2024, Vol. 41扩展功能
文章信息
- 刘畅, 夏鸿文, 孟兴凯, 王雪然, 吴初娜.
- LIU Chang, XIA Hong-wen, MENG Xing-kai, WANG Xue-ran, WU Chu-na
- 800 km客运班线事故特征及情景研究
- Study on Accident Characteristics and Scenarios of Long-distance Passenger Line over 800 km
- 公路交通科技, 2024, 41(1): 160-168
- Journal of Highway and Transportation Research and Denelopment, 2024, 41(1): 160-168
- 10.3969/j.issn.1002-0268.2024.01.018
-
文章历史
- 收稿日期: 2022-02-24
, 2. 北京交通大学, 北京 100091
2. Beijing Jiaotong University, Beijing 100091, China
我国公路、铁路、航空等运输发展迅速，公路客运以快捷、方便等优点，成为客运方式的重要部分。其按行驶里程可分为小于200，200~400，400~800 km和800 km以上的运营线路。其中，部分地区因地理环境限制，导致其长距离出行方式只有800 km以上长途客运班线(简称800 km客运班线)。但800 km客运班线有运距远、时间长、路况复杂，驾驶员易违规等现象，存在巨大安全风险。此外，截至2020年底，我国800 km以上班线2 855条，日均发送4 166次，分别仅占全国的1.9%和0.5%[1]。但分析2014—2020年涉及客运车辆的较大事故273起，造成死亡1 424人、受伤2 534人，其中800 km以上事故48起，造成死亡265人、受伤730人，占比高达18.6%和28.8%。可见，相比其他线路，800 km以上班线发生事故造成的人员伤亡量更大，据统计800 km以上线路发生较大及以上事故是其他线路的6.4倍。究其原因主要是运行里程长、途经环境复杂、安全监管漏洞等造成，且营运客车以大中型为主，载客量大，因此，发生危险时极易造成群死群伤的恶性事故。
为此，2020年交通运输部修订并印发的《道路旅客运输及客运站管理规定》明确，道路运输管理机构在审查营运线路长度在800 km以上的客运班线申请时，还应进行安全风险评估。此外，研究表明行驶中的风险对事故伤亡有重要影响。Chu[2]证明疲劳、不系安全带、分心、酒后、午夜、黎明、匝道等情况下驾驶会严重影响客车碰撞的伤亡程度。Chang[3]证明使用约束装备能阻止或降低在下山路段发生翻车事故的伤害。可见，风险的有效预防是保障驾驶安全的重要手段，因此为保障800 km客运班线运行安全，亟需提取800 km客运班线关键风险进行重点防范。
当前，在客运风险研究中主要针对风险指标和风险评估方法两方面。风险指标中，Moradi[4]从乘客性别、道路条件、天气条件、事故形态等方面描述了长途汽车的事故特点；朱守胜[5]针对营运客车交通系统中参与者、车辆、环境及管理这4个子系统，建立30种危险源及7种属性的营运客车特大道路交通事故危险源辨识表；汪子恒[6]基于人、车、路、企业构建风险评估指标。风险评估中，Zhao[7]构建行车风险评估模型，实现车辆运行中的风险管理；Hu[8]基于BP神经评价了交通拥堵下的车辆运行风险；郑金龙[9]运用层次分析-可拓综合评价法评价营运车辆在山区公路隧道的风险。纵观国内外研究，客运班线的风险评估指标与方法较完善，但尚未出现针对800 km以上客运班线特点的事故风险指标及分析。因此有必要剖析800 km客运班线事故成因及关键因素，以此提出针对性建议。
研究选取800 km以上客运班线事故数据，分析事故成因的关键因素，基于交通系统中人、车、路、环境这4个影响因素构建指标集，以事故发生形态为因变量，考虑800 km客运班线事故数较少的不可抗力特性，综合模型弹性及特点，研究选取决策树模型分析800 km客运班线事故关键致因、耦合影响及重要性等影响驾驶安全的情景，剖析事故成因。降低800 km客运班线的潜在事故发生性，为企业安全防控提供依据，保障运营安全。
1 数据来源及特征 1.1 数据来源获取800 km客运班线的事故数据作后续研究，由交通运输部提供的2014—2020年道路交通事故统计数据及相关事故报告中获取历年涉及800 km客运班线的全部道路交通事故48起，造成死亡265人，受伤730人，详情见表 1。同时，由事故报告中获取事故发生地、发生季节、时间、技术等级等9项基础指标数据，其信息类别及示例见表 2。
