马彬涛，郝帅洁，廖星星

（长安大学 汽车学院，陕西 西安 710064）

随着我国经济发展，机动车保有量不断增多，道路交通量快速增长，各类安全风险交织叠加，交通事故预防任务艰巨繁重[1]。

在大数据时代，事故数据的合理挖掘分析对于事故的管理预防有着非常重要的意义。国内外学者在利用交通事故数据来分析事故方面做了很多研究，事故预测是一个非常重要的方面。本文重点概述主要事故预测模型，对这些模型优缺点进行比较评价，并进行了案例分析。

1 道路交通事故预测流程

用车辆事故数据预测交通事故的流程可分为三步[2]。

（1）确定预测的目标：根据现有事故数据的情况及预测目标选择适合的方法。

（2）建立事故风险预测模型：根据数据建立不同的预测模型，并进行精度比较，选择最合适的预测模型合理评价预测结果。

（3）对预测结果进行跟踪：为了确保预测模型的适用性，需要对模型预测的结果不断跟踪，并在此过程中不断完善模型。道路交通事故预测流程如图1所示。

图1 道路交通事故预测流程

2 交通事故风险预测模型

国内外学者对于交通事故的预测使用了不同的预测模型。对于不同的事故数据类型，选择合适的模型进行风险评估非常重要。建立预测模型采用的主要方法有回归分析、灰色分析、贝叶斯网络、BP神经网络、集成学习等。

2.1 基于回归分析的预测模型

回归分析法主要利用数据统计的原理，对事故数据进行数学处理，从而确定因变量与某些自变量之间的相关关系，建立回归模型预测因变量的变化情况。

FRANCESCA等人[3]采用Logistic 回归分析来研究驾驶员特征与事故严重程度之间的关系；YAU等人[4]利用Logistic 回归模型分析道路交通安全与其影响因素之间的关系；CHANG[5]采用多元自适应样条回归模型研究道路因素与环境因素对交通事故发生的影响。赵小强等人[6]使用多元回归分析和决策树这两种模型预测北京城市快速路上的交通事故。

2.2 基于灰色分析的预测模型

灰色预测通过鉴别系统因素之间发展趋势的相异程度，进行关联分析，并对反映预测对象特征的数值进行处理，最后建立微分方程模型来预测事故发展趋势。

陈玉飞等人[7]使用特征灰色关联矩阵研究，最终提出了死亡人数的交通事故的预测模型。HSU等人[8]利用灰色系统理论预测了德国2025 年前道路交通事故的发展趋势。DU等人[9]利用道路交通事故建立了灰色 Verhulst 预测模型。LI等人[10]同时使用灰色理论和马尔可夫链理论，最终拟合出来道路交通时序数据的总体趋势。交通事故灰色理论与马尔可夫组合预测模型能够十分有效地挖掘道路交通事故数据中有价值的信息，大幅度提高模型预测精度。

2.3 基于贝叶斯网络的预测模型

贝叶斯网络模型可以弥补回归分析模型、离散选择模型、事故树分析法等方法的孤立性、表象片面性等问题，引导事故致因因素向多维性和关联性的方向发展。

吴迪[11]使用贝叶斯网络建立了危险货物道路运输事故预测模型。YANG 等人[12]运用贝叶斯动态逻辑回归的方法提出了实时碰撞风险评估模型。童璐璐[13]使用贝叶斯网络将事故影响因素与严重程度结合，得出了高速公路交通事故严重程度的预测模型。宋贺[14]利用危险货物运输罐车驾驶试验数据，使用贝叶斯网络结构学习方法构建了危险货物道路运输事故预测模型。GRANDE等人[15]利用贝叶斯网络模型从地形、环形交叉口、限制速度等因素预测了道路交通事故严重程度的影响。

2.4 基于BP神经网络的预测模型

BP神经网络在回归预测和分类预测的研究中都很适用，大量研究表明神经网络的预测精度很好。邓晓庆等人[16]通过构建 BP 神经网络对高速公路上的交通事故进行了分析和预测。陈海龙、彭伟[17]提出了改进BP神经网络在交通事故预测中的应用研究。交通事故数据；输出层输出最终预测的结果；隐藏层处在输入和输出单元之间，通过算法对数据进行分析。神经元间的连接强度大小由权值等参数来决定。

2.5 基于集成学习的预测模型

BP神经网络模型如图2所示，输入层是输入

图2 BP神经网络模型图

集成学习是为了获得更加显著的预测效果，将多个基础模型组合起来使用，完成事故预测工作。集成学习方法有“串行”以及“并行”两种方式。Boosting采用“串行”的方式，Bagging采用“并行”的方式。两者比较如表1所示。

表1 Boosting和Bagging对比

BASSO等人[18]利用随机森林、支持向量机和逻辑回归的校正模块为智利圣地亚哥的高速公路开发了事故预测模型。张蔚[19]结合多目标优化和集成学习的模型也能够运用于我国交通事故的分析和预测，上官[20]等人通过自然驾驶数据，使用RF、XGBoost、SVM和MLP 4种建模方法对实时驾驶风险状态进行预测。

3 预测模型比较评价及案例分析

3.1 事故预测模型比较

对于各种预测模型进行了分析，各模型优缺点比较情况如表2所示。

表2 各预测模型优缺点比较

3.2 基于灰色分析的事故预测案例

对数据预测事故介绍了五种现有模型，基于现有的某地2014—2020年事故发生的次数，发现事故样本适用于灰色预测模型，因此，采用灰色分析进行事故案例分析。具体数据如表3所示。

表3 某地2014—2020年事故统计数量

1.建立事故数据时间序列

2.级比λ(k)计算及判断

所有λ都落在（0.7788,1.2840）内，则数列x(0)可以作为模型GM(1,1)进行灰色预测。

3.GM(1,1)建模

对原始数据x(0)做一次累加，得到：

4.构造数据矩阵B及数据向量Y

5.计算μ

得到(a,b)T=(0.007 2,799.490 6)T

6.建立模型

7.求数列值x(1)(k+1)及各个年份的预测的事故数x(0)(k+1)

将k=0,1,2,3,4,5,6代入得到

8.模型评价

为了评价预测模型的准确度及其适用性，需要对模型性能进行评价。

对于模型性能的评价主要有两个方面：一是比较预测结果的偏离程度：误差率(E)；二是衡量预测模型的拟合能力：均方根误差(RMSE)[21]

具体计算公式如下：

其中，n为样本数，X0为原始值，XP为预测值。

可以看出总的误差率非常小，预测结果准确；RMSE相对于事故原始均值777来说很小，因此，拟合程度很好。

整个预测结果如表4所示。

表4 某地2014—2020事故预测结果

9.2020年后事故数预测

由式（7）计算得，2021年事故数为758起。之后年份的事故数可以类似进行预测，这分析可以用于此地改善某方面的安全措施，通过预测事故数和实际发生的事故数相比可以一定程度上评价实施安全措施后的效果。

4 结论与展望

本文从交通事故的预测流程、预测模型、模型比较及案例分析三个方面介绍了基于车辆事故数据的交通事故预测分析。为研究事故预测提供了思路。

数据的获取仍是事故数据分析的关键前提，未来应提高事故数据的使用程度，通过对更全面事故数据训练，实现实时的事故发生感知预测，对司机进行实时预警，从而提高道路的安全程度。