文摘

高速公路驾驶提供安全、高效的基础。道路几何动态驾驶系统中起着至关重要的作用。因素如平面、纵向对齐和交通量,以及司机的视觉特征,确定汽车和卡车的安全操作速度。反过来,操作速度影响高速公路事故的频率和类型。方法。独立的负二项和泊松模型视为基本的建模方法在这项研究中。然而,random-parameter模型减少未被注意的异质性和获得更高的维度。因此,我们建议random-parameter多元负二项(RPMNB)模型分析交通的影响,速度、道路几何,和视觉特征的尾端,bumping-guardrail,其他noncasualty和伤亡事故。随后,我们计算拟合优度和预测措施确认该模型的优越性。最后,我们还计算出弹性效应增加的比较。结果。重要的变量中,黑色的斑点,年平均每日交通量(AADT),操作速度的汽车,汽车的速度差,和长度的平面曲线积极影响事故风险,而卡车的速度差,纵向坡度的长度对应于最低等级,和停止视距负面影响崩溃的风险。根据结果,可以采用几个实用和有效的措施促进道路设计和操作过程中安全。此外,拟合优度和预测措施明显突出了更大RPMNB模型比标准模型的性能。弹性的影响在所有的模型显示类似的性能与RPMNB模型。因此,RPMNB模型减少了未被注意的异质性和产生更好的性能,在精度方面,与传统模型相比更一致的解释力。

1。介绍

高速公路是一个动态系统,包括司机、车辆、道路和环境。司机扮演重要角色,注意力不集中,注意力分散,误判的主要原因是公路事故。如今,研究主要集中在司机。与此同时,道路特征,作为动态系统的一个重要基础和影响安全,往往是被忽视的(1- - - - - -3]。作为驾驶的基础、道路几何对安全有着非常重要的影响。几乎40%的交通事故都是因为司机的错误或造成汽车故障根本就是道路几何(4]。Babukov等人研究了平面之间的内部关系,配置文件参数和道路安全设计的高速公路和改善安全提出了重要建议4- - - - - -7]。麦基等人建立了统计模型之间的曲线长度、曲率、交通量,碰撞频率(8]。

研究141812年崩溃后,裴和马集中在道路设计因素之间的关系(平面、垂直截面和十字路口)和崩溃和提出相应的对策9]。许多类型的研究评估安全的道路几何通过可视化和计算机模拟。哈桑等人模拟3 d环境的影响驾驶员视觉上的影响和分析相结合的道路安全水平和垂直曲线(10- - - - - -14]。然后,联邦高速公路管理局开发交互式公路安全设计模型(IHSDM)。软件使用车道宽度、车道数,水平对齐,垂直对齐,截面和超高的评价参数检查的一致性设计(15- - - - - -17]。司机经常试图提高运输的效率,当道路和交通条件允许超速行驶,导致许多事故在高速公路上。所罗门和莫纳什大学事故研究中心建模崩溃和车辆速度之间的关系,发现较高的操作速度和平均速度的区别,失事率越高(18,19]。的平均速度通常超过因为良好的几何和现代高速公路的环境条件。与此同时,汽车和卡车的速度区别增加由于相对贫穷的力量和卡车的制动性能,导致频繁的追尾事故。