| 年份 | 事故起数/起 | 事故占比/% | 死亡人数/人 | 受伤人数/人 |
| 2014 | 13 | 27 | 125 | 188 |
| 2015 | 11 | 23 | 64 | 187 |
| 2016 | 9 | 19 | 69 | 66 |
| 2017 | 9 | 19 | 71 | 187 |
| 2018 | 3 | 6 | 25 | 62 |
| 2019 | 1 | 2 | 3 | 3 |
| 2020 | 2 | 4 | 8 | 37 |
| 信息类别 | 示例 | 信息类别 | 示例 | 信息类别 | 示例 |
| 地区 | 东北 | 公路技术等级 | 1级 | 路面状况 | 冰雪 |
| 季度 | 夏季 | 公路行政等级 | 国道 | 事故成因 | 操作不当 |
| 运行时段 | 00:00:00—00:59:59 | 路段线性状况 | 高速直线路段 | 是否节假日/春节 | 是 |
2 指标选取 2.1 事故致因指标
道路交通系统由人、车、路、环境构成的动态系统[10]，事故发生通常因动态系统在某一环境的失调引起。聚焦事故发生时人、车、路、环境情况，选取800 km客运班线的事故特征指标。基于发生事故时人、车、路、环境这4个1级指标情况，通过实际发生情景搭建2级指标，构建指标体系。
由于车辆技术性能是安全驾驶的物质基础，直接影响车辆的安全行驶，企业较为重视，仅8%的事故由车辆因素直接导致，不具备数理统计意义，因此剔除车辆因素，将人、路、环境为依据搭建指标体系，指标体系见表 3。
| 1级指标 | 2级指标 | 类别 |
| 人 | 人因 | 操作不当、超速行驶、违法占道行驶、未按规定让行、未保持安全距离、注意力不集中、正常操作 |
| 道路 | 地区 | 东北、华北、华东、华南、华中、西北、西南 |
| 公路技术等级 | 1级、2级、3级、高速 | |
| 公路行政等级 | 国道、省道、县道、村道 | |
| 路段线性状况 | 高速直线路段、平面交叉路口、桥面直线路段、隧道口直线路段、弯道路段、直线路段 | |
| 路面状况 | 冰雪、干燥、积水、积雪、湿滑 | |
| 环境 | 季度 | 春季、夏季、秋季、冬季 |
| 天气情况 | 晴、多云、阴、雾、雨、冰雪、其他 | |
| 是否节假日 | 是、否 | |
| 是否春运 | 是、否 | |
| 运行时段 | [0, 1)，[1, 2)，[2, 3)，[3, 4)，[4, 5)，[5, 6)，[6, 7)，[7, 8)，[8, 9)，[9, 10)，[10, 11)，[11, 12)，[12, 13)，[13, 14)，[14, 15)，[15, 16)，[16, 17)，[17, 18)，[18, 19)，[19, 20)，[20, 21)，[21, 22)，[22, 23)，[23, 24) |
由表 3可知，驾驶员是客运班线运营的主要参与者，引起驾驶人的认知和行为失误，使驾驶人不能精确地、恰当地、充分地完成任务的失误均归结于人为失误。驾驶人在驾驶中的失误，通常会同时出现判断认知错误与行为错误，因此将事故中驾驶人的失误统称为人为因素，且由于事故中大多源于驾驶人，因此在人因指标主要考虑由驾驶人直接引起的事故，将人为因素归纳为操作不当、未保持安全距离等6类。
道路指标包括事故发生地、公路技术等级、公路行政等级、路段线性状况、路面状况5个2级指标。事故发生地按照中国地理地区的划分方式分为东北、华北、华东等7类；公路技术等级与行政等级按国标划分标准各分为4类；路段线性按事故涵盖类型划分为普通道路直线、高速直线、桥面直线等6类；路面状况按路表状态划分为冰雪、干燥、积水等5类。
环境指标包括季度、节假日情况、春运情况、运行时段、天气状况5个2级指标。季度分为春、夏、秋、冬4类；节假日情况分为节假日、非节假日2类；春运情况分为春运、非春运2类；运行时段按小时划分24个区间，如[0, 1)即代表 00:00:00—00:59:59；天气状况分为晴天、多云、阴天、雾天等7类。
2.2 事故发生形态交通事故形态是交通事故参与者间发生冲突或自身失控肇事表现出的具体事态。事故发生不仅是某一独立环节失调引起，往往是多个因素共同作用的结果。交通事故通过的单项或多项包含人、车、路及环境等众多因素耦合形成，而每个因素下还含有不同的子因素，导致最终呈现的交通事故形态多样。
