的交通秩序存在顯著性差異(F=190.361,p<0.01).

圖5 不同立交出口秩序指數(shù)分布

3.2 風(fēng)險(xiǎn)預(yù)測模型構(gòu)建

城市快速路立交出口風(fēng)險(xiǎn)預(yù)測模型構(gòu)建流程包括特征變量選擇、參數(shù)調(diào)優(yōu)和模型評(píng)價(jià)，如圖6所示.

3.2.1 特征變量選擇與參數(shù)調(diào)優(yōu)

選取預(yù)告標(biāo)志數(shù)量、擁堵指數(shù)、車道數(shù)等9個(gè)特征變量作為XGBoost模型的自變量，如表1所示.對(duì)特征變量的非參數(shù)檢驗(yàn)結(jié)果顯示，所選特征均對(duì)立交出口安全秩序水平產(chǎn)生顯著性影響(p<0.01).XGBoost可擴(kuò)展多個(gè)應(yīng)用程序，能夠檢測處理異常缺失值.該算法對(duì)特征之間的多重共線性具有較好的容忍度，因此無需進(jìn)行大量預(yù)處理.本文將數(shù)據(jù)集按照8∶2的比例隨機(jī)分為訓(xùn)練集與測試集，訓(xùn)練集用于擬合預(yù)測模型，測試集用于評(píng)價(jià)模型性能.

圖6 模型構(gòu)建流程

表1 特征變量描述

參數(shù)調(diào)優(yōu)的目的是有效控制模型復(fù)雜度并防止過擬合，從而提升模型性能.本文采用網(wǎng)格搜索與五折交叉驗(yàn)證方法構(gòu)建最優(yōu)預(yù)測模型.五折交叉驗(yàn)證將訓(xùn)練數(shù)據(jù)隨機(jī)分成5份，每次訓(xùn)練以4個(gè)子樣本訓(xùn)練和1個(gè)子樣本驗(yàn)證的形式進(jìn)行.經(jīng)過多次測試調(diào)參確定最優(yōu)結(jié)果，根據(jù)最終參數(shù)，基于XGBoost建立最優(yōu)預(yù)測模型.

3.2.2 模型預(yù)測精度評(píng)價(jià)

為了評(píng)估預(yù)測模型的性能，選取混淆矩陣可視化模型預(yù)測結(jié)果，并計(jì)算準(zhǔn)確率、精確率和召回率作為預(yù)測結(jié)果的評(píng)價(jià)指標(biāo).對(duì)于多分類預(yù)測，根據(jù)各類別所占數(shù)據(jù)集的比例計(jì)算各類別中每個(gè)評(píng)價(jià)指標(biāo)的加權(quán)平均值.評(píng)價(jià)指標(biāo)的相關(guān)定義如下：

(11)

(12)

(13)

式中，A為準(zhǔn)確率；P為精確率；R為召回率;TN表示實(shí)際為負(fù)且被預(yù)測為負(fù)的樣本數(shù)量；TP表示實(shí)際為正且被預(yù)測為正的樣本數(shù)量；FN表示實(shí)際為正但被預(yù)測為負(fù)的樣本數(shù)量；FP表示實(shí)際為負(fù)但被預(yù)測為正的樣本數(shù)量.

3.3 模型結(jié)果分析

3.3.1 預(yù)測精度結(jié)果評(píng)價(jià)

XGBoost模型的風(fēng)險(xiǎn)預(yù)測混淆矩陣如圖7所示.此外，本文應(yīng)用隨機(jī)森林算法與XGBoost進(jìn)行對(duì)比論證，結(jié)果如表2所示.結(jié)果表明，基于XGBoost算法的城市快速路立交出口區(qū)域的道路風(fēng)險(xiǎn)模型具有精準(zhǔn)預(yù)測能力.

圖7 立交出口風(fēng)險(xiǎn)預(yù)測模型混淆矩陣圖

表2 模型預(yù)測精度對(duì)比 %

3.3.2 特征影響程度分析

通過XGBoost算法包中的weight指數(shù)可評(píng)估特征的重要性程度，并得到特征重要性排名，結(jié)果如圖8所示.特征在決策樹中越關(guān)鍵，特征重要性得分越高.由圖8可知，各特征變量的重要程度排序從大到小依次為擁堵指數(shù)、預(yù)告標(biāo)志數(shù)量、天氣、合流數(shù)、時(shí)段、車道數(shù)、分流數(shù)、橋形標(biāo)復(fù)雜度、出口間距類型.其中擁堵指數(shù)對(duì)模型預(yù)測的影響最大，是建立城市快速路立交出口路段風(fēng)險(xiǎn)預(yù)測模型的重要指標(biāo).

