考虑非均衡性的城市自行车事故骑行者伤害程度影响因素及异质性分析

摘要

为探究城市自行车事故骑行者伤害程度的影响因素，同时降低数据异质性和非均衡性对因素量化的影响。基于CRSS数据库的3 895起自行车事故，提出了一种融合重采样、潜在类别分析(LCA)和贝叶斯网络(BN)的方法。首先，采用LCA将事故数据重新划分为若干组具有组内同质性和组间异质性的子事故群，减少数据异质性的影响；其次，采用随机过采样(ROS)、合成少数类过采样技术(SMOTE)和自适应合成过采样算法(ADASYN)对各事故群重采样，减少数据非均衡性的影响；最后，基于各类重采样后的事故群，分别搭配2种BN结构学习算法和1种参数学习算法，并依据AUC值评选每类事故群的最优BN模型，实现骑行者伤害程度影响因素的定量分析和异质性分析。研究结果表明：当整体事故数据被划分为3类同质子数据群时，LCA模型的Entropy值较优，达0.943。其中C1事故群、C2事故群、C3事故群和OD事故群分别被挖掘出10、13、9和12个影响骑行者伤害程度的关键因素；将LCA和重采样引入BN,能显著提升BN模型的G-mean值、AUC值和风险因素挖掘能力；时间段、骑行者性别、骑行者年龄和天气状况等因素在不同事故群中存在明显的异质性。

关键词

交通安全 / 自行车事故 / 伤害程度 / 潜在类别分析 / Bayes网络