一种高速公路交通事故成因分析方法与流程

本发明涉及交通安全管控技术领域，具体涉及一种交通事故成因分析方法。

背景技术：

我国高速公路发展迅速，通车里程已达13.1万公里，位居世界第一。高速公路的建设带动了沿线经济的发展，为人们的生活提供了极大的便利。但高速公路交通安全问题仍十分严峻，随着建设里程的增加，其死亡人数、受伤人数、直接财产损失指标并无明显下降趋势，且由于其速度高、运量大等特性，导致其致死率远高于普通公路。可见，对高速公路进行事故成因分析，准确甄别出事故发生的原因，从而采取有针对性的安全改善措施以减少事故的发生，是提高高速公路运行安全性的关键。

国外对交通事故进行的成因分析有：kronprasert等基于道路安全检查模型建立了信念故障树用于识别道路基础设施缺陷；hyunjin等将风险暴露水平和风险严重程度应用于故障树，从而建立了车道变换风险评估模型；zhang等考虑人、车辆、道路和环境风险因素确定了交通违法行为是威胁道路安全的主要风险之一，并为减少事故发生率和死亡率针对不同指标建立法规提供了参考依据；juandeona等使用贝叶斯网络对不同严重程度的事故进行分析，并据此识别出了各类事故的影响因素。

国内对交通事故进行的成因分析有：孙平等综合考虑人、车、路、环境对交通事故的影响，运用层次分析法建立事故成因模型，得出事故成因的客观结果并建立预防措施；宋春花将山区高速公路与平原区高速公路进行对比分析，以道路几何线形为输入变量建立基于模糊逻辑理论的交通事故预测模型，定义安全改进因子用以识别事故影响因素，并对京珠高速公路交通事故进行了预测；张弛通过对高速公路交通事故诱发机理的分析，建立了交通预警管理系统，力求有效防治交通事故的发生，设立预警指标并对高速公路交通事故进行模糊综合评价。

国内外学者已对高速公路交通事故的成因进行了较多的分析，通过逐层寻找交通事故发生原因的方法分析事故成因运用故障树分析法，故障树分析法是应用可靠性框图对失效模式及危害度进行分析的技术。现有的采用故障树对事故成因进行分析的研究，对于基本事件较多的故障树，定量分析过程的计算量普遍较大，而现有引入贝叶斯网络对高速公路事故的成因分析的技术虽然计算效率较高，但是未从事故根本原因出发逐层对成因进行细化，分析结果不准确。

技术实现要素：

本发明为解决目前对高速公路事故的成因分析计算量较大或分析结果不准确的问题，提供了一种高速公路交通事故成因分析方法。

本发明所述一种高速公路交通事故成因分析方法，通过以下技术方案实现：

步骤一、根据高速公路交通事故记录数据，建立高速公路交通事故故障树模型；

步骤二、基于故障树模型构建高速公路交通事故贝叶斯网络模型；

步骤三、对高速公路交通事故故障树模型进行定量分析；

步骤四、利用高速公路交通事故贝叶斯网络模型求解目标节点最大后验概率、各因素对事故发生的贡献率、结合定量分析结果进行诊断推理；对各因素进行敏感性分析找出对各因素最敏感的基本事件；

步骤五、结合各因素对事故发生的贡献率和各因素最敏感的基本事件，有针对性地对各因素进行管控。

本发明最为突出的特点和显著的有益效果是：

本发明所涉及的一种高速公路交通事故成因分析方法，在故障树的基础上提出贝叶斯网络模型，故障树能够逐层细化寻找交通事故发生原因，而引入贝叶斯网络可显著提高故障树中概率推理计算的效率和精度。本发明方法以图论的形式表示事件间的关系，简洁易懂，计算准确度达到99％，但是工作量比传统的故障树分析法减少了50％以上。本发明方法明确了导致事故发生的主要事件，确定了驾驶员、车辆、道路、环境四方面因素对事故发生的贡献率，且找出了对驾驶员、车辆、道路、环境四方面因素敏感度最大的基本事件。

附图说明

图1为本发明方法的流程图；

图2为故障树模型结构示意图；

图3为实施例中的高速公路交通事故故障树；

图4为与门贝叶斯网络的条件概率表；其中，node表示节点，deterministic表示确定值，function表示参数形式，apply表示应用，reset表示重置，close表示关闭；

