基于CNN-LSTM網(wǎng)絡(luò)的道路交通事故嚴(yán)重程度致因分析

程世達(dá), 王銘鑫, 張 蕊, 王健宇, 郄 堃

(1.北京建筑大學(xué) 土木與交通工程學(xué)院, 北京 100044;2.倫敦大學(xué)學(xué)院 土木,環(huán)境與地理工程學(xué)院, 倫敦 WC1E6BT)

0 引言

世界衛(wèi)生組織發(fā)布的《2018年全球道路安全現(xiàn)狀報(bào)告》顯示,因道路交通事故,全世界每年死亡約130萬(wàn)人,受傷2 000～5 000萬(wàn)人. 道路交通事故是造成人口非正常死亡的一大原因[1]. 而在我國(guó)的道路交通中,事故量多發(fā),死亡率高. 隨著交通強(qiáng)國(guó)戰(zhàn)略的施行,降低道路交通事故的嚴(yán)重性是極其重要的[2].

降低道路交通事故的嚴(yán)重性可從事故的嚴(yán)重程度致因進(jìn)行分析[3]. 針對(duì)事故數(shù)據(jù)對(duì)道路交通事故的嚴(yán)重程度進(jìn)行致因分析是制定交通安全對(duì)策的基礎(chǔ),可高效識(shí)別出不同地區(qū)發(fā)生的交通事故的關(guān)鍵因素[4-5]. 這些關(guān)鍵因素有利于讓交通管理部門(mén)針對(duì)不同影響的因素制定相應(yīng)的解決對(duì)策,從而減少因交通事故引發(fā)的生命財(cái)產(chǎn)損失[6]. 目前的研究中,王希琳等[7-8]使用了多項(xiàng)Logit模型進(jìn)行事故影響因素層級(jí)的排序,這種基于回歸的事故分析方法能較為精準(zhǔn)的擬合數(shù)據(jù)間的相關(guān)性. 在數(shù)據(jù)挖掘方面,孫鐵軒[9]利用交通事故的大數(shù)據(jù)普遍分析事故的影響致因,有助于精準(zhǔn)定為事故的易發(fā)生因素以及快速鎖定影響事故嚴(yán)重程度的主要因素,但是這種方法需要較大的數(shù)據(jù)量進(jìn)行支撐,因此在面對(duì)較少的事故數(shù)據(jù)時(shí)適用性較差. 對(duì)于大量的交通事故數(shù)據(jù),傳統(tǒng)回歸的方法沒(méi)有考慮到交通事故數(shù)據(jù)的時(shí)間相關(guān)性,而在熊曉夏等[10]研究中,利用時(shí)間序列的預(yù)測(cè)方法能較為精準(zhǔn)地利用時(shí)間相關(guān)性分析事故的主要致因. 根據(jù)這些原因,在本文的研究中,引入時(shí)間序列的方法對(duì)事故數(shù)據(jù)分析進(jìn)行建模. 另外考慮到事故還存在著空間分布,因此同樣對(duì)數(shù)據(jù)的空間關(guān)聯(lián)性進(jìn)行考慮. 對(duì)此選用LSTM模型和2D CNN模型進(jìn)行其特征提取,集合2種模型的優(yōu)勢(shì)構(gòu)建出1種考慮時(shí)空相關(guān)性的CNN-LSTM時(shí)空卷積模型,利用該模型分析事故嚴(yán)重程度與其影響因素之間的關(guān)聯(lián)性,分析事故的主要致因,以提出有針對(duì)性的意見(jiàn),促進(jìn)事故的管理以及道路安全性的提升.

綜上所述,本文的主要貢獻(xiàn)如下:①針對(duì)道路交通事故數(shù)據(jù)的時(shí)空特征,構(gòu)建了1種基于CNN-LSTM時(shí)空卷積模型的關(guān)聯(lián)性分析方法,通過(guò)對(duì)事故影響因素進(jìn)行關(guān)聯(lián)性分析,尋找事故的主要致因;②根據(jù)CNN-LSTM模型分析出的事故主要致因,有針對(duì)性的提出提升交通安全,降低事故發(fā)生率的管理建議,促進(jìn)道路交通安全水平的提升.

