建成环境对行人交通安全的影响研究

作     者：刘双齐 

作者单位：重庆交通大学 

学位级别：硕士

导师姓名：陈春

授予年度：2024年

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] 

主      题：建成环境 行人安全 梯度提升决策树 SHAP解释 年龄段 

摘      要：在推行绿色交通,双碳目标低碳出行的大背景下,步行交通承载着比较重要的发展任务,但随着机动化、城市化进程加快,行人的步行空间受阻,绿色交通发展受到迟滞,且行人在交通系统的地位普遍较低,行人交通风险的影响较大,导致行人碰撞事故和交通伤害增多,因此建立完善更加安全便捷的建成环境对行人交通安全及绿色出行具有重要意义。本文以渝中区为例,分别建立合适的机器学习模型探究建成环境因素对步行安全及不同年龄段行人事故的影响作用,研究主要包括以下几个方面: 1.建立指标体系,分析事故特征。首先,根据“5Ds建成环境要素提取与交通事故有关的变量,采用Arc GIS对数据进行空间统计、核密度分析等操作,对各类建成环境要素进行可视化表达,然后从事故主体、自然环境、道路条件、时空分布方面对渝中区行人交通事故数据进行特征分析,并简要描述渝中区事故空间集聚效应较强的区域,即大坪-石油路、上清寺-两路口等片区。基于上述收集处理的数据,为后续的建成环境对行人安全的影响分析提供了数据基础。 2.建成环境对行人交通安全的影响建模与分析。建立了梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型,该模型对数据共线性假设不敏感,数据要求较低,且作为机器学习模型,能处理较多样本量和非线性因素。采用该模型探究道路设施、土地利用、设施临近性、空间结构、社会经济等建成环境因素对行人安全的影响及非线性关系。同时构建了逻辑回归(Logistic Regression,LR)、随机森林(Random Forest,RF)、极端梯度提升决策树模型(e Xtrain Gradient Boosted decision tree,XGBoost),结果发现,GBDT模型的拟合效果最好。以python中GBDT库的特征重要性工具计算各建成环境变量对行人安全的影响程度,结果发现,空间结构要素相对重要性为29.52%,贡献度最大,具体地,建成环境变量中控制度、人口密度、路网密度、土地利用混合度相对重要性较高,而道路设施用地比例和地下通道密度对行人安全影响较小。变量非线性影响较为明显,且存在阈值效应。 3.建成环境对三类年龄段行人交通事故影响建模与分析。基于建成环境对总体行人安全的影响研究,结合不同年龄群体行人特点,将年龄因素引入研究框架,采用极端梯度提升决策树(XGBoost)模型和SHAP(SHapley Additive ex Planation)解释方法进一步分析建成环境对不同年龄段行人事故的影响,并探讨其机理和交互作用。结果表明建成环境因素仍对全年龄段行人交通事故存在显著非线性及阈值效应,其中,斑马线密度和平均深度值对未成年行人交通事故更有影响,道路设施用地比例、公服设施用地比例、连接度对中青年行人交通事故更有影响,交叉口密度、休闲娱乐设施密度、购物设施密度、选择度对老年行人交通事故更有影响。此外,三类行人交通事故中,有部分建成环境变量存在二元交互作用。 最后,综合上述分析,稳步推行步行交通、绿色出行的理念,建立合理的安全便捷的建成环境,降低行人碰撞事故频率,从以下几方面策略提升步行建成环境的安全性:(1)科学规划城市交通空间和道路设施,推动步行交通发展;(2)提升休闲娱乐设施服务质量,保障未成年人出行安全;(3)加快道路设计转型更新,满足中青年行人需求;(4)完善行人过街设施及适老化设计,减少老年人交通伤害。