详情

原文传递新冠肺炎疫情影响下道路交通事故变化规律研究

论文题名：	新冠肺炎疫情影响下道路交通事故变化规律研究
关键词：	新冠肺炎疫情;交通事故;事故预测;干预分析模型;突发公共卫生事件
摘要：	新冠肺炎疫情凭其传染性强和危害性大，正在改变全世界人民的生活和出行方式，世界各国为积极应对新冠肺炎疫情且采取了不同程度上的管控、封锁形式来阻止新冠肺炎蔓延。因此，疫情影响下交通出行发生了较大变化，公共交通停运、市民减少非必要出行、鼓励私家车出行等管控措施在一定程度上会对交通造成正面影响，例如汽车尾气排放减少、交通事故数量减少等。但相关研究也表明疫情同样会造成危险驾驶行为的增加、事故严重程度的上升等负面影响，疫情对交通事故的影响还存在一定的争论。目前针对我国新冠肺炎疫情影响下交通事故变化规律研究较少，进一步进行量化分析的研究更加稀缺。因此，针对我国受疫情影响城市的交通事故变化规律开展研究，建立新冠肺炎疫情对交通事故影响的干预分析模型，对定量研究新冠肺炎疫情对交通事故的影响具有重要意义。　　本研究对我国受疫情影响程度不同的两个城市进行交通事故变化特征探索，并基于W市简易交通事故数据，最终建立了新冠肺炎疫情对交通事故影响的干预分析模型。　　首先，本研究获取了W市与S市历史交通流、交通事故数据。采用大数据处理方法计算出平均行驶速度，每日交通流量等交通流相关指标；并通过QGIS及其他数据处理方法得到事故点位、每日事故数量、一般事故占比等交通事故相关指标，并搜集两市新冠肺炎疫情管控政策，构建了考虑疫情影响的交通事故数据集。　　其次，从三个层面来对交通事故特征变化进行分析：新冠肺炎疫情影响下总体趋势、2019年与2020年同期对比和新冠肺炎疫情不同管控阶段（预警、阻断、管控、复苏）。量化分析结果表明交通事故及交通流量都呈现出下降-低谷-回升的趋势，受疫情影响越严重，则该趋势持续时间越长；交通流量、事故数量在回升后，均超过往年水平；相比于2020年其他时间段，在交通管控政策逐渐放松的时间段一般事故数量占比剧烈增长，且一般事故数量回升速度较简易事故数量更快。　　接着，利用小波变换探索简易交通事故变化趋势，分别采用反向传播神经网络和长短时记忆神经网络两种机器学习方法与霍尔特温特斯模型和整合移动平均自回归模型时间序列分析方法，对不受疫情影响时间范围内的近似序列进行拟合，用于估计不受疫情影响的交通事故数量水平。建模分析结果表明，在模型拟合优度方面：反向传播神经网络＞长短时记忆神经网络＞霍尔特温特斯模型＞整合移动平均自回归模型。结合预测效果以及历史简易交通事故数量变化规律，进一步确定了选择反向传播神经网络??????1(4，10，1)预测结果，这是由于反向传播神经网络在模型拟合效果方面表现较好，且可以预测类似往年同期交通事故数量变化趋势。基于预测结果与实际数据计算残差序列，即为新冠肺炎疫情对交通事故的影响。通过对该影响进行阶段划分，结合新冠肺炎疫情交通管控政策对事故变化规律进行总结与分析。　　最后，对残差序列进行平滑处理，二阶差分后，采用滞后两阶的滑动平均模型MA（2）对残差序列进行拟合，??2=0.993，拟合优度较好。根据近似序列及残差序列拟合值建立净化序列。采用反向传播神经网络??????2(4，10，1)对净化序列进行拟合，并结合干预效应拟合式，最终建立新冠肺炎疫情对交通事故干预分析模型，模型预测结果表现较好。　　综上，本研究对我国受疫情影响程度不同的两个城市进行交通事故特征变化分析，并基于交通事故数据，最终建立了新冠肺炎疫情对交通事故影响干预分析模型，且模型预测效果较好。该模型可以用于预测重大突发公共卫生事件对交通事故造成的影响，当未来出现严重程度类似新冠肺炎疫情的重大突发公共卫生事件并采用类似严厉的交通管控政策时，可以采用该模型对交通事故数量进行预测，并为疫情不同阶段交通管控政策制定提供支持。
作者：	张奕骏
专业：	交通运输工程
导师：	张晖
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2022