1 數(shù)據(jù)描述

1.1 數(shù)據(jù)選取

本文基于美國(guó)的公開(kāi)交通事故數(shù)據(jù)進(jìn)行分析,數(shù)據(jù)集代號(hào)“US-Accidents”. “US-Accidents”覆蓋美國(guó)49個(gè)州的車(chē)禍數(shù)據(jù). 在此基礎(chǔ)上選擇加利福尼亞州洛杉磯市進(jìn)行深入研究. 洛杉磯市位于美國(guó)加利福尼亞州西南部,是美國(guó)第2大城市,并且是美國(guó)最擁堵的城市之一,在專(zhuān)注于交通領(lǐng)域的數(shù)據(jù)分析公司 INRIX2022年公布的“世界擁堵城市榜單”中排名美國(guó)第6,全年平均擁堵程度達(dá)到了41%,尤其在早晚高峰時(shí)段和工作日,道路上的交通擁堵情況非常普遍,早高峰擁堵率達(dá)到了64%,晚高峰達(dá)到了80%. 主要高速公路和主干道經(jīng)常會(huì)出現(xiàn)擁堵,導(dǎo)致車(chē)輛行駛速度緩慢,交通延誤.

本文所選研究城市為美國(guó)加利福尼亞州洛杉磯市,選取2021年洛杉磯市中心區(qū)域的道路交通事故進(jìn)行研究.

首先將道路交通事故的特性進(jìn)行梳理,在后續(xù)研究中對(duì)比其對(duì)交通事故發(fā)生率和嚴(yán)重程度的影響情況,選取主要影響因素進(jìn)行相關(guān)性分析和提出針對(duì)性措施. 并且選取分析區(qū)域,進(jìn)行道路交通事故數(shù)據(jù)的補(bǔ)齊并進(jìn)行數(shù)據(jù)結(jié)構(gòu)化及預(yù)處理.

最后基于對(duì)數(shù)據(jù)分析和預(yù)處理,選定了包括事故發(fā)生季節(jié)、能見(jiàn)度、體感溫度等因素作為自變量,選定了交通事故持續(xù)時(shí)間作為因變量.

1.2 交通事故影響因素概分析

以“US Accidents (2016—2021)”數(shù)據(jù)庫(kù)中道路交通事故屬性為依據(jù)進(jìn)行交通事故影響因素劃分,可分為時(shí)間因素、環(huán)境因素、位置因素.

1.2.1 時(shí)間因素

時(shí)間因素是指道路交通事故的發(fā)生時(shí)間,根據(jù)全年劃分為季節(jié),根據(jù)1 d內(nèi)時(shí)間劃分為白天和黑夜以及是否處于高峰小時(shí). 不同時(shí)間因素會(huì)對(duì)事故產(chǎn)生一定影響.

季節(jié)會(huì)影響到晝夜長(zhǎng)短、溫度、濕度和出行習(xí)慣. 節(jié)假日與非節(jié)假日的區(qū)別會(huì)影響道路交通狀況. 高峰小時(shí)期間,道路擁堵可能會(huì)增加. 白天黑夜會(huì)影響道路上的光線條件,也可能對(duì)駕駛員的注意力和反應(yīng)速度產(chǎn)生影響.

1.2.2 空間因素

空間因素是指道路交通事故發(fā)生的位置,包括在路網(wǎng)中的位置和在道路橫斷面上的位置,同時(shí)也考慮了周邊設(shè)施的情況.

在路網(wǎng)中的位置包括事故發(fā)生位置是否在公路上、交叉口附近、軌道交通附近,這些因素會(huì)對(duì)事故的性質(zhì)和發(fā)生機(jī)理產(chǎn)生影響. 另一方面,事故發(fā)生地點(diǎn)在道路中的位置也很重要,比如事故發(fā)生的車(chē)道位置、路側(cè)等. 該位置可提供關(guān)于事故類(lèi)型和影響因素的重要信息. 此外,發(fā)生地周邊的設(shè)施情況也需要考慮,如是否在交通標(biāo)識(shí)附近、是否位于交通信號(hào)燈附近等,這些信息也會(huì)對(duì)事故發(fā)生時(shí)的駕駛員行為產(chǎn)生一定程度的影響.