最初的道路线形设计是基于设计速度,首次提出的美国州国家公路运输官员协会(AASHTO)道路设计的关键因素。同时,设计师和研究人员也使用设计速度评价横向和纵向配置文件的一致性。预期的速度将大大超过设计速度在良好的道路条件下,与传统设计方法的基础上,设计速度导致可怜的连续性和不平衡在实际驾驶。此外,可怜的一致性表达的司机的视觉感知与实际车辆控制20.]。由于这些限制,后来AASHTO采用了操作速度主导设计,它被定义为选择的驾驶速度第85百分位的实际测量中司机畅通的状态下有良好的天气和路况(21]。拉姆等人研究了影响曲线的操作速度根据设计数据、车辆速度、交通量和事故数据261洲际高速公路部分和确定模型的曲线半径和操作速度22,23]。安德森等人研究了曲线半径的影响操作速度根据速度衰减而传递曲线(24,25]。Krammes等人建立了操作速度模型通过收集138年的操作速度和设计数据平面曲线部分基于1126曲线部分作为初步评价样品来确定事故的起因在曲线的部分并选择改进方法(26]。柯林斯等人进行畅通的状态测量实际的驾驶速度曲线的中点(27- - - - - -33]。Sil Maji测量三个部分的操作速度通过曲线,建立了一个模型之间的速度曲线和四车道高速公路上的组合曲线34]。基于现有的研究在国外,操作速度模型已经采用不同的车辆类型的研究在中国。2004年,高速公路项目的安全评价指南提出了基于许多高速公路速度模型研究的数据集。规范高速公路安全审计在2015年出版的优化和改进的速度模型低级公路(35]。评估部分分为切部分,纵向坡度部分,水平曲线部分,弯坡组合路段,隧道部分,交换部分,其他部分的计算根据平面曲线的半径和概要文件的斜率。足够的驾驶视线距离直接相关的安全性和速度在高速公路上,是一个重要的评价指标。停车视距使司机停下来,见面,顺利超越,横净距的措施的安全区域允许横向偏移在开车。视觉特征的距离都是可衡量的表示(35]。

总而言之,以前的研究集中于道路几何因素单独或操作速度特征,和视觉特点决定了道路几何排列方式很少研究。本研究采用几何、速度和视觉特征同时考虑在一个单一的条件下,然后采用random-parameter方法来减少各种变量之间的相互作用获得一个更高的维度和发现的因素。传统的负二项和泊松模型用于先前的研究变得复杂在分析事故类型。相比之下,这个random-parameter多元负二项(RPMNB)模型允许更简化框架和减少了未被注意的异质性较高的准确性。在这项研究中,我们收集三年(2009 - 2011)京沪高速公路事故统计数据为样本,分析道路几何,是否操作速度、交通量和视觉特征影响事故类型(尾端,bumping-guardrail、展期等)。

2。方法

许多方法论的方法,如多元泊松对数正态模型,zero-inflated负二项模型,和泊松对数正态模型空间和/或时间通常解决崩溃率考虑事故发生的数量在一个道路段或在一个十字路口36- - - - - -38]。

一般来说,一些重大的车祸率影响因素在分析收集到的数据或困难。这些因素(称为未被注意的异质性)在观察到的变化影响因素,这可能导致misspecified参数和错误的推论。为了减少未被注意的非均质性的影响,随机参数,潜类别(有限混合体)模型,在多变量模型和马尔可夫转换模型被认为是(39]。

2.1。泊松回归模型(负二项)

在统计研究事故频率、泊松回归是一个广义线性模型用来模拟事故数据分析。响应变量Y泊松分布的假定收益率,期望值模型未知参数的线性组合。在泊松回归,泊松发生率是由(回归量变量)40- - - - - -42]:

基本的泊松回归模型(人口、难民和移民事务局)观察被编写为 在哪里是一段时间的接触和 系数估计未知参数。

负二项回归是一种常见的泛化(NB)泊松回归包括伽马噪声变量(43]。这个模型很受欢迎因为它泊松模型与伽马分布的异质性,均值和方差不等于限制性地。负二项回归模型(NBRM)满足的方程

当是明显不同于0,负二项回归是适当的。否则,泊松模型更好。

2.2。Zero-Inflated泊松模型

当事故数据模型中包含多余的零计数的值,著名的zero-inflated采用泊松模型。 在哪里非负整数的值;是预期的泊松统计;和额外的概率是零。

2.3。Random-Parameter多元负二项模型

2.3.1。随机参数难以察觉的异质性

人口、难民和移民事务局限制意味着等于方差(E= VAR),和人口、难民和移民事务局模型在某些情况下并不适合。当模型并不平等,数据可能overdispersed (E< VAR)或underdispersed (E> VAR),人口、难民和移民事务局的估计的标准误差参数将是不正确的。在事故中占overdispersion计数数据,人口、难民和移民事务局是提升和派生。 在哪里错误条款后伽马分布与1和方差意味着什么 。