圖8 基于XGBoost算法的特征重要性排序

3.3.3 預(yù)測結(jié)果致因分析

為進(jìn)一步探究快速路立交出口路段風(fēng)險(xiǎn)致因機(jī)理， 采用可解釋機(jī)器學(xué)習(xí)對(duì)預(yù)測結(jié)果進(jìn)行致因分析.SHAP 算法提供了局部可解釋性，對(duì)于解釋單特征或雙特征交互作用對(duì)交通安全秩序影響分析具有明顯優(yōu)勢.圖9為SHAP概要圖，橫坐標(biāo)SHAP值用以衡量特征對(duì)模型預(yù)測值的貢獻(xiàn)程度和影響.SHAP值為正表明該特征值有助于提高安全秩序水平預(yù)測值，交通秩序較好；SHAP值為負(fù)表明特征值使安全秩序水平降低，有反向作用.

圖9 SHAP概要圖

圖9表明，SHAP值隨著擁堵指數(shù)的增加而降低.交通擁堵易使駕駛員頻繁產(chǎn)生急加急減等激進(jìn)行為，繼而導(dǎo)致交通秩序的混亂和高風(fēng)險(xiǎn)的產(chǎn)生；針對(duì)交通控制設(shè)施因素，預(yù)告標(biāo)志設(shè)置數(shù)量在影響道路風(fēng)險(xiǎn)概率方面顯示了其不確定性，過多的預(yù)告標(biāo)志數(shù)量可能會(huì)造成信息過載.此外，設(shè)有低、中復(fù)雜度橋形標(biāo)的快速路立交出口比無橋形標(biāo)的立交出口更安全有序，且相比于低復(fù)雜度的橋形標(biāo)，中復(fù)雜度橋形標(biāo)對(duì)提高道路秩序水平的影響更大；對(duì)于道路屬性和外部環(huán)境因素，可見4車道的立交出口路段更加有序；相鄰出口距離為中間距的立交出口路段相比小間距和大間距的交通秩序更高；較少的分流合流數(shù)以及晴朗的天氣均對(duì)道路安全有積極影響；而交通高峰與平峰時(shí)段難以直接表征對(duì)立交出口安全秩序水平的影響.

事實(shí)上，交通秩序是受多因素影響下的綜合行為表現(xiàn)，僅關(guān)注單一特征無法全面解析道路安全有序性的致因結(jié)果，因此有必要進(jìn)一步探究多因素作用下對(duì)安全秩序的影響.由于交互特征組合較多，且擁堵指數(shù)是影響模型預(yù)測最重要的特征，研究重點(diǎn)以擁堵指數(shù)與車道數(shù)、擁堵指數(shù)與預(yù)告標(biāo)志數(shù)量作為研究范例.為了揭示2個(gè)特征的交互作用，SHAP 依賴圖(partial dependence plot，PDP)提供了特征變量對(duì)交通秩序預(yù)測值的邊際效應(yīng)，橫坐標(biāo)擁堵指數(shù)值垂直方向上的色散表示與另一特征的交互作用.圖10和圖11分別為2種特征組合和交通秩序預(yù)測值的關(guān)系.

由于點(diǎn)密度過高，為便于觀察，圖10(a)展示了擁堵指數(shù)與車道數(shù)作用下對(duì)交通秩序預(yù)測值的總體效果，圖10(b)、(c)和(d)分別是基于擁堵指數(shù)的分類標(biāo)準(zhǔn)(自由流0～1.5、緩慢流1.5～2、擁堵和嚴(yán)重?fù)矶?～12)由圖10(a)拆分得到的具體結(jié)果.圖中縱坐標(biāo)SHAP值表示擁堵指數(shù)對(duì)交通秩序預(yù)測的貢獻(xiàn)值.由圖10(a)可知，擁堵指數(shù)與安全秩序水平的影響存在非線性負(fù)相關(guān)，不同擁堵狀態(tài)下的立交出口安全有序性存在較大差異.交通秩序由自由流至緩行狀態(tài)時(shí)(0<κ<2)顯著降低，反映了道路風(fēng)險(xiǎn)隨擁堵程度的增加而上升，揭示出緩解擁堵可提高道路安全水平.當(dāng)交通狀態(tài)變得擁堵至嚴(yán)重?fù)矶?κ>2)時(shí)，道路的風(fēng)險(xiǎn)程度則不會(huì)隨擁堵的嚴(yán)重而加劇.在交通組織管理過程中應(yīng)考慮緩解擁堵作為道路安全改善的首要措施，如鼓勵(lì)錯(cuò)峰出行、多樣化出行路徑選擇等.對(duì)于擁堵指數(shù)和車道數(shù)的耦合影響，由圖10(b)可知自由流道路下交通秩序較好(SHAP值為正)，此時(shí)2個(gè)特征的交互作用并不顯著；隨擁堵程度的增加，車道數(shù)對(duì)道路安全的影響發(fā)生改變.圖10(c)、(d)表明，在緩行或擁堵的立交出口處，較多車道對(duì)安全秩序水平的負(fù)面影響更小，即更多的車道可降低緩行或擁堵產(chǎn)生的道路風(fēng)險(xiǎn).然而，由于道路受擁堵的影響，風(fēng)險(xiǎn)依舊存在(SHAP值仍為負(fù)).Yu等[24]研究表明，在交通量大的路段，車道少的道路更容易發(fā)生交通事故，增加車道數(shù)有助于減少密度和車輛之間的作用，從而改善交通安全.這與本文研究結(jié)果一致.

