Transport Research >

2024 , Vol. 10 >Issue 5: 52 - 63

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2024.05.005

Theory & Method

Identification of Potential Accident Black Spots on Cold-Region Border Highways Based on SSA-SVM

  • PEI Yulong ,
  • JIN Ziwei
Expand
  • School of Civil Engineering and Transportation, Northeast Forestry University, Harbin 150040, China

Received date: 2024-06-17

  Online published: 2024-12-03

Fold

Abstract

A SSA-SVM based method for identifying potential accident black spots on cold-region border highways was proposed in order to enhance the safety and reliability of these highways and mitigate some accident risks in advance. Firstly, 32 driving simulation test comparison scenarios were designed according to the characteristics of cold-region border highways. Vehicle operation indicator data and drivers' driving behaviour indicator data were gathered using driving simulator and eye tracker, and the differences in indicators were analyzed. Five indicators, including accelerator pedal position, brake pedal, steering wheel angle, lateral acceleration, and driver's pupil diameter, were selected to comprehensively represent the potential accident risk of cold-region border highways. Then, a potential accident black spot identification model for cold-region border highways based on SSA-SVM algorithm was proposed, which utilized the efficient search ability and high accuracy of SSA algorithm to optimize the parameters of SVM model. Finally, the effectiveness of the proposed SSA-SVM model was verified using driving simulation test data, and it was compared with CPO-SVM and GWO-SVM models. The results showed that among these three models, the SSA-SVM based model for identifying potential accident black spots on cold-region border highways had the highest recognition accuracy, with a prediction set accuracy of 93.12% and an optimal fitness value of 0.001 41. This method is able to effectively identify potential accident black spots on highways in cold regions under different seasons, which can provide theoretical basis for formulating scientific accident prevention measures for cold-region border highways.

Key words： accident black spot; driving simulation; SVM(Support Vector Machine); SSA(Spa-rrow Search Algorithm); cold-region border highway

Cite this article

PEI Yulong , JIN Ziwei . Identification of Potential Accident Black Spots on Cold-Region Border Highways Based on SSA-SVM[J]. Transport Research, 2024 , 10(5) : 52 -63 . DOI: 10.16503/j.cnki.2095-9931.2024.05.005

0 引言

近年来，东北地区充分利用寒冷气候条件带来的独特生态资源大力发展旅游业，促进了冰雪经济和生态农业等新兴产业的兴起。在黄金周的推动下，我国寒区沿边公路沿线景点吸引了大量游客。随着游客数量的大幅上升，一种新的道路类型应运而生——旅游公路。在旅游旺季，旅游公路的交通组成中，旅游车辆比例显著增加，这导致了驾驶人因不熟悉路况或注意力分散而引发交通事故的风险增加。《交通强国建设纲要》强调，应深化交通运输与旅游融合发展，提升道路交通安全水平。相较于城市道路，旅游公路的陌生驾驶环境对车辆性能、驾驶人驾驶技能和注意力的要求更高。同时，由于发生事故后的道路维护费用较高，而相关部门预算有限，故识别并优先采取措施于效益成本比更高的潜在事故黑点[1]，能在更大程度上降低交通事故的危害。
交通事故黑点[2]，指在某一时段内发生道路交通事故的数量或特征与其他位置相比明显突出的特定位置点。目前识别交通事故黑点的主要方法包括数理统计法和空间分析法。数理统计法是基于事故数以及事故率进行鉴别，包括事故频数法、当量事故数法、累积频率曲线法、回归分析法等。任毅等人[3]基于事故数据识别事故黑点并拟合各事故黑点的时间序列，提出了基于BiLSTM网络模型的交通事故黑点识别方法。Bíl等人[4]考虑了道路交通流量的不均衡性，提出了基于交叉口分段的弯曲子路段事故率指数。孙晴晴等人[5]将事故率作为评价指标，用谱聚类分析法对事故黑点进行判别。空间分析法主要是结合空间自相关和核密度估计方法，提取事故高密度聚集路段或热点区域作为事故黑点，涵盖K-means算法[6]、时空卷积神经网络[7]、支持向量机[8]等。其中，支持向量机的训练时间复杂度随着训练数据集规模的增加而增加，其分类准确度取决于参数的取值，可通过智能算法对支持向量机（Support Vector Machine, SVM）的参数进行优化，进而提高其分类准确率。如，Tang等人[9]基于概率盒（Probability Box, P-box）和遗传算法（Genetic Algorithm, GA）改进SVM模型，以提高模型总体识别精度；Guo等人[10]提出了使用布谷鸟搜索算法和多尺度排列熵来优化SVM全局最优解，集成识别率高达90%；Xue等人[11]基于麻雀的群体智慧、觅食和反捕食行为，提出了麻雀搜索算法（Sparrow Search Algorithm, SSA），相较于其他群优化算法，麻雀搜索算法具有搜索精度高、收敛速度快、稳定性好、鲁棒性强等特点[12]。
综上，多数公路交通事故黑点识别方法都是以历史事故数据为基础，但随着新型公路的出现以及旅游业的持续发展，这些公路的运行状态已发生了变化，使用这些公路的驾驶人、所驾驶的车辆类型以及出行目的等均与过往存在明显差异。因此，对于那些因旅游而首次行驶在这些公路上的驾驶人而言，历史事故数据往往不足以准确预测他们可能遭遇的交通事故风险。鉴于此，本文利用模拟驾驶试验补充寒区沿边公路上缺少的因旅游首次行驶在该公路上而导致事故发生的交通事故数据，并从驾驶人个体特性出发，综合分析人、车、路、环境等多因素对潜在事故黑点的影响，进而准确识别潜在事故黑点位置，提前规避事故风险。另外，本文将支持向量机算法的高维空间有效性和麻雀搜索算法找寻最佳参数精度较高的特点相结合，通过SSA算法对SVM模型的参数进行寻优，构建SSA-SVM模型来识别寒区沿边公路潜在事故黑点，以提高识别精度，为制定科学的寒区沿边公路事故预防方案提供理论依据。