为了应对非常数的解释变量的模型,我们开发了随机参数在每个参数估计占未被注意的异质性(39]。 在哪里表示解释变量的观察 ; 均值参数估计;和是一个随机分布的术语捕捉难以察觉的异质性。

2.3.2。多元负二项模型

在最近的研究中,总体框架的random-parameter多元负二项(RPMNB)模型主要是提出了崩溃的预期的数量(44,45), ,在道路段和事故类型(在本文中,这些类型是尾端,bumping-guardrail,和崩溃): 在哪里 是独立变量向量; 是系数向量;和是多元和零均值和方差误差项分布吗 。

RPMNB模型的相关性遵循结构化关联的协方差矩阵,这代表之间的关系为事故类型的模型一个和b:

2.4。模型比较和评价

2.4.1。拟合优度

在分析事故的结构数据模型在不同事故类型,它是重要的和必要的确认的结构未被注意的参数。似然比的测试是用来评估模型(46]。 在哪里和表示对数似收敛的限制和不受限制的模型,分别。

贝叶斯信息准则(BIC)也可以用于模型比较,这是一个通用版本的Akaike等效(考虑到贝叶斯信息准则(AIC)47]: 在哪里k和l表示数量的模型参数和似然函数,分别。

AIC介绍了惩罚项来最小化的参数模型,这有助于减少过度拟合的可能性,促进模型拟合的程度(最大似然)。BIC考虑样本的数量,导致更大的损失比AIC术语。当样品的数量太大,BIC能有效防止造成的过高复杂性模型的精度。所以,AIC和BIC值较小的模型表现的更好。

2.4.2。预测精度

BIC以外,我们使用均方根误差(RMSE)来评估模型的准确性。类似于BIC,较小的RMSE值意味着模型预测更准确。

与此同时,平均绝对误差(MAE)和平均绝对百分比误差(日军)也用于估算模型的准确性: 在哪里是观测值;是预测价值;和是观测的数量。

3所示。数据描述

每年从京沪高速公路事故数据从欣到江都市,从2009年到2011年,从交通管理部门收集。最初,这些数据被用来记录紧急车辆在高速公路上。详细包含3293年崩溃事故数据,包括事故类型、位置、时间、车辆类型、气候、路面条件,和伤亡情况。后端和bumping-guardrail崩溃事故数据的52.9%和30.3%,分别。后端和bumping-guardrail崩溃类型是本研究的重点,但其他事故类型(展期、火、擦洗等)也在利用模型更好地探索第一两种事故类型的相关性。表1总结了五种事故类型的描述性统计每个部分在高速公路上。

此外,巷道几何数据收集的道路设计和施工图纸,其中包括道路几何特性。不可分割的四车道高速公路从信义江都市在本研究总共是259.5公里,设计时速120公里/小时,和包括27个交换和休息区域。426我们把道路分成不同部分根据不同的水平对齐,垂直对齐和双向交换。我们获得426年AADT部分道路管理机构报告。

我们采用修改后的碰撞频率的方法来识别事故黑点和计算每个部分的平均碰撞数量:

事故数的临界值确定的置信水平95%: 在哪里平均碰撞数量;事故数量吗部分;是部分的总数;和R是车祸数量的临界值。

实际的事故数量的每个部分是与临界值相比,部分被确定为事故黑点,如果实际数量大于R。

基于模型的规范高速公路安全审计出版于2015年,我们计算汽车和卡车的运营速度段根据不同几何特征(35]。

停车视距意味着需要最短的距离为一个普通司机反应,减慢或停止时遇到的障碍在一定的速度在开车。基于高速公路设计指南Grade-separated十字路口(48),汽车和卡车的停止视线距离方程(16)和(17),分别。

卡车司机可以看到垂直面的障碍在相当远的距离与低速的观点,但这种优势并不足以弥补可怜的制动性能。尽管高视点,卡车司机也失去了在有限的地方横向的视线,尤其是 在哪里和停车视距的汽车和卡车,分别;是操作速度(公里/小时);反应时间,一般需要2.5秒(1.5判断时间和运行时间为1.0年代);重力加速度,以9.8米/秒²;纵向坡度;和之间的纵向摩擦系数是卡车轮胎和路面需要0.17一般。

