CN110738591A - 基于倾向值匹配的爬坡车道交通安全效益计算方法 - Google Patents

Abstract

基于倾向值匹配的爬坡车道交通安全效益计算方法，本发明涉及一种基于倾向值匹配的爬坡车道交通安全效益计算方法。本发明的目的是为了解决传统回归方法分析爬坡车道安全效益时，由于样本选择性偏差的存在，导致不能准确获取爬坡车道对交通安全“净影响”的难题。过程为：一、收集、处理及组织数据，确定控制组与对照组样本；二、构建倾向值模型，并预测所有样本的倾向值；三、基于倾向值的样本匹配；四、混淆变量的平衡性检验，若通过，进行下一步，否则返回步骤二；五、爬坡车道交通安全效益计算。本发明用于道路交通安全领域，尤其适用于分析某种特定因素对交通安全的影响方面。

Description

基于倾向值匹配的爬坡车道交通安全效益计算方法

技术领域

本发明属于道路交通安全领域，具体涉及一种基于倾向值匹配的爬坡车道交通安全效益计算方法。

背景技术

山岭重丘区高速公路的连续上坡路段，重型车往往因爬坡性能不足导致运行速度明显低于其他车辆运行速度，进而降低了路段通行能力，同时不利于交通安全。在上陡坡路段设置爬坡车道，将重型车从交通流中分离出来，可降低大型车对交通流的影响。但作为一项技术难度及投资均较大的工程措施，设置爬坡车道的效益费用比及其对安全的贡献等均需进一步研究。

目前，为数不多的涉及爬坡车道的研究均是利用仿真数据，采用回归方法分析某特定爬坡车道对路段通行效率或安全性的影响。梁国华等采用元胞自动机仿真方法，研究了大车混入率、坡度及坡长等因素对爬坡路段通行能力的影响，结果表明单向2车道和3车道高速公路增设一条爬坡车道后，路段通行能力分别提高了8％～16％和6％～15％。杨萌萌基于VISSIM仿真数据的研究表明：设置爬坡车道后，交通冲突率有所降低；秦雅琴等结合驾驶模拟和仿真数据，分析了爬坡车道路段交通流特性，结果表明常规交通量下，爬坡车道可提高主路上的车速并降低交通冲突率，但交通量趋于饱和时，爬坡车道可能对交通运行效率及安全性产生负面影响；Choi等仿真结果表明，爬坡车道可降低主路的延误率，提高路段通行能力；Victor等以跟车时间百分比和平均运行速度为指标，通过仿真分析，对比了双车道公路有无爬坡车道时的服务水平，结果表明增设爬坡车道可将路段服务水平至少提高一个等级。

整体来看，针对爬坡车道，尤其是爬坡车道对安全影响的研究依旧很少，现有成果远不足以为爬坡车道设置提供理论依据。此外，分析爬坡车道对安全的影响时，传统的回归方法常直接利用所有样本建模，以爬坡车道的回归系数作为其对交通事故的影响大小，然而该方法却存在以下问题：①爬坡车道往往设置在连续上坡路段，而绝非是在所有路段上随机分配的，将所有样本纳入建模无疑会产生样本“选择性偏差”，并伴随着事故数与爬坡车道互为因果导致的内生性、爬坡车道与其他变量自相关导致的共线性；②爬坡车道回归系数的意义为“任选一路段，其设置爬坡车道后交通事故数变化的平均值”，然而，由于选择性偏差的存在，该值并不能代表爬坡车道对事故的“净影响”；③将爬坡车道纳入模型即默认了爬坡车道对事故的影响与其他变量对事故的影响是线性叠加关系，而该假设明显缺乏理论依据。总之，直接以传统的回归方法建模，难以反映爬坡车道的真实作用效果。

为得到爬坡车道对事故的真实影响，应首先从未设置爬坡车道的样本中选择出与设置爬坡车道的样本特性完全相同或相似的样本，以两组样本中事故的差异作为爬坡车道的作用效果，即配对分析及对照试验的思想。

