基于自回归型相关结构的信号交叉口事故纵向数据样本拟合研究.docxVIP

基于自回归型相关结构的信号交叉口事故纵向数据样本拟合研究 据统计，平面交叉口处的事故占事故总数的20%左右。其中,轻伤及以上伤亡事故不仅造成大量的人员伤亡和财产损失,而且由于在处理过程中要求事故车辆不能移离车道,故极易发生拥堵。因此,分析轻伤及以上伤亡事故对于改善信号交叉口安全状况具有更重要的意义。国内外学者先后将泊松回归、负二项回归应用于事故分析中,其中,负二项回归模型更适合分析具有过度离散特点的事故数据。 由于事故数据、交叉口几何设计及交通相关数据难以搜集,将每个交叉口个体只作为一个样本点难以构建一定规模的样本;此外,随着样本规模增大,其个体差异所引起的随机误差也相应增加。纵向数据分析则可以克服上述问题。将每个交叉口一年的相关数据作为一个样本点,对其进行多次观测,构建事故纵向数据样本。在分析纵向数据时应考虑其时间相关性,否则模型会产生有偏的结果。本文利用广义估计方程模型分析信号交叉口轻伤及以上伤亡纵向事故数据。 1 数据搜集和描述 本文以北京市87个信号控制的平面四枝交叉口作为研究对象。每个交叉口均搜集了2004~2007年间每年的轻伤及以上伤亡事故和交通相关数据,共有348个样本点。轻伤及以上伤亡事故数据、交通量数据由北京市交通管理局提供;交叉口主、次路几何设计(相交的两条道路中,常将交通量大的道路称主路,交通量小的称次路)、交通控制条件等相关数据结合实地观察、查看和度量GoogleEarth卫星地图获取。所搜集的数据变量共有17项,具体包括: (1)轻伤及以上伤亡事故频次 该变量为每年发生在交叉口上或发生在交叉口接入道路上受交叉口影响(如信号变换引起的追尾碰撞、变换车道引起的侧向刮擦等)的轻伤及以上伤亡事故总次数。 (2)交叉口道路几何设计(共有9项) 主路相关变量包括:①主路车道数;②主路左转车道设置(分类变量,1表示交叉口主路至少有一个方向的连接道路设置有左转车道;0表示无);③主路右转专用车道设置(分类变量,1表示主路至少有一个方向的连接道路设置有专用右转车道;0表示无);④主路中央分隔设施类型(分类变量,2表示绿化分隔带;1表示护栏;0表示无分隔设施)。次路数据类型与主路一致,此外,还包括交叉口夹角。 (3)交通控制与管理条件(共有5项) 包括信号灯是否为倒计时型(分类变量,1表示信号灯为倒计时类型,0表示非倒计时型),主、次路是否设有左转专用相位(分类变量,1表示有左转专用相位,0表示无),交叉口主、次路限速值。 (4)土地使用类型 以分类变量形式表示,2表示主要居民区,1表示主要商业区,0表示非人员聚集区。 (5)交通量 交通量表示形式较多,如日平均交通量(ADT)、日平均车道交通量(ADTPL)、日平均交通量自然对数(LogADT)和日平均车道交通量自然对数(LogADTPL)。由于LogADTPL具有最优的预测性能,本文以该形式表示交叉口交通量。 2 广义估计方程 设yij(j=1,…,ni;i=1,…,K)表示第j年发生在第i个信号交叉口上的轻伤及以上伤亡事故次数。假设第i个交叉口每年发生的事故频次所构成的向量为Yi=[yi1,…,yini]′,其相应的均值向量μi=[μi1,…,μini]′;设xij=[xij1,…,xijp]′表示第i个交叉口第j年时交叉口几何设计及交通相关因素等解释变量所构成的p×1向量,其对应于第i个交叉口在第j年所发生的事故频次为yij。 因变量yij的边际期望μij是解释变量xij的线性组合的已知函数,即 g(μij)=β0+β1xij1+β2xij2+?+βpxijp(1)g(μij)=β0+β1xij1+β2xij2+?+βpxijp(1) 式中:g(·)为联接函数,本模型选用负二项函数。 广义估计方程对自变量回归系数β的估计为 S(β)=Κ∑i=1D′iV-1i(Yi-μi(β))=0(2) 式中:D′i为因变量的边际期望μ′i对回归估计系数β的偏导,即 Di={?μik/?βj;k=1,?,ni;j=1,?,p}(3) 设Ri(α)为(yi1,…,yini)的作业相关矩阵,其由参数α指定;yij的边际方差为边际期望的已知函数,由式var (yij)=v(μij)φ表示,其中φ为离散系数。定义Ai为ni×ni对角阵,其对角线上的元素为v(μij)。式(2)中Vi的计算式为 Vi=A1/2iRi(α)A1/2i(4) 广义估计方程常用的3种作业相关矩阵描述如下: (1)独立型结构。假设同一交叉口各年的交通事故数据之间无相关性 Corr(yij,yik)={1?j=k0?j≠k(5) (2)等相关型结构。假设同一交叉口任意两年交通事故数据具有相等的相关性 Corr(yij,yik)={1?j=kα?j≠k(6)式中∶?α=1(Ν*-p)φΚ∑i=1∑jkeijeikΝ