文摘
道路交通事故不仅被认为是与道路几何特征和交通特点,而且天气条件。为了解决这些安全问题,最重要的是理解这些因素如何影响事故的发生。现有的研究表明,单车(SV)事故的机制和multivehicle (MV)事故可以非常不同。几项研究旨在SV和MV事故概率的差异解决难以察觉的异质性在同一时间。探讨不同因素对SV和MV,采用组合logit模型用分类数据与响应变量分为没有事故,SV事故,MV事故。结果表明,除了速度差距,线段的长度,和湿路面重要SV和MV事故,大多数其他变量只对MV事故非常重要。交通、道路和表面特征SV和MV事故可能性的主要影响因素。每小时交通量,在路肩宽度,潮湿的路面被发现产生统计上显著的随机参数。他们影响的可能性SV和MV事故不同路段不同。
1。介绍
考虑到经济成本和人类伤亡机动车事故继续声称,交通安全仍然是一个热门话题在世界各地的研究人员。在过去的几十年里,交通安全研究人员花费了巨大的精力和时间来更好地理解的机动车事故的促成因素1- - - - - -6]。尽管进步,有许多知识缺口尚未填写安全研究。其中一个缺口属于单车和multivehicle崩溃之间的区别。如图所示,先前的研究[7- - - - - -9),单车(SV)事故的机制和multivehicle (MV)事故本质上是不同的。Knipling [8)指出,单车和multivehicle崩溃相关的不同类型的驱动程序错误。具体来说,单车事故通常导致损失的车辆控制与驱动程序不当行为相关联。Multivehicle崩溃,另一方面,通常由与其他车辆交互时驾驶员过失引起的。因此,重要的是识别不同因素之间的单车和multivehicle崩溃,进一步提供了对策的见解来减轻SV和MV事故风险,分别。随着这条线的研究,独立开发的模型首次SV和MV崩溃占他们(的区别7,9- - - - - -12]。然而,这些模型很大程度上忽略了SV和MV崩溃之间的共享未被注意的影响,这是有问题的,导致不一致的估计(13]。占这些共享SV和MV崩溃之间的异构性问题,研究者提出先进的模型如二元Poisson-gamma /对数正态模型来研究SV和MV事故联合(14- - - - - -17]。这些以前的研究主要采用计数数据模型,无疑提供了许多有用的发现,导致了整体的理解SV和MV事故的特点。
尽管许多安全性研究已经开展,调查SV和MV崩溃的机制尤其是使用分解数据仍然缺乏。此外,方法除了Poisson-based频率模型还可以研究带来新的认识SV和MV崩溃。本研究的目的主要是探讨不同因素之间的SV和MV事故使用分解数据。为此,一个全面的数据库是第一个建立了包括道路几何特性、交通状态和环境条件,每小时处理。然后,组合logit模型的响应变量是归类为没有事故,SV事故,MV事故是用来解决难以察觉的异质性。不同于以往的时变信息的聚合研究遭受损失(4),本文采用refined-scale面板数据捕捉时变信息以及进行短期预测。作者的知识,很少有研究报道到目前为止使用组合logit模型来分析短期SV和MV事故风险。通过使用组合logit模型来检查SV和MV崩溃风险在短时间内,这个研究可以解决未被注意的异质性和潜在的机制提供新的见解SV和MV崩溃。
本文的其余部分组织如下。以前的研究对SV和MV崩溃和组合logit模型简要总结部分2。节3,提出了数据的描述,其次是部分4,详细说明在这项研究中使用的组合logit模型结构的概述。部分5介绍了模型的结果。最后,部分6总结了结论和未来的研究方向。
2。先前的研究
2.1。研究SV和MV崩溃
SV和MV崩溃通常指的是不同类型的事故。具体而言,SV通常涉及冲出路外事故和打击对象,而MV通常与事故如追尾事故,沿边擦过。因此,交通安全研究人员早就建立了SV和MV崩溃的病因是不同的。过去的研究调查了不同特性的SV和MV崩溃。例如,曼沙和hau [9)是第一批调查单车和multivehicle崩溃。他们开发了独立的SV模型和境内崩溃和得出结论,两个独立的SV模型和境内崩溃表现模型聚合SV和境内碰撞在一起。