若以所有路段历年数据为样本总体，其中，有爬坡车道的样本定义为控制组，无爬坡车道的样本定义为对照组。以路段事故数为因变量，其他变量为自变量，且自变量中，“爬坡车道(有为1，无为0)”定义为控制变量，其他自变量定义为混淆变量。为得到控制变量对因变量的净影响，控制组与对照组中混淆变量取值应保持一致，即两组中自变量的唯一差别应仅为控制变量。传统的配对分析理论中，若有A个混淆变量且每个混淆变量有B种取值，则可将控制组与对照组各分成B^A个一一对应的匹配小组以对比分析，显然，当A和B取值较大时，该方法实用性较差。而本发明将通过逻辑回归，将样本中所有混淆变量转化为一特定倾向值，将同时控制多个混淆变量转化为控制“倾向值”这一单因素，进而实现了降维，以此改进传统的配对分析方法，并将其应用至爬坡车道的安全效益计算之中。

发明内容

本发明的目的是为了解决传统回归方法分析爬坡车道安全效益时，由于样本选择性偏差的存在，导致不能准确获取爬坡车道对交通安全“净影响”的难题，而基于配对分析及对照试验的思想，提出一种基于倾向值匹配的爬坡车道交通安全效益计算方法。

基于倾向值匹配的爬坡车道安全效益计算方法，包括：

步骤一、收集、处理及组织数据，确定控制组与对照组样本；

步骤二、构建倾向值模型，并预测所有样本的倾向值；

步骤三、基于倾向值的样本匹配；

步骤四、混淆变量的平衡性检验，若通过，进行下一步，否则返回步骤二；

步骤五、爬坡车道交通安全效益计算。

本发明的有益效果为：

1、倾向值匹配法能有效控制样本选择性偏差，降低数据内生性及共线性对分析结果的混淆影响，提高了爬坡车道安全效益分析的准确性；

2、不同于传统的回归方法，基于倾向值匹配的爬坡车道安全效益分析方法可直接给出爬坡车道对交通事故事故率影响的真实量化值，而非模型估计值，从而可为道路设计及管理部门提供可靠的决策依据。

3、提出的基于倾向值匹配的分析方法为交通安全领域，尤其是离散型变量因素对交通事故影响方面的研究提供了方法参考。

附图说明

图1为本发明的流程图；

图2为爬坡车道设置示意图；

图3混淆变量的平衡性检验图。

具体实施方式

具体实施方式一：结合图1说明本实施方式，本实施方式的基于倾向值匹配的爬坡车道交通安全效益计算方法具体过程为：

步骤一、收集、处理及组织数据，确定控制组与对照组样本；

步骤二、构建倾向值模型，并预测所有样本的倾向值；

步骤三、基于倾向值的样本匹配；

步骤四、混淆变量的平衡性检验，若通过，进行下一步，否则返回步骤二；

步骤五、爬坡车道交通安全效益计算。

具体实施方式二：本实施方式与具体实施方式一不同的是：

步骤一中，

(1)收集数据

从各高速公路路政管理部门收集交通事故数据，包括事故发生的时间(年/月/日)和地点(行车方向及桩号)。从高速公路流量观测站收集高速公路各区段(相邻两互通式立交之间)的交通量数据，从道路设计部门收集高速公路施工图表，得到高速公路平纵线形及横断面设计数据。

(2)处理数据

根据高速公路行车方向、平曲线曲率、纵坡坡度、车道数、设计速度、爬坡车道、隧道(洞口前后100m内为隧道影响区)、互通式立交及服务区(匝道出入口前后450m内为立交或服务区影响区)，按照同质法原理将各高速公路划分成若干路段单元。为提高分析准确性，路段最短长度定义为0.16km，将长度小于0.16km的路段，按长度加权平均的方法合并至前后路段中，最终得到一系列的同质化路段单元，即为本发明中的初始样本量。

(3)组织数据

由每起交通事故发生的时间及位置，可统计各样本所在路段上的历年事故数；依据互通式立交的桩号位置，可将交通量数据链接至各样本中。由于爬坡车道均处于上坡或平坡路段，因此，剔除处于下坡路段的样本，同时应剔除隧道路段、互通式立交及服务区路段的样本，至此得到适用于本发明的样本量。

(4)确定控制组与对照组样本

将含有爬坡车道的样本定义为控制组，无爬坡车道的样本定义为对照组。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：