1.2.3 環(huán)境因素

環(huán)境因素是指道路交通事故發(fā)生時(shí)的自然環(huán)境,包括氣溫、濕度、風(fēng)力、能見(jiàn)度、體感溫度、氣壓以及天氣等外部環(huán)境. 這些因素對(duì)事故發(fā)生具有著較大的影響,特別是在極端天氣環(huán)境下,如霧雨雪天氣.

不良或極端天氣可能導(dǎo)致路面濕滑,甚至結(jié)冰. 路面潮濕時(shí),由于天氣條件導(dǎo)致的路面摩擦系數(shù)降低. 另一方面,不良或極端天氣還會(huì)影響能見(jiàn)度,使駕駛員視線受阻,導(dǎo)致交通事故的發(fā)生概率增大.

因此,時(shí)間、空間、環(huán)境因素均對(duì)交通事故具有重要的影響. 了解事故發(fā)生地的時(shí)間、空間、環(huán)境等特征因素,有助于分析事故的致因及特點(diǎn),進(jìn)而采取相應(yīng)的交通安全措施,提出相應(yīng)的管理建議,以減少事故的發(fā)生和減輕事故造成的后果.

2 數(shù)據(jù)預(yù)處理

從“US-Accidents”數(shù)據(jù)庫(kù)中直接得到的2021年洛杉磯市道路交通事故數(shù)據(jù)中包含有32 768條事故記錄,每條事故都含有47條事故屬性,經(jīng)過(guò)分析,發(fā)現(xiàn)數(shù)據(jù)集中存在數(shù)據(jù)異常值、自變量無(wú)效等問(wèn)題,針對(duì)這些問(wèn)題進(jìn)行事故預(yù)處理工作.

2.1 異常數(shù)據(jù)與無(wú)效數(shù)據(jù)剔除

經(jīng)過(guò)初步分析,數(shù)據(jù)集中存在著異常數(shù)據(jù),包括時(shí)間過(guò)長(zhǎng)“本研究規(guī)定超過(guò)24 h”或?yàn)樨?fù)值,體感溫度極高或是極低等異常數(shù)據(jù),我們通過(guò)針對(duì)各項(xiàng)事故的屬性進(jìn)行異常檢查,剔除異事故數(shù)據(jù)179條.

另外,因?yàn)榭倲?shù)據(jù)集包含了美國(guó)大部分州和城市,本研究?jī)H針對(duì)洛杉磯市,故國(guó)家、城市、時(shí)區(qū)等自變量唯一,將此種自變量進(jìn)行剔除. 經(jīng)過(guò)剔除,原數(shù)據(jù)中的32 768條事故數(shù)據(jù)剩余31 742條,現(xiàn)有數(shù)據(jù)量滿(mǎn)足本研究項(xiàng)目.

2.2 變量轉(zhuǎn)換與優(yōu)化

在進(jìn)行特性相關(guān)性分析時(shí),需要對(duì)自變量進(jìn)行適當(dāng)?shù)膬?yōu)化. 其中部分屬性已經(jīng)以虛擬變量的形式表示,例如白天黑夜等屬性,而對(duì)于一些連續(xù)的變量,如風(fēng)速或是能見(jiàn)度,需要將其轉(zhuǎn)化為分類(lèi)變量. 根據(jù)以往的研究經(jīng)驗(yàn),體感溫度對(duì)于交通事故也是會(huì)呈現(xiàn)一定的影響,因此可通過(guò)使用大氣壓、濕度、氣溫和風(fēng)速等屬性來(lái)計(jì)算體感溫度,見(jiàn)式(1). 并將計(jì)算的體感溫度作為CNN-LSTM模型的自變量. 而原始數(shù)據(jù)中的大氣壓、濕度、氣溫和風(fēng)速等特性在分析中選擇舍棄.