波形梁护栏设置在路中间,旁边的所有部分,影响司机的视线。我们认为最大的横净距确认安全,这意味着视觉和曲线之间的距离跟踪。平面曲线时,横净距应判断里道。我们计算所需的停车视距的每个部分安全后,方程 在哪里H是最大的横净距;内圈的半径;和是中央的视线角。

如表所示2,我们总结交通速度、几何和视觉特征作为自变量。

4所示。结果与讨论

4.1。模型规范

估计的传统,提出模型参与实证分析:(1)传统模式:独立(单独的模型对5种不同事故类型)NB模型和独立的泊松模型采用基地。与此同时,两个模型估计包括zero-inflated多元NB (ZIMNB)模型和zero-inflated多元泊松(ZIMP)模型考虑多余的零计数数据;(2)提出的模型:random-parameter多元NB (RPMNB)模型和random-parameter多元泊松(RPMP)模型提出了估计。提出了模型的结果如表所示3和4,附录提供了相应的传统模型的结果。

随后,每个基数效应估计为常见的外生变量在五种事故类型,我们估计变量的偏差和每个事故类型的基础。相应的t统计将统计学意义,如果偏差项提供了一个从基数效应差异。基于t统计数据,参数没有透露微分灵敏度的基础崩溃类型如果变量统计微不足道。

4.2。模型估计结果

在本节中,我们进行详细讨论的重大事故影响因素计算组件在不同事故类型。模型估计结果RPMP模型和RPMNB模型如表所示3和4,分别。

类似传统的方法中,我们提出了个人每个外生变量的影响适应崩溃的倾向。常量估计在各种事故类型倾向方程为例,表的伤亡事故的影响3可以计算为1.867(追尾事故的基础)(伤亡事故偏差)= 1.000±0.867。与此同时,我们识别重要的参数的数量估计在崩溃类型和一个单独的参数估计在5崩溃类型。表变量的积极价值3表明将会有更多的崩溃与变量的增加,和更少的崩溃,否则。如表所示3和4,两个模型的重要因素不是完全相同的。然后,我们专注于RPMNB模型,而分析的结果的影响因素,并且附加上RPMP模型的差异。

4.2.1。准备常数

常数代表崩溃的拦截与外生变量类型,没有任何实质性的解释。

4.2.2。交通特征

是否有一个交换部分存在负面影响,noncasualty,伤亡事故表明较低的崩溃这三种事故类型倾向的可能性交换部分。与一般的部分相比,更多的车辆加速,减速,并改变车道导致更多的交织区交换部分,从司机和获得更多的关注在某种程度上导致更少的事故。与早期的研究结果是一致的在高速公路上交换(48]。和影响也发现不是后端和bumping-guardrail崩溃明显不同,表明这两种事故类型并不与交换相关的领域。

黑点的相应参数提供了一个积极的影响事故发生后端,bumping-guardrail,其他noncasualty,伤亡事故和事故发生的可能性更大比例的增加黑色的斑点。更崩溃所有事故类型发生在黑色的斑点比其他部分。同样,AADT提供了一个积极的影响在RPMNB模型中的五种事故类型与更多的流量显示更多的事故发生。更大的交通量导致更高的事故风险(49]。然后,AADT表示没有意义的伤亡事故RPMP模型。

4.2.3。速度特性

的操作速度,RPMP模型和RPMNB模型的估计结果表明,更高的运营速度的汽车可能会导致更少的崩溃风险五种事故类型。发现预计,因为司机的汽车很可能以更高的速度开车在部分良好的交通条件下的几何排列。

估计结果表明,汽车的速度差与邻近节段显示了相同的积极影响的事故类型。汽车的高速度差相邻段导致更高的事故风险,和这一发现是所罗门对应曲线18]。面对面,卡车的速度差与邻近节段显示了相同的负面影响在所有除了伤亡事故的事故类型。