(a) 總體

(b) 自由流

(c) 緩慢流

(d) 擁堵與嚴(yán)重?fù)矶?/p>

(a) 總體

(b) 自由流

(c) 緩慢流

(d) 擁堵與嚴(yán)重?fù)矶?/p>

圖11顯示了擁堵指數(shù)和預(yù)告標(biāo)志數(shù)量交互作用下對(duì)安全秩序水平的影響.當(dāng)擁堵指數(shù)κ<1.6時(shí)，設(shè)有3個(gè)或4個(gè)預(yù)告標(biāo)志指引的立交出口道路會(huì)更有序安全.Huang等[25]研究指出，設(shè)有3級(jí)預(yù)告標(biāo)志指示的出口道路可以有效引導(dǎo)駕駛員產(chǎn)生更為合理的變道行為，從而減少激進(jìn)駕駛行為事件的發(fā)生.當(dāng)擁堵變得更為嚴(yán)重時(shí)，車流甚至趨于停滯，預(yù)告標(biāo)志數(shù)量與擁堵指數(shù)對(duì)安全秩序的交互影響不再顯著.實(shí)際上，在嚴(yán)重?fù)矶碌能嚵髦?，駕駛員行為則更易受到其交通流和周邊環(huán)境的影響，而交通標(biāo)志作為一種靜態(tài)交通控制設(shè)施，在停滯的交通流中很少被駕駛員持續(xù)關(guān)注.因此，在立交出口道路交通優(yōu)化與設(shè)計(jì)時(shí)，車道控制管理或標(biāo)志優(yōu)化設(shè)計(jì)建議考慮不同擁堵水平.

4 結(jié)論

1) 基于XGBoost算法構(gòu)建快速路立交出口風(fēng)險(xiǎn)預(yù)測模型的結(jié)果為準(zhǔn)確率93.69%，精確率93.73%，召回率93.69%，可實(shí)現(xiàn)立交出口區(qū)域的精準(zhǔn)風(fēng)險(xiǎn)預(yù)測.

2) 擁堵指數(shù)與安全秩序水平存在非線性負(fù)相關(guān)，是立交出口安全風(fēng)險(xiǎn)的重要影響因素.不同擁堵狀態(tài)下的預(yù)告標(biāo)志數(shù)或車道數(shù)對(duì)交通秩序指數(shù)具有差異化影響.較多的車道在緩行或擁堵的道路上可減少道路風(fēng)險(xiǎn).設(shè)置3或4個(gè)預(yù)告標(biāo)志對(duì)于自由流可提升道路秩序性，而擁堵狀態(tài)下預(yù)告標(biāo)志對(duì)安全秩序影響不明顯.

3) 采用交通秩序指數(shù)替代指標(biāo)，選擇擁堵指數(shù)為特征分析范例，提出一種基于可解釋機(jī)器學(xué)習(xí)框架的道路安全風(fēng)險(xiǎn)預(yù)測與分析方法，能夠?yàn)榇髷?shù)據(jù)安全風(fēng)險(xiǎn)防控提供理論基礎(chǔ).

4) 為進(jìn)一步細(xì)化城市快速路安全風(fēng)險(xiǎn)評(píng)價(jià)，后續(xù)研究將擴(kuò)大研究區(qū)域與時(shí)間范圍，擴(kuò)充更為豐富的特征數(shù)據(jù)，同時(shí)實(shí)現(xiàn)其他特征交互組合分析研究，形成基于駕駛行為的城市快速路風(fēng)險(xiǎn)評(píng)估與診斷體系.此外，評(píng)估基于快速路風(fēng)險(xiǎn)行為的秩序安全分析與事故安全分析關(guān)聯(lián)結(jié)果.