1 模拟驾驶仿真试验设计

1.1 试验设备

本次试验使用的设备是由德国WIVW和ERGONEERS公司联合开发的SIMLAB驾驶模拟器，该模拟器配备了SILAB高仿真驾驶场景模拟软件。为了更深入地研究驾驶人的驾驶行为，本试验采用了瑞典SMART EYE公司研发的非接触式眼动追踪设备Smart eye。该设备能以60 Hz的频率追踪并采集驾驶人的双眼数据。通过软件分析，可分别获取左右眼的瞳孔直径、注视状态、扫视状态、闭眼状态和视线方向等多项眼动指标数据，其以时间戳为度量方式，记录试验过程中驾驶人的双眼参数。

1.2 试验场景

交通事故的发生具有一定的偶然性和必然性，是人、车、路、环境相结合的动态系统作用的结果。考虑到寒区沿边公路的独特气候特征、交通量的季节性波动以及驾驶环境的特异性，均会对驾驶行为和交通事故发生的概率造成影响，本试验旨在模拟不同季节条件下寒区沿边公路可能存在的潜在事故黑点场景。
寒区沿边公路位于地形地貌错综复杂地区，频繁出现陡坡、急弯、连续转弯、长直线等复杂道路线形。在冰雪天气条件下，尤其对那些不熟悉当地路况的驾驶者而言，这些路段极易引发交通事故。寒区沿边公路的气候特征对事故的影响尤为显著，严寒天气增加了驾驶难度，极易导致车辆制动性能下降，增加追尾或翻车的风险。即便在晴朗天气下，路面也可能形成“暗冰”，这对驾驶人的驾驶技术及对路况的熟悉程度提出了更高的要求。此外，寒区沿边公路多位于边境地区，交通流量通常较低，在空旷的长直线路段，若缺乏密集的交通标志或限速提醒，驾驶人容易忽视对车速的控制及道路环境的变化，增加了潜在事故发生的风险。
基于寒区沿边公路的季节性旅游特性和SIMLAB驾驶模拟系统的功能特性，选取公路线形、路面条件、交通特性、交通标志作为输入变量，车辆行驶状态和驾驶人生理特性作为输出变量。根据《公路路线设计规范》（JTG D20—2017）[13]，本次试验场景的类型为二级公路，设计速度为60 km/h，车道宽度为3.75 m，硬路肩宽度取0.5 m。利用SILAB5.6软件，从人、路、环境3个角度，选择4种道路线形、4种路面状态，再结合驾驶人是否熟悉路况、道路是否有交通标志，共设计32种寒区沿边公路模拟试验场景，如表1所示。
表1 不同季节条件下寒区沿边公路驾驶的基本场景
场景
编号		 季节条件 驾驶人
条件		 道路线形 路面条件 是否有
交通标志
1 夏季 不熟悉路况 长直线 晴天干路面 有
2 夏季 不熟悉路况 长直线 晴天干路面 无
3 夏季 不熟悉路况 连续转弯 晴天干路面 有
4 夏季 不熟悉路况 连续转弯 晴天干路面 无
5 夏季 不熟悉路况 长上下坡 晴天干路面 有
6 夏季 不熟悉路况 长上下坡 晴天干路面 无
7 夏季 不熟悉路况 坡道弯道 晴天干路面 有
8 夏季 不熟悉路况 坡道弯道 晴天干路面 无
9 冬季 熟悉路况 长直线 轻微积雪路面 有
10 冬季 熟悉路况 长直线 轻微积雪路面 无
11 冬季 熟悉路况 连续转弯 轻微积雪路面 有
12 冬季 熟悉路况 连续转弯 轻微积雪路面 无
13 冬季 熟悉路况 长上下坡 轻微积雪路面 有
14 冬季 熟悉路况 长上下坡 轻微积雪路面 无
15 冬季 熟悉路况 坡道弯道 轻微积雪路面 有
16 冬季 熟悉路况 坡道弯道 轻微积雪路面 无
17 冬季 熟悉路况 长直线 雪天积雪路面 有
18 冬季 熟悉路况 长直线 雪天积雪路面 无
19 冬季 熟悉路况 连续转弯 雪天积雪路面 有
20 冬季 熟悉路况 连续转弯 雪天积雪路面 无
21 冬季 熟悉路况 长上下坡 雪天积雪路面 有
22 冬季 熟悉路况 长上下坡 雪天积雪路面 无
23 冬季 熟悉路况 坡道弯道 雪天积雪路面 有
24 冬季 熟悉路况 坡道弯道 雪天积雪路面 无
25 冬季 熟悉路况 长直线 雪天结冰路面 有
26 冬季 熟悉路况 长直线 雪天结冰路面 无
27 冬季 熟悉路况 连续转弯 雪天结冰路面 有
28 冬季 熟悉路况 连续转弯 雪天结冰路面 无
29 冬季 熟悉路况 长上下坡 雪天结冰路面 有
30 冬季 熟悉路况 长上下坡 雪天结冰路面 无
31 冬季 熟悉路况 坡道弯道 雪天结冰路面 有
32 冬季 熟悉路况 坡道弯道 雪天结冰路面 无
动态场景包括车辆及季节变化影响，各场景尽可能多包含不同季节条件下寒区沿边公路环境特性。其中，长直线路段长度取1 200 m，连续转弯曲线半径取800 m，纵坡坡度取5%，对应坡长为350 m，竖曲线半径为600 m。根据相关研究，设置晴天干燥路面试验场景的路面附着系数为0.7，轻微小雪路面试验场景的路面附着系数为0.3，雪天积雪路面试验场景的路面附着系数为0.28，雪天结冰路面试验场景的路面附着系数为0.18。