步骤二中，

倾向值的含义为样本总体中任一样本进入控制组(即设置爬坡车道)的概率。在构建倾向值模型前，首先将“爬坡车道(有为1，无为0)”定义为控制变量；选择对爬坡车道设置或事故有潜在影响的变量，将其定义为混淆变量。由于样本上有无爬坡车道与混淆变量有关，因此，可以构建爬坡车道为因变量、混淆变量为自变量的统计模型。鉴于爬坡车道为二分变量(只有0和1两种取值)，因此，构建如下二项Logit模型预测倾向值：

式中：P(T_i＝1|C_i)——样本i的倾向值，即样本i上控制变量为1时的概率；

T_i——控制变量；

C_i——混淆变量向量；

η——截距项；

κ——参数向量。

在构建倾向值模型时，混淆变量应该是对因变量和控制变量有潜在影响的变量，其依据是：(1)选择与控制变量有关的变量可降低样本选择性偏差以及变量间的共线性；(2)与因变量有关的变量在倾向值模型中可能并无实际意义，但也应作为预测倾向值的影响因素，以控制该类变量对事故次数的混淆影响。

以虚拟R²评价Logit模型的拟合优度，即混淆变量对控制变量的解释程度，计算方法为：

式中：L_C——模型的似然函数值；

L_Z——模型中仅包含截距项时的似然函数值。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：

步骤三中，

从样本总体中分离出控制组样本，然后从剩余样本中挑选出倾向值与控制组各样本的倾向值相等或接近的样本，以得到新的对照组，即完成了基于倾向值的样本匹配。实验表明，如下所示的1:1邻近匹配法进具备较高的匹配效率，并能得到较好的匹配结果：

D_i≤0.25σ

式中：P_i——控制组中样本i的倾向值；

P_j——总体样本中(此时已不含控制组样本)与控制组样本i倾向值最接近的样本j的倾向值；

D_i——样本i与样本j倾向值之差的最小值；

σ——所有样本倾向值的标准差。

将满足条件的总体中的样本纳入对照组中，同时，移除未能成功匹配的控制组中的样本，进而得到了新的控制组和对照组。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：

步骤四中，

平衡性检验的目的是检查控制组与对照组间各混淆变量是否存在差异，即验证样本匹配结果是否合理。以标准化偏差以及t检验共同衡量匹配后控制组及对照组之间的差异。两组之间所有混淆变量的标准化偏差均低于20％，且t检验结果也表明各混淆变量在两组间无显著差异时，则可通过平衡性检验，进而进行下一步，否则需要返回步骤二，以重新考虑混淆变量选择是否合理、总体样本量是否足够以及匹配方法是否合适等。

标准化偏差δ计算方法为

式中：

——控制组中混淆变量C的均值；

——控制组中混淆变量C的方差；

——对照组中混淆变量C的均值；

——对照组中混淆变量C的方差。

t检验方法为

式中：N_T——控制组中样本数量；

N_U——对照组中样本数量；

d_f——自由度；

S——双样本t检验的合并标准差。

其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：

步骤五中，

计算样本匹配后的无爬坡车道样本(对照组)及有爬坡车道样本(控制组)的平均每公里事故率及亿车公里事故率，计算方法为：

式中：R_K——平均每公里事故率；

R_V——平均亿车公里事故率；

N——样本数量；

n_i——样本i上的事故数；

v_i——样本i所在路段的年平均日交通量；

l_i——样本i所在路段的长度。

以无爬坡车道样本(对照组)及有爬坡车道样本(控制组)间事故率的相对差异作为爬坡车道对交通安全效益的度量指标，其计算方法为：

或

式中：R——爬坡车道对交通安全的效益度量值；

R_K(T)——有爬坡车道样本平均每公里事故率；

R_K(U)——无爬坡车道样本平均每公里事故率；

R_V(T)——无爬坡车道样本平均亿车公里事故率；

R_V(U)——无爬坡车道样本平均亿车公里事故率。

其它步骤及参数与具体实施方式一至五之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

本实施基于倾向值匹配的爬坡车道交通安全效益计算方法具体是按照以下步骤制备的：

具体实施方式以三条山岭重丘区四车道高速公路爬坡车道的交通安全效益计算为例。三条高速公路具体为京珠高速公路粤北段(K0～K109)、粤赣高速公路(K0～K80)及沈丹高速公路(K0～K135)。上述三条高速公路共有11处爬坡车道，爬坡车道路段总长度为17.65km，其设置形式皆如图2所示，即爬坡车道路段包括分流渐变段、爬坡车道段及汇流渐变段三部分。

