基于支持向量機的交通事故影響因素分析

魏凌峰，姜文龍

（中國人民公安大學 交通管理學院，北京 100038）

引言

根據中國統計年鑒2020 年［1］，2016—2019 年發生的機動車交通事故統計數據見表1。

表1 2016—2019 年事故統計

根據表1 中數據發現，2016—2019 年交通事故發生數在2017 年有所下降，2018 年開始有較大增長，與電動自行車的快速發展和機動車保有量的大幅上升有關。此外，死亡人數整體相對較為穩定且有小幅增減，受傷人數增長較多。非機動車的事故數從2016 年的17 747 起增加至2019 年的29 049 起，增幅約63.7%，表明電動自行車的事故也在不斷增多。事故的不斷增多會帶來傷亡和經濟損失，為減少我國交通事故的發生，采取相應措施進行針對性地預測與預防是十分必要的。

國內專家學者早已對交通事故的影響因素進行分析，李世民等［2］對北京市某交叉口進行了為期 4 a的數據研究，通過累計logistic 回歸模型進行分析；鄧曉慶等［3］利用BP 神經網絡對道路交通量和道路線形進行研究，且獲得較好的預測結果；姚琦和王林山［4］利用GA 和LM 的結合算法對BP 神經網絡進行優化，從而對交通事故模型進行預測；張廣泰等［5］利用多層次灰色與GA-BP 神經網絡模型對烏魯木齊事故多發黑點路段進行預測，驗證其模型的可行性。

1 特征選擇

1.1 隨機森林模型

隨機森林模型其根源為決策樹模型，它是一種集成學習的組合分類算法。集成學習其核心在于把多個分類性能較弱的分類器組合起來，經過演變得出一個具有較高分類性能的分類器。而隨機森林算法可以并行同時生成，這也為特征指標的選擇提供了依據。

隨機森林算法主要利用自主抽樣法，流程為從原始數據中有放回的抽取多個樣本，隨后利用分類性能較弱的分類器（決策樹）對先前抽取的樣本進行訓練，再將這些并行演算的決策樹全部組合到一起，通過投票得出最終的結果即最后的分類。見圖1。

圖1 隨機森林流程

利用隨機森林的重要性評分功能，其原理是利用基尼系數（Gini），在隨機森林的每一棵樹的生成時，都是按照基尼系數在分裂前后的減少情況為分裂的依據，對某個節點進行分類。因此，在隨機森林中可以按照特征N 進行分裂，隨后通過其基尼系數的減少的總量對特征N 進行分析判斷，確定其重要性。針對一般決策樹的基尼系數：

式中：K—共有K 類；Pk—樣本屬于第K 類的概率。

基尼系數越大，則不確定性就越大；基尼系數越小，不確定性越小，數據分割越徹底，越干凈。

使用隨機森林選取特征重要性具有較多優點，如在數據集上表現良好，在當前很多數據集上，相對其他算法具有較大優勢，兩個隨機性的引入使得隨機森林對于數據的缺失值、異常值等具有較低的敏感性；訓練速度快，可以對多個變量的重要性進行排序；實現簡單等。但也有一定缺點，如在某些缺失大量數據或存在較多異常值樣本集上，RF 模型容易陷入過擬合；取值劃分比較多的特征容易對RF決策產生更大的影響，從而影響擬合模型效果。

1.2 數據處理

針對交通事故原始數據集進行一個篩選，將不符合本次分析內容的特征進行刪除，最后留下16 個特征指標，利用事故類型作為因變量共分為三類：財產損失（輕度）、傷人（中度）、死亡（重度）。針對16 個特征屬性747 條數據利用Matlab 進行數據預處理，再經過數據篩選、補全缺失值等處理過程后得到完整的數據集。隨后利用隨機森林RF 對數據集的特征重要性進行計算，同時進行歸一化，其結果由高到底見表2。

表2 特征重要性占比

下一步對數據集進行RF 預測，利用原數據集與指標選取后的數據集進行準確度對比，找出準確度最高的數據指標集合。在此之前需要進行驗證來測試算法準確性，以防止過擬合的現象，在Matlab 中可以利用交叉驗證法與留出法進行驗證。采取十折交叉驗證法，其原理為將數據集分成10 份，依次將其中9 份作為訓練數據，1 份作為測試數據進行試驗。每次試驗都會得出相應的正確率（或差錯率）。將10 次的結果取算術平均值，將平均值作為該算法的大致精度，同時10 次交叉驗證并不只做一次，往往是多次進行。10 次交叉驗證，將10 次的結果再次求其算術平均數，這樣可以減少誤差提高算法準確性的精度。經過計算得出RF 模型準確率見表3。