1.3 驾驶模拟试验流程

在进行驾驶模拟试验之前，为确保驾驶人能熟练掌握驾驶模拟器的相关操作以及了解试验的具体要求，驾驶人需进行一段其他场景的试驾过程，同时被告知若感到眩晕或不适可随时退出试验。在试验开始前，被试者需坐在驾驶模拟舱内，确保安全带调整至舒适且安全的位置，随后进行眼动仪标定。每次驾驶模拟试验的时长约为3~4 min，为保证被试者的舒适和休息，两次驾驶之间将安排约5 min的休息时间。将驾驶人第一次驾驶模拟试验安排为夏季不熟悉路况场景，模拟因旅游而第一次在该公路上行驶的场景；在进行冬季场景的仿真模拟前，驾驶人应熟悉仿真道路路况及交通条件，还原驾驶人在寒区沿边公路驾驶场景。驾驶模拟试验流程如图1所示。
图1 驾驶模拟试验流程图

2 数据获取与分析

在道路交通系统中，驾驶人的驾驶决策受道路环境、车辆状态以及驾驶人个体特性影响，并根据车辆反馈的实时运动状态不断更新决策、调整车辆状态，以保障车辆的安全和稳定。因此，探究车辆运行状态和驾驶人的风险感知能力，对于界定不同季节条件下寒区沿边公路潜在事故黑点具有重要意义，能进一步预防寒区沿边公路交通事故的发生。

2.1 数据获取

本研究通过驾驶模拟器收集车辆加速踏板开合度、制动信号、方向盘转角、横向加速度等指标数据，利用眼动仪以60 Hz对驾驶人的眼动过程和眼动数据进行记录。当道路环境发生变化时，驾驶人经历“感知-认知-反应”过程，驾驶人瞳孔直径的变化是“感知-认知”过程的量化表现；而车辆加速踏板开合度、制动信号、方向盘转角及横向加速度的起伏变化可视为驾驶人“反应”的过程。
为确保样本的代表性，随机选取持有C1级驾驶证且年龄在22~45岁之间的人员为本试验的被试者，根据统计学原理和最小样本量计算方法，在95%的置信度和10%可接受的误差极限下，计算得到最小样本量为96组。试验样本经过数据预处理，最终得到128组有效样本数据，以分析不同季节、不同线形以及驾驶人对车辆运行状态的影响。