卡车是相反的结果,和卡车的速度差的估计变量显示了一个负面影响后端,bumping-guardrail,其他,noncasualty崩溃和一个无关紧要的伤亡事故。合理的解释是,穷人的权力和卡车的制动性能极限的操作速度。设计速度达到一定值时,操作速度不会增加改进的几何排列。和操作速度限制穷人的几何排列的部分减少事故的风险。操作速度的卡车追尾事故的风险有积极影响和消极影响noncasualty崩溃。卡车的更高的运营速度导致追尾事故,减少事故伤亡。

相对于汽车,卡车显示力量和制动性能差。操作速度越大导致更高的追尾事故,倾向一个较小的汽车和卡车之间的区别,导致更少的碰撞事故影响和损害。

4.2.4。几何特征

目前的平面曲线的长度提供了一个积极的影响五种事故类型,这可能是表明平面曲线的长度越长导致更多事故风险倾向。这个结果的合理的解释是,司机会逐渐适应曲线的曲率,导致司机的疲劳或分心。否则,这个适应导致司机加快速度不适合几何排列,导致更多的事故。的积极影响目前的平面曲线半径后端和伤亡事故显示了相同的趋势。

关于平面曲线的半径的前面部分,变量被发现有积极影响后端和noncasualty崩溃有相对较少的影响系数(0.000000359和0.000000365)RPMNB模型。然而,估计结果没有找到RPMP模型。车辆运行在一个不协调的速度当颗较小的半径和增加了追尾事故的倾向。同样,平面曲线的长度系数的部分展示了一个积极的影响在伤亡事故。纵向坡度的长度对应的最低等级也发现有负面影响的概率尾端,noncasualty, RPMNB模型中的伤亡事故。RPMP模型中,只有在尾端的noncasualty崩溃显示意义。路中部分与小的纵坡,卡车显示更大的速度较低速度差异从汽车,促进安全。RPMNB模型中,纵向坡度的长度对应的最大等级noncasualty崩溃也带来了负面影响。然而,结果RPMP模型中不存在。

4.2.5。可见性特征

正如所料,与货车停车视距的相关系数对事故提供了一个负面影响的所有事故类型的风险。所有单车事故将减少的可能性更高的货车停车视距。

面前的能见度字段和距离的车辆是重要的安全有效的驾驶在高速公路上。车辆的速度和方向取决于未来道路的可见性和周围的环境。因此,较高的停车视距的卡车司机便利更准确地控制方向,从而减少事故。与此同时,汽车的横净距表明负面影响后端,bumping-guardrail, noncasualty RPMP模型中崩溃。和汽车的横净距只显示了一个负面影响bumping-guardrail RPMNB模型和noncasualty崩溃。横向的安全区域允许更高的对车辆,导致更少的事故。

4.3。模型的比较

统计措施如对数似、AIC和BIC值计算来衡量估计模型的拟合优度,结果如表所示5。

基于AIC和BIC值的比较,我们首先找到zero-inflated效应的模型不适合崩溃数据在这个研究。其次,模型考虑的影响比独立的模型未被注意的异质性表现得更好。最后,提出了模型估计有效和准确的参数在吝啬的模型系统。评估预测准确性的估计模型,我们使用RMSE(均方根误差)、美(平均绝对误差),和日军(平均绝对百分误差)进行讨论。表6提出了这些措施的价值。

尽管总数的不同参数之间的两个模型(56比52),两种模型的性能在五个事故类型非常相似。从总值的三个措施,我们可以观察到RPMNB模型执行比RPMP模型。从不同的角度碰撞类型,RPMP模型执行措施略优于RPMNB模型bumping-guardrail和noncasualty崩溃,和RPMNB执行更好的后端,其他noncasualty和伤亡事故。参数的数量的差异在两个模型没有影响偏差的措施。

4.4。弹性的影响

提供更多的洞察力和解释外生变量的边际效应,弹性效应计算RPMNB和RPMNB所有事故类型。弹性效应表示估计的影响变量的期望频率假设所有其他变量取平均值。弹性效应是影响预期的频率1%的变量的变化,如下: 在哪里的价值吗独立变量的观察 ; 估计参数吗独立变量;和是观察的期望频率 。

