方 方,王 昕
(北京信息科技大学 理学院,北京 100192)
近年来,交通事故频繁发生,人员伤亡不断,但其发生并不是完全随机的,而是受到多种因素的影响。因此,可以通过研究交通事故历史数据,对交通事故风险进行预测。
国内外学者主要使用统计建模方法和机器学习方法展开研究。如二元Logit或Probit模型[1-2],多项式Logit或Probit模型[3-4]。此外,考虑到事故风险严重程度的有序性,有序Probit和Logit模型具有更好的性能[4-5]。Chen等[6]利用有序Probit模型确定影响上海越江隧道卡车事故严重程度的主要因素。Hu等[7]提出一种带逐步变量选择的广义Logit模型识别影响铁路交叉口事故严重程度的主要因素。Wang等[8]建立了Logistic回归模型研究美国道路和环境因素对事故严重程度的影响。同时,基于树的模型如随机森林等用于事故严重程度建模和预测,其性能令人满意[9]。Iranitalab等[10]不仅比较了4种统计和机器学习方法在事故严重程度预测中的性能,且研究了K均值聚类和潜类别聚类两种聚类方法对预测模型性能的影响。Yu等[11]提出了一种基于随机项模型的融合卷积神经网络来分析驾驶员受伤严重程度,其中子神经网络结构处理分类特征,多层卷积神经网络结构捕捉特征和严重程度之间潜在的非线性关系。Chen等[12]提出了一种数据驱动的Copula贝叶斯网络,研究危险变道和跟驰两种基本危险驾驶行为与事故风险的因果关系,该模型有效降低了过拟合,具有良好的预测性能。Wang等[13]利用了一个基于决策树的系统机器学习框架来预测先前涉及违规/事故记录的驾驶员的未来驾驶风险。……