0 引言

交通事故是指车辆在道路上因过错或者意外造成人身伤亡或者财产损失的事件，属于影响通行能力与行车安全的非周期性特殊事件，是引发交通拥堵的重要因素，交通事故自动检测技术是通过分析交通流参数变化来判别是否发生交通事故，减少人员伤亡与财产损失。过去的AID算法大致可分为基于模式识别的对比算法^[1]、基于统计理论的算法^[2]、基于突变理论的算法^[3]以及基于人工智能的算法^[4]等，不同学者从各个方面对交通事故检测进行了研究，算法的理论基础也从最初的数理统计分析等常规方法转向人工智能方法^[5]。Wang等^[6]利用训练数据集构建了基于最小二乘网络的高速公路事故判别算法。Wang J等^[7]构建的循环神经网络模型，以流量的预测值与实际值的差值为基准，对特殊事故进行判别。尹春娥等^[8]构建小波方程，用速度累积变化与占有率指标表示高速公路交通态势，构建事故集合，利用指标的突变值进行特殊事故判别。Agarwal等^[9]构建逻辑回归的事故检测模型，将事故特征提取，利用行程时间指标对事故进行判别。商强等^[10]使用美国I-880数据通过万有引力搜索算法优化参数，对AID算法的效果进行验证和对比分析。李红伟等^[11]则基于突变强度理论，分析了交通事故下流量、速度、占有率突变强度在纵向时间序列的变化特征，设计了一种检测率高的快速路交通事故自动检测方法。施俊庆等^[12]基于卷积神经网络和浮动车数据，提出了一种改进的城市道路交通事件检测算法。Ren等^[13]将研究路段的车道划分为小单元，获取每个单元的交通流参数，利用模糊识别算法分析交通流参数，得到交通状态，最后利用SVM算法将状态分类，对事故进行判别。

国内高速公路通常里程长达上百公里，依靠传统的视频监控、人力巡查难以及时的发现道路中实时发生的特殊事件。随着我国交通行业数字化转型需求不断提升，ETC不停车收费系统作为数字化转型的基础，在2020年完成建设，实现全国联网。ETC数据可辅助管理人员及时、精准地判别特殊事件，对高速公路管理者实时掌握道路交通状况。由于近年内才实现高速公路电子不停车收费全国联网，国内利用ETC门架数据进行交通分析的有关研究较少。闫晟煜等^[14]基于联网收费数据的事故车流比例分析，提出了高速公路事故影响区域模糊决策模型。李琦等^[15]在分析了收费数据特征的基础上，针对标准偏差法因交通波动与常发性交通拥挤引发的误警、算法自身的检测逻辑引发的误警问题，提出了基于收费数据的交通事故自动检测算法。徐进等^[16]以ETC数据为基础，以速度分布特征进行k-medoids聚类分析，对山区高速公路一般路段和连续上坡路段的车型进行了较好的分类。

综上所述，在交通事故判别领域，学者们通过提取交通数据中所反映的交通状态特征进行判别研究，但是到目前为止，现有的事故检测算法没有哪一种能完全优于其他算法，不同的算法只是在不同的情况下展现出相对较好的性能^[17]。由于采集数据的单一性，且多为国外数据，判别算法的适应性不强，针对ETC门架数据的现有研究中，仅仅是利用了采集数据中的车牌号、速度等单一指标开展研究，且多为单一高速基本路段的ETC门架数据，在数据运用量方面也比较少。为此，本研究收集多条高速公路门架数据，从速度分布、客货分位速度差、交通组成3方面提取ETC数据所反映出的道路交通态势特征，结合实际交通事故数据，利用K-means聚类分析的方法，探索交通态势与交通事件的关联性，并提出基于ETC门架数据的交通事故态势感知判别方法。

1 数据来源与分析

本研究所需ETC门架数据为某省内不同设计速度、不同车道数的14条高速。将14条高速公路划分为研究组与测试组，利用研究组283个路段中事故路段来研究交通态势。原始数据记录了某一车辆通过某一高速某一门架的车辆信息及时间，利用高速公路ETC门架数据可以获取特定车辆经过不同高速公路门架的具体时间，可获取特定高速、特定门架的不同车辆信息，结合ETC门架里程桩号，通过计算相邻门架车辆通过的时间之差可以得到该车辆的行程时间。本研究所需的特殊事件数据来源于某省高速管理部门的互联网路况预警信息平台，该平台每日发布全省高速的实时路况信息。