研究根据车辆运动和接触规律，将事故形态分为翻车、刮擦、碰撞、撞击固定物、追尾、坠车这6类。由表 4数据可知，800 km客运班线的事故中，产生最多的事故为碰撞事故，其次是翻车事故，单起事故死亡人数最多的为坠车事故，其次是碰撞事故，由于刮擦事故与撞固定物冲突相对较为简单，因此单起事故死亡人数最少的为刮擦事故与撞固定物事故。单起事故受伤人数最多的为翻车事故与碰撞事故，由于坠车事故一旦发生人员生还几率较低，因此造成受伤人数最少为坠车事故。可见，不同事故形态影响伤亡的严重程度，因此在事故无法避免时驾驶员选择伤亡较低的事故形态，将损失降到最低也是其需具备的素质之一。
| 事故形态 | 事故起数/起 | 死亡人数/人 | 受伤人数/人 | 单起事故死亡人数/人 | 单起事故受伤人数/人 |
| 翻车 | 18 | 90 | 290 | 5 | 16.1 |
| 刮擦 | 1 | 3 | 5 | 3 | 5 |
| 碰撞 | 23 | 226 | 368 | 9.8 | 16 |
| 撞固定物 | 1 | 3 | 10 | 3 | 10 |
| 追尾 | 4 | 17 | 53 | 4.3 | 13 |
| 坠车 | 1 | 26 | 4 | 26 | 4 |
3 事故特征模型 3.1 模型选取
决策树是常见的分类回归算法，表示对象属性与对象值的映射关系[11-12]。模型由多层节点和分支构成，通过量化评估标准，由样本集合选取一个对象属性作为当前节点分裂标准，经过递归生成子节点，每个节点的分支表示符合该节点条件的对象。由于特征选取的量化评估标准差异产生不同的决策树算法，常见有ID3，CART和C4.5等[13]。
其中，CART决策树算法使用广泛，其应用基尼指数(Gini)判断数据分类结果不合理的可能性[14]，表示数据集的不纯度，基尼指数越低，纯度越高，模型通过判断基尼指数，找到数据纯度更高的划分点，基尼指数计算见式(1)[15]。相比其他算法，CART算法计算速度快、分类准确性高，处理高维、定性、定量等数据优势强。此外，其整体结构明显，易于理解，便于提取重要特征属性。因此，选取CART算法分析800 km客运班线的关键指标及重要情景。
|
(1) |
式中，Pk为选中样本属于k类的概率；(1-pk)为样本被分错的概率。
3.2 模型建立及指标输入 3.2.1 模型建立调用Python中sklearn.tree程序库的DecisionTreeClassifier实现决策树模型算法。调用compute_feature_importances函数判断模型中的指标对象属性重要性，判断原理如式(2)所示[16-18]：
|
(2) |
式中，importance为指标对象属性的重要性；Ncurrent为当前节点的样本个数；N为样本总数；impury为当前节点的不纯度，为当前节点指标对象属性的基尼指数；Ncurrent_right，Ncurrent_left分别为当前节点右分类、左分类的样本数；r_impurity，l_impurity分别为当前节点右分类、左分类的不纯度。
3.2.2 参数设置基于输入、输出指标及算法模型特性，综合考虑数据样本量与特征情况，保证模型可靠性，设置模型参数如下：
(1) 选取基尼指数作为对象属性评判标准。
(2) 利用所有特征寻找模型的最佳切分点。
(3) 划分参考所有对象属性。
(4) 每个节点最少样本数为4。
3.2.3 指标输入基于CART决策树算法模型，提取48起事故数据，将最终获取11项事故致因指标作为模型输入，包括地区、季度、节假日情况、春运情况、运行时段、天气情况、公路技术等级、公路行政等级、路段线性情况、路面情况、人的因素，事故发生形态作为模型输出，以分析事故致因指标与事故形态、致因指标与致因指标之间的直接、间接或耦合关系。指标名称、类别、输入名称及代码见表 5。
| 名称 | 输入名称 | 输入类别(代码) | 名称 | 输入名称 | 输入类别(代码) | |
| 地区 | Region | 东北(1)、华北(2)、华东(3)、华南(4)、华中(5)、西北(6)、西南(7) | 公路技术等级 | Technical_Level | 1级(1)，2级(2)，3级(3)，高速(4) | |
| 季度 | Season | 春季(1)、夏季(2)、秋季(3)、冬季(4) | 公路行政等级 | Administrative_Level | 国道(1)、省道(2)、县道(3)、村道(4) | |
| 是否节假日 | Holiday | 是(1)、否(2) | 路段线性状况 | Linear_Type | 高速直线路段(1)、平面交叉路口(2)、桥面直线路段(3)、隧道口直线路段(4)、弯道路段(5)、直线路段(6) | |
