基于可解释机器学习框架的高速公路安全风险及影响要素识别

作者：杜渐; 杨海益; 李洋^*; 郭淼; 亓航; 魏金强; 马浩; 胡丹丹; 李志宇

来源：交通信息与安全, 2023, 41(05): 24-34.

• 交通安全
• 高速公路
• 风险识别与影响要素挖掘
• 部分依赖图
• 机器学习模型

由于交通事故是小概率随机事件，难以在全时空域上开展交通安全分析，也无法基于此制定事故发生前的交通安全风险主动防控策略。为辨识混杂因素干扰下安全风险及其诱发本质，使用激进驾驶行为数据与速度变异系数计算交通秩序指数（traffic order index,TOI），形成事故替代指标，并通过K-means聚类算法将TOI划分为3种交通安全风险等级。在此基础上，利用Catboost算法构建交通流特征、天气条件、道路条件等因素与交通安全风险等级间的关联关系，并基于基尼系数的特征重要性确定高速公路交通安全风险要素。使用部分依赖图算法解析风险要素与交通安全风险的依赖关系，获取风险要素对交通安全风险的边际效应。结果表明：(1)Catboost算法对风险等级识别的准确率、精确率、召回率依次为85.95%、88.56%、86.75%，证明交通秩序指数与外部风险要素具有较强相关性；(2)交通流量、拥堵指数对风险识别有较大影响，且与交通安全风险等级呈现非线性关系，交通流量>450 veh/h或拥堵指数>1.5时，交通安全风险均会显著增长，交通安全风险分别上升16.9%、29.5%；(3)当连续1 km道路内设有1～2个交通标志时，交通安全风险最高，路段识别为高风险的概率为38.1%；匝道出入口和隧道内部道路的交通安全风险最高；(4)侧风作用会小幅度影响高速公路交通安全风险，当风力等级由0级增至5级时，交通安全风险上升4.99%。

• 单位
  北京工业大学; 北京警察学院