城市道路交通事故时空分布模式分析
城市道路交通事故时空分布模式分析
城市道路交通事故时空分布模式分析吴瑞龙;朱欣焰;呙维;岳瀚;佘冰【期刊名称】《测绘与空间地理信息》【年(卷),期】2018(041)007【摘要】为分析城市道路交通事故的时空分布模式,本文基于网络空间线性最邻近指数和Knox时空检验方法,对武汉市青山区道路交通事故的热点路段分布以及时空交互模式进行检验.实验结果表明,城市道路交通事故在空间和时空层面均呈现显著聚集分布.事故热点主要分布在主干道和道路交叉口等人流量大和路网密集的区域,显著性时空交互现象发生于近时空区域内.本文结果可为交通事故防控、交通设施优化提供理论参考.【总页数】4页(P103-106)【作者】吴瑞龙;朱欣焰;呙维;岳瀚;佘冰【作者单位】武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079;武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079;地球空间信息技术协同创新中心,湖北武汉430079;武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079;地球空间信息技术协同创新中心,湖北武汉430079;武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079;武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079【正文语种】中文【中图分类】P208【相关文献】1.基于GIS的城郊公路交通事故时空分布研究 [J], 郭晓魁;李瑞;陈罗刚;乔建刚2.我国交通事故时空分布规律及其影响因素研究 [J], 方园;刘浩然;丁琴;陆畅;金含香3.山区高速公路交通事故时空分布特性与安全改善对策 [J], 田毕江;梁超;鲍彦莅;杨文臣;贾现广4.2017年我国一次死亡五人以上道路交通事故时空分布特性及预防对策研究 [J], 许诺; 马叶萍; 龚鹏飞5.高速公路交通事故时空分布特征与影响因素分析 [J], 缪建新因版权原因，仅展示原文概要，查看原文内容请购买。
中国城市道路交通安全特点解析
中国城市道路交通安全特点解析摘要：城市道路交通安全理想状态是通过有效交通管理手段使得交通方式各行其道、互不干扰。
但是，混合交通是中国城市交通典型特征，随着交通结构迅速向个体机动化转移，城市道路交通量骤增，机非冲突、人车冲突等问题长期存在；同时，交通事故时空分布更加集聚，电动自行车、货车安全隐患突出，步行交通安全发展滞后，老年群体交通安全风险快速上升等城市道路交通安全新特点也更加突出。
关键词：城市道路；交通安全；特点1城市道路交通事故特点1.1事故发生集中时间趋近于交通高峰时段。
从2007—2016年城市道路交通事故24h分布来看，城市道路早晚各有一次交通事故多发时段。
早间交通事故多发在7：00—8：00，5：00起交通事故量开始快速上升，7：00—8：00达到交通事故量高峰；晚间交通事故多发在18：00—19：00，傍晚17：00起交通事故量逐渐上升，18：00—19：00达到交通事故量高峰。
从变化趋势看，早间交通事故在时间分布上呈现更加集聚的趋势，7：00—8：00的交通事故量比例逐年攀升，由2007年4.7%上升至2016年5.9%；晚间交通事故在时间分布上呈现高峰前移的趋势，由2007年20：00—21：00前移至2016年18：00—19：00。
城市道路交通事故多发时间越来越接近道路交通量高峰时段，更增加了早晚高峰时段城市路网运行的不确定性，在承受常态性交通超负荷运行压力的同时，还需面临由交通事故造成的交通瓶颈甚至交通拥堵加剧，使城市路网变得更加脆弱。
值得注意的是，不同于公路，城市道路上交通简易事故更不容忽视。
2016年，中国道路交通简易事故为834万起，占道路交通事故总量的97.5%，其中63%的简易事故发生在城市道路。
特别是高峰时段，车辆追尾、侧向碰撞等简易事故频发，虽不涉及人员伤害，但占用大量道路资源，极易形成交通堵点乱点，造成城市交通整体运行效率下降。
1.2交叉口和非机动车道交通事故反弹趋势明显。
城市交通拥堵时空分布规律研究
城市交通拥堵时空分布规律研究城市交通拥堵早已成为现代城市发展的一大难题。
交通拥堵不仅会造成交通工具的拥堵，还会影响到城市居民的生活质量。
为了解决这个问题，许多学者开展了广泛的研究。
本文将重点探讨城市交通拥堵的时空分布规律。
一、城市交通拥堵的时空分布模式城市交通拥堵的时空分布存在一定的模式，从时间角度来看，城市交通拥堵主要集中在早晚高峰时段。
早高峰通常在早晨7点到9点之间，晚高峰则在下午5点到7点之间。
在这两个时间段内，城市内拥堵现象最为严重。
从空间角度来看，城市交通拥堵的热点区域主要集中在城市中心地区和交通干线上。
城市中心地区一般是政治、文化和商业中心，同时也是人口密度较高的区域。