| 是否春运 | Spring_Time | 是(1)、否(2) | 路面状况 | Road | 冰雪(1)、干燥(2)、积水(3)、积雪(4)、湿滑(5) | |
| 运行时段 | Time | [0, 1)(1)，[1, 2)(2)，[2, 3)(3)，[3, 4)(4)，[4, 5)(5)，[5, 6)(6)，[6, 7)(7)，[7, 8)(8)，[8, 9)(9)，[9, 10)(10)，[10, 11)(11)，[11, 12)(12)，[12, 13)(13)，[13, 14)(14)，[14, 15)(15)，[15, 16)(16)，[16, 17)(17)，[17, 18)(18)，[18, 19)(19)，[19, 20)(20)，[20, 21)(21)，[21, 22)(22)，[22, 23)(23)，[23, 24)(24) | 人的因素 | People | 操作不当(1)、超速行驶(2)、违法占道行驶(3)、未按规定让行(4)、未保持安全距离(5)、注意力不集中(6)、正常操作(7) | |
| 天气情况 | Weather | 晴(1)、多云(2)、阴(3)、雾(4)、雨(5)、冰雪(6)、其他(7) | ||||
| 事故形态 | Accident_Type | 侧翻、翻车(1)、刮擦(2)、碰撞(3)、撞击固定物(4)、追尾(5)、坠车(6) |
3.3 结果输出 3.3.1 指标重要性
通过训练模型计算输入指标的重要性，结果见表 6。在输入的指标中，是否为节假日、是否为春运、公路技术等级和公路行政等级对最终的事故形态基本不具影响，其余指标对事故形态影响的重要程度依次为运行时段、人的因素、天气情况、季度、地区、路面状况和道路线形。由此可知，运行时段、人的因素、天气情况是最重要的3项影响因子，未来防范应紧密围绕以上3项，同时耦合季度、地区、路面状况和道路线形等因素着重展开。
| 指标名称(输入名称) | 指标重要性 | 排名 |
| 运行时段(Time) | 0.232 | 1 |
| 人的因素(People) | 0.168 | 2 |
| 天气情况(Weather) | 0.149 | 3 |
| 季度(Season) | 0.143 | 4 |
| 地区(Region) | 0.130 | 5 |
| 路面状况(Road) | 0.111 | 6 |
| 道路线形(Linear_Type) | 0.066 | 7 |
| 是否节假日(Holiday) | 0.000 | — |
| 是否春节(Spring_Time) | 0.000 | — |
| 公路技术等级(Technical_Level) | 0.000 | — |
| 公路行政等级(Administrative_Level) | 0.000 | — |
3.3.2 事故重要情景
基于事故发生形态，剖析运行时段、人的因素、天气情况这3项重要事故致因因子与其他因子间的耦合关系，提出易产生交通事故的重要情景，研究以运行时段、人的因素、天气情况为中心，结合季度、地区、道路线形、路面状况提出800 km客运班线事故重要情景。
利用Python搭建决策树模型，调用export_graphviz函数可视化结果，如图 1所示。其中，框图表示数据的判断节点，第1行表示当前节点的判断条件，第2行表示判断条件对于此节点下样本的基尼指数，第3行为当前节点的样本量。对任一节点，当进入节点样本特征满足当前节点判断条件时，样本归入下一层集的左分支，否则归入下一层集的右分支。当节点基尼指数为0或样本量小于4时，表示当前节点样本为同类别，该节点为所在分支终点。
|
| 图 1 800 km客运班线事故致因模型输出结果 Fig. 1 Output result from accident cause model for long-distance passenger line over 800 km |
| |
由图 1可知，在800 km客运班线事故中，由撞击固定物或追尾导致的占据比重很大，意味着此两种事故形态导致的交通危险处于顶端，应重点防控。此外，人的因素处于整个模型最顶端，是由于行驶中任何外部条件的叠加最终都会指向驾驶员的决策与操作。
为保证事故特征具代表性，提取决策树模型中分类数大于3的分支用于后续分析。图 2为决策树左分支(人为因素)的分支图。由图 1可知，人的因素分为7种，而操作不当(People≤1.5)导致的交通事故占到了约总数的50%(22起)，表明我国在驾驶员的驾驶技能、操作技术、规范等方面应重点加强。
