密空聚類式交通事故多發(fā)路段智能鑒別研究

孫承臻，陳 昕，范春生，張 麗，阮永嬌，陳婭鑫

密空聚類式交通事故多發(fā)路段智能鑒別研究

孫承臻1，陳 昕1，范春生2，張 麗3，阮永嬌1，陳婭鑫1

（1.遼寧工業(yè)大學(xué) 汽車與交通工程學(xué)院，遼寧 錦州 121001；2.遼寧省高速公路運(yùn)營(yíng)管理有限責(zé)任公司，遼寧 沈陽 110179；3.錦州市公共交通有限責(zé)任公司，遼寧 錦州 121000）

以高速公路交通事故記錄數(shù)據(jù)為基礎(chǔ)，將聚類算法與核密度估計(jì)聯(lián)動(dòng)，依據(jù)我國(guó)對(duì)事故黑點(diǎn)的鑒別標(biāo)準(zhǔn)，進(jìn)行交通事故密度聚類分析，參考我國(guó)對(duì)事故數(shù)據(jù)進(jìn)行分級(jí)處理的事故標(biāo)準(zhǔn)，基于聚類結(jié)果計(jì)算交通事故黑點(diǎn)權(quán)重，進(jìn)行交通事故空間數(shù)據(jù)核密度估計(jì)，并采用GIS技術(shù)可視化，運(yùn)用空間統(tǒng)計(jì)方法智能鑒別多發(fā)事故路段，對(duì)高速公路警示標(biāo)志設(shè)置和路安部門監(jiān)管重點(diǎn)提供參考依據(jù)。通過對(duì)遼寧省某區(qū)域內(nèi)的三條高速路段進(jìn)行交通事故多發(fā)路段鑒別，智能鑒別能夠有效應(yīng)對(duì)不同交通事故點(diǎn)分布特點(diǎn)，避免簡(jiǎn)易事故的影響，清晰準(zhǔn)確找到事故多發(fā)路段的位置。

交通事故；密空聚類；多發(fā)路段；智能鑒別

圍繞交通運(yùn)輸服務(wù)安全應(yīng)急保障的新趨勢(shì)新要求，對(duì)道路安全檢測(cè)是智能安全保障的重要前提，通過大數(shù)據(jù)技術(shù)和智能算法對(duì)交通事故數(shù)據(jù)充分分析，鑒別事故多發(fā)路段可以及時(shí)準(zhǔn)確的預(yù)防并處理交通事故。謝練等[1]針對(duì)現(xiàn)有事故多路段鑒別方法閾值選擇的缺點(diǎn)和局限，提出自適應(yīng)選取閾值的密度聚類方法。王海等[2]應(yīng)用改進(jìn)的“優(yōu)化窗寬的和密度聚類”空間分析方法進(jìn)行交通事故多發(fā)點(diǎn)鑒別。王潁志等[3]通過路網(wǎng)裁剪形成的時(shí)空子路段，提出交通事故場(chǎng)景的網(wǎng)絡(luò)時(shí)空核密度估計(jì)值作為鑒別指標(biāo)。Saffet等[4]用核密度分析法和泊松統(tǒng)計(jì)方法分析在研究區(qū)域內(nèi)高速公路網(wǎng)絡(luò)的空間分布。Tessa等[5]運(yùn)用GIS技術(shù)和核密度估計(jì)算法研究交通事故的空間特點(diǎn)，并采用k均值聚類算法根據(jù)事故數(shù)據(jù)，尋找交通事故多發(fā)點(diǎn)。Thomas等[6]通過分位數(shù)回歸確定事故多發(fā)路段，以及哥倫比亞奧卡尼亞市區(qū)內(nèi)易發(fā)生事故路段的危險(xiǎn)等級(jí)，建立事故頻率與路段長(zhǎng)度、道路寬度、車道數(shù)、交叉口數(shù)、平均日交通量和平均速度等特征模型。本文研究密空聚類式方法鑒別交通事故多發(fā)路段，將密度聚類算法與核密度估計(jì)聯(lián)動(dòng)，對(duì)兩種方法進(jìn)行整合，用密度聚類根據(jù)空間信息劃分事故黑點(diǎn)，用核密度估計(jì)寬帶范圍模擬交通事故的影響范圍，通過GIS空間技術(shù)可視化處理，更加直觀表達(dá)交通事故多發(fā)路段和黑點(diǎn)的位置，對(duì)3條高速公路遼寧段交通事故多發(fā)路段進(jìn)行鑒別。