2.2 数据处理与分析

为探究驾驶模拟试验采集的128组指标数据与不同季节条件下寒区沿边公路潜在事故黑点的关系，采用方差分析法对各场景的输出指标进行比较分析，涉及的指标包括加速踏板开合度（Accelerator Pedal Position）、制动信号（Brake Pedal）、方向盘转角（Steering Wheel Angle）、横向加速度（Lateral Acceleration）以及驾驶人瞳孔直径（Pupil Diameter），具体步骤如下。
Step1：建立检验假设。在不同的试验设置或处理方式下，某指标样本总体均值相等，即各组之间没有显著差异；而当各组均值不相等或不全等时，其可能具有差异性，故选择输出指标的均值和标准差表示其变化程度，部分数据如表2所示。
表2 部分输出指标均值与标准差概览表
场景
编号		 加速踏板开合度AP（%） 制动信号BP（%） 方向盘转角SWA/° 横向加速度LA/（km/h） 驾驶人瞳孔直径PD/mm
均值 标准差 均值 标准差 均值 标准差 均值 标准差 均值 标准差
1 0.476 0.294 0.366 0.162 0.381 0.211 0.036 0.489 0.445 0.083
2 0.227 0.179 0.449 0.339 0.083 0.126 0.072 0.108 0.004 0.001
3 0.174 0.133 0.411 0.122 0.129 0.11 0.029 0.414 0.436 0.079
4 0.53 0.267 0.419 0.127 0.385 0.264 0.028 0.413 0.435 0.07
5 0.427 0.245 0.322 0.153 0.42 0.339 0.033 0.469 0.185 0.193
6 0.361 0.175 0.359 0.215 0.38 0.22 0.004 0.529 0.229 0.264
7 0.362 0.189 0.283 0.198 0.414 0.256 0.006 0.575 0.293 0.314
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
29 0.354 0.156 0.601 0.486 0.414 0.236 0.006 0.916 0.121 0.018
30 0.367 0.224 0.495 0.387 0.342 0.223 0.014 0.586 0.136 0.013
31 0.409 0.253 0.478 0.246 0.316 0.207 0.054 0.705 0.135 0.007
32 0.288 0.158 0.38 0.193 0.356 0.243 0.011 0.747 0.133 0.023
Step2：方差分析。通过分析数据的变异来源，对影响因素变动引起的数据波动及试验误差引起的数据波动进行区分[14]；分析采集到的128组5项指标数据与不同场景下潜在事故黑点的关联性，比较两两场景的输出指标，共得到496组对比场景。
为验证某风险因素与潜在事故黑点的关联性，以控制变量的研究方法为基础，挑选其中10组具有单一风险因素的场景，利用SPSS[15]中的方差分析考察风险因素的显著性，结果如表3所示。
表3 不同场景各项指标方差分析对比表
场景对比 加速踏板开合度
AP（%）		 制动信号BP（%） 方向盘转角SWA/° 横向加速度LA
/（km/h）		 驾驶人瞳孔直径PD
/mm
场景1对比场景9 ** ** ** — **
场景1对比场景17 ** * * * **
场景1对比场景25 ** ** ** ** *
场景1对比场景3 ** ** ** — *
场景1对比场景5 ** ** ** ** **
场景1对比场景7 ** * ** ** **
场景9对比场景10 ** ** * — **
场景15对比场景23 — ** * — **
场景15对比场景27 * ** — ** *
场景15对比场景31 ** — ** * **

注：**、*分别代表p<0.01、p<0.05的显著性水平。

方差分析结果显示，不同季节条件下各场景所得到的5项输出指标数据存在显著差异。
1）对比分析场景1和9得到：当驾驶人不熟悉路况时，会频繁加减速以达到控制车辆的目的，致使加速踏板的开合度和制动信号均有不同程度增加；为使车辆按照理想的运动轨迹行驶，车辆的方向盘转角增大，横向加速度增加了0.014 m/s2，说明在不熟悉路况的条件下对驾驶人稳定操纵车辆的要求更为严格，限制了驾驶人对速度的自由选择。
2）对比分析场景1和7得到：在驾驶人不熟悉路况的基础上，复杂的道路线形造成了驾驶人瞳孔直径收缩0.152 mm，车辆频繁加减速，降低了驾驶安全性。
3）对比分析场景9和10得到：在驾驶人熟悉的交通环境内，路旁是否存在交通标志会影响驾驶人在潜意识中采取制动行为，导致制动信号增加，驾驶人的注意力集中在交通标志上，使瞳孔直径显著增大。
4）对比分析场景15和31得到：在驾驶人熟悉路况且道路线形相同的情况下，相较于轻微积雪路面，雪天结冰路面更不利于车辆的安全行驶，车轮与道路之间的摩擦力大幅减小，驾驶人通常会选择低速行驶，减少加速踏板开合，横向加速度均值增加，直接影响了车辆的操控性和稳定性。
综上，若驾驶人不熟悉路况，周围环境会使其注意力分散，导致其频繁改变车辆行驶轨迹，影响车辆运行的稳定性；而道路线形的复杂化致使驾驶难度增加，增大了道路环境危险程度；路旁设有交通标志，可降低不熟悉路况的驾驶人感知不及时、操控滞后的潜在危险性；恶劣的路面状况会严重降低驾驶人在正常行驶中的安全性，同时也会影响驾驶人对车辆稳定性的控制能力。寒区沿边公路的驾驶行为相关指标在不同场景下具有显著差异，故驾驶人对路况的熟悉程度、道路线形的复杂程度、是否存在交通标志以及路面条件导致的寒区沿边公路的潜在风险可通过加速踏板开合度、制动信号、方向盘转角、横向加速度和驾驶人瞳孔直径直观反映。

