基于大数据可视化技术的城市交通事故分析

叶文菁　黄楠木

摘 要：针对道路交通事故频发，城市道路安全面临巨大挑战的严峻现状。本文提出了一种大数据可视化技术的城市道路事故分析模型，从影响交通安全的主要因素出发，分析挖掘道路交通事故的规律与特征，为城市道路交通安全工作带来新的机遇，同时为肃清道路安全隐患提供一定的参考作用与应用价值。研究成果一方面将有利于城市道路交通安全工作，另一方面，将有利于拓展交通惠民应用。

关键词：大数据；交通事故；时空关联性；可视化。

1引言

伴随着机动车辆数量的急剧增长，道路交通压力日益增加，道路交通事故发生率不断升高，交通安全形式日益严峻，人民生命财产安全与经济稳步快速发展之间的矛盾成为交通管理部门亟待解决的难题。

道路交通事故往往是由人、车、道路、环境等两种或多种因素共同作用的人或物遭受损失的过程。鉴于道路交通事故具有多因素性、偶然性和模糊性等特征，因此本文将建立时空关联的道路交通事故可视化分析模型，以历史道路交通事故数据为样本，多角度、多层次地分析挖掘引起道路交通事故与各个因素之间的相关性，从而揭示出各类型交通事故与影响因素之间潜在的规律与特征，辅助道路交通安全管理及事故防治。

目前，厦门交通管理面对的压力与挑战主要为：首先，有限的道路设施资源无法满足人民群众快速增长的交通出行需求；其次，道路通行效率与道路安全之间存在尖锐矛盾；再次，繁重的交通保障任务使得交警警力不足的问题日益凸显。交通安全形势不容乐观。

2影响道路交通事故的关键因素

道路交通系统是由人、车、道路、环境等因素构成的复杂动态系统。四种不同类别的因素，在构成具有特定功能的道路交通系统整体时，因素间就产生了互相作用的、不可分离的关系，任何一种要素的行为或属性的变化都不再具有独立性，而是整体对道路交通系统产生影响。世界各国的道路交通事故信息采集，即是通过各种设备和技术手段，围绕道路交通事故发生时的人、车、道路、环境因素展开调查，并最终形成统一、规范的道路交通事故数据体系的过程。

分析各影响因素对道路交通事故的作用规律和影响机理，对构建道路交通事故分析体系，提出事故影响因素指标具有十分重要的意义。

（1）人的影响因素

在影响交通安全的诸因素中，人是造成交通事故的决定因素。人的因素主要包括：年龄、性别、驾龄等。年龄影响人的感知判断及操作特性，年轻驾驶人反应和应激能力较强并不代表不易发生事故。研究显示，年轻驾驶人驾驶经验不足，驾驶习惯更为激进，因此年轻驾驶人交通事故率一般更高。在通常驾驶条件下，男女驾驶人对交通状况的处理能力差别不大，男女驾驶人的性别差异对驾驶行为的影響多数表现在对突发情况的处理和驾驶习惯上。 驾驶机动车是一项操作技能，驾驶经验的累积会使驾驶操作更适当、更准确、更娴熟，从而直接影响驾驶安全。研究不同驾龄的交通事故特征，可谓分析不同驾龄驾驶人驾驶行为、实施相应的安全管理和事故预防措施提供参考。

（2）道路因素

影响道路交通安全的道路因素包括几何特征、道路结构和路面以上的全部设施，如车道数、道路宽度、坡度。

（3）路况因素

路况对交通安全也有较大影响，主要包括流量、车速等因素。例如当路况较为拥堵时，容易引发事故。

（4）环境因素

环境也是影响道路交通事故不可忽略的因素之一。自然环境中，包括晴天、雨、雪、雾、大风等天气情况都会对道路安全造成影响。人工环境中对交通安全影响较大的主要有土地使用状况、路侧干扰、障碍物和施工区等。

3 海量的道路交通事故数据的预处理

对交通事故数据进行处理，包含事故位置（道路名称，经度，纬度），事故车辆，时间以及车辆类型、年龄、性别和司机等特征。

在本文中，我们使用以下四个数据集对事故发生和碰撞类型分析：

（1）dataset_1 包括从2016年7月到2016年12月六个月的道路交通事故数据，共38754条记录。每个记录有112个字段。

（2）dataset_2 描述事故相关的车辆和司机个人信息，记录了发生事故的司机的年龄、性别、驾龄等。

（3）dataset_3 是厦门市从2016年7月到2016年12月的天气预报数据。

（4）dataset_4 是厦门的公路网络，它包含行政区、高速公路、城市主要道路，分支道路等。

预处理阶段包括两个步骤：

路网的预处理：首先对路网进行过滤，提取厦门市岛内的主干道、次干道、桥隧以及快速路，以交叉路口为分割点，将其分割为144个路段。

路口的标记：基于处理后的路网信息，对重要路口进行标记，提取存在交通信号控制的路口作为研究对象，路口以150m为半径，共标记了98个交通路口。

事故数据清洗和预处理：第一，将三个原始数据集（Dataset_1 Dataset_2和Dataset_3）进行融合，过滤掉无用的字段，从三个数据集提取15字段。第二，对数据进行数据集成、数据转换和数据规约。