1 交通事故數(shù)據(jù)空間點(diǎn)分布

2019年公安部交通管理局制定《公路交通事故多發(fā)點(diǎn)段及嚴(yán)重安全隱患排查工作規(guī)范(試行)》中定義，道路交通事故多發(fā)點(diǎn)、段是指3年內(nèi)，發(fā)生多起交通事故或事故損害后果極其嚴(yán)重，有一定規(guī)律特點(diǎn)的道路點(diǎn)、段。

高速公路多發(fā)點(diǎn)范圍為：道路上1 km(含)范圍內(nèi)或收費(fèi)站、隧道口、匝道口(含加減速車道)、接入口、平面交叉口等點(diǎn)。高速公路交通事故多發(fā)段的范圍為：道路上4 km范圍內(nèi)(單向)或橋梁、隧道、長(zhǎng)大下(上)坡全程。

1.1 交通事故數(shù)據(jù)

交通事故數(shù)據(jù)來源于遼寧省高速公路某區(qū)域交通事故數(shù)據(jù)記錄，包含事故創(chuàng)建信息、事故發(fā)生時(shí)間、事故發(fā)生地點(diǎn)、肇事車輛信息、傷亡人數(shù)、經(jīng)濟(jì)損失和事故發(fā)生環(huán)境情況信息。

本文對(duì)三條高速路段編號(hào)為高速路段Ⅰ、Ⅱ、Ⅲ，處理后數(shù)據(jù)包括高速路段Ⅰ交通事故數(shù)據(jù)1 450條，高速路段Ⅱ交通事故數(shù)據(jù)117條，高速路段Ⅲ交通事故數(shù)據(jù)36條，共計(jì)1 603條數(shù)據(jù)。

根據(jù)公安部交通管理局制定《全面排查交通事故多發(fā)點(diǎn)段工作方案》，交通事故直接損害后果有人身傷亡和財(cái)產(chǎn)損失，選取交通事故多發(fā)路段研究因素如表1所示。

表1 交通事故多發(fā)路段研究因素

類別事故要素 事故位置路線編碼 起始樁號(hào) 位置坐標(biāo) 人身傷亡死亡人數(shù) 受傷人數(shù) 車輛損失事故車輛數(shù) 道路損失路損金額

1.2 交通事故點(diǎn)空間分布

將交通事故數(shù)據(jù)運(yùn)用python編程分布到對(duì)應(yīng)的高速路段上，交通事故點(diǎn)在3條高速路段分布為：高速路段Ⅰ交通事故點(diǎn)密集分布在整條路段上；高速路段Ⅱ事故點(diǎn)呈稀疏狀態(tài)均勻分布；高速路段Ⅲ事故點(diǎn)集中在分布在兩個(gè)地區(qū)交的匯邊界，不同分布特點(diǎn)是由不同高速的負(fù)荷運(yùn)行狀態(tài)和車流量差異造成的。

2 交通事故數(shù)據(jù)密空聚類

2.1 DBSCAN算法

DBSCAN(density-based spatial clustering of applications with noise)是帶有噪聲的基于密度的聚類方法。將交通事故黑點(diǎn)作為DBSACN算法聚類結(jié)果的簇，沒有構(gòu)成事故黑點(diǎn)的交通事故點(diǎn)作為噪點(diǎn)，利用經(jīng)緯度位置信息對(duì)交通事故點(diǎn)進(jìn)行聚類分析，得到事故黑點(diǎn)所在位置，以及事故黑點(diǎn)的事故嚴(yán)重程度。