3 基于SSA-SVM的潜在事故黑点识别模型构建与分析

3.1 支持向量机算法

支持向量机算法（SVM）是一种典型的快速收敛分类器，能很好地处理小样本、非线性和高位空间识别的相关问题，具有适应性强、效率高、全局性强等优点[16]。支持向量机根据结构风险最小化原则，在特征空间中构造一个最优分类超平面对样本进行分割，是解决二值分类问题的有效方法。最优分类超平面如图2所示。
图2 最优分类超平面图
在处理二分类问题时，通过非线性映射函数将样本从输入空间映射到更高维的特征空间。假设训练样本 T = x 1 , y 1 ,   x 2 , y 2 , ⋯ ,   x n , y n，其中 x i为输入特征向量， x i ∈ R n； y i为分类标签， y i ∈ - 1 ,   1。SVM能根据训练样本T的样本特征来确定最优分类超平面，如式（1）所示。
ω T φ ( x ) + b = 0
式（1）中： ω为超平面的法向向量； b为偏置项，二者共同决定超平面与原点之间的距离； φ ( x )为映射函数。选取径向基函数作为SVM的核函数，可以将数据映射到一个无限维的特征空间，从而在许多非线性问题中展现出较好的性能。径向基函数如式（2）所示。
K ( x i ,   y i ) = e x p - x i - y i 2 g 2
式（2）中： K ( x i ,   y i )为SVM的径向基函数； g为径向基函数的参数， g 0。

3.2 麻雀搜索算法

麻雀搜索算法（SSA）是基于麻雀的觅食和反捕食行为而提出的智能优化算法，具有较强的全局搜索能力，其觅食策略可有效扩展搜索空间，能避免陷入局部最优解，增强算法的寻优效果[17]；其在搜索过程中能更快地收敛，灵活应对连续、离散、单目标和多目标等不同类型的优化问题。相较于其他群体智能优化算法，SSA具有寻优能力强、收敛速度快、稳定性好、鲁棒性强等特点。
在麻雀觅食过程中，可将个体区分为生产者和拾荒者[18]，生产者负责寻找食物，而拾荒者利用已知信息收集食物。二者身份并不是静态的，可根据具体情况进行转变，但二者数量保持固定比例。在决策个体的觅食方式时，麻雀自身的能量储备是关键因素，通常生产者的能量较高，它们能优先找到食物，以增加能量储备，并引导其他个体寻找食物和最佳地点；而能量较低的拾荒者会对生产者进行监视，进而从一个地方迁移到另一个地方寻找食物，同时实现能量消耗的最优化。在麻雀发现捕食者时，会发出警报以提醒同伴，若警戒级别高于预设的安全值，则麻雀会迅速转移至更安全的位置。在麻雀搜索算法中，麻雀种群M可表示为一个矩阵，如式（3）所示。
M = M 11 ⋯ M 1 y ⋮ ⋮ M x 1 ⋯ M x y
式（3）中： x为设定的麻雀数量； y为待优化变量的数量； M x y为第x只麻雀的第y维位置。
适应度函数如式（4）所示，用于确定种群中生产者和拾荒者的数量。
$F_{M}= \begin{pmatrix} f([M_{11} & M_{12} & \cdots & M_{1y}]) \\ f([M_{21} & M_{22} & \cdots & M_{2y}]) \\ & ⋮ \\ f([M_{x1} & M_{x2} & \cdots & M_{xy}]) \end{pmatrix}$
式（4）中： F M为所表示的每只麻雀的适应度值。
生产者的位置在每次迭代时更新，式（3）和式（4）的值在每次迭代时按照式（5）所示的规则更新。
M i j t + 1 = M i j t e - i α I m a x       A T s M i j t + R E       A ≥ T s
式（5）中： t为当前迭代次数； M i j t为第 i只麻雀在当前迭代次数下第j维空间位置信息； I m a x为最大迭代次数； α是一个随机数， α ∈ ( 0 ,   1 )； R是遵循正态分布的随机数值； E为一个 1 × n的全1矩阵； A和 T s分别表示需要进入警戒状态和暂时不必进入警戒状态的值，当 A T s时，表示周围环境安全，生产者可以在较大的区域内自由狩猎，以寻求更高的生存适应性；当 A T s时，意味着个别麻雀发现捕食者并发出警告，种群需要调整其狩猎策略以适应新的环境。
麻雀的初始位置在种群中随机生成，如式（6）所示：
M i j t + 1 = M b e s t t + β M i j t - M b e s t t F i F g M i j t + K M i j t - M w o r s t t F i - F w + ε F i = F g
式（6）中： M b e s t t为当前状态下最优值； β为阶跃控制参数； K为随机数， K ∈ ( 0 ,   1 ]； F i为当前的适应度值； F w和 F g分别为当前最坏和最好的适应度值； ε为最小常数。当 F i F g时，种群边缘的个体需调整位置；当 F i = F g时，种群内中心个体意识到危险发生。此时，生产者引导拾荒者前往更安全且资源丰富的位置，位置信息更新如式（7）所示。
M i j t + 1 = R e M w o r s t - M i j t i 2 i l / 2 M P t + 1 + M i j t - M P t + 1 X + L i ≤ l / 2
式（7）中： M P t + 1表示生产者当前处于最理想的生产位置； M w o r s t表示生产者当前处于最不利的生产位置； X为元素为1或者-1的 1 × n矩阵且 X + = X T ( X X T ) - 1； L为内部元素为1的矩阵； l为种群大小；当 i l / 2时，表示第 i只拾荒者麻雀能量储备不足，需寻找更佳的觅食地点以补充能量。

