基于灰色理論和貝葉斯網絡的城市道路交通安全風險研究

周秋龍　張忠宇　唐莎　邱開來　劉田源

摘要：為更好地對城市道路交通安全進行研究，提出了基于灰色理論和貝葉斯網絡的城市道路交通安全風險分析方法。從人-車-路-環境-管理5大指標建立城市道路交通安全風險影響因素評價體系；采用灰色關聯度方法判別城市道路交通安全的顯著影響因素；結合貝葉斯網絡評估所篩選因素對道路交通安全風險影響的概率分布，辨識道路交通安全風險主要致因與影響強度分布。選取南京市鼓樓區惠民西路周圍道路2009—2011年間發生的267起交通事故驗證該模型的有效性。結果表明，該方法共識別影響惠民西路交通安全顯著因素11個，基于篩選出的11個因素辨識出惠民西路處于低風險的概率為31%，中風險的概率為37%，高風險的概率為31%，為城市道路交通安全風險研究提供一些參照。

關鍵詞：交通安全；道路風險因素；灰色理論；貝葉斯網絡；交通工程

中圖分類號：U491文獻標志碼：A隨著城市經濟快速發展，汽車擁有量在逐年增加，交通事故數量也在逐年增加，道路交通安全成為人們日益關注的問題，影響道路交通安全的因素較多、涉及范圍較廣且較復雜，這些因素對道路交通安全的影響程度也不同［1］。因此，對城市道路交通安全影響因素進行辨識，篩選出關鍵因素并計算影響因素的強度分布對研究城市道路交通安全風險尤為重要［2］。

目前，國內外對城市道路交通安全已有較多的研究。針對城市道路交通安全影響因素的研究主要集中于應用Logit、Logistic回歸模型等進行因素的篩選。Shi等［3］采用Logistic回歸分析方法分析了高速公路交通事故的影響因素，結果表明，影響高速公路交通事故傷亡人數的主要因素有性別、事故類型、駕駛員類型、責任原因等。Stipancic等［4］利用數據的時間序列性和空間相關性，分別運用有序Logit 和Probit 模型，分析了在不同的駕駛環境條件下，駕駛員本身的特性參數對道路交通事故嚴重程度的影響。Sun等［5］選取經濟、道路、人3個方面的變量作為解釋變量，以交通事故受傷人數為被解釋變量進行回歸分析，結果表明，經濟的發展能提高交通安全水平，新增道路里程、新增人口、新增車輛保有量的增加會使道路交通安全形勢惡化。孟云偉等［6］分析了高速公路9年的交通事故數據，利用Logistic回歸模型，選取事發天氣、事故類型等6類自變量進行分析，篩選出對高速公路的交通事故的嚴重程度有顯著性影響的因素。然而，應用此類方法存在以下不足：1）無法對道路交通安全風險進行全面分析；2）難以辨識不同因素的強度分布；3）分析結果往往受限于數據質量問題，如事故數據稀少、變量選取主觀等問題。

基于實際道路事故數據、應用灰色理論方法為全面剖析城市道路事故數據、辨識城市道路交通安全的影響因素提供了新的思路［7］。劉兆惠等［7］采用灰色關聯度方法對道路交通安全影響因素進行辨析，找到對道路影響最大的因素。李菁等［8］提出了基于灰色關聯度和組合賦權法對道路交通安全進行評價，找到相對關聯度最優的影響因素，建立安全評價體系對道路交通安全進行評價。然而，灰色理論分析方法只能篩選出影響城市道路交通安全的關鍵因素，不能得到各因素的強度分布以及道路交通安全的風險等級。貝葉斯網絡風險評價方法能較好地表達變量之間的關系，能對事故大小進行定量的評價，該方法以變量之間的相互作用為前提、通過參數學習和概率推理來獲取結果分布信息，目前主要應用于船舶擱淺事故成因分析［9］、船舶航行風險評價分析以及搜索營救可靠性分析［10］等。在公路交通安全方面，Mbakwe等［11］基于德爾菲技術和貝葉斯網絡對高速公路的交通安全進行分析，利用貝葉斯網絡的評價結果對事故進行預測，結果表明，基于貝葉斯網絡的評價結果能得到各因素的強度分布，從而準確地對事故進行預測。