2.2 算法參數(shù)確定

(1)：最近鄰距離度量參數(shù)。根據(jù)標(biāo)準(zhǔn)歐式二維距離計(jì)算，-鄰域內(nèi)事交通事故點(diǎn)1(1,1)，2(2,2)之間的距離，歐氏距離二維空間公式如(1)所示。

(2)eps：-鄰域的距離閾值，代表交通事故黑點(diǎn)長(zhǎng)度。依據(jù)我國(guó)對(duì)交通事故黑點(diǎn)鑒別標(biāo)準(zhǔn)為一年內(nèi)長(zhǎng)度為1 km的路段發(fā)生在3起以上的交通事故的路段，將交通事故黑點(diǎn)長(zhǎng)度選定1 km。因?yàn)榻煌ㄊ鹿庶c(diǎn)在路網(wǎng)中的位置用經(jīng)緯度(WGS84)確定，經(jīng)緯度中1 km≈0.009°，所以把-鄰域設(shè)置為0.004 5。

(3)MinPts：-鄰域內(nèi)的樣本數(shù)閾值，代表交通事故黑點(diǎn)長(zhǎng)度范圍內(nèi)交通事故次數(shù)。所以交通事故黑點(diǎn)判定閾值MinPts設(shè)置為3。

2.3 算法步驟

輸入：交通事故點(diǎn)度量方式；交通事故數(shù)據(jù)集：={1,2…u}，包含經(jīng)緯度坐標(biāo)和事故等級(jí)，鄰域參數(shù)(eps, MinPts)。

Step1：初始化事故黑點(diǎn)核心交通事故點(diǎn)集合Ω=?，初始化事故黑點(diǎn)簇?cái)?shù)=0，初始化未訪問交通事故點(diǎn)集合=，初始化簇劃分=?。

Step2：歷遍所有交通事故點(diǎn)，找出所有核心交通事故：

①根據(jù)交通事故點(diǎn)度量方式，確定交通事故點(diǎn)u的-鄰域∈(u)；

②若u的-鄰域內(nèi)滿足|∈(u)|≥MinPts，則將u加入核心交通事故點(diǎn)合集Ω=Ω∪{u}。

Step3：如果核心交通事故點(diǎn)集合Ω=?，算法結(jié)束，否則轉(zhuǎn)入Step4。

Step4：在核心交通事故點(diǎn)集合Ω中，隨機(jī)選取一個(gè)核心交通事故點(diǎn)o∈Ω，初始化當(dāng)前簇核心交通事故點(diǎn)隊(duì)列Ω=，初始化事故黑點(diǎn)類別序號(hào)=+1，初始化當(dāng)前簇事故黑點(diǎn)集合C=，更未訪問交通事故點(diǎn)集合={o}。

Step5：如果當(dāng)前簇核心交通事故點(diǎn)隊(duì)列Ω=?，則當(dāng)前事故黑點(diǎn)簇C生成完畢，更新簇劃分。={1,2, …,C}，更新核心事故點(diǎn)集合Ω=ΩC，轉(zhuǎn)入Step3，否則更新核心事故點(diǎn)集合Ω=ΩC；。

Step6：在當(dāng)前簇核心事故點(diǎn)隊(duì)列Ω中取出一個(gè)核心事故點(diǎn)o’，通過鄰域距離閾值找出所有-鄰域事故點(diǎn)∈(o’)，令Δ=∈(o’)∩，更新當(dāng)前簇事故點(diǎn)集合C=C∪Δ，更新未訪問事故點(diǎn)集合Δ，更新Ω=Ω∪(Δ∩Ω)o’，轉(zhuǎn)入Step5。