高速公路中的ETC门架是从道路的起点至终点按照一定间隔架设，目前门架大多数架设于高速互通出口上游以及入口下游500~1 500 m处，将所有路段按照路段长度值可分为5类：短路段长度小于5 km；中短路段长度大于5 km小于等于10 km；中长路段长度大于10 km小于等于15 km；长路段长度大于15 km小于等于20 km；超长路段长度大于20 km。对于ETC门架数据的提取，首先应当根据门架所在的位置，依据门架桩号，将门架信息从原始数据表中进行提取。再计算出整条高速的所有路段长度，并给这些路段进行编号处理，形成道路的路段信息表和路段时间表。

2 交通态势研究指标构建

道路中的交通流具有连续性，而交通态势是传统交通流衍生出的新概念，是交通流当下的状态和未来的趋势^[18]。道路上下游的交通态势会随着交通事故的发生而变化，此变化是以事故发生前的交通态势为基础，因此事故发生前后的交通态势也具有连续性。在国家标准^[19]标定基础上进行一些简化与修改，利用初始速度与设计速度之间的差值率E，结合规范对于拥堵的标定，对事故发生前交通状态进行定义，如表 1所示。

特殊事件发生后会对道路上交通流的状态产生影响，可以通过不同时刻的交通流指标变化情况来实现对交通态势的感知。多年来，学者们应用了速度指标开发了加利福尼亚算法、APID算法等对特殊事件进行判别。不同类型的特殊事件、事件中的不同车型对交通态势造成的影响也是不一样的。此外，在现有事故判别与交通安全的研究中，学者研究高速公路隧道路段的追尾事故，发现造成追尾事故的主要原因是车速分布不均。基于上述分析，本研究选择车辆速度分布、客货分位速度差与交通组成来研究交通态势与特殊事件的关联性。

2.1 车辆速度分布

速度分布能够反映出道路中所有车辆的总体速度范围，同时能够反映出不同速度范围内涵盖的车辆数，从而得出该道路中车辆速度常值的范围，因此车辆速度分布能够对道路的总体速度情况进行表征。将研究组路段平均速度数据进行汇总，对各路段的速度统计数据进行Bi-Gaussian分布函数拟合，拟合后的函各参数所代表的含义，如图 1所示。

根据图 1所示，参数H为速度分布拟合后，速度数量的峰值；参数X_c为速度数量峰值所对应的实际速度大小；参数Y_x0可以衡量分布函数两侧尾部数据的情况；参数W₁衡量分布函数左侧低速区间的范围；参数W₂衡量分布函数右侧高速区间的范围；参数R²为该路的速度分布对应分布函数的拟合程度。

2.2 客货分位速度差

车辆不同分位速度拥有不同含义，能够对道路不同速度条件下客车与货车的行驶状态进行表征。将研究组的283个路段客货不同分位速差数据，按照不同路段进行分类统计，如图 2所示。

5类路段不同分位速差的均值与方差，从1分位至99分位，变化趋势相同。速差均值的最大值在50分位附近，并且在50~85分位一直维持在较高值，速差最小值在1分位附近，因此，道路中客货速差，在低速区间速差最小，在中速区间速差最大，进入高速区间，速差逐渐降低，但依然高于低速区间速差。速差方差在5分位附近，达到最大值，在85分位之后，逐渐降低至最小值。因此，在道路中客货速差在低速区间离散程度最大，之后随着速度的上升，离散程度减弱，当达到高速区间后，离散程度降至最低，且逐渐稳定。

2.3 道路交通组成

道路交通组成能够反映出道路内各类车辆的占比，不同的车辆占比代表不同的交通状态，以客货比为例，客货比高的道路，客车为主导车型，道路行驶速度快；客货比低的道路，货车为主导车型，道路行驶速度慢。因此道路交通组成，能够对道路交通流的车型占比状态进行有效表征。