如图1,没有任何大的区别在两个模型的弹性影响五种事故类型。几乎一半的变量的数量使79(41)的影响很小。

我们观察到有显著差异的弹性效应对不同事故类型在不同的模型。对目前的平面曲线的长度在尾端的崩溃,RPMNB模型预计增长27.4%,而从RPMP增加了52.7%。最有可能的是,两个模型的非线性导致这种差异。

5。结论

实证分析是基于从京沪高速公路交通事故数据为2009年- 2011年和道路设计和施工图纸包括道路几何特性。道路几何校正、操作速度、交通量和视距视为传统的外生变量和提出的模型。

传统的负二项和泊松模型通常采用事故分析计数频率来分析各种因素的影响。减少未被注意的非均质性的影响,得到更高的维度,我们采用random-parameter多元NB (RPMNB)模型和random-parameter多元泊松(RPMP)模型,分析了影响不同事故类型包括后端,bumping-guardrails, noncasualty,和伤亡事故,与传统的模型为基础。

查看交通特点,更多的后端,bumping-guardrail,其他和noncasualty崩溃发生有黑点和AADT,而其他,noncasualty,伤亡事故发生在交换部分的可能性。速度特征、五种类型的事故风险更大更高的运营速度的汽车,而更大的汽车速度差异导致更多事故横跨5个类型。在相反的位置,大卡车的速度差异导致更少的后端,bumping-guardrail, noncasualty崩溃。至于道路几何,更崩溃发生在当前的平面曲线的长度越长,而更大的长度的纵向坡度对应于最低等级降低了崩溃的倾向。考虑到视觉特征,与更大的卡车司机停车视距对高速公路执行安全。

从道路设计的角度,以避免与大曲率平面曲线的长度,减少纵向坡度的长度与大等级公路安全有益。减少汽车和卡车之间的干扰,建议采用不同的车辆类型的车道分布模式。设置交通标志形状随着路面标记,提醒司机驾驶卡车的外圈和内车道的汽车驾驶。

对合适的数据,比较锻炼包括对数似,AIC和BIC价值强调多元模型在传统模型的优越性。基于运动,RPMNB模型显示相同的性能甚至更多数量的重要参数与RPMP模型(56比52)。

量化预测的性能指标,我们计算的弹性影响显著的变量包括交换,黑色的斑点,AADT, , , , , ,和RPMNB和RPMP模型。在弹性效应存在显著差异不同事故类型在两个模型,是归因于两个模型的非线性。

真的,更多的努力可以做进一步的研究。变量与尊重,更详细的信息可以添加到减少爆炸参数,如卡车在每个部分的比例和区分不同的车辆类型之间的追尾事故。否则,空间和时间的碰撞是有益的模型来减少潜在的未被注意的影响,可以考虑在未来。此外,其他方法论的方法如潜类别,有限混合体,马可夫转换模型可以用来证实本研究的发现。

附录

独立的评估结果负二项(号)模型,独立的泊松(IP)模型,zero-inflated多元负二项(ZIMNB)模型,zero-inflated多元泊松(ZIMP)模型如表所示7- - - - - -10。和四个模型的拟合优度指标如表所示5。

基于比较表5,ZIMNB模型AIC和BIC值高于独立NB模型和RPMNB模型。纵向坡度的长度对应的最低等级表示负面影响ZIMNB模型中的伤亡事故,虽然相同的结果不是RPMNB模型所示。

如表所示8ZIMP模型中,参数的数量估计是53岁,至少在三个泊松模型。例如,常见的重要因素,如交换没有意义在noncasualty崩溃ZIMP模型。然而,AIC和BIC值越大表明ZIMP模型执行比RPMP模型,甚至用更少的参数。

数据可用性

每年的事故数据和道路几何数据从京沪高速公路信义江都市,收集从2009年到2011年,本文从交通管理部门。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

所有作者回顾了结果,批准了最终版本的手稿。

确认

这项研究得到了中国国家自然科学基金项目(批准号51768063和51768063)。