輸出：事故黑點(diǎn)集合={1,2, …,C}，類事故黑點(diǎn)的數(shù)據(jù)平均值w。

2.4 交通事故數(shù)據(jù)集構(gòu)建

以交通事故記錄數(shù)據(jù)中“死亡人數(shù)”、“受傷人數(shù)”、“事故車輛數(shù)”、“路損金額等級(jí)”作為劃分依據(jù)，進(jìn)行交通事故事故等級(jí)劃分，部分交通事故數(shù)據(jù)信息如表2所示，交通事故等級(jí)信息如表3所示。

表2 交通事故數(shù)據(jù)信息示例

高速路段編號(hào)起始樁號(hào)事故車輛數(shù)死亡人數(shù)受傷人數(shù)路損金額等級(jí)經(jīng)度x緯度y Ⅰk498.91000121.5451441.174748 Ⅰk499.22000121.5793041.184195 Ⅰk495.41000121.5153841.165193 …………………… Ⅰk466.952000121.2186641.033480 Ⅰk498201960121.5406641.173713 Ⅰk5002000121.5705241.181387 Ⅰk478.72000121.3565541.09520

表3 交通事故等級(jí)信息

事故點(diǎn)等級(jí)事故車輛數(shù)死亡人數(shù)受傷人數(shù)路損金額數(shù)量 1級(jí)2輛以下萬元001000元以下1108條 2級(jí)大于2輛，小于5輛00大于1000元小于3萬元349條 3級(jí)小于5輛03人以下大于3萬元，小于6萬元106條 4級(jí)大于5輛大于1人大于3人大于6萬元40條

該區(qū)域高速公路存在傷亡交通事故占9%，多車相撞的事故占22%，輕微事故占69%。對(duì)于該區(qū)域主要事故集中于車輛追尾或故障，雖然1級(jí)事故沒有造成嚴(yán)重的經(jīng)濟(jì)損失和人員傷亡，但是數(shù)量多、頻率高的特點(diǎn)，同樣影響該區(qū)域高速公路正常通行，給車輛行駛帶來極大的隱患。

2.5 交通事故黑點(diǎn)聚類結(jié)果

高速路段Ⅰ聚類結(jié)果如表4所示，將事故樁號(hào)分成23個(gè)存在交通事故黑點(diǎn)的路段。事故次數(shù)大于100次的路段有4個(gè)，并且路段范圍均大于3 km。因?yàn)楦咚俾范微褴嚵髁看?，交通事故分布在整條道路上，所以交通事故黑點(diǎn)分布廣泛，并且事故較為嚴(yán)重，只存在2個(gè)噪點(diǎn)，事故黑點(diǎn)存在于整條道路。

表4 高速路段Ⅰ事故黑點(diǎn)

序號(hào)樁號(hào)范圍交通事故等級(jí)均值wk事故次數(shù)路段范圍/km 1K442.07～K4431.667130.93 2K443.15～K4461.511442.85 3K446～K4551.4851729 4K455～K4561.444361 5K456～K4571.500321 6K457～K4581.488351 7K458～K4661.4511978 8K466～K4671.264341 9K467～K4731.3622106 10K473～K474.11.446650.9 11K474.1～K4761.392681.9 12K476～K4771.417241

續(xù)表

高速路段Ⅱ聚類結(jié)果如表5所示，將事故樁號(hào)分成14個(gè)存在事故黑點(diǎn)的路段，大部分路段事故次數(shù)4次左右，只有1個(gè)路段大于10次，最大路段范圍為6 km，事故黑點(diǎn)中交通事故次數(shù)較少，簡(jiǎn)易交通事故黑點(diǎn)占57%，4個(gè)路段交通事故等級(jí)均值高于1.5。高速路段Ⅱ交通事故稀疏在整條高速上，很多路段沒有聚類為事故黑點(diǎn)，但是噪點(diǎn)占整體交通事故次數(shù)43%，交通事故影響依然嚴(yán)重。