AT=1.07T+0.2e-0.65V-2.7

(1)

式中,AT為體感溫度(℃);T為氣溫(℃);e為水汽壓(hPa);V為風(fēng)速(m/s);RH為相對(duì)濕度(%).

通過(guò)這樣的轉(zhuǎn)化和選擇,可使得自變量更加符合CNN-LSTM模型的要求,并能更好地捕捉到體感溫度對(duì)交通事故的影響. 這樣的分析方法可提供更準(zhǔn)確和有用的分析結(jié)果,提升后續(xù)特性分析與提取的精度.

2.3 變量選取

將事故持續(xù)時(shí)間定義為因變量Y,將事故嚴(yán)重程度的影響因素定義為自變量Xk,影響因素Xk共包含 13項(xiàng),如表3所示.

2.3.1 因變量選取

本文選取事故的持續(xù)時(shí)間作為衡量事故嚴(yán)重程度的因變量,而不是采用事故中已經(jīng)劃分的四級(jí)事故標(biāo)準(zhǔn)為因變量,由于利用原本的四級(jí)事故標(biāo)準(zhǔn),99.8%的事故為一般事故(具體的劃分結(jié)果如表 1所示),使得因變量設(shè)為原本的四級(jí)事故標(biāo)準(zhǔn)很難分析出有效的結(jié)論.

表1 原始數(shù)據(jù)因變量取值定義

選取事故持續(xù)時(shí)間作為衡量事故持續(xù)時(shí)間作為衡量事故嚴(yán)重程度,事故持續(xù)時(shí)間具體指的是事故從開(kāi)始時(shí)到事故現(xiàn)場(chǎng)處理結(jié)束并恢復(fù)正常通行所消耗的時(shí)間,因變量有其優(yōu)點(diǎn):以此作為因變量,既可反映事故本身的嚴(yán)重程度,同時(shí)在另一方面也可反映事故對(duì)整體交通的影響程度,以此我們對(duì)數(shù)據(jù)進(jìn)行3分類(lèi),如表3所示,其分布結(jié)果顯示數(shù)據(jù)量分布均勻.

表2 本研究因變量取值定義及分布情況

在表2的結(jié)果中可看到,根據(jù)事故的持續(xù)時(shí)間把事故分成3個(gè)等級(jí),而事故數(shù)量的分配呈現(xiàn)出一定的平均分布,不同嚴(yán)重程度的事故數(shù)量差異最大不超過(guò)15%.

2.3.2 自變量選取

交通事故持續(xù)時(shí)間影響因素不同取值定義如表3所示.

表3 事故嚴(yán)重程度影響因素不同取值定義

3 CNN-LSTM模型構(gòu)建

CNN-LSTM模型結(jié)合了CNN在空間特征提取方面的優(yōu)勢(shì)和LSTM在時(shí)間序列建模方面的優(yōu)勢(shì),能有效地捕捉數(shù)據(jù)序列中的空間和時(shí)間相關(guān)性. 這使得它在處理時(shí)空數(shù)據(jù)時(shí)具有以下優(yōu)點(diǎn):①多尺度特征學(xué)習(xí):該模型結(jié)合了CNN和LSTM的優(yōu)勢(shì),能在不同時(shí)間尺度上學(xué)習(xí)特征. CNN層可學(xué)習(xí)局部和全局的空間特征,而LSTM層可學(xué)習(xí)時(shí)間序列中的短期和長(zhǎng)期依賴(lài)關(guān)系. 這種多尺度特征學(xué)習(xí)可更全面地捕捉數(shù)據(jù)中的有用模式和結(jié)構(gòu); ②參數(shù)共享和減少過(guò)擬合:該模型中的卷積層具有參數(shù)共享的特性,這意味著同一卷積核可在整個(gè)輸入空間上共享. 這種參數(shù)共享可減少模型的參數(shù)量,降低過(guò)擬合的風(fēng)險(xiǎn),提高模型的泛化能力. 因此我們構(gòu)建的CNN-LSTM模型在特征及圖上的較大優(yōu)勢(shì),能較好的捕捉數(shù)據(jù)之間的相關(guān)性.