3.3 基于SSA-SVM的潜在事故黑点识别模型的建立

当试验数据具有高维度而样本量相对不足时，支持向量机可通过有效降低学习模型的VC维实现结构风险的优化，使其能保持较高的泛化能力和学习效率。但支持向量机识别结果的准确性、预测精度以及泛化能力都与惩罚系数 C和核函数参数 g的设置密切相关，惩罚系数 C决定了模型对训练误差的容忍度，影响了支持向量机模型的泛化能力。对于非线性问题，为了提高样本分类准确度，引入核函数参数 g控制数据在高维空间中的映射方式。故本研究以驾驶模拟试验为基础，用SVM模型识别寒区沿边公路潜在事故黑点。然而，由于缺少预设试验，若依赖经验法设置SVM模型参数会导致参数存在误差，因此通过SSA算法对SVM模型参数进行优化，以提高事故黑点识别的准确性和可靠性。

3.3.1 潜在事故风险等级分类

道路安全评价指标[19]主要包括定性指标和定量指标，定性指标包括交通标志标线、防护设施、路侧景观以及其他因素等；定量指标是指与交通事故有显著关系的道路线形指标，如曲线半径、视距、坡度和不良线形组合等。为了更准确地识别寒区沿边公路潜在事故黑点，基于驾驶人特性、路面状况、道路线形和是否具有交通标志4个风险因素，对不同场景进行分类。根据场景中包含的风险因素数量，将潜在事故风险划分为5个等级，并将潜在事故风险等级最高的场景定义为寒区沿边公路潜在事故黑点。风险等级分类情况如表4所示。
表4 潜在事故风险等级分类
潜在事故风险等级标签 场景标签
风险等级Ⅰ级 场景9、10、11、13、15、17
风险等级Ⅱ级 场景1、12、14、16、18、25
风险等级Ⅲ级 场景2、3、5、7、19、21、23、26
风险等级Ⅳ级 场景4、6、8、20、22、24、27、29、31
风险等级Ⅴ级 场景28、30、32

3.3.2 建立潜在事故黑点识别模型

利用SSA-SVM模型搭建寒区沿边公路潜在事故黑点识别模型，随机设置的参数会对SVM模型性能产生显著影响，可能会导致结果不理想。故利用麻雀搜索算法（SSA）的全局搜索能力来优化SVM模型中惩罚参数 C和核函数参数 g，其原理如下。
设置SSA优化的SVM参数 C和 g的整体空间，如式（8）所示。
$ \boldsymbol{X}= \begin{pmatrix} x_{11} & x_{12} \\ ⋮ & ⋮ \\ x_{n1} & x_{n2} \end{pmatrix}$
式（8）中： n为麻雀种群数量； ( x 11 ,   x 21 , ⋯ ,   x n 1 ) T表示SVM惩罚参数 C的搜索范围； ( x 12 ,   x 22 , ⋯ ,   x n 2 ) T表示SVM模型中核函数参数 g的搜索范围。
在二维空间内有 n只麻雀，第 i只麻雀搜索参数的空间位置 X如式（9）所示。
X = ( x i 1 ,   x i 2 , ⋯ ,   x i j )
式（9）中： x i j为SVM参数搜索空间中第 i只麻雀第 j个参数位置， i 1 ,   2 , ⋯ ,   n， j ≤ 2。
惩罚参数 C和核函数参数 g在麻雀种群中通过生产者和拾荒者的角色进行随机更新。传统SVM模型参数 C、 g的设置需通过反复试验完成，难以控制模型精度。故选取SSA优化算法对参数 C、 g进行搜寻和调整，具体步骤如下：
1）计算每只麻雀的适应度值，基于测试集和训练集的错误率，选择最优的适应度值；
2）当SSA算法迭代达到预设的最大收敛次数时，输出最优适应度值及对应的惩罚参数 C和核函数参数 g，进而构建SSA-SVM模型进行寒区沿边公路潜在事故黑点识别。具体流程如图3所示。