因此，城市中心地区交通拥堵情况较为普遍。
交通干线上通常是连接城市各区域的主要道路，也是各种交通工具的交汇点，因此，交通拥堵情况较为明显。
二、城市交通拥堵的成因城市交通拥堵的成因是多种多样的，但主要可以归纳为以下几个方面：1.人口密集度高。
人口密集度高的区域，在同样的道路宽度下，往往会出现交通拥堵。
2.交通工具过多。
城市中机动车辆和非机动车辆数量过多，容易引起道路拥堵。
3.路面状况不佳。
城市中一些道路路面陈旧，存在坑洼和障碍，导致车辆行驶缓慢。
4.施工和事故。
城市建设持续进行，道路修建和改建工程持续进行，这些活动往往会导致路面封闭和缩小，从而引发拥堵。
同时，交通事故也会严重影响城市道路交通。
5.天气因素。
恶劣的天气条件会对城市交通产生影响，如暴雨、大雪和雾霾等不利于车辆行驶的自然气候条件，都会加剧城市交通拥堵。
三、解决城市交通拥堵的措施为降低城市交通拥堵，需要综合运用多种手段和措施。
这些措施包括：1.交通规划。
针对城市交通拥堵情况，开展科学的交通规划，通过调整道路宽度、完善交通设施、开展交通疏导等措施，提高城市道路交通的效率和通行能力。
2.公共交通发展。
适当发展和优化公共交通系统，提高其服务质量和满意度，吸引更多市民采用公共交通工具出行，降低机动车出行占比，从而减少城市交通拥堵。
城市交通拥堵的时空分析与预测
城市交通拥堵的时空分析与预测一、引言城市交通拥堵已经成为城市发展中普遍存在的问题，不断影响着城市居民的生活质量和经济发展。
如何有效地进行交通拥堵的时空分析与预测，成为摆在我们面前的重要问题。
本文将从数据来源、分析方法、预测模型等方面，对城市交通拥堵的时空分析与预测进行探讨。
二、数据来源在进行交通拥堵的时空分析与预测前，我们需要获得充足、准确、可靠的数据。
目前，常用的数据源包括交通指数、GPS轨迹数据、人工调查数据、视频监控数据等。
交通指数，是常见的对城市交通拥堵程度进行评判的指标。
美国出版的《交通拥堵指数》曾被用于众多研究中，它通过评估交通拥堵的时空特征，为城市管理者和规划者提供可靠的定量化指标。
GPS轨迹数据，是通过追踪移动媒介而记录下的位置信息。
这些数据能够提供车流量、交通速度、路径等质量高、时效性好的信息。
人工调查数据，是通过问卷调查或实地观察获取的数据。
这些数据可以提供车流量、交通状况等信息，其优点在于问卷调查可以将道路使用情况的细节纳入考虑范围，可以反映出驾驶者情感和感知上的影响。
视频监控数据，是通过路面视频监控所获取的交通情况。
这些数据可以提供车辆数量、行驶速度、道路状况等信息。
三、分析方法在获得数据后，我们需要对其进行分析处理。
常见的分析方法包括：空间自相关分析、地理加权回归分析、聚类分析、空间插值分析等。
空间自相关分析，是指寻找并描述空间现象是否存在相关性的方法。
将交通拥堵情况与城市区域划分联系起来，将城市各个区域内部的交通拥堵情况相互比较，进而得出相关关系。
这种方法能够帮助我们把握城市各区域内部的联系，更好地理解交通拥堵现象。
地理加权回归分析，是利用空间插值方法,将Sample中影响未知区域的观测值，构建权重函数来推测未知区域值的过程。
这种方法可以很好地掌握区域间的交通状况，进而预测未来的拥堵情况。
聚类分析，是将数据对象分成若干组，形成具有独特特征的集合，以便更好地发现数据的相关性和结构性特征。
基于道路网络的东莞市交通事故时空特征分析
第24卷第1期2024年1月交 通 工 程Vol.24No.1Jan.2024DOI:10.13986/ki.jote.2024.01.006基于道路网络的东莞市交通事故时空特征分析杨 素1,何 辉2,陈 鹏1,方 星3(1.中国人民公安大学信息网络安全学院,北京 102600;2.乌鲁木齐市公安局,乌鲁木齐 830022;3.东莞市公安局,东莞 523000)摘 要:以道路网络为空间尺度,对东莞市2019⁃01⁃01 2020⁃12⁃31交通事故开展时空分析,选取洛伦兹曲线及基尼系数探讨事故聚集程度,引入事故严重程度指数Si,采用自然间断点分级法对比分析事故时空分布特征.结果表明:①交通事故在道路网络中呈现出明显聚集性,工作日多个时段呈现为热点路段,休息日中事故热点减少;②加权Si 前后,事故热点分布存在差异,具体表现为工作日事故热点路段明显减少,休息日事故热点路段增多,且出现了等事故数少但事故严重程度高的路段,反映出考虑事故严重程度会得到不同时空分布特征.本文基于道路网络分析东莞市交通事故时空分布特征,为交通事故预防提供了针对性的理论参考,对改善东莞市交通状况具有一定价值.关键词:交通事故;自然间断点分级法;时空分析;事故热点;东莞市中图分类号:U 491.31文献标志码:A文章编号:2096⁃3432(2024)01⁃032⁃06收稿日期:2023⁃12⁃03.基金项目:中国人民公安大学基本科研业务费项目(2023JKF01ZK12),北京市自然科学基金面上项目(9192022).