从高速公路路政管理部门收集到了4637起交通事故数据，其中京珠高速公路粤北段1348起(2007～2009)、粤赣高速公路1633起(2007～2012)、沈丹高速公路1656起(2007～2012)。

从高速公路流量观测站获得了高速公路各区段(相邻两互通式立交之间)2007～2012年各年、分车型的交通量数据。从道路设计部门得到了高速公路平纵线形及横断面设计数据。依据步骤一中的数据处理方法，获得了7242个初始样本；再剔除隧道路段、互通式立交及服务区路段，以及下坡路段的样后，最终得到了适用于本发明的3081个样本，这些样本中事故总数为1746起，有爬坡车道的样本为176个(即为控制组样本)。

在选取变量时，应选择对爬坡车道设置或事故有潜在影响的变量。具体选取的变量及其统计特性见表1，其中，载重不低于10吨的货车定义为重型车；纵坡坡长指该路段前后变坡点之间的距离；连续上坡长度定为该路段中点距上一坡度方向变化点或上游爬坡车道终点之间的距离。

表1 建模变量的统计特性

注：上标*表示该变量为离散型变量

根据步骤二，标定了Logit倾向值模型，其参数估计结果见表2，其中交通量及路段长度均采用其对数形式。模型的虚拟R²为0.572，表明混淆变量对爬坡车道的设置具有很强的解释能力和相关性，也再次证明了进行样本匹配的合理性和必要性。其中，重型车比例、设计速度(以120km/h为基准)、纵坡坡度以及连续上坡长度均与爬坡车道显著正相关，即重型车比例越高、设计速度越低、纵坡坡度越大及连续上坡越长的路段，设置爬坡车道的概率就越大，这符合爬坡车道设置的基本原则。交通量、路段长度及纵坡坡长虽对爬坡车道的影响不显著或负相关，但其对交通事故有潜在影响，故应纳入倾向值模型中，作为样本匹配的影响因素。

表2 Logit模型参数估计结果

注：R表示基准变量；***，**和*分别表示在0.01、0.05和0.1显著性水平下的显著变量。

根据标定的Logit模型计算了各样本的倾向值，即各样本有爬坡车道的概率，其标准差为0.113。

依据步骤三，从2905个备选样本中成功选择出了159个与控制组样本一一匹配的对照组样本，进而得到了匹配后、各含有159个样本的新控制组与对照组。

依据步骤四，首先计算了各混淆变量匹配前后的标准化偏差，见图3，可知所有变量的标准化偏差均低于20％，表明经样本匹配后，控制组与对照组间各混淆变量的差异明显降低；然后，对样本匹配前后控制组与对照组间混淆变量间的差异进行了t检验，结果见表3，可知：匹配后的控制组和对照组中，在95％置信水平下，t值均未超过1.979(自由度为316对应的临界值)，即所有混淆变量在匹配后的控制组与对照组间均不存在显著性差异。由此可认为，利用Logit倾向值模型及邻近匹配法筛选出的对照组与控制组样本的区别仅为“有无爬坡车道”，从而有效控制了样本选择性偏差。

表3 t检验结果

依据步骤五，计算得到了样本匹配前后，有爬坡车道和无爬坡车道样本的事故率，结果见表4，可知：样本匹配前，由于选择性偏差的存在，无爬坡车道及有爬坡车道样本间每公里事故率及亿车公里事故率的差异并非仅由“爬坡车道”引起的，而且还有多种混淆变量共同作用的结果；而选择性偏差经样本匹配后得以控制，由表4中“匹配后无爬坡车道和有爬坡车道”的结果可知：设置爬坡车道后，每公里事故率及亿车公里事故率分别降低了17.49％以及17.41％，即爬坡车道的交通安全效益表现为“设置爬坡车道可使事故率降低17％左右”。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

表4 爬坡车道对事故的影响

Claims (2)