為了充分捕捉道路的時(shí)空拓?fù)潢P(guān)系,并考慮城市道路平均車(chē)速的時(shí)空相關(guān)性,本文使用CNN-LSTM模型進(jìn)行預(yù)測(cè). 在城市路網(wǎng)中加入構(gòu)建空間特征,并且根據(jù)模型訓(xùn)練過(guò)程能判斷數(shù)據(jù)間的相關(guān)性. 確定2類(lèi)輸入特征:①路網(wǎng)中發(fā)生事故時(shí),事故的空間分布位置以及事故的發(fā)生時(shí)間;②因變量:事故嚴(yán)重程度的評(píng)價(jià)指標(biāo)數(shù)據(jù);③自變量:影響事故的多項(xiàng)特征. 通過(guò)選擇適當(dāng)?shù)呐看笮?將這3種輸入特征輸入到CNN網(wǎng)絡(luò)中. 經(jīng)過(guò)卷積層、池化層和Relu激活函數(shù)的處理后,得到3個(gè)(batch size·s)特征矩陣a、b、c. 將這3個(gè)特征矩陣整合展平為1個(gè)(3·batch size·s)的矩陣,并輸入到LSTM網(wǎng)絡(luò)中. 接下來(lái)經(jīng)過(guò)3個(gè)全連接層,輸出整個(gè)路網(wǎng)中事故特性分析結(jié)果RMSE、MAE、R-squared、EVS、MAPE等指標(biāo),為了判斷在自變量與因變量之間的影響程度強(qiáng)弱,選擇了RMSE與R-squared來(lái)表示. 然后輸出預(yù)測(cè)值與實(shí)際值進(jìn)行比較,驗(yàn)證模型的精準(zhǔn)度,證明特性強(qiáng)弱的準(zhǔn)確性. 通過(guò)這樣1個(gè)疊加的CNN-LSTM網(wǎng)絡(luò)模型,充分考慮了數(shù)據(jù)的時(shí)空相關(guān)性,提升了模型的精準(zhǔn)度. 為了更直觀的表達(dá)模型的結(jié)構(gòu),Algorithm 1簡(jiǎn)單表述了代碼的架構(gòu):

Algorithm 1: CNN-LSTM Algorithm

Input:X:輸入數(shù)據(jù)集,形狀為 [batch_size, num_channels, height, width]y:測(cè)試集,形狀為 [batch_size, num_classes]

Output:predictions: 預(yù)測(cè)結(jié)果,形狀為 [batch_size, num_classes]

1: model = Sequential()

2: for each layer_params in layer_parameters:

3: layer_type = layer_params[0]

4: layer_args = layer_params[1]

5: layer_kwargs = layer_params[2]

6: if layer_type == ‘Conv2D’ the

7: layer= Conv2D(layer_args[0], layer_args[1], activation=layer_args[2], input_shape=(num_channels, height, width))

8: else if r_type == ‘MaxPooling2D’:

9: layer = Flatten()

10: else if layer_type == ‘LSTM’ then

11: layer=LSTM(layer_args[0], activation=layer_args[1])

12: else if layer_type == ‘Dense’ then

13: layer=Dense(layer_args[0], activation=layer_args[1])

14: end if

15: model.add(layer)

16: model.compile(optimizer=optimizer, loss=loss_func, metrics=metrics)

17: predictions = model.predict(X)

4 實(shí)驗(yàn)結(jié)果分析與討論

4.1 實(shí)驗(yàn)結(jié)果分析

在結(jié)果驗(yàn)證中,根據(jù)所建立的CNN-LSTM模型去對(duì)數(shù)據(jù)進(jìn)行驗(yàn)證. 首先選取了季節(jié)、工作日、高峰小時(shí)等多項(xiàng)因素進(jìn)行實(shí)驗(yàn),分析這些特性對(duì)事故嚴(yán)重程度的影響程度,利用如下指標(biāo)進(jìn)行評(píng)價(jià).

表4 特性分析指標(biāo)評(píng)價(jià)標(biāo)準(zhǔn)

根據(jù)這2項(xiàng)評(píng)價(jià)指標(biāo),多項(xiàng)影響因素相關(guān)性結(jié)果如圖1、2所示.