表5 高速路段Ⅱ事故黑點(diǎn)

序號(hào)樁號(hào)范圍交通事故等級(jí)均值wk事故次數(shù)路段范圍/km 1K45.24～K45.891.66730.7 2K54.5～K55.951.462131.35 3K56.2～K57.81.50041.6 4K67.85～K68.31.00040.45 5K69～K70.71.00040.7 6K72～K76.91.00064.9 7K77.3～K77.61.00040.3 8K78.5～K79.51.00041 9K91.6～K921.66730.4 10K92.1～K93.951.50041.85 11K99.5～K100.81.33330.7 12K105～K1071.66732 13K112.2～K112.351.00080.15 14K118.5～K118.851.00030.35 噪點(diǎn) 1.47051

高速路段Ⅲ聚類結(jié)果如表6所示。

表6 高速路段Ⅲ事故黑點(diǎn)

序號(hào)樁號(hào)范圍交通事故等級(jí)均值wk事故次數(shù)路段范圍/km 1K323～K324.42.00041.4 2K303.95～K304.81.66730.85 3K319～K3201.00031 噪點(diǎn) 1.48025

將事故樁號(hào)分成3個(gè)存在事故黑點(diǎn)的路段，路段事故次數(shù)4次左右，最大路段范圍為1.4 km，事故黑點(diǎn)中交通事故次數(shù)較少，1、2路段交通事故等級(jí)均值高于1.5。高速路段Ⅲ交通事故集中分布在K319～K324.4上，有很多路段沒有劃分為事故黑點(diǎn)，事故噪點(diǎn)占整體交通事故次數(shù)67%，交通事故影響依然嚴(yán)重。

3 基于事故黑點(diǎn)的交通事故多發(fā)路段智能鑒別

3.1 交通事故黑點(diǎn)核密度估計(jì)

因?yàn)槊芸站垲惖玫降慕煌ㄊ鹿屎邳c(diǎn)道路樁號(hào)覆蓋范圍大，并包含大量簡(jiǎn)易事故。所以采用核密度估計(jì)進(jìn)行空間數(shù)據(jù)分析，減小簡(jiǎn)易事故對(duì)鑒別事故多發(fā)路段的影響。

3.1.1 核密度估計(jì)

核密度估計(jì)是一種以非參數(shù)方式估計(jì)隨機(jī)變量的概率密度函數(shù)(PDF)的方法。常用核函數(shù)為高斯核函數(shù)(gaussian_kde)，適用于單變量(uni-variate)和多變量(multi-variate)數(shù)據(jù)。

3.1.2 確定參數(shù)

參數(shù)有dataset(數(shù)據(jù)集)、bw_method(用于計(jì)算估計(jì)其寬帶的方法或參數(shù))、weights(權(quán)重)。

(1)dataset：將交通事故黑點(diǎn)位置信息數(shù)據(jù)經(jīng)度和緯度數(shù)據(jù)進(jìn)行疊加，生成二維矩陣數(shù)據(jù)集A作為核密度估計(jì)的數(shù)據(jù)集。

(2)bw_method(b)：寬帶參數(shù)控制函數(shù)的徑向作用范圍，事故多發(fā)路段為4 km，4 km≈0.036°，所以bw_method=0.018。

(3)weights：將聚類結(jié)果的交通事故等級(jí)均值w，按事故黑點(diǎn)類別賦給交通事故點(diǎn)，為交通事故點(diǎn)權(quán)重w。