图5为或门贝叶斯网络的条件概率表；

图6为实施例中高速公路交通事故贝叶斯网络拓扑结构；

图7为实施例中高速公路交通事故贝叶斯网络图；

其中，x1：无证驾驶，x2：违章停车，x3：违章超车，x4：违章便道，x5：未保持安全距离，x6：其他操作不当，x7：制动不当，x8：年龄大，x9：驾龄短，x10：疲劳驾驶，x11：爆胎，x12：转向失效，x13：制动失效，x14：安全设施不全，x15：超限超载，x16：机件不符合技术标准，x17：路面潮湿，x18：陡坡路段，x19：小半径平曲线路段，x20：弯坡组合路段，x21：长大下坡坡底，x22：雨天，x23：雾天，x24：夜间无照明，x25：能见度小于100m。

具体实施方式

具体实施方式一：结合图1、图2对本实施方式进行说明，本实施方式给出的一种高速公路交通事故成因分析方法，具体包括以下步骤：

步骤一、根据高速公路交通事故记录数据，建立高速公路交通事故故障树模型，如图2所示；

从公安交通管理部门收集的高速公路交通事故数据，数据样本量越大，分析结果越准确。根据原始事故记录数据，统计导致事故发生的原因事件，按照驾驶员、车辆、道路、环境四个方面对数据进行分类整理汇总。

步骤二、基于故障树模型构建高速公路交通事故贝叶斯网络模型；

步骤三、对高速公路交通事故故障树模型进行定量分析；

步骤四、利用高速公路交通事故贝叶斯网络模型求解目标节点最大后验概率、各因素对事故发生的贡献率、结合定量分析结果进行诊断推理；对各因素进行敏感性分析找出对各因素最敏感的基本事件；

基于故障树的贝叶斯网络进行的定量分析可实现以下目标：①诊断推理，即将最终变量定义为故障，通过对比概率变化，对证据节点进行敏感度排序；②因果推理，即将基本节点定义为故障，因为各证据节点(根节点)之间是相互独立的，故此证据节点的变化不会引起其他根节点概率的变化，只会引起与其关联的中间节点及目标节点(叶节点)概率的变化，故用此方法判别对最终节点影响最大的基本节点；③将因果推理与诊断推理相结合，同时定义某基本节点与目标节点为故障，得到中间节点的敏感度；④根据变量的可调控性，结合已知条件概率，可对未知变量进行预测；⑤通过方差缩减对目标节点及中间节点进行敏感性分析。

步骤五、结合各因素对事故发生的贡献率和各因素最敏感的基本事件，有针对性地对各因素进行管控。

具体实施方式二：本实施方式与具体实施方式一不同的是，步骤一中所述建立高速公路交通事故故障树模型的具体过程包括：

将顶上事件设置为交通事故，故障树将系统中最不希望发生的事件作为顶上事件，将次顶事件设置为驾驶员因素、车辆因素、道路因素及环境因素，并将次顶事件绘制为四个独立的分故障树，四个独立的分故障树与顶上事件间为或门关系；然后由上至下逐步对各级事件进行分解，通过若干个中间事件，找到导致顶上事件发生的最根本原因，即故障树最底层的基本事件；基本事件为具体事故原因；各层事件间的逻辑关系用与门、或门来描述；与门表示只有下层事件全部发生时，上层事件才会发生；或门表示下层任一事件发生时，上层事件就会发生。

定义基本事件时，需要对原始数据信息重新划分界定标准，驾驶员因素方面，将年龄超过55岁定义为“驾驶员年龄大”，驾龄在2年以下定义为“驾龄短”，将这两个指标作为基本事件。对于道路几何线形数据，如平曲线半径、竖曲线半径、纵坡坡度等。根据《公路项目安全性评价规范》中高速公路分析单元划分原则，将线形按表1标准界定。高速公路根据所处地形条件的限制，线形划分标准也不尽相同。对于山区高速公路，因其地形地质的特殊性，较其他高速公路存在更多的长大下坡路段，此类路段上车辆制动距离更长，制动频繁，容易造成制动器过热失效引发交通事故。将平均纵坡在3％以上、连续下坡坡长大于5km的路段认为是长大下坡路段。故在确定危险线形基本事件时将陡坡路段、小半径平曲线路段、弯坡组合路段、长大下坡路段定义为危险线形。环境因素方面，根据《高速公路气象条件等级》中不同能见度对交通运行的影响程度，将能见度小于100m时定义为“能见度低”。