3 交通态势与交通事故关联性聚类分析

在选择高速公路路段车辆速度分布、客货分位速度差、交通组成3个指标表征道路的交通态势的基础上，结合交通事故数据，运用K-means聚类分析方法以不同的交通参数，研究不同指标与交通事故发生的关联性。在研究中，需要对同一高速，同一方向的所有路段进行研究，为了减小同一高速同一方向上路段间差异所带来的影响，利用每个路段的参数相对值进行研究。

3.1 速度分布与交通事故关联性聚类分析 3.1.1 不同速度分布下路段交通态势划分

上文给出了道路拥堵状态的标定方法，以及道路的分类方法，依照该方法对拟合函数得到的参数相对值进行分类整理。按照路段类别，将每一类数据参数中Y_x0与R_x²相对值，应用SPSS软件中的K-means聚类分析算法进行聚类分析，依据前文对路段交通流的分类，选择聚类数为3，应用算法将路段进行迭代与分类，能够很好地将5种路段中的路段分为3类，结合前文中对于每一个路段拥堵情况的标定结果，将3分类中的每一类，进行交通状态统计，统计结果如表 2所示。

由表可知，类别1中拥堵路段占比为100%，其中中度以上拥堵占比高达83%，将类别1路段的交通态势定义为严重拥堵。类别2中拥堵路段占比为62%，其中轻度拥堵在3类拥堵状态中占比最大，占比为74%，将类别2路段的交通态势定义为轻度拥堵。类别3中通畅路段占比为99%，几乎所有的路段均为通畅路段，将类别3路段的交通态势定义为通畅。

3.1.2 不同交通态势下交通事故划分

在速度分布中，参数W₁，W₂衡量分布X_c左侧宽度与右侧宽度，代表速度分布中低速区间宽度和中高速区间宽度；W₁+W₂代表速度区间的总宽度，即该路段大部分车辆的速度范围。可以求某一路段该参数，相对于总体参数均值的大小：W_x1(%)与W_x2(%)。

根据统计数据，按照路段类别，将每一类路段的数据参数W_x1+W_x2，W_x1(%)与W_x2(%)进行聚类分析。将数据输入后，选择聚类数为2，算法将路段进行迭代与分类，图 3为短路段、中短路段的聚类分析结果图。

横向比较两类别聚类中心值，得出在道路速度分布中，类别1道路大部分车辆速度范围低于类别2，在高速区间范围内车辆数低于类别2，两类别交通事故数量相当，但类别1路段拥堵占比远高于类别2。因此可以推断类别1路段的车辆的速度范围小于类别2，车辆速度偏慢，交通拥堵情况更严重。因此，结合道路的拥堵情况与交通态势，将交通事故分为两类：将类别1中发生的交通事故定义为“拥堵条件下发生交通事故”；将类别2中发生的交通事故定义为“通畅条件下发生交通事故”。

3.1.3 速度分布与交通事故关联性分析

(1) 拥堵条件下发生交通事故

基于上文类别1的路段数据，将类别1中的交通事故路段进行划分，并对其参数H_x与W_x1+W_x2，进行聚类分析，如表 3所示。

横向对类别1与类别2聚类中心比较可知，从速度分布上，类别1速度分布属于“低峰肥尾”型，道路中的车辆，速度在不断地变化，速度集中度不高，可认为该道路的交通状态不断在改变；类别2速度分布属于“尖峰瘦尾”型道路中的车辆，速度变化程度较低，速度集中度高，可认为该道路交通状态变化不明显，车辆持续保持同一速度运行。

(2) 通畅条件下发生交通事故

基于上文类别2的路段数据，将类别2中的所有路段进行划分，并对其参数X_xc与W_x1+W_x2，进行聚类分析发现，类别1的速度分布中值小于类别2，车辆速度范围小于类别2。反映到实际交通状况，类别1路段的车速偏低，速度区间范围偏小，速度集中度比较高；类别2路段的车速偏高，速度区间范围偏大，速度集中程度偏低。