1.基于倾向值匹配的爬坡车道交通安全效益计算方法，其特征在于：所述方法具体过程为：

步骤一、收集、处理及组织数据，确定控制组与对照组样本；

收集交通事故数据包括，事故发生的时间和地点；

处理数据包括根据高速公路行车方向、平曲线曲率、纵坡坡度、车道数、设计速度、爬坡车道、隧道、互通式立交及服务区，将各高速公路划分成若干路段单元；按长度加权平均的方法合并至前后路段中，最终得到一系列的同质化路段单元，即为初始样本量；

组织数据包括由每起交通事故发生的时间及位置，统计各样本所在路段上的历年事故数；依据互通式立交的桩号位置，将交通量数据链接至各样本中；剔除处于下坡路段的样本，同时剔除隧道路段、互通式立交及服务区路段的样本，得到适用的样本量；

确定控制组与对照组样本包括，将含有爬坡车道的样本定义为控制组，无爬坡车道的样本定义为对照组。

步骤二、构建倾向值模型，并预测所有样本的倾向值；

其中，定义倾向值为样本总体中任一样本进入控制组，即设置爬坡车道，的概率；在构建倾向值模型前，首先将爬坡车道定义为控制变量，有爬坡车道为1，无爬坡车道为0；将对爬坡车道设置或事故有潜在影响的变量定义为混淆变量；构建爬坡车道为因变量、混淆变量为自变量的统计模型；构建如下二项Logit模型预测倾向值：

式中：P(T_i＝1|C_i)——样本i的倾向值，即样本i上控制变量为1时的概率；T_i——控制变量；C_i——混淆变量向量；η——截距项；κ——参数向量；

以虚拟R²评价Logit模型的拟合优度，即混淆变量对控制变量的解释程度，计算方法为：

式中：L_C——模型的似然函数值；L_Z——模型中仅包含截距项时的似然函数值；

步骤三、基于倾向值的样本匹配；

从样本总体中分离出控制组样本，然后从剩余样本中挑选出倾向值与控制组各样本的倾向值相等或接近的样本，以得到新的对照组，即完成了基于倾向值的样本匹配；

步骤四、混淆变量的平衡性检验，若通过，进行下一步，否则返回步骤二；

以标准化偏差以及t检验共同衡量匹配后控制组及对照组之间的差异。两组之间所有混淆变量的标准化偏差均低于20％，且t检验结果也表明各混淆变量在两组间无显著差异时，则可通过平衡性检验；标准化偏差δ计算方法为

式中：

——控制组中混淆变量C的均值；

——控制组中混淆变量C的方差；

——对照组中混淆变量C的均值；

——对照组中混淆变量C的方差；t检验方法为

式中：N_T——控制组中样本数量；N_U——对照组中样本数量；d_f——自由度；S——双样本t检验的合并标准差；

步骤五、爬坡车道交通安全效益计算。

计算样本匹配后的无爬坡车道样本及有爬坡车道样本的平均每公里事故率及亿车公里事故率，计算方法为：

式中：R_K——平均每公里事故率；R_V——平均亿车公里事故率；N——样本数量；n_i——样本i上的事故数；l_i——样本i所在路段的长度；v_i——样本i所在路段的年平均日交通量；以无爬坡车道样本及有爬坡车道样本间事故率的相对差异作为爬坡车道对交通安全效益的度量指标，其计算方法为：

或

式中：R——爬坡车道对交通安全的效益度量值；R_K(T)——有爬坡车道样本平均每公里事故率；R_K(U)——无爬坡车道样本平均每公里事故率；R_V(T)——有爬坡车道样本平均亿车公里事故率；R_V(U)——无爬坡车道样本平均亿车公里事故率。

2.根据权利要求1所述基于倾向值匹配的爬坡车道交通安全效益计算方法，其特征在于：基于倾向值的样本匹配采用1:1邻近匹配法进行，包括：

D_i≤0.25σ

式中：P_i——控制组中样本i的倾向值；P_j——总体样本中，此时已不含控制组样本，与控制组样本i倾向值最接近的样本j的倾向值；D_i——样本i与样本j倾向值之差的最小值；σ——所有样本倾向值的标准差；

将满足条件的总体中的样本纳入对照组中，同时，移除未能成功匹配的控制组中的样本，进而得到了新的控制组和对照组。

Images