3.1.3 核密度估計(jì)步驟

輸入?yún)?shù)：數(shù)據(jù)集={1,2, …,a}；核密度估計(jì)參數(shù)(b =0.018，weights=w)；

Step2：?jiǎn)巫兞亢撕瘮?shù)K的核函數(shù)選用高斯核函數(shù)，如式(3)所示。

Step3：交通事故點(diǎn)核密度估計(jì)多維變量的核函數(shù)K，用單變量核函數(shù)K的累計(jì)乘積表示，如式(4)所示。

Step4：根據(jù)核密度估計(jì)結(jié)果繪制熱力圖，采集圖像數(shù)據(jù)為RGB通道，根據(jù)公式(2)、(3)、(4)，可知2維顏色通道的核函數(shù)乘積公式如式(5)所示。

3.2 交通事故多發(fā)路段鑒別

通過核密度估計(jì)進(jìn)行空間數(shù)據(jù)分析，可以更加直觀鑒別事故多發(fā)路段，核密度估計(jì)通過事故黑點(diǎn)的事故次數(shù)以及相關(guān)權(quán)重進(jìn)行分析，其結(jié)果表示發(fā)生交通事故的概率。為了讓核密度估計(jì)結(jié)果與底色區(qū)分，低數(shù)值結(jié)果設(shè)置為白顏色。累計(jì)交通事故發(fā)生概率，從淺色位置到黑色位置依次增高，黑色位置是最有可能發(fā)生交通事故和交通事故影響最大的區(qū)域。

高速路段Ⅰ實(shí)際方向?yàn)闁|西走向，所以核密度估計(jì)結(jié)果為橫向分布；高速路段Ⅱ、Ⅲ實(shí)際方向?yàn)槟媳弊呦?，所以核密度估?jì)結(jié)果分布為豎向分布。

高速路段Ⅰ核密度估計(jì)結(jié)果如圖1所示，交通事故影響范圍與道路形狀相似，有兩段出現(xiàn)深色區(qū)域，為交通事故發(fā)生概率最高的區(qū)域，鑒別為交通事故多發(fā)路段。

圖1 高速路段Ⅰ核密度估計(jì)結(jié)果

高速路段Ⅱ核密度估計(jì)結(jié)果如圖2所示，核密度估計(jì)結(jié)果特征不連續(xù)、分布范圍較廣，最上方區(qū)域顏色最深，表示該部分發(fā)生交通事故可能性最大，其余道路顏色較淺表明發(fā)生交通事故概率較小，該條高速?zèng)]有多發(fā)事故路段，深色路段稱為事故黑點(diǎn)。

高速路段Ⅲ核密度估計(jì)結(jié)果如圖3所示，結(jié)果分布與道路形狀相似，中間部分深色路段長(zhǎng)度介于多發(fā)事故黑點(diǎn)與多發(fā)事故路段之間。因?yàn)榘l(fā)生交通事故次數(shù)少，路段上方與下方結(jié)果顯示不明顯，顏色較淺，所以累計(jì)發(fā)生概率較小，故排除事故多發(fā)路段。

綜上所述，3條高速路段交通事故多發(fā)路段信息如表7所示。

表7 交通事故多發(fā)路段信息

高速路段編號(hào)樁號(hào)范圍平均事故次數(shù)/(次·km-1)路段長(zhǎng)度/km ⅠK451.5～K45826.1546.5 K469～K47342.0004 ⅡK54.5～K55.958.9651.45 ⅢK321.6～K324.72.5803.1

4 結(jié)論

本文將密度聚類算法與核密度估計(jì)空間分析方法聯(lián)動(dòng)，針對(duì)交通事故空間聚積分布的特點(diǎn)，首先將事故數(shù)據(jù)依據(jù)交通事故關(guān)鍵要素采用劃分成同一等級(jí)事故，再將交通事故數(shù)據(jù)按空間位置數(shù)據(jù)進(jìn)行聚類分析，得到同一性質(zhì)的事故黑點(diǎn)，對(duì)交通事故黑點(diǎn)添加權(quán)重進(jìn)行核密度估計(jì)空間數(shù)據(jù)分析。