进一步，结合交通事故数据，对类别1与类别2中发生交通事故的路段进行统计，分析发现，交通事故更容易在类别1发生，因此对类别1的数据，进一步进行统计分析。通过观察一种类别的事故路段，可发现事故比较集中，部分路段类型的聚类图像，交通事故路段与聚类中心距离，如图 4所示。

结合上述研究成果可得：通畅条件下发生交通事故发生在类别1的路段中，该路段车辆速度中值偏低，车辆速度范围偏小，速度集中程度较高。类别1中路段的长度影响“非拥堵型交通事故”发生的范围，在“短路段”、“中长路段”、“长路段”，“通畅条件下发生交通事故”通常发生于距离聚类中心0.10~0.16范围的路段当中；对于“中短路段”该范围是0.10~0.13；“超长路段”是0.10~0.20。

3.2 客货分位速度差与交通事故关联性聚类分析 3.2.1 总体分位速差关联性分析

根据图 2可知，低速5分位、中速50分位、高速95分位、运行速度85分位，4组数据能够很好地反映客货分位速度差的总体变化趋势，将所有路段4组数据进行聚类数为3的聚类分析。基于聚类中心所反映的3类路段客货速差情况，结合标定的拥堵路段数据，统计3类别中道路的交通拥堵情况，如表 4所示。

从表中可知，类别1路段拥堵占比最低，车辆行驶受交通状态干扰程度低，客车货车均能以期望速度所行驶。类别2路段拥堵占比位于中间，交通状态对车辆行驶有一定影响，客车货车不能完全按照期望速度所行驶，因此与类别1相比，客货速差整体趋势是一致的，但速差值低于类别1。类别3路段拥堵占比很高，一半以上为拥堵路段，交通状态对车辆行驶影响显著，路段的低速区间通常为道路拥堵状态，路段高速区间为道路的通畅状态。结合标定的拥堵路段数据，按照交通事故中的事故类型和事故车型进行统计分析，如图 5所示。

从上述图表可得，客货分位速度差与事故类型与事故车辆具有显著相关性，3个类别的客货分位速度差存在有明显差异，同时发生的交通事故与事故车辆也有明显差异。

类别1路段，拥堵占比低，道路通行能力良好，车辆大部分时间以期望速度行驶，从慢速至高速区间，客货速差值在3类别中最大。由于车辆间速差越大，车辆间事故风险越高，因此类别1道路事故类型以多车事故为主，事故车型以货车与客车双车为主。

类别2路段，拥堵占比中等，道路通行能力一般，低于类别1，车辆行驶会受到拥堵交通状态一定的影响，从慢速至高速区间，客货速差值较小。因此，类别2事故类型以单车事故为主，事故车型以行驶速度较慢的货车单车为主。

类别3路段，拥堵占比最高，道路通行能力低，车辆在道路通畅时以期望速度行驶，在拥堵时以相同的速度低速行驶，因此在慢速区间，拥堵状态下，客货速差几乎为0，在高速区间，自由行驶时，客货速差与类别1相当。由于道路大多处于拥堵状态，车辆速度较低，因此类别3的事故数最少，事故类型也以单车事故为主，事故车型以货车单车为主。

3.2.2 中高速区间分位速差关联性分析

根据前文分析结论，客货速差均值在50分位达到最大值，50~85分位均保持在较高点，之后速差均值开始缓慢下降。为了研究客货车辆在速差最大的区间段内，其速差与交通事故之间的关联性，因此选取中速“50分位”，中高速“75分位”，运行速度“85分位”3组数据对交通事故进行聚类分析，再按照交通事故中的事故类型进行统计分析，如图 6所示。

由图 6可得，将3组数据路段通过聚类分析后得到类别1与类别2，其客货速差在50~85分位区间中，随着速度提升，速差变化不大，但两类别速差值差别较大，类别1速差均值为17 km/h，类别2速差均值为25 km/h。与交通事故研究相结合，可知在50~85分位中高速区间，类别1客货速差较小，均值为17 km/h，客货车之间风险相对较低，因此交通事故中，事故类型主要为单车事故占91 %，事故车型不包括客货双车；在50~85分位中高速区间，类别2客货速差较高，均值为23 km/h，客货车之间风险相对较高，因此交通事故中，事故类型主要为多车事故占76 %，且客货之间的双车事故均在类别2中发生。

