基于隨機森林模型的右轉車與非機動車沖突風險影響因素研究

摘 要：為分析車速、周期、沖突位置，以及交通量等因素對城市平面交叉口交通沖突的影響，從機動車特性、非機動車特性、交叉口特性三方面初選21個影響因素，選取南寧市桂林市4個典型平面交叉口進行實地調研，記錄右轉機動車與非機動車之間345條交通沖突數據作為分析樣本，采用隨機森林法分析城市交叉口右轉車與非機動車風險構成要素間的致因及其顯著性。研究結果表明：在城市交叉口中右轉車與非機動車速度、各進口道周期、綠燈時長、交通量越大，發生沖突的概率越大；當機非沖突位置在交叉口中時，沖突的發生概率越大，應加強右轉車在交叉口與非機動車轉彎的安全風險防控。

關鍵詞：機非沖突 影響因素 隨機森林 交通安全

在城市道路交叉口交通安全的影響研究方面，Kathryn[1]得出騎行者騎行過程中打電話行為、聽音樂行為以及與同行者攀談行為等是誘發交通沖突發生的重要因素。程國柱[2]建立機非沖突數與非機動車流量的回歸分析模型，模型結果表明自行車數量與機非沖突數成正相關，通過拓寬自行車道，可減少機非沖突的發生。Jiang等[3]在對交通沖突嚴重度進行辨別與分析后認為由紅燈期間駛入左轉車輛待轉區的車輛而導致的二次沖突以及追尾沖突顯著地 增加了交通沖突的嚴重性。劉志士[4]分析非機動車與機動車發生沖突的影響因素，發現土地利用類型、停車泊位利用率以及機動車開關門行為等是重要影響因素。郭延永等[5]發現直行和右轉交通量與交通沖突存在顯著的正相關關系，右轉專用相位等可有效降低交通沖突。

目前對交通風險因素的分析，多集中與事故數據的雙因素分析，基于交通沖突的更多要素的分析較少。本文通過對城市道路交叉口交通風險因素的分類整理，構建交叉口風險影響因素模型。并基于實際交通沖突數據和特征分析，談論多風險因素對交叉口交通安全的量化影響，為交叉口多因素風險分析提供參考和借鑒。

1 基本思路

本文以實地調查采集和提取的數據為基礎，對右轉機動車與非機動車沖突樣本提供了“嚴重性”標簽，以便本文能夠將每次沖突的“嚴重性”與其影響因素狀況關聯起來，開展有監督的機器學習訓練。本文將介紹隨機森林理論，闡述了它對本研究的適用性以及進行影響因素分析的思路。然后從交叉口、機動車、非機動車三個角度，選取21個影響因素并進行了量化。之后通過調整隨機森林的超參數，實現了高精度的分類。按照因素重要度計算結果，將各因素分為強影響、弱影響和基本無影響三個等級。最后結合統計數據，分析了強弱影響因素的具體作用。

2 影響因素分析

2.1 隨機森林模型

本文通過使用隨機森林（RandomForest，RF）[6]的特征重要性評估，進行交通沖突影響因素分析。基本思路是：首先衡量每個因素特征在隨機森林中的每棵決策樹上做出的貢獻，再根據決策樹的數量取平均值，最后比較不同因素特征的貢獻大小，進行重要性排序。本文采用基尼指數作為貢獻度衡量指標，以下具體介紹因素重要性的計算思路和流程。

假設VIM為特征的重要性評分，GI代表Gini值。當前節點分到的樣本中共有y個特征，表示第k個特征在節點m中所占的比例，則節點m的基尼值為：

（1）

可以看出，基尼值在0～1之間，越接近0，樣本分類就越統一，純度越大。

假設節點m以特征作為分支依據，則在節點m的重要性表現為分支前后GI值的變化量：

（2）

其中，和分別表示分支后的左右兩個新節點的GI值。

設集合M是特征在決策樹i中出現的所有節點，則在決策樹i的重要性為：

（3）

若隨機森林中總共有n棵樹，則有：

（4）

最后對所有特征重要性評分進行歸一化處理，得到最終重要性評分：

（5）

上述流程總結為：先計算某個特征在單個節點的純度，再遍歷一棵樹的所有相關節點進行求和，之后遍歷整片森林求和，最終進行歸一化處理即為該特征對隨機森林分類預測的貢獻度，據此對影響因素重要性進行排序。

2.2 交通沖突影響因素

在交叉口安全影響因素研究中，Rodionova等[7]考慮了駕駛員、車輛、道路、事故形態和環境5個方面;初旭新等[8]則綜合考慮車、路和環境因素，本文主要選取人、車輛、道路和管理因素作為交叉口交通風險的構成要素。目前對交叉口風險影響要素分析的研究中，并沒有對沖突位置、車輛轉彎半徑與轉彎車道半徑進行區分，因而也忽視了分析由此而產生的交通沖突，而這種沖突在實際交通運行過程中會產生一定的安全隱患。本文從“交叉口”、“機動車”、“非機動車”這三個角度共提取21個因素對城市交叉口風險構成要素進行分析，城市交叉口風險構成要素見表1。

3 實例分析

選取南寧市白沙大橋-教育路、桂林市普陀路-芳香路、桂林市六合路-普陀路、桂林市東二環-航天路，共4個交叉口對隨機森林模型進行驗證，選擇17：00-18：00時段四個交叉口合計60min交通視頻，分析其中共計796輛機動車，4471輛非機動車。