|
| 图 2 模型左分支(人为因素)的主要分支 Fig. 2 Main branch of left branch (human factors) of model |
| |
分析可知天气、道路线性、路面状况存在耦合关系，在冰雪、多云、晴天(Weather≤3.5)天气条件下发生2起交通事故。数据表明事故发生在冰雪和晴天，路面状况为干燥，均发生在弯道路段。表明弯道路段是导致交通事故的重要耦合致因。在雾、阴、雨和其他(Weather>3.5)天气条件下发生交通事故数较多，证明天气因素是导致交通事故的极其重要的因素。
天气、时间存在耦合关系。雾、阴、雨和其它(Weather>3.5)天气条件发生的事故中，发生时间晚于13：00(Time>13.5)的7起交通事故均为撞击固定物导致。时间早或等于13:00(Time≤13.5)的事故中有3起因撞击固定物导致。表明驾驶员在雾、阴、雨等天气的13:00后驾驶极易发生撞击固定物的交通事故，应重点防控。
地区、道路线性、天气、路面状况存在耦合关系。发生在非西北、西南地区(Region≤5.5)，道路线形为隧道口直线路段、弯道路段和直线路段(Linear_Type>3.5)的交通事故中，3起因追尾导致，且发生在阴天，路面有积水或湿滑，其中的67%发生在弯道。表明驾驶员在阴天行驶在非西北、西南地区的弯道路段极易发生追尾事故。在西北、西南地区(Region>5.5)发生4起交通事故，其中75%事故发生在阴或雾天，且路面有积水或湿滑。表明驾驶员在阴天行驶在西北、西南地区极易发生交通事故。
图 3为决策树右分支(非人为因素)的分支图。由图 3可知，6类因非操作不当(People>1.5)导致的交通事故仅占总数的5成(26起)，表明相比操作不当，我国在驾驶员在保持安全距离、超速行驶、按规定让行、避免违法占道行驶、保持注意力集中等安全、合法驾驶的普及较好，但也需重点加强。
|
| 图 3 模型右分支(非人为因素)的主要分支 Fig. 3 Main branch of right branch (non-human factors) of model |
| |
在非操作不当(People>1.5)导致的交通事故中，时间、地形、道路线形存在耦合关系。7：00前(Time≤7.5)由追尾引起7起事故，占比较大，且多发生在华中、华南地区，83%由于驾驶人未与前车保持安全距离导致。表明在早上7：00前，驾驶员在华中、华南地区极易发生由于未与前车保持安全车距导致的追尾事故。
天气与路面情况存在耦合关系。积水、积雪、湿滑(Road>2.5)路面状况下发生了3起碰撞事故，表明驾驶员在积水、积雪、湿滑路面极易发生交通事故。冰雪、干燥路面(Road≤2.5)状况下发生的交通事故中，因不良驾驶行为(People≤4.5)发生5起追尾事故，其中2起事故发生在冰雪天气。此外，当驾驶人注意力不集中或正常操作(People>4.5)下，有3起追尾事故发生在冰雪天气。这表明冰雪天气下，驾驶员出现不良驾驶行为或注意力不集中的现象极易引发追尾事故。
基于不同的事故情景，道路运输企业应重点做好防控：(1)道路运输企业应做好客运安全管理，从源头治理安全隐患，落实安全生产主体责任，对驾驶人的违规行为、不良行为进行实时监管和处罚。(2)道路运输企业应培养驾驶人的应急避险能力，特别关注在雾、阴、雨、冰雪等特殊天气下的动态监管，重点监控驾驶人的驾驶行为与注意力集中情况，强化驾驶人在特殊天气、特殊时段的防御性驾驶方法，适当引入驾驶模拟技术，模拟天气、时间状态下的驾驶场景，此外，还应强化培训内容，增强驾驶人发生事故的应急避险能力。(3)道路运输企业应进行针对性培训教育，根据事故情景，综合考虑驾驶人及运行班线特性，针对性的培训驾驶人，针对驾驶班线中涉及西北、西南地区的，应重点培训阴天条件下的防御性驾驶方法。针对驾驶班线中涉及华中、华南地区的，应重点监控与前车的安全车距，同时重点培训发生追尾的应急避险措施。
4 结论(1) 分析800 km客运班线事故特征，基于事故中人、车、路、环境的影响因子，提取事故发生形态及致因指标，通过决策树模型构建800 km客运班线安全风险模型。结果表明在800 km客运班线事故中，撞击固定物与追尾导致的交通事故处于危险最顶端，应重点防控上述事故形态；人因是导致交通事故最重要的因素，应提升驾驶员的驾驶技能、操作技术、规范等。除是否节假日、是否春节、公路技术等级、公路行政等级外，人的因素、天气情况、季度、地区、路面状况、道路线形均存在耦合关系，其中，人因、天气、季度是最主要3项致因因子。