作者简介:杨素(1999 ),女,硕士,研究方向为犯罪时空研究.E⁃mail:2021211482@.通讯作者:陈鹏(1981 ),男,博士,教授,研究方向为犯罪地理和公安大数据分析研究.E⁃mail:chenpeng@.Spatial⁃Temporal Characteristics of Traffic Accidents in Dongguan Based on Road NetworkYANG Su 1,HE Hui 2,CHEN Peng 1,FANG Xing 3(1.School for Informatics Cyber Security,People’s Public Security University of China,Beijing 102600,China;2.Urumqi Public Security Bureau,Urumqi 830022,China;3.Dongguan Public Security Bureau,Dongguan 523000,China)Abstract :This paper adopts natural breaks classification method to carry out spatio⁃temporal analysis of accidents,selects Lorentz curve and Gini coefficient to mine accident aggregation characteristics of administrative division and road network,and introduces accident severity index Si,exploring the distribution of traffic accident hot spots in Dongguan from January 1st,2019to December 31st,2020.The results show that:(1)Traffic accidents show significant clustering in the road network,and other hot sections appearing at multiple times during weekdays.At the weekend,accident hotspots decrease;(2)Before and after weighted Si,there are differences in the distribution of accident hot spots,which are manifested by significant changes in the number of accident hot spots on weekdays and weekends,as well as different hot road sections,reflecting the different spatiotemporal distribution characteristics obtained by considering the severity of accidents.This article analyzes the spatiotemporal distributioncharacteristics of traffic accidents in Dongguan based on road network analysis,providing targeted theoretical reference for traffic accident prevention and has certain value in improving the traffic situationin Dongguan. 第1期杨 素,等:基于道路网络的东莞市交通事故时空特征分析Key words:traffic accident;natural breaks classification method;spatio⁃temporal analysis;accident hot spots;Dongguan0 引言近年来,我国机动车保有量和机动车驾驶人数不断上升,交通行驶环境日益复杂,交通事故频发,交通状况态势不容乐观.已有研究表明,交通事故具有一定的时间模式和空间模式,其在空间和时间上的分布具有不均匀性[1⁃3].对交通事故进行时空分析,识别事故热点并挖掘事故时空分布特征,可为交通安全管理提供科学依据,从而有针对性地制定交通安全策略和措施.学者们对交通事故的早期研究主要是将数理统计方法运用于分析事故时空分布特征[4⁃8]㊁鉴别及检验事故热点[9⁃14]等.随着对交通事故空间模式探索的深入,空间统计方法被运用于交通事故时空分析工作,具体可分为空间聚类[15⁃20]㊁核密度估计[21⁃23]等方面.