3.3 交通组成与交通事故关联性聚类分析

首先将研究组路段数据分为客车数据与货车数据，计算路段客车百分比相对值N_xc(%)、货车百分比N_xt(%)以及客货比M_x。将所有路段数据汇总，进行3分类的聚类分析，如表 5所示。

结合标定的拥堵路段数据可知，3类别路段的交通组成差别较大，道路中的客车与货车的数量比例不同，但是其拥堵路段占比相近，因此道路交通拥堵状态基本相近。按照客货分位速度差分析方法对事故类型和事故车辆进行统计分析，如图 7所示。

综上可知，3个类别的交通态势，交通拥堵状态差异不大，然而交通组成存在有明显差异，同时发生的交通事故也有明显差异。类别1，客货比低，事故车型也以客货双车为主；类别2，客货比中等，在事故中的事故车型中，客车与货车也相当；类别3，客货比高，同时客车为主要的事故车型，在总体事故中占比最高。

4 实例分析

通过上文研究，可利用速度分布、客货分位差与客货比可实现对交通态势的感知，结合历史ETC数据与交通事故数据可对交通事故路段、交通事故类型和交通事故车辆类型3者信息进行判别。选取测试组M高速、N高速、Z高速作为实例应用研究对象，基于历史数据对实时数据判断事故是否发生，将客货分位差与交通组成的判别结果进行比较，将判别结果相同的保留，判别结果不同的舍弃，最终数据输出为判别的事故类型与事故车辆车型。测试组3条高速公路共78个路段，共涉及4个特殊事故路段，将事故播报平台中3条高速的真实交通事故信息与模型判别数据分别汇总于表 6~7。

计算汇总3条高速事故路段、事故车辆类型及事故类型准确率，如表 8所示。对3条高速公路判别结果适用性进行分析，M高速、Z高速、N高速，分别地处于西部、东部与中部，高速公路交通量依次递增，同时3条高速对于事故判别的准确性也依次增加，其中中短路段的事故判别准确率较高。因此可以认为，该判别方法，对于交通量较低的道路事故判别的准确性不高，交通量的增大更有利于提升交通事故的判别准确率。另外，M高速对于事故判别的准确率较低，也与其高速公路以及路段的长度太长有关，路段长度太长会降低交通事故的判别准确度。事故车辆类型及事故类型准确率是基于整个事故判别数据库来计算的，因此两者随事故判别准确率的波动而变化较大，整体上对于交通事故的事故类型及事故车辆类型信息的判别正确率较高。

综上所述，上述方法对于中短路段的交通事故判别准确率较高，对交通事故的事故类型、事故车辆等信息的判别正确率也较高，而道路交通量的大小与门架间隔距离是影响事故判别准确度的重要因素，交通量较低、路段长度过长都会降低交通事故的判别准确度。

5 结论

(1) 拥堵情况下交通事故的发生，其速度分布表现为“低峰肥尾”的路段，或是速度分布为“高峰瘦尾”的路段；通畅条件下发生交通事故通常在速度中值低，速度范围小、速度集中程度高的路段发生，且此类路段通常与该类的聚类中心距离0.1~0.16。

(2) 客货分位速度差与事故类型与事故车辆具有显著相关性，不同类别的客货分位速度差与其对应的交通事故车辆存在有明显差异。在50~85分位中高速区间，类别1与类别2相比，客货速差较小，均值为17 km/h，客货车之间风险相对较低，因此交通事故中，事故类型主要为单车事故。

(3) 对交通组成客货比进行聚类分析发现，3个类别交通拥堵状态差异不大，然而发生的交通事故也有较大差异。其中客货比低的事故车型以客货双车为主；客货比高的类别，是以客车为主要的事故车型。

(4) 本研究针对ETC门架数据进行了交通事故态势分析的探索性研究，道路交通量及ETC门架间隔会影响事故判断的准确率，后期将结合更多数据，对聚类结果进行修正，并根据不同路段分析结果，研究如何进一步提高特殊事件的精准率。