圖1 事故嚴(yán)重程度與13項(xiàng)影響因素相關(guān)性的RMSE

圖2 事故嚴(yán)重程度與13項(xiàng)影響因素相關(guān)性的R-squared

4.2 實(shí)證分析

本文中所用的CNN-LSTM模型是1種在原有CNN與LSTM模型上進(jìn)行融合與改進(jìn)的模型,因此本文中模型的精度還需要進(jìn)一步驗(yàn)證. 在本章節(jié)中,引入了XGBoost這模型進(jìn)行對(duì)比驗(yàn)證,將從XGBoost模型的結(jié)果中區(qū)對(duì)比本文CNN-LSTM模型的實(shí)驗(yàn)結(jié)果,進(jìn)行模型精度的驗(yàn)證.

XGBoost是1種強(qiáng)大的集成學(xué)習(xí)算法,用于解決回歸和分類(lèi)問(wèn)題. 它是基于梯度提升樹(shù)的改進(jìn)版本,具有高效性和準(zhǔn)確性. XGBoost可通過(guò)特征的重要性排名來(lái)幫助識(shí)別最重要的特征. 通過(guò)訓(xùn)練XGBoost模型并檢查特征的重要性分?jǐn)?shù),可獲得哪些特征對(duì)目標(biāo)變量具有更大的影響力. 這有助于縮小特征空間,減少冗余和不相關(guān)的特征,提高模型的效率和準(zhǔn)確性.

在本章節(jié)的實(shí)驗(yàn)中,通過(guò)XGBoost模型來(lái)進(jìn)行特征相關(guān)強(qiáng)弱的排序,具體實(shí)驗(yàn)結(jié)果如圖3所示.

圖3 XGBoost實(shí)驗(yàn)結(jié)果

圖3利用XGBoost模型的實(shí)驗(yàn)結(jié)果,從中可看到,在事故影響因素強(qiáng)弱的重要性排序上,與本文所使用的CNN-LSTM模型具有較高的相似性,在能見(jiàn)度、高峰小時(shí)、工作日節(jié)假日、停車(chē)標(biāo)線附近、白天黑夜、車(chē)站附近這六項(xiàng)最重要的影響因素中,呈現(xiàn)出相同的結(jié)果. 在其他影響程度較小的7項(xiàng)因素中,也產(chǎn)生了較高的相似性. 因此本文所使用的CNN-LSTM模型的精度可達(dá)到實(shí)際分析的需求.

4.3 結(jié)果討論

根據(jù)模型的實(shí)驗(yàn)結(jié)果,可知能見(jiàn)度、高峰小時(shí)、工作日節(jié)假日和停車(chē)標(biāo)志附近是事故發(fā)生時(shí),其嚴(yán)重程度的主要致因,對(duì)此結(jié)果,為了提升城市道路中的安全性,降低事故嚴(yán)重程度,提出如下建議:

1)能見(jiàn)度較差,行車(chē)的視距會(huì)產(chǎn)生明顯的縮短,駕駛員無(wú)法明確了解實(shí)時(shí)路況,如果駕駛員不能正確判斷道路實(shí)時(shí)狀況,會(huì)導(dǎo)致交通事故的發(fā)生率增加,交通事故的影響程度加劇. 類(lèi)似的結(jié)論發(fā)現(xiàn)在Cai Z等[11-12]普遍認(rèn)為道路的能見(jiàn)度與事故的發(fā)生概率與嚴(yán)重程度有較高的相關(guān)性,這更加印證了本文的觀點(diǎn). 因而,考慮到能見(jiàn)度主要影響行車(chē)的視距,可設(shè)置更加清晰的路面標(biāo)線和交通標(biāo)志,以及增強(qiáng)道路的照明設(shè)施,以提升能見(jiàn)度,從根源上降低嚴(yán)重事故發(fā)生的可能性.