(2) 当前为降低800 km客运班线的事故潜在发生性，为企业安全防控提供理论依据，针对800 km事故进行研究，现有数据样本有限，事故特征指标虽具代表性但可进一步丰富，且尚未考虑企业内容安全管理问题，未来可进一步优化，结合道路运输中的人、车、路、环境、企业内部管理等因素，全面搭建800 km以上客运事故库，补充当前数据群集中提取的事故因子及重要情景。形成一套精准、全面、系统的800 km以上客运班线事故特征指标及防控措施。
| [1] |
交通运输部运输服务司. 2020年交通运输行业发展统计公报[R]. 北京: 交通运输部运输服务司, 2021. Department of Transport Services. Statistic Report of Transportation Industry in 2020[R]. Beijing: Department of Transport Services, China Ministry of Transport, 2021. |
| [2] |
CHU H C. Assessing Factors Causing Severe Injuries in Crashes of High-deck Buses in Long-distance Driving on Freeways[J].
Accident Analysis and Prevention, 2014, 62(1): 130-136.
|
| [3] |
CHANG W H, GUO H R, LIN H J, et al. Association Between Major Injuries and Seat Locations in a Motorcoach Rollover Accident[J].
Accident Analysis and Prevention, 2006, 38(5): 949-953.
DOI:10.1016/j.aap.2006.03.005 |
| [4] |
MORADI A, NAZARI S S H, RAHMANI K. Sleepiness and the Risk of Road Traffic Accidents: A Systematic Review and Meta-analysis of Previous Studies[J].
Transportation Research Part F: Traffic Psychology and Behaviour, 2018, 34(3): 194-203.
|
| [5] |
朱守胜. 基于事故树分析的营运客车交通安全风险研究[D]. 西安: 长安大学, 2016. ZHU Shou-sheng. Study on the Risk of Commercial Bus Traffic Safety Based on the Fault Tree Analysis[D]. Xi'an: Chang'an University, 2016. |
| [6] |
汪子恒, 马健霄, 周智文, 等. 基于贝叶斯网络的客运班线运输系统风险评估[J]. 物流技术, 2019, 38(5): 50-54, 87. WANG Zi-heng, MA Jian-xiao, ZHOU Zhi-wen, et al. Risk Assessment of Passenger Line Transportation System Based on Bayesian Network[J]. Logistics Technology, 2019, 38(5): 50-54, 87. |
| [7] |
ZHAO W H, ZHANG Y H, ZHAI X X. Research on the Driving Risk Assessment and the Risk Control Methodology for the Road Transportation Businesses[J].
Journal of Safety and Environment, 2018, 18(5): 1743-1748.
|
| [8] |
HU L W, YANG J Q, HE Y R, et al. Study on Vehicle Operational Risk Identification in Urban Traffic Congestion Based on Improved BP Neural Network[J].