表1高速公路路段划分标准

其他步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式二不同的是，步骤二中所述基于故障树模型构建高速公路交通事故贝叶斯网络模型的具体过程包括：

step1、确定节点：贝叶斯网络中的节点分为以下三类：①证据节点：将具有确定取值的变量作为已知条件用来推理得到贝叶斯网；②目标节点：贝叶斯网络最终推理的目标；③中间节点：连接证据节点和目标节点的节点。故障树中的基本事件、逻辑门和顶上事件分别对应于贝叶斯网络中的证据节点、中间节点和目标节点；

step2、建立有向无环图：故障树中各事件之间的联系对应于贝叶斯网络中用有向箭头连接的各节点，从而形成有向无环图；

step3、生成条件概率表：故障树中基本事件概率和逻辑门分别对应于贝叶斯网络中证据节点的先验概率和相应节点的条件概率表；

step4、计算目标节点后验概率：对网络中各节点生成后验概率。

贝叶斯网络从结构上来看是一个有向无环图，直观上表现为若干节点和节点间指向关系弧的网图。其中，节点代表特定域中的随机变量，连接弧表示节点间的因果关系，节点间的关系依赖强度用条件概率表表示。

贝叶斯网络由拓扑结构和模型参数共同决定(贝叶斯网拓扑结构如图6所示，贝叶斯网模型如图7所示)，其中，模型参数是要确定各证据节点的先验概率以及中间节点和目标节点的条件概率表，证据节点的先验概率由绘制故障树时基本事件的概率确定，条件概率表可以通过单独概率输入确定。

其他步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式三不同的是，step3中所述生成条件概率表的具体过程包括：

将贝叶斯网络映射到故障树中，节点及条件概率表分别对应故障树的各个事件及逻辑门；故障树中的基本事件对应于贝叶斯网络中的两个证据节点xi和xj，上层事件对应节点mk；由故障树与门的定义可知，与门贝叶斯网络的概率分布为：

p(mk＝1|xi＝1,xj＝1)＝1,p(mk＝1|else)＝0

如图4所示，其中，0、1分别代表“正常”、“故障”状态；

如图5所示，或门贝叶斯网络概率分布为：

p(mk＝1|xi＝0,xj＝0)＝0,p(mk＝1|else)＝1

其中，i＝1,2,...,n；j＝1,2,...,n；n为基本事件的总数。

其他步骤及参数与具体实施方式一、二或三相同。

具体实施方式五：本实施方式与具体实施方式一至四不同的是，步骤三中所述对高速公路交通事故故障树模型进行定量分析的具体过程包括：

首先，需确定故障树的结构函数：

其中，φ(x)为故障树的结构函数；p为基本事件的状态组合序号，p＝2⁰,2¹,...,2ⁿ，n为基本事件的总数；xi为第i个基本事件，i＝1,2,...,n；yi是xi的状态变量；φp(x)为第p个状态组合所对应的顶上事件的状态值，取0或1分别表示“正常”、“故障”状态；“正常”状态即事件不发生；“故障”状态即事件发生。

然后，计算概率重要度系数：

其中，ip(i)为事件i的概率重要度系数；p(t)为顶上事件发生的概率；pi为第i个基本事件发生的概率；

再计算临界重要度：

其中，ci为事件i的临界重要度。

其他步骤及参数与具体实施方式一、二、三或四相同。

具体实施方式六：本实施方式与具体实施方式一至四不同的是，步骤四中所述利用高速公路交通事故贝叶斯网络模型求解目标节点最大后验概率的具体过程为：

贝叶斯网络中，各节点满足相互条件独立的相关公式如下：

各节点的联合概率分布为：

p(x,t)＝p(t)×p(x|t)

其中，parents(·)为取得一个包含着所有匹配元素的祖先元素的元素集合(不包含根元素)。

证据节点的边缘概率为：

根据贝叶斯公式求得目标节点最大后验概率：

其中，t表示目标节点，证据节点集合x＝{x1,...,xi,...,xn}，xi为第i个基本事件，i＝1,2,...,n。

其他步骤及参数与具体实施方式一、二、三、四或五相同。

具体实施方式七：本实施方式与具体实施方式三或四不同的是，步骤四中所述各因素对事故发生的贡献率的具体计算过程包括：

因素tl对事故发生的贡献率为：

其中，表示因素tl对应的证据节点集合；l＝1、2、3、4；t1表示驾驶员因素，t2表示车辆因素，t3表示道路因素，t4表示环境因素。

其他步骤及参数与具体实施方式一、二、三、四、五或六相同。

具体实施方式八：本实施方式与具体实施方式七不同的是，步骤四中所述对各因素进行敏感性分析的具体过程包括：

则当证据节点xi的值发生变化时，各因素tl的方差缩减量vr表示为：

其中，v(tl)表示节点tl的初始方差；表示节点tl在证据到达后的方差；求解得到的vr值越大，该证据节点敏感性越高。

其他步骤及参数与具体实施方式一、二、三、四、五、六或七相同。

具体实施方式九：本实施方式与具体实施方式八不同的是，节点tl的初始方差v(tl)＝∑mp(m)[nm-e(tl)]²，节点tl在证据到达后的方差e(tl)＝∑mp(m)nm；

