异常驾驶行为数据驱动的高速公路实时事故风险预测

作     者：夏萧菡 陆建 马潇驰 瞿伟斌 XIA Xiao-han;LU Jian;MA Xiao-chi;QU Wei-bin

作者机构：东南大学江苏省城市智能交通重点实验室江苏南京211189 东南大学现代城市交通技术江苏高校协同创新中心江苏南京211189 东南大学交通学院江苏南京211189 公安部交通管理科学研究所道路交通安全公安部重点实验室江苏无锡214151 

出 版 物：《公路交通科技》 (Journal of Highway and Transportation Research and Development)

年 卷 期：2024年第41卷第10期

页      面：1-7页

核心收录：

学科分类：08[工学] 082303[工学-交通运输规划与管理] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

基　　金：国家重点研发计划项目(2023YFC3009602) 

主　　题：智能交通 实时事故风险预测 随机森林模型 异常驾驶行为 高速公路 部分依赖图 

摘      要：为研究事故风险的关键致因,建立高速公路实时事故风险预测模型,探究异常驾驶行为对事故风险的影响,采集了G25高速公路长兴段7日的交通事故及4种异常驾驶行为,即急左变道、急右变道、急加速与急制动行为的数据。基于随机森林模型,对事故前一段时间内上游及下游各250 m内4种驾驶行为的频数与该路段事故风险的关系进行拟合,建立了高速公路实时事故风险预测模型,并使用特征重要度图和部分依赖图(PDP)对模型进行了解释。采用受试者工作特征曲线下面积(AUC)与精度对模型预测效果进行了评价,通过特征重要度评价各变量对事故风险的影响。研究发现,该模型具有良好的泛化性能与准确率,在验证集上的AUC和精度分别可达到0.809和0.821。其PDP表明事故前15 min及30 min内上下游急加速和急制动行为的频数对事故风险的影响较大,且两者之间存在非线性关系,其中,急制动行为的数量与事故风险的部分依赖图均具有S形曲线特征。综上,使用异常驾驶行为数据作为变量建立的事故预测模型具有良好的预测性能与可解释性,可用于事故风险预测与预防,助力事故致因研究。该方法具有辅助管理部门进行风险预警的实用价值,为高速公路实时事故防控提供参考。