Shankar et al。18)研究了道路几何设计和环境的影响和季节性特征对SV和MV崩溃。不同类型的事故数据和曲线等各种风险因素数量和降水从61公里高速公路部分收集。他们发现单独的SV模型和MV崩溃比模型,该模型可以更好地解释数据池一起事故数据。
f·陈和陈s [19)检查truck-involved崩溃的损伤严重性通常在乡村公路上基于不同模型对不同事故类型。组合logit模型被用来研究不同的风险因素包括司机、时间、环境、和道路特征。他们的研究结果表明,SV和MV模型各自的因素。似然比检验进行验证的意义独立的模型组合模型,结果表明,单独的模型是优越的。
过去的研究已经表明,它有利于发展独立的SV模型和MV崩溃。然而,这些研究中采用的模型未能考虑到SV和MV崩溃之间的依赖。通过开发单独的模型,可能未被注意的影响由SV共享和MV崩溃通常被忽视4]。占事故类型之间的依赖,研究者提出多变量模型来研究共同SV和MV事故。例如,Yu和Abdel-Aty [17]采用贝叶斯二元Poisson-lognormal模型和分层泊松模型研究不同特征的SV和MV崩溃。
Geedipally和主15]研究了置信区间的差异之间的分类模型和组合模型SV和MV的崩溃。五年事故多车道的高速公路上的数据被用来开发二元Poisson-gamma事故预测模型。他们发现,单变量模型比二元模型提供更窄的置信区间。
马等。16)提出了一种二元Poisson-lognormal随机效应模型来研究几何特性的影响,天气,交通事故发生情况而定。他们的研究结果表明,该模型可以解决不同层次的SV和MV崩溃之间的相关性。
这些上述研究了SV和MV崩溃的一般理解。这些研究大部分采用Poisson-based模型如Poisson-gamma和Poisson-lognormal模型来预测事故的频率。在这项研究中,单车和multivehicle崩溃的差异将会从不同的角度重新审视了。先进的离散选择模型,组合logit模型,开发使用实时车祸的信息加工成每小时记录。
2.2。组合Logit模型
在过去的二十年里,研究人员已经开发出各种方法来分析交通事故频率相关的危险因素。计数数据模型如泊松、负二项和Poisson-lognormal模型主要是用于这样的目的(4]。离散选择模型,另一方面,主要是用于调查受伤严重的水平。例如,Barua和泰20.)开发有序logit模型来研究总线崩溃在孟加拉国的损伤的严重性。徐et al。21)使用空间logit模型来检查可能的风险因素的影响对行人的伤害严重性信号交叉路口的事故发生。
在各种离散选择模型、组合logit模型,随机参数logit模型,已成为流行的损伤程度的研究(19,22,23]。它放松无关的独立选择的假设多项logit模型,提供绝佳的捕捉能力未被注意的异质性在事故数据。例如,Haleem和氮化镓23)建立了一个组合logit模型来调查在佛罗里达城市高速公路事故的损伤的严重性。车辆类型的角色,司机的年龄,每个损伤严重程度的影响评估展开各自的影响。结果的基础上,提出了两个主要的策略来减少不利因素的影响。郝和Kamga24)使用十年的事故数据发生highway-rail平交道口分析照明对驾驶员的影响基于组合logit模型损伤的严重性。作者建立独立模型点燃的十字路口,穿过十字路口,发现有共同和不同的重要属性的两种情况,建议有必要更加关注司机如何应对紧急情况在昼highway-rail路口。这些研究都表明组合logit模型崩溃的巨大潜力分析。通过允许参数不同的观察,组合logit模型使分析师发现损伤严重程度及其因素之间的复杂关系。
2.3。实时碰撞预测
尽管文学的优势在安全的研究中,大多数研究都集中在事故预测总水平基于年度记录(1,4,14,15,18,25]。这些研究工作高度聚合数据,因此无法为主动干预提供指导。实时碰撞风险预测旨在识别崩溃的前兆,另一方面,显示了积极的交通管理有着巨大的吸引力。它已成为一个热门话题,近年来被研究人员经常检查17,26,27]。