為填補上述研究空白，提出了灰色理論與貝葉斯網絡相結合的方法用于分析城市道路交通安全。從人、車、路、環境以及管理5個方面建立城市道路交通安全風險因素評價體系，采用灰色理論辨識城市道路交通安全的關鍵影響因素，結合貝葉斯網絡技術對關鍵因素的概率分布進行研究，從而得到道路交通安全風險等級，為城市道路交通安全風險的研究提供一定的參考。

1城市道路交通安全評價指標

對城市道路交通安全影響因素的辨識需要遵循全面性的原則，由于影響道路交通安全的因素是無窮多個的，不同的因素對城市道路交通安全的影響程度有所不同［12］，因此本研究基于系統工程學的原理，從人、車、路、環境及管理5個因素分析城市道路交通系統安全風險［13］。這5個因素之間相互作用、相互影響，因素間的具體關系如圖1所示。

基于上述劃分的主要因素，構建了城市道路交通安全風險影響因素評價指標體系，如圖2所示，根據選取的道路交通安全評價指標體系構建灰色關聯模型，進行關聯度分析。

2基于灰色理論和貝葉斯網絡城市道路交通安全風險研究模型

2.2基于灰色理論的貝葉斯網絡

一個貝葉斯網絡N（ξ，θ）是由n個變量X=（X1，X2，…，Xn）組成，假設其中的節點Xi有ri個取值，其父節點Pa（Xi）共有qi個組合［7］。因此，根據計算得到各個因素與事故之間的灰色關聯度，基于灰色關聯度的大小確定出影響道路交通安全的主要因素，這些因素隸屬于交通安全評價指標體系。對選取的因素進行分類調整，將安全指標體系中的人、車、路、環境以及管理作為貝葉斯網絡的父節點，按照內在的因果關系將各類因素歸到這5大類因素中。將這5類節點的值域設置為{1，2，3}，分別代表道路的風險等級的“低”“中”“高”。篩選出的影響道路交通安全的主要因素作為子節點，以同樣的方式進行值域的設置。

在貝葉斯網絡結構中需要確定的參數值即節點的概率分布。確定參數的方法主要包括3種：1）通過專家團隊經驗、樣本數據的專家參數估計，確定概率值，將概率值輸入到節點的概率表中。2）將事故數據輸入網絡模型中，通過參數學習獲得節點的概率。3）利用GeNIe中K2算法，導入訓練好的數據集，輸入節點概率特征，獲取條件概率。本文主要采用GeNIe中的K2算法。該算法具有高效性和準確性的優點。K2算法的偽代碼如下所示［16］：

3實例應用

選取南京市鼓樓區惠民西路周圍道路2009—2011年發生的267起交通事故進行安全風險分析，驗證提出模型的有效性。該事故數據集共包括輕微事故43起、中度事故216起以及重大事故8起。各因素導致的事故數量以及嚴重程度如圖3所示。

對交通安全指標體系中的24個因素進行灰色關聯度分析，以這些因素為序列號，以事故的嚴重程度為決策屬性，事故的數量作為條件屬性，進行數據的處理。利用Python進行關聯度計算，得出相對關聯度與綜合關聯度并取其平均值進行關聯度分析。

關聯度的計算結果如表1所示，為更加形象地觀察到各個因素的關聯情況，各個因素的關聯度矩陣如圖4和圖5所示。

由表1、圖4和圖5的結果可以看出，酒后駕車（HUM1）平均關聯度為0.93、超速（HUM2）平均關聯度為0.94、疲勞駕駛（HUM3）平均關聯度為0.95、駕駛技術（HUM4）平均關聯度為0.95、制動故障（VEH1）平均關聯度為0.93、非法改裝（VEH2）平均關聯度為0.97、交通標志標線（RD1）平均關聯度為0.95、信號配時（RD2）平均關聯度為0.95、天氣狀況（ENV1）平均關聯度為0.90、行車速度（ENV2）平均關聯度為0.95以及監控系統（MGT1）平均關聯度為0.91，這些因素對該區域的安全有較大的影響。

因此，對這11個因素的道路事故數據進行初步的訓練處理。選取道路事故數據處理的部分結果如表2所示。再利用GeNIe軟件，基于這11個因素以及相應的數據構建貝葉斯網絡拓撲結構，如圖6所示。

