0 引言
高速公路作为提供优质运输服务的重要基础设施，其频发的交通事故已成为影响安全运营的关键因素。据统计，截至2020年底，我国高速公路事故死亡率是普通公路的4.51倍，公路事故中10%的死亡交通事故发生在高速公路上[1]。这使得高速公路交通安全保障面临巨大压力与挑战[2]。高速公路事故往往不是均匀分布的，而是在某些特定的地理区域或路段上发生频率较高，形成了事故聚集区或热点区域。针对事故多发点进行实时管控、提升高速公路安全性能是当前亟需解决的重要问题。事故多发点鉴别[3-4]和预测是解决此类问题的关键，因此而成为行业研究的热点。准确鉴别和预测事故多发点，有助于交通管理部门采取有效的管控措施，最大限度地减少事故发生，降低因事故造成的经济损失。
关于事故多发点的鉴别和预测，学者们主要从百万车公里事故率和当量事故次数等指标出发，采用统计分析法展开研究，如牛志鹏等[5]以百万车公里事故率、当量事故次数和改进后的网络时空核密度估计作为交通事故多发点的鉴别指标；王颖志等[6]采用累计频率法来确定事故多发点的鉴别阈值。为客观处理决策过程，部分学者采用决策分析与多准则决策方法对事故多发点进行鉴别，如张鹏[7]将模糊数学理论与层次分析法相结合对事故多发点进行安全评价。为寻求多样化、自动化的处理方法，学者们通常采用数据挖掘和机器学习进行事故多发点鉴别，如张云菲等[8]和王艺霖等[9]分别提出基于时空密度聚类的高速公路事故黑点路段鉴别方法和自适应搜索密度峰值聚类算法。为准确把握事故多发点分布规律，部分学者进行了更深入的探索，采用多种空间数据分析方法鉴别事故多发点的位置，如耿超等[10]和Singh等[11]分别采用DB-SCAN算法和普通克里金法、网络核密度估计法进行聚类分析，鉴别高速公路上的致命事故热点区域；刘戎阳等[12]和吴佩洁等[13]分别提出基于泰森多边形和时空立方体法结合核密度估计法的事故多发点鉴别方法。事故多发点预测在交通安全预警方面具有重要意义，相关研究主要关注事故发生频率与事故严重程度，如Yang等[14]采用贝叶斯回归统计模型预测隧道内交通事故发生频次。相比传统统计方法，机器学习可更好地处理非线性关系和复杂的数据结构，如任毅等[15]和Zeng等[16]分别采用基于长短期记忆神经网络和创新的软注意力递归神经网络构建城市道路黑点路段交通事故预测模型；Zhu等[17]和Yuan等[18]分别采用双向长短期记忆模型、卷积神经网络模型来预测交通事故多发点。此外，一些学者还采用多种机器学习相结合的方法对事故多发点进行预测，如尚婷等[19]建立了GA-BP神经网络、PSO-BP神经网络事故多发点预测模型，许宏科等[20]建立了因子分析和BP神经网络相结合的高速公路事故多发点预测模型。
整体而言，关于事故多发点的鉴别研究目前停留在方法应用层面，而对具有复杂时空特征变化的地理编码问题处理存在局限，针对不同时空下的事故多发点演变模式研究更相对不足。在事故多发点预测建模方面，学者通常采用PSO-BP神经网络、长短期记忆神经网络等一种或多种机器学习相结合的方法，而缺少改进和优化，在预测时往往无法灵活捕捉数据所有维度的特征，导致出现预测精度较低的问题。
为准确鉴别和预测高速公路事故多发点，从源头上减少道路交通事故的发生，本文将基于江西省某高速路段交通事故数据，首先研究事故时空特征，构建年、日尺度下交通事故多发点鉴别时空立方体，得到事故多发点的位置及其时空演化模式；然后，采用CNN-LSTM、CNN-LSTM-ATT、随机森林、XGBoost模型4种预测方法进行事故多发点预测，通过比较各模型的相似度，以预测准确率、精确率、召回率和F1分数等指标来综合评价各模型的准确性，并选取预测精确率高、召回率高的事故预测模型进一步优化，以期提升事故多发点预测模型的精度并减少鲁棒性；最后，通过SHAP值分析对预测结果进行解释，以期为交通管理与应急保障部门提供有效的管控思路。
1 数据指标筛选及预处理
1.1 数据来源
江西省某高速公路段作为省内主要通道之一，车流量较大，事故类型多样，交通事故数常年位居江西省第一，其在2021年发生交通事故953起，百公里事故数389起。为此，选择该典型路段2021年交通事故数据作为样本，对高速公路事故多发点的时空特征展开研究。
1.2 数据指标筛选
