雾霾天气下高速公路交通事故成因分析及风险预测模型研究

This project developed risk prediction models of traffic crashes by considering the diversity of crash locations, complexity of the traffic flow conditions when crash occurred and the diversity of contributing factors of traffic crashes under haze weather. The analysis was conducted within Bayesian inference framework. At first, discrete choice models including finite mixture model, the GW model and matched case control logistic regression model were applied to develop macro and micro two-stage low visibility traffic crash prediction models by considering the statistical properties of traffic crashes under haze weather. After that the Markov switching model, the latent class model, temporal and spatial model were applied to improve the goodness of fit of the basic macro and micro prediction model by considering the variability of crash mechanism, spatial correlation of road segments and temporal and spatial properties of crash datasets. The optimized macro and micro two-stage low visibility traffic crash prediction models were created based on the accurate weather and crash data, detailed and reliable geometric design data, traffic flow data and complex statistical models. Finally, driver simulation experiments were designed and applied to establish the prediction model of driver behavior according to the field data. The project conducted a comprehensive quantitative analysis of most important contributing factors on traffic crashes under haze weather from the weather environment, roads, traffic flow, driving behavior and other aspects and the results provided a solid theoretical foundation of taking more effective countermeasures to prevent this type of traffic crashes.

项目充分考虑雾霾天气事故发生地点的多样性，事故发生时交通流状况的复杂性，事故影响因素的多元性等特点建立模型。基于贝叶斯推论框架首先针对雾霾天气交通事故样本自身统计特性采用有限混合模型,GW模型,案例匹配控制逻辑回归模型等多种离散选择模型建立宏观和微观二阶段低能见度事故风险预测模型，随后针对事故形成机理的变异性、事故路段间的空间相关性和时空综合特性采用马尔科夫转换模型,潜在分类模型和时空模型进行拟合优化。依靠定位准确的天气和事故数据，可靠详实的道路几何设计，交通流状态数据和考虑交通安全分析数据复杂结构的统计分析模型建立拟合程度最优的宏微观二阶段低能见度事故风险预测模型。最后依据实测数据采用驾驶仿真模拟实验建立驾驶行为风险预测模型从而使本项目从天气环境,道路，交通流，驾驶行为等多方面全面探究雾霾天气下高速公路事故的主要影响因素并定量分析各影响因素大小，为更有效的采取事故预防措施奠定基础。

雾霾是造成我国高速公路交通事故最严重的灾害性天气之一,每年由雾霾引发的高速公路恶性交通事故损失重大，因此研究雾霾天气高速公路交通事故成因,建立精确的雾霾天气交通事故预测模型对于积极有效的采取相应交通安全管理对策,减少此类交通事故和人民财产的损失具有非常重要的意义。本课题基于先进的车辆以及气象感知设备等采集国内外天气，事故，交通流，路面几何线形等基础数据，着重研究了雾霾天气下高速公路交通事故风险预测的统计建模方法，分析了天气，道路几何设计，交通流状态等耦合因素对事故风险的影响，揭示了此特定环境下的事故形成机理，并结合了驾驶仿真模拟技术进一步分析预测驾驶员在不同程度雾霾天气下的驾驶行为，提出了一些有效的风险防控手段，为主动交通安全管理系统的引入提供必要的理论基础及应用研究支撑。具体而言，本课题研究主要获得了以下几部分研究成果，首先建立了以路段事故发生数为研究对象的宏观低能见度事故风险预测模型，着重考虑事故数据通常包含潜在的异构性等特点，提出基于经验贝叶斯并结合聚类的事故热点识别方法确定了雾霾天气下高速公路危险路段。随后建立了以单起事故为研究对象的微观低能见度事故风险实时预测模型，提出速度方差，事故碰撞时间等事故替代性指标并结合匹配案例对照逻辑回归模型，逆高斯分布模型等分析能见度，事故频率，道路几何线形等多源融合数据确定了雾霾天气下高速公路危险点和危险时刻，并同时考虑事故数据在时间空间上的复杂相关性特点建立了基于贝叶斯推论框架下的时空优化模型。最后研究结合驾驶仿真模拟测试设置不同道路场景，并考虑不同交通流量，不同能见度条件等情况下驾驶人员行为对事故风险的影响，建立了低能见度情况下不良驾驶行为的事故风险评估模型，并提出了一些具有实际应用意义的低能见度情况下事故风险防控手段例如合理设置LED主动发光标志等。