基于軟件GeNIe構建的交通風險評估貝葉斯網絡拓撲結構，進行參數的輸入并對求解風險概率的賦值進行計算。主要根據處理過的事故數據，選取貝葉斯參數學習確定每個節點的概率，結果如圖7所示，其中，State1表示低風險，State2表示中風險，State3表示高風險。從圖7可以看出，選取的11個因素造成城市道路交通風險的概率有所不同。這11個因素造成城市道路處于中風險與高風險的概率較大，尤其是HUM3（疲勞駕駛）使得城市道路處于高風險的概率達到了53%。

根據各個變量之間的因果關系，GeNIe軟件可以自動計算出相應的HUM節點、RD節點、MGT節點、ENV節點以及VEH節點的條件概率值，從而最終計算出Safety的概率值。形成的評估城市道路交通安全風險的模型如圖8所示。

在圖8中，惠民西路與其周圍道路交通安全處于低風險的概率為31%，中風險的概率為37%，高風險的概率為31%。人、環境、道路、車以及管理這5個因素對城市道路交通安全影響的概率有所不同。由于人的因素導致該地區道路處于低風險的概率為31%，中風險的概率為36%，高風險的概率為33%；由于道路的因素導致該地區道路處于低風險的概率為12%，中風險的概率為51%，高風險的概率為37%；由于管理因素導致該地區道路處于低風險的概率為37%，中風險的概率為46%，高風險的概率為17%；由于環境因素導致該地區道路處于低風險的概率為23%，中風險的概率為53%，高風險的概率為25%；由于車的因素導致該地區道路處于低風險的概率為28%，中風險的概率為48%，高風險的概率為24%。

為對該道路提出更明確、更有針對性的建議和改進措施，對其進行敏感性分析。敏感性分析結果如圖9所示，深紅的節點為影響城市道路安全較為敏感的因素，包括制動故障、非法改裝、交通標志標線、信號配時、天氣狀況、行車速度、監控系統；標注為淺紅色的超速的節點的敏感度也較高。若上述節點變化，會對城市道路交通安全造成較大的影響。

可見，人、道路以及環境的因素對該地區道路交通安全風險造成的影響較大，應加強人的安全教育以及道路和環境的管理。針對于人的方面，要規范駕駛員的駕駛行為，做到不超速、不超載行駛；對于道路方面，交通標志標線的設置應合乎規范，能切實發揮其信息提示的作用；對于環境方面，對于不同的天氣狀況，及時做好不良天氣的預警工作，提醒駕駛員減速行駛、保持安全車距等。針對于車的方面，要改善車輛的安全性能，及時進行車輛定期的檢查、保養及維修，禁止非法改裝，加大車輛管理力度。

4結論

利用采集到的城市道路交通事故數據，構建了人-車-路-環境-管理5大指標體系，與此同時構建了其24個子指標體系?；跇嫿ǖ慕煌ò踩笜梭w系，采用灰色關聯度的方法識別出顯著影響因素，結合貝葉斯網絡的方法分析城市道路交通安全風險性。以南京市鼓樓區惠民西路發生的交通事故的數量以及事故成因為例，發現影響惠民西路交通安全的關鍵因素有11個，主要集中在人、路以及環境3個方面，同時發現惠民西路處于低風險的概率為31%，中風險的概率為37%，高風險的概率為31%。此類方法無需大量的數據，能直接準確地得到影響城市道路交通安全風險的因素，能準確地顯示城市道路交通安全狀況。該研究有利于后續相關部門采取相應的措施改善該地區道路交通安全狀況，對之后的實際工程有一定的借鑒意義。參考文獻：

[1]AN M N， TRUONG T M T. Towards the development of traffic safety strategies in developing countries： analysis of road users perspective［J］.Transportation Research Procedia，2020，48：1278-1287.

［2］ 趙建有， 呂鯤鵬， 徐舸， 等. 城市道路平面交叉口交通沖突分析及改善設計［C］//中國公路學會， 世界交通運輸大會執委會， 西安市人民政府， 陜西省科學技術協會. 世界交通運輸工程技術論壇（WTC2021）論文集（下）. 西安： 中國公路學會， 2021： 568-577.

