针对国省干线人因交通事故的异质性特点,提出一种事故链式因果推断方法,实现交通事故因果机制辨识与交互效应量化的同步解析。首先,采集新疆11条国省干线近年交通事故信息构建数据集,利用K-prototype聚类算法将事故严重程度分为3类;其次...针对国省干线人因交通事故的异质性特点,提出一种事故链式因果推断方法,实现交通事故因果机制辨识与交互效应量化的同步解析。首先,采集新疆11条国省干线近年交通事故信息构建数据集,利用K-prototype聚类算法将事故严重程度分为3类;其次,基于结构因果模型、因果森林及SHAP(SHapley Additive exPlanation)算法构建链式因果推断模型,推理出事故关键致因链、多维诱因交互效应及事故类别概率预测值,解析“场景组合-人为要素-事故类别”的链式传导特征及异质性特点;最后,基于SHAP值分析多维要素贡献度,并结合因果效应强度划分行为致因类别,辨识出事故关键人为致因,提出具有针对性的事故防控策略。结果表明:本文所提方法的加权平均F1得分与宏平均AUC(Area Under Curve)值分别为0.86与0.82,相对高于常用的机器学习算法,且克服了传统关联模型难以实现多因素交互作用机制刻画与效应量化的局限,适宜人因事故异质机理解构分析;由致因链分析可知,人为要素为事故主要致因,天气和时段等环境要素对事故后果均有显著影响,恶劣环境与危险行为的综合作用对事故程度升级具有非线性影响作用;超速行驶、疲劳驾驶、跟车过近与观察不周为核心行为致因,营运类车辆出现上述行为后事故严重程度相对较高,严重型事故占比超过50%,应重点进行事故监测与防控。展开更多
文摘针对国省干线人因交通事故的异质性特点,提出一种事故链式因果推断方法,实现交通事故因果机制辨识与交互效应量化的同步解析。首先,采集新疆11条国省干线近年交通事故信息构建数据集,利用K-prototype聚类算法将事故严重程度分为3类;其次,基于结构因果模型、因果森林及SHAP(SHapley Additive exPlanation)算法构建链式因果推断模型,推理出事故关键致因链、多维诱因交互效应及事故类别概率预测值,解析“场景组合-人为要素-事故类别”的链式传导特征及异质性特点;最后,基于SHAP值分析多维要素贡献度,并结合因果效应强度划分行为致因类别,辨识出事故关键人为致因,提出具有针对性的事故防控策略。结果表明:本文所提方法的加权平均F1得分与宏平均AUC(Area Under Curve)值分别为0.86与0.82,相对高于常用的机器学习算法,且克服了传统关联模型难以实现多因素交互作用机制刻画与效应量化的局限,适宜人因事故异质机理解构分析;由致因链分析可知,人为要素为事故主要致因,天气和时段等环境要素对事故后果均有显著影响,恶劣环境与危险行为的综合作用对事故程度升级具有非线性影响作用;超速行驶、疲劳驾驶、跟车过近与观察不周为核心行为致因,营运类车辆出现上述行为后事故严重程度相对较高,严重型事故占比超过50%,应重点进行事故监测与防控。