原数据包含事故发生时间、发生位置、所属路政支队、事件类型、填报人等信息。本文重点研究事故的时空特征，故需要进行指标筛选，最终选出事故发生时间、发生位置（里程桩号）、处理时长、事故类型、伤亡人数、是否影响通行、影响车道数、影响方向共8个指标。事故发生时间和发生位置是事故研究的核心指标，通过分析可以确定事故发生的具体时段和高发区域，从而为该地区的交通规划、道路设计提供依据；事故处理时长可反映事故的严重程度和应急处置效率，了解事故处理时长有助于评估现行交通事故处理机制；事故类型反映事故的性质，如碰撞、翻车等，不同类型事故有不同的成因和影响；伤亡人数是衡量事故严重程度的直接指标之一，可反映事故对人员安全的影响程度；事故是否影响通行及影响车道数直接关系到事故对交通流的影响，可反映事故对道路交通系统的影响程度及对交通流的影响范围；分析事故的影响方向有助于了解特定道路段或交叉口的事故发展趋势。
1.3 数据预处理
本文采取箱形图对事故处理时长数据集进行处理，如图1所示，其中处理时长大于300 min的数据有63条。结合实际情况，剔除异常数据，最终数据集中保留773条数据。
为便于机器学习模型处理和分析，将部分文本及连续值数据分别转化为数值型数据和离散数据。例如，将6种事故类型：侧翻、故障、撞护栏、追尾、自燃、其他，分别以1, 2, 3, …, 6的整数赋值；对是否“影响通行”，按0, 1为其赋值，0表示不“影响通行”，1表示“影响通行”；“方向”取1或-1，1表示下行，-1表示上行。对于时间格式数据按整时取值进行转换，如将2021-1-1 6:45转换为6，2021-1-1 8:48转换为8等。
2 基于时空特征的事故多发点鉴别
交通事故在时空上具有一定随机性，受季节、昼夜、天气、交通流特性等因素的影响。在交通事故研究中，常将交通事故发生频率较高的地点称作“黑点”，其鉴别对于交通救援及事故预防具有重要意义。本文综合分析交通事故的时空特征，并根据事故时空特征，采用时空立方体构建交通事故时空模型，用于事故多发点鉴别，从而明确事故多发点随时空的变化情况。
2.1 地理编码
由于原始数据中只包含事故发生点的地址和高速公路里程桩号，没有经纬度数据，因此需要根据地址进行地理编码，在原数据中增加经纬度坐标，得到GIS图层上的事故定位和高速公路上不同位置对应的事故数，再进行空间分析。该段高速公路事故密度分布如图2所示，可以看出东西两段的交通事故分布存在明显差异，东段事故高密度区域较多；西段事故高密度区域较少，且这些区域的事故密度相对东段较小。
2.2 事故时空立方体构建
时空立方体涉及空间距离关系，地理编码后的数据坐标系为地理坐标系，为实现数据可视化，需将其转换为投影坐标系。将事故数据投影至三维地图中，采用WGS 1984对应的墨卡托投影坐标，分别按照年、日时间尺度构建时空立方体，其中空间步长取2 km。年尺度下，按照12个月划分，时间步长为1个月；日尺度下，划分为24 h，时间步长为2 h（保证年、日尺度下都为12个立方体）。年尺度下的时空立方体每条柱包含12个立方体，每个立方体包含该区域对应月份的交通事故数量，每个事故对应一个小立方体，本研究所采用的数据样本共1 848个小立方体（其中空立方体数量为1 276个），事故数量为1的立方体最多，有425个；事故数量最多的立方体内部包含5起事故，共3个。年尺度下的事故时空立方体如图3所示，颜色越深表示事故数量越多。构建日尺度下的时空立方体的过程中，将数据集的小时格式统一修改为日期，即将一天24 h分为24个时段，每个时段对应一个月中的一天，如将0:00—0:59修改为1月1日，1:00—1:59修改为1月2日，以此类推。东段部分时段交通事故分布如图4所示。
2.3 热点分析
热点分析法通过对数据进行汇总和理解，并利用特定的统计技术识别数据中的热点和冷点，从而揭示数据中的模式和趋势。通过热点分析能够鉴别出事故频发的特定区域或场所，而Mann-Kendall 趋势检验方法可明确不同时间段内Getis-Ord热点分析所得到的z得分是否有显著的变化趋势。因此，为得到不同路段的时空演变模式，采用Mann-Kendall 趋势检验方法确定事故频发的时间段和区域，进行时空分析，最终鉴别出17种不同的时空冷、热模式，分别为新增热点/冷点、连续热点/冷点、增强热点/冷点、持续热点/冷点、递减热点/冷点、分散热点/冷点、震荡热点/冷点、历史热点/冷点及无趋势。
2.3.1 年尺度的时空立方体
对年尺度下的时空立方体进行热点分析，设时间邻域为2个月、空间邻域为7 km（事故排队长度的最大值）。采用Mann-Kendall统计来评估时间序列的z得分，得到2种时空演变模式：连续热点和分散热点，均在东段。连续热点位于K542—K544段，分散热点有两段，位于K484—K488段和K544—K552段。通过时间滑块查可看东段每个月的事故热点变化。部分热点模式较多的月份如图5所示，发现K524—K530段、K484—K486段在1月为新增热点，K544—K552段在多数月份都是分散热点，但在10月成为连续热点；K484—K488段在1、3、9、10月份为连续热点。