圖2 高速路段Ⅱ核密度估計(jì)結(jié)果

圖3 高速路段Ⅲ核密度估計(jì)結(jié)果

對(duì)遼寧省某區(qū)域內(nèi)的3條高速路段，進(jìn)行交通事故多發(fā)路段智能鑒別，結(jié)果表明能夠有效應(yīng)對(duì)不同交通事故點(diǎn)分布特點(diǎn)，有效避免簡(jiǎn)易事故對(duì)事故多發(fā)路段的鑒別的影響，清晰準(zhǔn)確找到事故多發(fā)路段的位置，采用GIS技術(shù)可視化處理，更加直觀清晰鑒別事故多發(fā)路段，達(dá)到智能識(shí)別交通事故多發(fā)路段目的。

[1] 謝練, 吳超仲, 呂能超, 等. 基于改進(jìn)聚類算法的道路交通事故多發(fā)路段鑒別方法研究[J]. 武漢理工大學(xué)學(xué)報(bào): 交通科學(xué)與工程版, 2014, 38(4): 904-908.

[2] 王海. 基于空間分析技術(shù)的交通事故多發(fā)點(diǎn)鑒別及成因分析[D]. 北京: 清華大學(xué), 2014.

[3] 王穎志, 王立君. 基于網(wǎng)絡(luò)時(shí)空核密度的交通事故多發(fā)點(diǎn)鑒別方法[J]. 地理科學(xué), 2019, 39(8): 1238-1245.

[4] Erdogan S, Yilmaz I, Baybura T, et al. Geographical information systems aided traffic accident analysis system case study: City of Afyonkarahisar[J]. Accident Analysis and Prevention, 2007, 40(1): 174-181.

[5] Tessa K, Anderson. Kernel density estimation and K-means clustering to profile road accidenthotspots[J]. Accident Analysis and Prevention, 2009, 41(3): 359-364.

[6] Thomas Edison Guerrero-Barbosa, Shirley Yaritza Santiago-Palacio. Determination of accident-prone road sections using quantile regression[J]. Revista Facultad de Ingeniería Universidad de Antioquia, 2016, 79: 130-137.

Research on Intelligent Identification of Accident-prone Sections Based on Density Space Clustering

SUN Cheng-zhen1, CHEN Xin1, FAN Chun-sheng2, ZHANG Li3, RUAN Yong-jiao1, CHEN Ya-xin1

（1. School of Automobile and Traffic Engineering, Liaoning University of Technology, Jinzhou 121001, China; 2. Liaoning Highway Operation and Management Co. LTD, Shenyang 110179, China;3. Jinzhou Public Transport Co. LTD, Jinzhou 121000, China）

Based on the actual traffic accident data of highway, the clustering algorithm is linked with the kernel density estimation, and the traffic accident density clustering analysis is carried out according to the identification standard of the traffic accident black spot in China. With reference to the accident standard of China for grading the accident data, the weight of the traffic accident black spot is calculated based on the clustering results, and the kernel density of the traffic accident spatial data is estimated, and the GIS technology is used for visualization, and spatial statistical methods are used to intelligently identify accident-prone sections, which provides a reference for the setting of warning signs on highways and the supervision of road safety departments. Through the identification of three highway sections with frequent traffic accidents in a certain area of Liaoning Province, intelligent identification can effectively deal with the distribution characteristics of different accident-prone sections, avoid the impact of simple accidents, and clearly and accurately find the location of accident-prone sections.

traffic accident; density-based space clustering; accident-prone sections; intelligent identification

10.15916/j.issn1674-3261.2023.02.004

U491.31

A

1674-3261(2023)02-0087-06

2022-05-17

遼寧工業(yè)大學(xué)研究生教育改革創(chuàng)新項(xiàng)目(YJG2021003)

孫承臻(1998-)，男，遼寧大連人，碩士生。

陳 昕(1972-)，女，遼寧鐵嶺人，教授，博士。

責(zé)任編輯：陳 明