3.4 模型试验结果与对比分析

鉴于指标数据存在量纲差异，为便于计算和增强预测准确性，将不同量纲的数据转化为统一量纲，即进行数据归一化，公式如下：
x - = x - x m i n x m a x - x m i n
式（10）中： x -为归一化处理后的值； x为原始数据集； x m a x和 x m i n为范围内指标数据的最大值和最小值。
将通过驾驶模拟试验得到的不同季节条件下车辆行驶参数和驾驶人生理特性参数作为模型输入变量，将因变量潜在事故危险程度作为模型输出变量，构建SSA-SVM潜在事故黑点识别模型。为防止模型在训练过程中出现过拟合问题，采用交叉验证的方法将数据代入SSA-SVM模型进行训练。针对5个不同风险等级的数据，按7∶3的比例进行划分，分别用于训练和预测，并计算得到最优的惩罚参数 C和核函数参数 g。预测结果如图4、图5所示。
图4 SSA-SVM模型适应度值
图5 SSA-SVM模型分类识别结果
试验结果显示，SSA-SVM模型寻优的最优适应度值为0.001 41，预测集准确率为93.12%，平均平方误差MSE为0.1378%，平方相关系数 R 2为0.725。同时，潜在事故风险等级越高，特征指标差异越显著，分类效果越好，预测类中Ⅰ级潜在事故风险识别误差率为12.6%。
为了验证基于SSA-SVM的寒区沿边公路潜在事故黑点识别模型的有效性，本文对比了不同算法优化SVM模型参数后的效果，涉及冠豪猪优化算法（Crested Porcupine Optimization Algorithm, CPO）和灰狼优化算法（Grey Wolf Optimizer, GWO）。CPO算法[20]通过模拟豪猪的社交行为、觅食习惯以及它们使用尖刺自我防御的策略来进行全局搜索和局部搜索，在初期的全局搜索中能迅速缩小搜索空间，进而在中后期的局部优化中加速收敛。GWO算法[21]则通过不断缩小包围圈的策略来减少陷入局部最优解的风险，并根据当前最优解的变化动态调整搜索路径，能灵活适应参数空间的变化，更有效探索全局空间。而SSA算法则强调多样性和灵活性，通过模拟麻雀觅食行为进行全局搜索与局部搜索的平衡，展现出较强的鲁棒性。故分别应用CPO-SVM、GWO-SVM和SSA-SVM模型识别寒区沿边公路潜在事故黑点，并对识别结果进行分析，各模型结果的混淆矩阵如图6所示。
图6 各模型结果的混淆矩阵
在单个混淆矩阵中，行和列分别表示模型提供的真实类别和预测类别，对角线区域为识别结果准确的部分。可以看出，3个模型整体上表现均较好。其中，对于风险等级Ⅴ级的样本识别最为准确，对风险等级Ⅳ级识别略有偏差。通过对比图6所示3个模型混淆矩阵，可以得到SSA-SVM模型的识别结果中，各潜在事故风险等级的识别准确率均比CPO-SVM模型和GWO-SVM模型更高。各模型识别结果准确率如表5所示。
表5 各模型识别结果准确率对比
模型 识别结果准确率
CPO-SVM 86.46%
GWO-SVM 87.75%
SSA-SVM 93.12%
由表5可知，使用SSA-SVM模型识别寒区沿边公路潜在事故黑点的准确率比CPO-SVM模型、GWO-SVM模型更高，利用SSA-SVM模型识别不同季节条件下寒区沿边公路潜在事故黑点的效果最佳。从识别结果可以得到，夏季寒区沿边公路潜在事故黑点为场景4、6、8，故夏季旅游旺季时，应在道路线形发生变化路段设置显著的标志标线以起警示作用；冬季寒区沿边公路潜在事故黑点为场景28、30、32；冬季路面条件对公路交通安全有重要影响，其次是道路线形。

4 结束语

针对寒区沿边公路潜在事故黑点识别问题，鉴于事故的偶然性以及该类公路特殊的功能性，本研究利用模拟驾驶试验弥补因旅游首次行驶在该公路而发生事故的数据的不足，搭建32种驾驶模拟场景，收集模拟试验中车辆运行数据和驾驶人眼动数据，选取5项输出指标反映寒区沿边公路存在的潜在风险，将潜在事故风险等级最高的场景定义为寒区沿边公路潜在事故黑点；然后建立SSA-SVM模型进行寒区沿边公路潜在事故黑点识别，并以驾驶模拟试验数据为例进行对比分析，通过混淆矩阵验证模型识别准确性。结果显示，SSA-SVM模型的最优适应度值为0.001 41，预测准确率为93.12%，优于CPO-SVM模型和GWO-SVM模型。在未来实际应用中，基于SSA-SVM的寒区沿边公路潜在事故黑点识别模型面临多个挑战。首先，模型的有效性依赖于高质量和多样化的数据，但在实际应用中，获取足够详尽且多样化的数据存在难度，尤其是关于寒区沿边公路的旅客自驾交通事故数据记录较少，因此应建立更加完善的数据收集机制，或结合实际情况选择试验场景，增加试验数据的种类，降低试验人员个体差异对结果的影响。其次，道路交通环境复杂多变，特别是在寒区恶劣天气条件下，模型可能难以应对复杂情况，导致预测结果失准。这要求模型具备更高的鲁棒性，未来可通过仿真技术生成恶劣条件下的交通数据，补充模型训练集，以提高模型对特殊环境的适应能力。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张驰, 周郁茗, 翟艺阳, 等. 公路事故多发路段辨识方法研究综述[J]. 长安大学学报(自然科学版), 2023, 43(5):72-87.