然而,文献实时估计崩溃并非没有限制。首先,实时交通安全分析通常需要动荡的措施在坠机前5 - 10分钟。因此,实时风险评估的一个重要假设需要报道崩溃时间的误差小。Imprialou和Quddus28)详细调查警方报告事故数据的质量。结果显示,事故报告的时间在零个或五分钟结束1小时unproportionally高,具有更高的峰值在30分钟。因此可能比报告的时间早一些事故发生。他们认为这样的错误在报道事故时间可能会显著影响实时安全性研究的有效性。Schlogl和曾29日]总结重要问题在道路安全研究与数据相关的不确定性。他们指出,这是站不住脚的使用时间单位由于舍入误差小于1小时在报道事故时间和呼吁更多的每小时的基础研究。此外,Roshandel et al。27)总结了实时风险预测面临的机遇和挑战。他们回顾了实时安全文学和显示等问题从不同的研究和糟糕的预测性能不一致的结果。另一个缺点与匹配病例对照设计的本质,这是一个主要的工具实时预测。读者被称为Roshandel et al。27详细讨论)。
鉴于聚合模型不能指导主动交通管理和实时安全性研究患有上述缺点,本文试图找到一个可以平衡双方的中间地带。采用车祸数据加工成每小时记录,本研究可以更敏感准确在报道事故时间但仍能够提供短期(1小时)事故预测主动交通管理。
3所示。数据描述
选择的高速公路延伸的一部分我25在科罗拉多州,开始在英里标记188.49和221.03英里标记结束。这段的总长度是55.93英里。本研究中使用的数据集主要由以下四个来源:一年详细的事故数据来自科罗拉多州立巡逻;公路几何特性和路面状况数据从巷道的特点获得库存;refined-scale(20分钟间隔)天气和表面状况从道路天气信息系统数据;实时交通检测的数据(在两分钟间隔)交通监测站在我25。
在以前的研究中,事故数据通常加工成相对大的时间间隔。这种聚合遭受损失的时变信息,导致估计偏差。为了避免这些问题,车祸相关数据加工成相对较短的时间间隔(一个小时)在当前的研究中。道路段划分基于交通站的位置和根据几何特征的变化进一步分割。例如,如果其中一个主要特征,如限速,变化,这部分将被分为两个部分。通过这种方式,本研究开发了57路部分,29日是向北和其他人南行。事故数据映射到道路段和加工成每小时记录。然后他们与交通和天气数据。响应变量导致了四种可能的结果:没有事故;SV事故;MV事故;和SV和MV的事故。然而,只有5个328398总观测结束,第四个结果(SV与MV混合)。由于其稀缺性,第四个结果并不保证组合logit模型中的一个独立的范畴。此外,SV和MV事故类似于MV事故超过SV事故的病因。因此产生的响应变量定义为三个类别,不出意外,SV事故,MV事故。
有很多详细的几何变量数据集包括区段长度(公里),数量的车道,每个车道的合并坡道数量每英里,发情的条件下,曲率(学位),在肩宽(英尺)。一些重要的交通控制信息,如限速也收集。有五个气象站的研究延伸我25,提供路面在二十分钟的时间间隔和天气数据。每个段的天气数据评估从最近的车站。有20多个监测站,路上几乎均匀分布的部分。交通速度和体积数据记录下这些站两分钟间隔是加工成每小时记录。更多细节是如何被处理的数据可以在一项研究中找到陈et al。30.]。反应和解释变量的描述性统计在表中做了总结1。
4所示。方法
对于传统的事故预测模型,所有解释变量的影响被认为是固定在观察。因此,未被注意的异构性问题被忽略了。为了解决这一问题,本研究采用组合logit模型来检查风险因素及其影响程度SV和MV的事故。组合logit模型的模型结构在以下部分中指定。
由于本研究中使用的数据集处理面板数据结构与多个小时观察相同的道路段,表示为观测的数量 : 在哪里意味着观测站点的总数 ; 意味着时间的观察的总数 ; 和分别意味着段的数量和时间。与先前的研究,利用横截面数据(31日),本研究采用面板数据结构和随机参数指定道路段的水平。
让事故类别的概率(没有意外,单车事故,multivehicle事故)发生在观察 : 在哪里 ,这意味着上的观察道路段的小时。是所有可能的事故类别的集合是互斥的。和是不同的类别。和意味着事故类别的参数向量和 。 是变量的观测向量的贡献 ,这有影响事故类别的可能性吗和 。 和是随机组件(也称为误差项)解释的对事故类别未被注意的影响th道路段小时。
假设遵循一个I型极值分布(32),这导致了一个可以被定义为多项logit模型 的参数可以使用最大似然方法估计。