2)高峰小時(shí)會(huì)對(duì)路段的交通流量產(chǎn)生較大的影響,交通流量增加時(shí),交通擁堵和車(chē)輛密度增加意味著車(chē)輛之間的安全距離減少,駕駛員的注意力和反應(yīng)時(shí)間受到影響,增加了相互之間的碰撞和事故的可能性. Liu J等[13]表明類(lèi)似的觀點(diǎn),他們認(rèn)為對(duì)交通流量與速度實(shí)施管理控制會(huì)對(duì)路段的安全性有所改善. 因而考慮到高峰小時(shí)所影響的主要因素是交通流量,通過(guò)合理的交通流量管理措施,如交通信號(hào)燈優(yōu)化、車(chē)道限制、交通導(dǎo)向等,以平衡高峰小時(shí)的交通流量,減少交通擁堵和事故風(fēng)險(xiǎn).

3)工作日與節(jié)假日也會(huì)對(duì)交通流量產(chǎn)生一定的影響,另一方面也會(huì)對(duì)駕駛?cè)藛T的行為產(chǎn)生一定的影響. 在工作日駕駛員可能會(huì)因?yàn)橥ㄇ跁r(shí)間緊張,出現(xiàn)超速、不遵守交通規(guī)則和駕駛疲勞等不良駕駛行為. 這些行為增加了事故的發(fā)生概率. 同樣的觀點(diǎn)在Chatterjee K等[13]研究中出現(xiàn)過(guò),他們認(rèn)為通勤時(shí)間緊張、駕駛者壓力大以及其他因素可能導(dǎo)致超速、不遵守交通規(guī)則和駕駛疲勞等不良駕駛行為,從而增加事故的發(fā)生概率. 因此為了提升交通安全,可改善道路和交通基礎(chǔ)設(shè)施,提升道路的彈性承載能力,包括增加交通信號(hào)燈、改善交叉口和道路標(biāo)線等,以提高道路的安全性和流暢性,減少駕駛員的通勤壓力.

4)在停車(chē)標(biāo)志附近,駕駛員會(huì)因?yàn)橥＼?chē)標(biāo)線的干擾而產(chǎn)生注意力分散等行為,另一方面還會(huì)因?yàn)橥＼?chē)意圖產(chǎn)生不適當(dāng)?shù)乃俣茸兓?這些都是對(duì)交通安全產(chǎn)生威脅的成因. Skinner N P等[15]研究中同樣表明了這個(gè)觀點(diǎn),對(duì)此可加強(qiáng)交通標(biāo)志的可見(jiàn)性、提供額外的警示標(biāo)志以及對(duì)停車(chē)設(shè)施周邊的道路進(jìn)行重新規(guī)劃,改善停車(chē)路徑的合理性,以此來(lái)提升交通安全.

5 結(jié)論

本文針對(duì)“US Accidents”公開(kāi)數(shù)據(jù)集中的美國(guó)洛杉磯市進(jìn)行了事故的主要致因分析,利用CNN-LSTM模型進(jìn)行了交通事故的主要致因分析,發(fā)現(xiàn)能見(jiàn)度、高峰小時(shí)、工作日節(jié)假日和停車(chē)標(biāo)志附近是影響事故嚴(yán)重程度的主要致因,并對(duì)此提出管理建議,改善交通安全.

值得一提的是,洛杉磯市是個(gè)人口密集的地區(qū),存在交通流量大以及駕駛行為多樣的問(wèn)題. 為了提升交通安全,可在道路容量和交叉口信號(hào)配時(shí)以及利用交通監(jiān)控技術(shù)強(qiáng)化執(zhí)法和交通規(guī)則的違規(guī)執(zhí)行上進(jìn)行管理,從而在根本上提升交通安全.

在本文的研究中,選用的CNN-LSTM模型進(jìn)行事故的主要致因分析,但是該模型存在著數(shù)據(jù)的長(zhǎng)期依賴(lài)以及特征的提取限制等問(wèn)題. 在后續(xù)的研究中可利用GCN等模型結(jié)合自注意力機(jī)制,對(duì)事故嚴(yán)重程度的影響因素進(jìn)行全局性關(guān)聯(lián)性判斷,提升對(duì)主要事故致因的定位的精準(zhǔn)性.