4道路交通事故的时空分析

大数据可视化分析旨在利用计算机自动化分析能力的同时，充分挖掘人对于可视化信息的认知能力优势，借助人机交互式分析方法和交互技术，将人、机的各自强项进行有机融合，辅助人们更为直观和高效地洞悉大数据背后的信息、知识与智慧。大数据可视化分析技术为交通大数据分析提供了一种直观有效的方法。它支持对结果的交互式筛选和浏览，并将复杂的交通数据及其分析结果通过可视化方式直观地展现出来。

将大数据可视化分析技术应用在道路交通事故的可视化分析中，主要通过时间、空间两个方面的进行，可以从这几方面找到规律，如事故的周期性、易发路段等。此外，在此基础上将结合时间维度与空间维度，对交通事故进行时空关联的可视化分析，更加深入的了解交通事故的时空联动特性，从而保障道路交通安全。

4.1时间维度可视化

道路交通事故的发生是复杂随机的，它受到路况、道路特征、天气等因素共同作用的影响。然而市民出行在时间上具有较强的规律性，因此有必要探讨交通事故发生的在时间维度上的特征，这里针对厦门市道路交通事故发生的时间与周期性进行探讨。

图1为交通事故时间分布曲线，展示了一天24小时中交通事故随时间的变化规律，其中红色代表工作日，绿色代表周末。从图中不难看出，工作日与周末交通事故分布具有较大差异，图1左上方的工作日交通事故曲线呈现出明显的早晚高峰特征，而左下方的周末交通事故分布曲线没有明显的早晚高峰。通过对比可以发现，周末事故高峰期相比于工作日有推迟的现象。究其原因，工作日车辆出行集中在上下班时段，此时车流量大、道路拥堵，导致交通事故量增加，而周末车辆出行时间相比于工作日较晚，且分布相对均匀。

综上，交通事故的分布与市民出行规律、车流量密切相关，车流量越大，道路越拥堵，交通事故发生的概率也越大。因此可以在事故高发时段加强交通疏导，缓解交通压力，从而降低事故发生率。

4.2空间维度可视化

针对城市的交通事故分析，提取交通事故的重要特征，包括事故点位分布、区域分布、路段分布以及路口的分布。将地图按照行政区域划分（图2（b））、路段划分（图2（c））以及路口划分（图2（d）），并且案件数量等级的划分采用“自然断点分级法”（该方法的作用是确保同等级内差异最小，不同等级间的差异最大），每个等级标记一种颜色，颜色越深，表示事故量越大。

图2展示了交通事故在点位、区域、路段、路口四个维度上的分布情况，通过图2（a）交通事故点位分布，可以从宏观上了解事故的分布规律；通过图2（b）交通事故行政区域分布，可以从宏观上了解事故的行政区域分布特性，辅助管理单位进行警力部署；通过图2（c）交通事故路段分布，可以从微观上了解事故的高发路段，结果可为公众出行进行警示，以及改善不合理交通组织；通过图2（d）交通事故路口分布，可以从微观上了解事故的高发路口，可辅助信号控制配时方案的调优。

4.3時空关联性分析

在时空关联分析方面，采用图3的（b）～（g）形式来分别表示道路一星期、24小时的交通事故状况，其呈现方式如同一个表格。其中行表示星期，7行分别表示一个星期的7天；列表示小时，24列分别表示一天的24小时。每个单元格表示某一天的某个小时发生交通事故数量，同样采用 “自然断点分级法”来进行交通事故等级的划分，每个等级标记一种颜色，颜色越深，表示事故量越大。

图3 选择的是厦门市岛内6 条有代表性的道路。通过图3（b）海沧大桥路段，可以得到事故主要发生在在工作日的早晚高峰；通过图3（c） 鹭江道轮渡码头路段，可以得到道路交通事故受到周围旅游景点的影响，主要集中在周末；通过图3（d） 同安路路段（临近两个小学），可以得到事故受到接送孩子上学的影响，事故多发时间为工作日的早上7点至7 点半之间；通过图3（e） 吕岭路路段（交通要道），可以得到全天事故都比较多，事故分布均匀；通过图3（f） 金山路路段（临近万达商圈），可以得到其事故集中在晚上和周末，与市民出行万达时间吻合；通过图3（g） 成功大道路段（快速路），可以得到交通事故较少，符合快速路交通事故规律特性。

5结论

交通数据的可视分析为交通大数据分析提供了一种直观有效的方法，支持将复杂的交通数据及其分析结果进行简化、直观表达，使结果更容易被解读，其具有广阔的应用场景，能够辅助城市交通更加安全顺畅地运行。

参考文献：

[1]孟小峰， 慈祥. 大数据管理： 概念、技术与挑战[J]. 计算机研究与发展， 2013（1）： 146-169

[2]王祖超， 郭翰琦， 袁晓如. 城市交通的可视分析研究[J]. 中国计算机学会通讯， 2013.

[3]王祖超， 袁晓如. 轨迹数据可视分析研究[J]. 计算机辅助设计与图形学学报， 2015， 01期：9-25.

[4]Xiaoliang Fan， Baoqin He et al.， Big Data Analytics and Visualization with Spatio-Temporal Correlations for Traffic Accidents， The 15th International Conference on Algorithms and Architectures for Parallel Processing （ICA3PP 2015）， Zhangjiajie， China， November 18-20， 2015.