介绍了组合logit模型通过放松参数多项logit模型的变量在时间 。随机的分布参数是指定如下: 在哪里是解释变量的指数水平的事故类别我;是th参数在事故级别 ; 意味着遵循正态分布的变化在不同的时间;和的平均值和标准偏差 。在这种情况下,组合logit模型上指定一个面板内嵌套的数据结构在多个观察每一段在不同的时间。由此产生的组合logit模型如下: 在哪里的密度函数具有参数向量 。组合logit模型的似然函数是程序使用SAS软件中的NLMIXED过程。在先前的研究19,22),正态分布发现最适合的数据相对于其他分布,包括对数正态、三角和均匀分布。因此,只有考虑正态分布。
5。结果
在这项研究中,无事故类别为基础选择类别。因此,组合logit模型的估计参数表明之间的差别基本类别(无事故)和相应的类别(SV事故或MV事故)。检查是否合理将事故类型分为三种类别,模型有三个事故类别和四个事故类别都成立,分别进行比较。详细的模型估计结果总结在表2和3。许多风险因素从不同方面(道路几何、交通状态和环境特征)显示有显著影响SV和MV崩溃的风险。
AIC (Akaike信息准则)和BIC(贝叶斯信息准则),权衡模型适合对模型的复杂性,用于比较两个模型的性能。三个事故类别的模型相对较低的AIC和BIC比四类模型。这个结果在某种程度上提供了经验证据,三个事故类别比四个事故类别。因此,主要基于以下分析结果见表2。
根据模型估计结果,三个解释变量发现更好的作为随机参数(在95%的水平分别统计2.29,5.89和3.35)。从表2,参数与MV事故类别的小时交通量是正态分布均值为0.8228,标准差0.1602。MV的小时交通量的分布如图1。这表明每小时交通量的增加将提高multivehicle崩盘的可能性几乎所有部分(99.99%)的道路。这个结果符合人们的认知/经验和符合先前的研究[16,33]。此外,随机参数的影响表明,每小时交通量在公路段MV崩溃可能是不同的。相同的变量没有显著的SV事故类别,这意味着每小时交通量对单车事故没有显著的影响。重要参数的差异表明,单车事故之间的一些基本差异确实存在,multivehicle崩溃。
在路肩宽度也发现MV事故不同路段随机效应。结果显示,参数的估计意味着不显著,这可能被视为一个问题。然而,最近的一项研究由Behnood曼纳林[34)指出,当一个随机参数的标准差是重要的随机参数的均值不需要很大。从表2的参数在MV事故类别的肩宽是正态分布均值为0.0318,标准差0.0472。相应的分布如图2,这表明75%的分布大于0和25%小于零。这意味着更广泛的在肩膀与更高的MV事故概率在75%的道路段,低概率的MV事故在其余25%的公路段。这一发现可能可以解释为开车原谅几何设计和风险之间的权衡。一方面,更广泛的肩内容忍更多司机的错误。另一方面,它是可能的,当在肩膀超过某个阈值时,司机更有可能采取冒险行动传递和超速等,根据风险补偿理论(35]。
潮湿的路面的参数与平均−0.3303 MV事故类别通常是分布式和标准偏差0.6076。如图3,29%的分布是大于0和71%小于零。当路面变得潮湿,几乎四分之三的时间是与MV事故的可能性较低,而另一小时与MV事故的风险更高。此外,潮湿的路面SV事故呈正相关,这意味着湿路面通常导致更多的SV事故。这种现象可能是由于一些未被注意的司机行为的异质性。在湿路面抗滑性增加,减少事故的风险。同时,湿路面常并发多雨条件当司机倾向于车辆之间保持更长的距离。事故风险因此增加司机注意力和减少抗滑性的结果。因此,潮湿的路面对MV崩溃导致混合的影响。
5.1。时间特征
它可以从表中找到2时间因素不产生强烈影响SV事故的可能性。至于MV事故,结果表明,MV崩溃更可能发生在周末,也不太可能发生在4点到5点。与其他几个月相比,11月MV崩溃的可能性更大。这可能与一些突如其来的风暴所造成的有害影响,温度变化在11月,201030.]。
5.2。流量特性
限速指标用于评估限速对交通安全的影响。本研究使用一个虚拟的指标表达速度限制。如果法定限速小于55岁,那么价值= 1,否则等于0。结果表明,低限速multivehicle崩溃的可能性将会增加。一些研究人员还发现,低速度限制会增加事故可能性(36),但他们未能揭示其不同对SV和MV事故的影响。