2.3.2 日尺度的时空立方体
对日尺度下的时空立方体进行热点分析，时间邻域取事故处理最大时长4 h，空间邻域取事故排队最大长度7 km。采用Mann-Kendall统计来评估分析z得分的时间序列，得到4种时空演变模式：新增热点、连续热点、分散热点、新增冷点。东西段冷、热点模式分布如图6所示，可见新增冷点位于西段K696—K698段，其余热点模式均位于东段。新增热点位于K536—K538段，连续热点位于K532—K534段、K538—K540段、K542—K544段、K546—K554段，分散热点位于K484—K486段、K534—K536段、K540—K542段、K544—K546段，除K484—K486段外，其余热点位置连续。究其原因，事故热点区域与收费站互通立交和区域内2个枢纽立交相关，由于这些区域的出入口较多且间距较小，车辆汇入汇出频繁，交通冲突点较多，因此易引发交通事故。
2.4 热点鉴别
根据时空冷、热点分析结果，得到事故多发点位置及对应的时空演化模式，如表1所示。
表1 事故多发点位置及对应时空演化模式 |
| 事故多发点路段 （里程桩） | 时空演化模式 |
|---|---|
| K448—K454段 | 20:00后为分散热点，其余时间无显著性 |
| K484—K486段 | 0:00—2:00无显著性；2:00—10:00为 分散热点；10:00—24:00为连续热点 |
| K532—K536段 | 0:00—16:00无显著性；16:00—18:00为分散热点；18:00—24:00为连续热点 |
| K536—K544段 | 0:00—16:00无显著性；16:00—24:00为分散热点 |
| K544—K554段 | 0:00—10:00无显著性；10:00—24:00为连续热点 |
| K554—K556段 | 0:00—10:00无显著性；10:00—14:00为分散热点；14:00—24:00为连续热点 |
| K564—K568段 | 14:00—18:00为分散热点，其余时间 无显著性 |
| K616—K624段 | 10:00—14:00为分散热点；14:00—20:00为连续热点；其余时间无显著性 |
3 基于XGBoost改进模型的事故多发点预测
本研究鉴别事故热点路段后，采用 CNN-LSTM、CNN-LSTM-ATT、随机森林、XGBoost 模型4种算法预测事故多发点，并与鉴别的事故热点位置进行比较，判断处于事故多发点的样本预测准确程度，以选取最佳的模型改进并预测未来的事故多发点。
3.1 特征选取
根据交通事故对道路通行的空间影响和事故多发点的时空演化模式，基于以上事故时空特征数据预测事故多发点位置及各时空特征对事故的作用方向。在使用XGBoost预测模型之前，选取事故发生时间、里程、事件类型、处理时长、影响车道数、是否处于汇入口附近、是否节假日等7个特征指标作为输入变量，预测某事故是否处于事故多发点，然后对特征进行方差过滤和相关性检验。若特征方差为0，则说明该特征对预测没有作用，需要删除。经检验，7个特征的方差均不为0，无需删除。接着，采用Pearson系数进行相关性检验，发现事故发生时间与处理时长，两个特征相关性较强，则说明二者对预测结果的影响效果相似，为避免出现过拟合情况，需要删除其中一个特征，此处删除事故发生时间特征。各特征的Pearson系数如图7所示，结果显示各特征之间的相关性较弱，无需剔除特征。
3.2 XGBoost模型构建
表2 XGBoost模型参数调整 |
| 参数 | 解释 | 参数范围 | 最优参数 |
|---|---|---|---|
| max_depth | 树的最大深度 | [3, 10] | 3 |
| n_estimators | 弱学习器的数量 | [500, 1000] | 1 000 |
| min_child_weight | 叶子节点的最小权重 | [0.1, 0.9] | 0.9 |
| colsample_bynode | 每个节点处列的 子采样率 | [0.1, 0.9] | 0.9 |
| subsample | 训练每棵树时实例的 子采样率 | [0.2, 0.6] | 0.6 |
| learning_rate | 学习率 | [0.1, 0.4] | 0.4 |