表3 RF 模型準確率

結果發現在刪除最后兩個的特征時，模型的準確率只有很小幅度地提升，在刪除第三個特征值的時候模型準確率有了較大地提高，若繼續刪除的話也只有小幅度地提升。為保證數據分析的多樣性，最終確定使用12 個特征值：事故類型（SGLX）、事故形態（SGXT）、車輛間事故（CLJSG）、直接財產損失（MONEY）、天氣（TQ）、事故認定原因（人員操作）（SGRDYY）、能見度（NJD）、照明條件（Light）、道路類型（DLLX）、路口路段類型（LKLULX）、道路物理隔離（DLWLGL）、路側防護設施（LCFHSS）、道路安全屬性（LDAQSX）。

2 SVM 模型評價分析

2.1 模型選擇

確定數據特征后利用Matlab 進行模型分析，為確保最大準確率，在分析前利用Matlab 對所有的模型進行訓練，得出最優模型，其模型結果見表4。

表4 模型準確度

通過模型訓練可知，準確度最高的為支持向量機（SVM）模型，因此本文擬采用SVM 對交通事故的嚴重程度影響因素進行分析。

2.2 模型介紹

高斯核函數［6］首先將原來的數據點映射成一種新的特征向量，然后得到新的特征向量點乘的結果。對高斯核函數來說，本質就是將每一個樣本點映射到一個無窮維的特征空間，這就表明高斯核函數對于樣本數據的變形是非常復雜的，但是經過變形，再去點乘，可以得到十分簡單明了的結果，表明了核函數的高效。

高斯函數公式：

因此，可以利用高斯核SVM 對本次交通事故影響因素進行分析。

2.3 模型評價指標

SVM 模型主要采取混淆矩陣、F1 分數、ROC 曲線以及AUC 值進行評價。其中混淆矩陣的計算指標見表5。

表5 指標介紹

通過計算表5 中相應指標結果，可推算出評價模型效果的指標：真正類率TPR、假真類率FPR、真負類率TNR=1-FPR、準確率ACC、精確率Precision、召回率Recall 以及調和平均值F1。

將計算的指標繪制ROC 曲線，ROC 曲線是由FPR 和TPR 的點連成。橫軸是FPR，縱軸是TPR。而AUC 即為ROC 曲線下方的面積，AUC 主要用于衡量二分類問題中機器學習算法性能或者泛化能力。

2.4 模型結果分析［6］

利用Matlab 實現高斯核函數SVM，獲得相應的評價指標結果。

（1）混淆矩陣。混淆矩陣可見圖2，通過混淆矩陣可知原本是傷人事故的預測準確率最高，只有三個被誤分類未死亡事故，雖然財產損失誤分類的個數也只有三個，但由于其本身數量較少，其錯誤率達11.1%。同時也可以得出真正類率TPR 與真負類率TNR 等。

圖2 混淆矩陣

（2）ROC 曲線。ROC 曲線上r 任意一點都反映著對同一信號刺激的感受性。通過ROC 曲線可以計算出AUC 值，其計算方法通過Matlab 軟件實現。

為了驗證其最優性，選取另外兩種模型決策樹與樸素貝葉斯神經網絡進行ROC 曲線、AUC 值的對比分析，結果見圖3。

圖3 ROC 曲線

由圖3 分析可知,高斯核函數SVM 能較好地預測交通事故嚴重程度，故將數據集采用隨機抽取的方式抽取測試集進行預測，抽取樣本為所有樣本的20%即150 條數據，預測結果見表6。為證明其最優性，采取SVM、決策樹與樸素貝葉斯神經網絡進行對比預測。

表6 模型預測準確度

通過對比發現，對于交通事故嚴重程度的預測，高斯核函數SVM 具有較好的預測準確性，其準確率達95.72%。使用樸素貝葉斯神經網絡［7］對事故嚴重程度進行預測［8］準確率只有63.72%，準確率較低。

3 結語

通過隨機森林對事故數據的特征指標進行重要性計算可知，對于事故發生最重要的特征因素為人員操作不當［9］，主要存在三個方面：非機動車不按規定行駛、行人不按規定行駛和機動車不按規定行駛。因此，為減少道路交通事故的發生，需要對這三類人員進行交通安全教育。

基于交通事故數據分析，驗證高斯核函數具有95%的較高預測準確性，為未來事故預測提供一定的參考，同時為交通安全的改善提供方向。不足之處為數據量相對較少，只考慮了部分城市道路，涉及范圍較少，可能存在一定的偶然性，在今后的研究中將繼續逐步解決這些問題。