速度上的差距变量表示的区别的平均速度和速度限制,可以在一定程度上代表了拥堵水平。如表所示2,结果表明,SV和MV车辆事故更容易发生在速度上的差距变大。这一发现部分类似于在一些先前的研究[17]。此外,卡车比率的增加将减少multivehicle崩溃的可能性,这是依照了Anastasopoulos所得出的结论和曼纳林[37]。
5.3。道路和人行道特点
一些道路特征被发现显著影响SV和MV崩溃的风险。道路段的长度会增加SV和MV崩盘的可能性,这是符合Venkataraman等的研究。38]。更多合并坡道每英里每车道将减少multivehicle崩溃的可能性,这可能是由于在路上小心驾驶行为更多的合并组成的斜坡。相同的指标也已在先前的研究调查。裴et al。39]还发现,合并和斜坡不同数量增加会导致更少的事故,尽管一些其他研究人员(37做出了相反的结论。结论的差异可能是由于他们的聚合模型结构,不考虑SV和MV事故之间的不同的机制。这种不一致在过去研究指出非常需要分别调查SV和MV崩溃,揭示各自的风险因素。
类似的结果还发现曲率变量。在这项研究中,研究结果表明,更高的曲率将导致更高的multivehicle崩溃的风险。尽管一些研究人员发现,弯曲的程度可以有利于交通安全(17,39),其他研究人员发现,与碰撞可能性呈正相关(36,40]。
至于路面条件下,它可以发现multivehicle崩溃的可能性会减少剩余段较长的服务墨守成规的生活。这可能是因为司机倾向于在路上小心驾驶和更深的车辙,与以往的研究一致30.]。
5.4。环境和表面特性
转向表面特征,潮湿的路面和化学湿路面都是增加单车事故的可能性。化学湿路面导致更多multivehicle崩溃,而湿路面的影响将改变在公路段因为它的随机性质,上面所讨论的。
从表2,更高的可见性与降低单车事故的可能性。结果显示,其他环境特征,如侧风、温度、湿度,并不重要。这种现象是合理的,因为所选的我25相对平坦,跨越丹佛地铁。在高速公路上位于山区复杂地形受到天气、环境特征可能施加重大影响交通安全。
6。讨论和结论
在这项研究中,开发组合logit模型来检查SV和MV事故概率的差异使用基于每小时分解事故数据。一年期事故数据,详细的交通数据、气象条件、道路几何形状和表面状况数据收集我25从科罗拉多州的建立refined-scale面板数据结构。refined-scale用于捕获潜在的信息聚合数据。许多风险因素被发现不同对SV和MV事故概率的影响。
这些发现有助于文献相关的危险因素的不同机制的SV和MV崩溃。不同于前者的研究模型SV和MV事故频率分别或联合,本研究使用组合logit模型来研究SV和MV崩溃的风险。因此,本文的结果可以指导开发更加合理和有效的细分管理措施和事故预防策略。此外,一些研究也有助于评估和改善现有交通基础设施的设计。
主要结论与风险因素及其不同的影响SV和MV事故总结如下。
速度差距,线段的长度,和湿路面被发现有重大影响SV和MV事故的可能性。除了这些指标,大多数其他变量包括周末的时间,11月,低限速指标,每小时交通量,卡车的百分比,和化学湿路面只有MV事故非常重要。可见性指标只有SV事故具有重要意义。
我25,SV和MV事故可能性的主要影响因素是交通,道路和表面特征。其他时间和环境特征,如周末,特殊时期,和可见性也有一定影响SV和MV事故的可能性,分别。
模型结果表明,每小时交通量,肩宽,潮湿的路面随机参数的正态分布multivehicle碰撞概率。所以这些变量的影响在MV在路段事故证明是不同的。
毫无疑问,也有一些本研究存在的局限性。这里的结论进行了主要是基于数据从我25的一部分,这可能是不适合其他高速公路。为了得到更精确的和普遍规则SV和MV事故的可能性,进一步的研究应进行不同类型的高速公路。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作得到了国家自然科学基金批准号。51508409和51508409下,该计划为年轻优秀人才在同济大学、中央大学和基础研究基金。作者想表达他们的感谢美国交通部和科罗拉多交通部和科罗拉多州立巡逻的详细数据。