| scale_pos_weight | 正负样本的比例 平衡参数 | [0.6, 3] | 3 |
| reg_alpha | 正则化参数 | [0.05, 0.1] | 0.1 |
分类模型的常见评价指标有预测准确率、精确率、召回率、F1分数等。调整参数后，XGBoost模型预测结果的预测准确率为0.83，精确率为0.82，召回率为0.79，F1分数为0.81，各项预测指标精度较好。
3.3 模型对比与优化
为验证不同模型对事故多发点的预测效果，分别构建CNN-LSTM、CNN-LSTM-ATT（基于Attention机制的CNN-LSTM模型）、随机森林模型，并与XGBoost模型进行对比。各模型预测评价效果如表3所示，可见XGBoost模型的预测准确率更高，预测效果更好。
表3 各模型评价指标对比 |
| 方法 | 精确率 | 召回率 | F1分数 | 准确率 |
|---|---|---|---|---|
| CNN-LSTM | 0.523 7 | 0.502 4 | 0.520 4 | 0.590 6 |
| CNN-LSTM-ATT | 0.622 1 | 0.581 7 | 0.571 4 | 0.682 8 |
| 随机森林 | 0.833 3 | 0.333 3 | 0.476 2 | 0.668 1 |
| XGBoost | 0.821 8 | 0.790 5 | 0.805 8 | 0.827 6 |
为进一步提高对事故多发点预测的准确性，使用遗传算法（Genetic Algorithm,GA）对XGBoost模型进行优化，得到GA-XGBoost组合模型。在遗传算法迭代结束后，选择适应度最高的个体作为最佳个体，即最优超参数组合，得到GA-XGBoost模型预测评价结果：预测准确率为0.89，精确率为0.9，召回率为0.86，F1分数为0.88。模型准确率较XGBoost模型提高0.06，F1分数提高0.07，精确率提高0.08。XGBoost模型对处于事故多发点的样本预测正确83条，错误22条；不处于事故多发点的样本预测准确109条，错误18条，如图8所示。GA-XGBoost模型对处于事故多发点的样本预测正确90条，错误15条；不处于事故多发点的样本预测正确117条，错误10条，如图9所示。可以看出，GA-XGBoost模型在样本预测正确率上较XGBoost模型有所提高。
比较随机森林模型、XGBoost模型和GA-XGBoost模型的分类准确率，并用ROC和AUC对模型性能做进一步验证。ROC曲线是一种用于评价分类模型性能的方法，AUC是ROC曲线下的面积，其大小表示模型预测识别效果，取值范围为[0,1]。AUC值可用于量化分类器接受正例的倾向性，方便衡量分类器的平均性能。通常AUC的值越大，表明模型的预测效果越好，AUC的取值若在[0.9,1]区间时，则认为模型的分类十分精确。随机森林、XGBoost与GA-XGBoost模型的ROC曲线如图10所示，可以看出XGBoost与GA-XGBoost模型的AUC值相近，GA-XGBoost模型的预测性能更好，且两者均优于随机森林模型。
3.4 基于SHAP值分析的模型解释
4 结束语
高速公路事故多发点鉴别及预测是交通领域空间分析的重要内容，为提高事故多发点鉴别及预测的准确性，本研究基于江西省某路段2021年交通事故数据，采用遗传算法对XGBoost模型进行改进，构建了GA-XGBoost事故多发点预测的组合模型。相比XGBoost模型，GA-XGBoost的预测准确率提高0.06，F1分数提高0.07，精确度提高0.08；相比CNN-LSTM、CNN-LSTM-Attention、随机森林模型，GA-XGBoost模型的预测误差更小、准确率更高、稳定性更强。最后，通过SHAP值分析对预测结果进行解释，发现处于汇入口附近、事件类型为侧翻、故障、处于国庆假期和影响车道数为2的样本处于事故多发点的概率相比不处于汇入口附近和其他事故类型更大。据此在交通安全和应急管理中可采取预防性措施，从而提升交通管理的效率和应急响应能力，营造安全、高效的交通环境。
因无法获取事故发生时的实时交通量数据，采用的估算值与实际交通流数据有一定差异，另外由于交通流及交通事故不仅与时空特征相关，还与高速公路道路管理条件、高速公路收费政策等外源性因素相关，而本文对这些因素未作考虑，会对仿真结果造成一定影响。未来研究中，可尽量获取更高精度的交通流数据，并进一步结合多种外源性影响因素深入分析交通事故的高维特征，从而提高模型精度。