沖突數據源于無人機采集高精度、連續的多車輛軌跡視頻，結合Labelimg可視化圖像標定工具實現運行車輛狀態識別與跟蹤，并記錄車輛每一幀的運動數據；其次，基于交通沖突識別指標TTC，進一步對提取的軌跡數據進行以沖突角度、速度和距離、車身長度等為核心的機非沖突綜合判別，并使用K-medoids 聚類算法確定右轉車與非機動車各沖突的類型與嚴重程度，劃分為嚴重、一般、輕微沖突三個等級。

本文基于Python3.7實現隨機森林模型的分類預測和特征重要度排序，然后導入交通沖突嚴重性和影響因素量化的數據集，對各數據標簽進行命名，按0.8和0.2的比例劃分為訓練集和測試集，使用訓練集的數據訓練隨機森林模型。然后將測試集代入模型，計算分類學習的精度。之后計算特征重要度，對各影響因素進行排序。在超參數尋優時，設置決策樹數量n_estimators范圍為10至100，間隔為10，設置決策樹深度max_depth范圍為1至總特征數，間隔為1。分別計算兩種沖突的每種參數組合的分類精度，結果如表4-4和表4-5所示（標紅加粗的數值為最優值）

把上表繪制成三維圖，數值為精度，橫軸坐標分別是決策樹數量與決策樹深度。

找到上面計算的最優參數，即最優的決策樹數量和決策樹深度后，進行500次訓練，檢驗模型分類精度與魯棒性，結果如圖所示，可以看出沖突測試集精度均穩定在0.8以上，曲線波動較小，模型魯棒性較好。

每個數據樣本由上方進入決策樹后，在各個節點按照某個因素特征進行分割，最終劃分形成葉片，得到沖突嚴重性結果。本文的隨機森林模型以這些決策樹為基礎，根據前面2.1“影響因素分析原理”，完成對影響因素與沖突嚴重性關系的評估。各影響因素重要度計算結果如表3圖3所示。

由圖3可以看出，對于右轉車與非機動車沖突，強影響因素有2個，分別是右轉車速度、非機動車速度，重要度均在0.18以上；弱影響因素有5個，包括周期時長、非機動車交通量、綠信比、非機動車起始過街位置、右轉車交通量，重要度在0.05～0.1；其余14個因素基本無影響。

4 結論

分析統計數據可以得出以下結論：

（1）在沖突雙方的速度方面，右轉車速度和非機動車速度越大，發生輕微沖突概率越小，發生嚴重沖突的概率越大。

（2）各進口道周期、綠燈時長越大，發生沖突的概率越大，這可能是由于周期、綠燈時長越大，交通狀況越復雜。

（3）非機動車交通量與機動車交通量越大，發生沖突的概率越大。

（4）當機非沖突發生的位置在交叉口中時，沖突的發生概率和嚴重性越大，原因可能是其沖突距離更小，沖突反應時間更短。

（5）一塊板和兩塊板對于右轉hnJrJ3Pjg8Mn/OoF+uJS/2xsRw9X+ydic2WN0ixCpZQ=車和非機動車的沖突嚴重性影響相差不大，但三塊板和四塊板能明顯降低嚴重沖突的概率，這可能是機非分隔帶增加了右轉車與非機動車的距離，提供了相對較大的緩沖空間。

在接下來的工作中，對應多因素風險影響機理可以進一步深入探討，對應不同類型交叉口風險或不同類型車輛沖突之間的多因素影響效應還有待進一步分析和研究。

基金項目：大學生創新訓練計劃立項項目（S202210595279）；2021年度廣西中國-東盟綜合交通國際聯合重點實驗室運行補助項目（21-220-21）；南寧市科學研究與技術開發計劃項目（20223230）。

參考文獻：

[1]HU F， LV D， ZHU J，等.Related Risk Factors for Injury Severity of E-bike and Bicycle Crashes in Hefei[J].Traffic Injury Prevention，2014，15（3）：319-323.

[2]程國柱，王婉琦，徐慧智.城市道路機非沖突分析與自行車道寬度計算方法[J].哈爾濱工業大學學報，2019，51（9）：130-136.

[3]Safety evaluation of signalized intersections with left-turn waiting area in China - ScienceDirect[EB/OL].（2021-05-19）[2024-01-28].https：//www.sciencedirect.com/science/article/pii/S0001457515300634.

[4]路側停車對非機動車騎行干擾機理研究[EB/OL].（2021-05-19）[2024-01-28].https：//d.wanfangdata.com.cn/thesis/ChJUaGVzaXNOZXdTMjAyNDAxMDkSCUQwMTA5Nzg5NBoIajE5eGM4b2U%3D.

[5]郭延永，劉攀，吳瑤，等.基于交通沖突模型的信號交叉口渠化島設置方法[J].交通運輸工程學報，2017，17（4）：140-148.

[6]李英帥，張旭，王衛杰，等.基于隨機森林的電動自行車騎行者事故傷害程度影響因素分析[J].交通運輸系統工程與信息，2021，21（1）：196-200.

[7]RODIONOVA M，SKHVEDIANI A， KUDRYAVTSEVA T. Prediction of Crash Severity as a Way of Road Safety Improvement：The Case of Saint Petersburg， Russia[J].Sustainability，2022，14（16）：9840.

[8]初旭新，宗剛，彭朝霞，等.基于ISM的道路交通安全影響因素研究[J].安全與環境學報，2017，17（5）：1668-1672.