Journal of Highway and Transportation Research and Development, 2019, 36(10): 105-113.
|
| [9] |
郑金龙, 袁家伟, 朱长安, 等. 高速公路隧道营运安全风险评价研究[J]. 西南公路, 2018(2): 2-5, 12. ZHENG Jin-long, YUAN Jia-wei, ZHU Chang-an, et al. Study on Safety Risk Assessment of Expressway Tunnel Operation[J]. Southwest Highway, 2018(2): 2-5, 12. |
| [10] |
王晓. 基于交通安全的高速公路线形设计和评价方法研究[D]. 西安: 长安大学, 2007. WANG Xiao. Research on Highway Alignment Design and Evaluation Method Based on Traffic Safety[D]. Xi'an: Chang'an University, 2007. |
| [11] |
赵颖燕, 詹维伟, 李伟伟, 等. 应用决策树预测甲状腺乳头状癌中央区淋巴结转移的研究[J]. 中国超声医学杂志, 2022, 38(1): 5-8. ZHAO Ying-yan, ZHAN Wei-wei, LI Wei-wei, et al. Study on Central Compartment Lymph Node Metastasis of Papillary Thyroid Carcinoma by Using Decision Tree[J]. Chinese Journal of Ultrasound in Medicine, 2022, 38(1): 5-8. |
| [12] |
吴潇雨, 和敬涵, 张沛, 等. 基于灰色投影改进随机森林算法的电力系统短期负荷预测[J]. 电力系统自动化, 2015, 39(12): 50-55. WU Xiao-yu, HE Jing-han, ZHANG Pei, et al. Power System Short-term Load Forecasting Based on Improved Random Forest with Grey Relation Projection[J]. Automation of Electric Power Systems, 2015, 39(12): 50-55. |
| [13] |
李苍柏, 肖克炎, 李楠, 等. 支持向量机、随机森林和人工神经网络机器学习算法在地球化学异常信息提取中的对比研究[J]. 地球学报, 2020, 41(2): 309-319. LI Cang-bai, XIAO Ke-yan, LI Nan, et al. A Comparative Study of Support Vector Machine, Random Forest and Artificial Neural Network Machine Learning Algorithms in Geochemical Anomaly Information Extraction[J]. Acta Geoscientica Sinica, 2020, 41(2): 309-319. |
| [14] |
罗芬, 王晓庆, 蔡艳, 等. 基于基尼指数的双目标CD-CAT选题策略[J]. 心理学报, 2020, 52(12): 1452-1465. LUO Fen, WANG Xiao-qing, CAI Yan, et al. A New Dual-objective CD-CAT Item Selection Method Based on the Gini Index[J]. Acta Psychologica Sinica, 2020, 52(12): 1452-1465. |
| [15] |
尚文倩, 黄厚宽, 刘玉玲, 等. 文本分类中基于基尼指数的特征选择算法研究[J]. 计算机研究与发展, 2006, 43(10): 1688-1694. SHANG Wen-qian, HUANG Hou-kuan, LIU Yu-ling, et al. Research on the Algorithm of Feature Selection Based on Gini Index for Text Cate-gorization[J]. Journal of Computer Research and Development, 2006, 43(10): 1688-1694. |
| [16] |
赵云斌, 张震, 王彦鹏, 等. 决策树分析方法在BZ油田低产低效井治理决策中的应用[J]. 化工管理, 2021(35): 197-198. ZHAO Yun-bin, ZHANG Zhen, WANG Yan-peng, et al. Application of Decision Tree Analysis Method in the Governance Decision of Low Production and Low Efficiency Wells in BZ Oilfield[J]. Chemical Enterprise Management, 2021(35): 197-198. |
| [17] |
杨泉. 一种基于决策树和词义相似度的N1+N2结构语法关系判定方法[J]. 计算技术与自动化, 2021, 40(4): 36-41. YANG Quan. Research on Judgment Method of N1+N2 Structure Grammatical Relation Based on Decision Tree and Word Semantic Similarity[J]. Computing Technology and Automation, 2021, 40(4): 36-41. |
| [18] |
孙琦, 高彦宇, 许心越, 等. 城市轨道交通精细化客流预测系统设计与实现[J]. 铁路计算机应用, 2021, 30(12): 70-78. SUN Qi, GAO Yan-yu, XU Xin-yue, et al. Refined Passenger Flow Forecasting System for Urban Rail Transit[J]. Railway Computer Application, 2021, 30(12): 70-78. |