[2]
张云菲, 张泽旭, 朱芳琪. 利用时空密度聚类的高速公路交通事故黑点路段鉴别[J]. 测绘通报, 2022(10):73-79.

[3]
任毅, 杨仁法, 周继彪, 等. 基于BiLSTM神经网络的交通事故黑点路段日均事故频次预测方法[J]. 交通信息与安全, 2023, 41(2):36-49.

[4]
BÍL M, ANDRÁŠIK R, SEDONÍK J. Which curves are dangerous? A network-wide analysis of traffic crash and infrastructure data[J]. Transportation Research Part A, 2019, 120: 252-260.

[5]
孙晴晴, 臧超. 基于谱聚类的交通事故黑点鉴别及预测[J]. 工业控制计算机, 2018, 31(3):20-22.

[6]
郭璘, 周继彪, 董升, 等. 基于改进K-means算法的城市道路交通事故分析[J]. 中国公路学报, 2018, 31(4):270-279.

[7]
VAIYAPURI T, GUPTA M. Traffic accident severity prediction and cognitive analysis using deep learning[J]. Soft Computing, 2021: 1-13. DOI:10.1007/S00500-021-06515-5.

[8]
樊博, 马筱栎, 雷小诗, 等. 基于支持向量机的高速公路事故实时风险预测[J]. 工业工程, 2021, 24(4):143-149.

[9]
TANG H, YUAN Z, DAI H, et al. Fault diagnosis of rolling bearing based on probability box theory and GA-SVM[J]. IEEE Access, 2020, 8: 170872-170882.

[10]
GUO Z, LIU M, WANG Y, et al. A new fault diagnosis classifier for rolling bearing united multi-scale permutation entropy optimize VMD and cuckoo search SVM[J]. IEEE Access, 2020, 8: 153610-153629.

[11]
XUE J, SHEN B. A novel swarm intelligence optimization approach: Sparrow search algorithm[J]. Systems Science & Control Engineering, 2020, 8(1): 22-34.

[12]
吕鑫, 慕晓冬, 张钧, 等. 混沌麻雀搜索优化算法[J]. 北京航空航天大学学报, 2021, 47(8):1712-1720.

[13]
交通运输部. 公路路线设计规范:JTG D20—2017[S]. 北京: 人民交通出版社股份有限公司, 2017.

[14]
赵盛男, 霍玉龙, 汤斌. 湛江组结构性黏土触变性正交试验及其触变强度预测模型[J]. 岩土力学, 2023, 44(S1):197-205.

[15]
赵晓进, 梁芝栋, 邵立杰, 等. SPSS软件非线性回归功能的分析与评价[J]. 统计与决策, 2021, 37(23):20-22.

[16]
LI J, LUO W, BAI M, et al. Fault diagnosis of high-speed rolling bearing in the whole life cycle based on improved grey wolf optimizer-least squares support vector machines[J]. Digital Signal Processing, 2023, 145: 104345. DOI: 10.1016/j.dsp.2023.104345.

[17]
赵宏伟, 董昌林, 丁兵如, 等. 路径规划问题的多策略改进樽海鞘群算法研究[J]. 计算机科学, 2024, 51(S1):202-210.

[18]
KATHIROLI P, SELVADURAI K. Energy efficient cluster head selection using improved sparrow search algorithm in wireless sensor networks[J]. Journal of King Saud University-Computer and Information Sciences, 2022, 34(10): 8564-8575.

[19]
秦雅琴, 谢碧珊, 杨文臣, 等. 山区公路高风险路段安全研究综述[J]. 昆明理工大学学报(自然科学版), 2020, 45(3):118-127.

[20]
ABDEL-BASSET M, MOHAMED R, ABOUHA-WWASH M. Crested porcupine optimizer: A new nature-inspired metaheuristic[J]. Knowledge-Based Systems, 2024, 284: 111257. DOI: 10.1016/j.knosys.2023.111257.

[21]
YANG H, WANG Z, SONG K. A new hybrid grey wolf optimizer-feature weighted-multiple kernel-support vector regression technique to predict TBM performance[J]. Engineering with Computers, 2022: 1-17. DOI: 10.1007/s00366-020-01217-2.

Options
Outlines

/

〈 〉