其中，m表示节点tl包含的状态数目，nm表示状态m对应的数值；p(m)表示状态m对应的概率；e(tl)表示节点tl的初始后验概率；e(tl|n)表示节点tl在的证据到达后的期望值。

其他步骤及参数与具体实施方式一、二、三、四、五、六、七或八相同。

实施例

采用以下实施例验证本发明的有益效果：

对某山区高速公路的交通事故成因进行分析。从公安交通管理部门收集到该高速公路2006年1月至2013年6月发生的伤亡事故512起，对其进行分析。

将事故发生因素分为驾驶员、车辆、道路及环境四个方面。其中，驾驶员因素包括驾驶员年龄、驾龄、是否疲劳驾驶、操作不当及违章驾驶；车辆因素包括车辆类型、行驶状态、是否超限超载、安全设施是否齐全、机件是否符合标准、驾驶中是否出现爆胎、转向或制动失效；道路因素包括事故地点及桩号、路表情况、路段类型；环境因素包括天气状况、白天或夜晚、照明条件及能见度。事故信息汇总见表2。

表2事故信息汇总表

基于上述事故数据，将山区高速公路交通事故作为顶上事件，驾驶员、车辆、道路、环境四方面因素作为中间事件，对原始数据中的具体信息抽象化处理归类，构建山区高速公路交通事故故障树模型，如图3所示。

对山区高速公路交通事故故障树模型进行定量分析，其结构函数为：

φ(x)＝x1+x2+x3+x4+x5+x6+x7+x8+x9+x10+x11+x12+x13+x14+x15+x16+x17+x18+x19+x20+x21+(x22+x23)·(x24+x25)

基本事件的概率重要度计算结果为：

表3故障树中各基本事件的概率重要度

基本事件的临界重要度排序如下：

c20>c5>c17>c15>c21>c6>c7>c9>c18>c25>c3>c22>c2>c14>c16>c4>c23>c10>c1>c24>c13>c19>c8>c11>c12；

由此可知各基本事件对山区高速公路事故的影响程度。其中，长大下坡坡底、未保持安全距离、陡坡路段、超限超载及夜间无照明是山区高速公路事故发生的主要原因。这五项原因的概率重要度均相同，由临界重要度系数定义可知其临界重要度高于其他原因主要是由于其自身概率较高导致的。这五个事件的概率变化时，顶上事件的概率变化率较大，如果能有效降低这五个事件的概率，可在最大程度上降低山区高速公路交通事故发生的概率，或降低事故的严重程度。

对山区高速公路交通事故贝叶斯网络模型进行定量分析，通过贝叶斯网络中各根节点的先验概率及条件概率表求得叶节点的最大后验概率为：p(t＝1|t1,t2,t3,t4)＝0.882，即交通事故发生的概率较大，其中，t1、t2、t3、t4的最大后验概率分别为：0.555、0.41、0.475、0.142，即驾驶员、车辆、道路和环境对交通事故发生的贡献率分别为55.5％、41％、47.5％和14.2％。贡献百分比总和大于1，说明交通事故是由各因素共同作用导致的，而且事件间存在复杂的交互关系。驾驶员因素在四类因素中占比最大，主要是由于驾驶员对于山区高速公路的线形变化不熟悉以及面对突发情况采取的不当操作造成的。其次占比较高的是道路因素，其中“长大下坡路段”是道路因素中导致事故发生的最主要原因，因此，在山区高速公路的安全管理时应对此类路段格外重视。车辆因素也在很大程度上引发事故，究其原因为车辆的超限超载行为过于严重，车辆自身性能有很大的损耗，转向、制动失效问题出现更加频繁，在特殊复杂的线形中车辆也就更难以控制。环境因素占比不大，主要是受自然天气的影响导致能见度不足，对安全行车造成了很大的阻碍。

将交通事故贝叶斯网络作为一个整体时，在确定交通事故发生的条件下，找到对事故发生影响较大的因素，可以利用贝叶斯网络的诊断推理，将叶节点发生概率定义为“1”，对比根节点的概率变化来确定其影响程度，诊断推理结果见下表4：

表4诊断推理结果

可以发现，贝叶斯网诊断推理结果与故障树的定量分析结果大致吻合。

对于由驾驶员、车辆、道路、环境四方面因素共同影响的交通系统，对上述各方面因素单独考虑，从而找出对各因素最敏感的基本事件，最终可有针对性地对各因素进行管控。根据方差缩减对各因素进行敏感性分析，结果表明对驾驶员、车辆、道路、环境敏感度最大的证据节点分别为：操作不当、超限超载、长大下坡坡底、能见度低。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。