［3］ SHI J G， YAO Y， HOU Z H， et al. Influencing factors of expressway traffic accidents［J］. Chinese Journal of Traumatology， 2008， 24： 553-557.

［4］ STIPANCIC J， ZANGENEHPOUR S， MAIRANDA-MO-RENO L， et al. Investigating the gender differences on bicycle-vehicle conflicts at urban intersections using an ordered logit methodology［J］. Accident Analysis & Prevention， 2016， 97：19-27.

［5］ SUN L L， LIU D， CHEN T， et al. Road traffic safety： an analysis of the cross-effects of economic， road and population factors［J］. Chinese Journal of Traumatology， 2019， 22（5）：290-295.

［6］ 孟云偉，張熙衍，青光焱，等. 基于Logistic回歸的高速公路交通事故后果的影響因素分析［J］. 武漢理工大學學報（交通科學與工程版），2022，46（1）：12-16.

［7］ 劉兆惠，王超. 基于灰色關聯度的交通安全道路影響因素辨析［J］. 山東交通科技，2010（1）：12-13，17.

［8］ 李菁，張衛華. 基于灰色關聯和組合賦權法的道路交通安全評價［J］. 交通科技與經濟，2010，12（3）：1-4.

［9］ 王新建. 基于貝葉斯網絡的船舶擱淺事故致因分析［D］.大連：大連海事大學，2016.

［10］胡甚平，方泉根，蔡存強. 基于貝葉斯網絡推理的船舶航行風險評價［C］//第五屆海洋船舶駕駛專業委員會.1995—2009航海技術論文選集（第1集）.廣州： 中國航海學會，2010： 465-470.

［11］MBAKWE A C， SAKA A A， CHOI K， et al. Alternative method of highway traffic safety analysis for developing countries using delphi technique and Bayesian network［J］. Accident Analysis and Prevention， 2016， 93：135-146.

［12］DU X J， PEI Y L， WANG Z Y， et al. Highway safety influencing factors in cold regions based on attribute recognition theory［J］. Advances in Mechanical Engineering， 2018， 10（12）： 168781401881833.

［13］王鋒. 高速公路交通安全分析及安全對策研究［J］. 科技信息， 2009（31）：2.

［14］徐東星，尹勇，張秀鳳，等. 長江干線水上交通事故的灰色分析與預測［J］. 中國航海，2019，42（2）：59-65.

［15］馬明. 貝葉斯網絡算法研究及應用［D］.秦皇島：燕山大學，2014.

［16］COOPER G F， HERSKOVITS E. A Bayesian method for the induction of probabilistic networks from data［J］. Machine Learning， 1992， 9（4）： 309-347.

（責任編輯：曾晶）

Study on Urban Road Traffic Safety Risk Based on

Grey Theory and Bayesian Network

ZHOU Qiulong ZHANG Zhongyu TANG Sha QIU Kailai LIU Tianyuan

（1.Nanjing Urban Construction Tunnel and Bridge Wisdom Management Co.， Ltd.， Nanjing 210012， China;

2.Jiangsu Transportation Institute Group Co.， Ltd.， Nanjing 210019， China;

3.School of Transportation， Southeast University， Nanjing 211100， China）Abstract： In order to better study the urban road traffic safety， the author proposes an urban road traffic safety risk analysis method based on grey theory and Bayesian network. The evaluation system of influencing factors of urban road traffic safety risk is established from five indexes of human-vehicle-road-environment-management. The grey relational degree method is used to identify the significant influencing factors of urban road traffic safety. The probability distribution of the influence of selected factors on road traffic safety risk is evaluated by Bayesian network， and the main cause and influence intensity distribution of road traffic safety risk are identified. A total of 267 traffic accidents occurred on roads around Huimin West Road in Gulou District of Nanjing from 2009 to 2011 are selected to verify the effectiveness of the model. The results show that the method identifies 11 significant factors that affect the traffic safety of Huimin West Road. Based on the screened 11 factors， the probability of low risk is 31%， the probability of medium risk is 37%， and the probability of high risk is 31%， which provides some references for the study of urban road traffic safety risk.

Key words： traffic safety; road risk factors; grey theory; Bayesian network; traffic engineering