张光南等[15]基于广州市交通事故空间热力图提取9个事故热点区域,通过系统聚类法分析事故影响因素,归纳出商业地区㊁市中心等3类事故高发区.柳林等[11]通过核密度估计法定性分析惠州市2010年交通事故的时空变化,发现城市空间结构会对事故发生产生影响.已有研究或是在整个研究地区内探索事故热点区域,或是基于行政区划这一空间视角,对交通事故在不同行政区划内的分布情况进行简单可视化[24],对事故时空分析的空间尺度较为单一.由于交通事故依赖于道路交通系统,其空间现象受道路网络的约束[25],部分学者尝试从道路网络的视角对交通事故展开时空分析研究,Colak等[21]引入网络空间权重,采用核密度估计法识别土耳其里泽省45km主干道上的交通事故热点;朱芳琪等[17]结合GIS与改进的时空密度聚类方法,对2016 2018年湖南省高速公路交通事故进行时空可视化统计分析并识别事故多发路段.此外,当前交通事故时空分析大多基于交通事故数展开.事实上,不同类型交通事故(如死亡事故㊁伤人事故㊁财产损失事故等)对道路交通系统的影响程度以及对人们生命健康㊁财产安全的危害程度不同,在交通事故时空分析工作中事故严重程度同样值得关注.本文在已有研究基础上,以东莞市2019⁃01⁃01 2020⁃12⁃31交通事故为研究对象,采用洛伦兹曲线及基尼系数㊁自然间断分级法,同时引入事故严重程度指数,试图从道路网络这一空间尺度揭示东莞市交通事故时空热点分布特征,为交通事故预防提供参考.1 研究区域概况与数据来源1.1 研究区域概况本文的研究区域为广东省东莞市,该市为珠江三角洲中心城市之一㊁粤港澳大湾区城市之一,是广东省重要的交通枢纽.东莞市不设区,下辖28个镇㊁4个街道㊁2个管委会㊁1个生态园.该市总面积2542.67km2,常住人口数为1043.7万人,汽车保有量超300万[26].从常住人口数量来看,东莞属特大城市,但其总面积小,使得该市人口密度大,同时汽车保有量大,交通事故频发,以东莞市为研究区域开展交通事故具有典型意义.图1 东莞市行政区划1.2 数据来源及预处理本文所用数据包括脱敏后的交通事故数据和道路网络数据.交通事故数据为2019⁃01⁃01 2020⁃12⁃31东莞市交通事故记录,共11502条,每条记录包含15个属性,可分为事故基本属性㊁环境属性㊁事故评价属性3大类.事故基本属性包含事故编号㊁事故地点㊁发生时间㊁伤亡人数等,环境属性为行政区划㊁道路养护单位等,事故评价属性则为事故类型㊁事故标签等.道路网络数据来自Open Street Map(OSM)开源地图下载平台[27],经行政边界裁剪后得到矢量路网数据,共19306条路段.根据研究区域范围进行交通事故数据筛选,删除空间位置明显偏离的事故数据67条,补全包33交 通 工 程2024年含空值的事故数据20条,剩余事故数据为11435条.通过对道路网络进行路网简化㊁拓扑检查等处理,共获取12830条路段.为了防止将偏离路段过远的事故点匹配至路段上,通过将事故点投影至最近路段,得到每一事故点至最近路段的距离,统计该距离的累计频率分布,假定距离小于d 的事故点占所有数据点的80%,则设置d 为缓冲区宽度,将对应的投影点作为新的交通事故数据点,删除其余不位于缓冲区内的交通事故数据点.通过统计,确定缓冲区宽度为176m,共获得9148条交通事故点的路段匹配结果.2 研究方法2.1 研究框架本文首先对东莞市交通事故数据及道路网络数据进行预处理,将交通事故点匹配至相应路段;其次,选取洛伦兹曲线及基尼系数定性㊁定量分析事故聚集特征,在自然间断点分级法的基础上引入事故严重程度指数Si,将一周分为工作日㊁休息日,1d 分为00:00 06:00㊁06:00 12:00㊁12:00 18:00㊁18:00 24:004个时段,对比分析加权Si 前后,不同时段下道路网络的事故时空分布特性.具体研究框架如图2所示.图2 研究框架2.2 洛伦兹曲线与基尼系数作为研究国民收入在国民之间的分配不均等问题的坐标图形和分析指标,洛伦茨曲线与基尼系数已被广泛应用于经济社会发展的各个领域[28].本文采用洛伦兹曲线与基尼系数分析事故在道路网络中的聚集特征,事故洛伦茨曲线是根据事故累积百分比和道路网络累积百分比绘制的曲线,定性刻画了事故分布的不均匀程度.由洛伦兹曲线可计算得出基尼系数,基尼系数的取值位于0~1之间,且越接近1时事故聚集程度越高[29],见式(1):G =1-∑N -1i =1(M i +1-M i )(N i +1+N i )-M 1N 1(1)式中,M i 为第i 个道路网络的事故累积百分比;N i 为对应道路网络的累积百分比.2.3 引入事故严重程度指数的自然间断点分级法自然间断点分级法基于数据中固有的自然分组,对相似值进行最恰当的分级,并使各个类之间的差异最大化[30],已被广泛应用于空间数据分类[31⁃33].本文采用自然间断点分级法划分道路网络中的事故热点分布等级,同时引入事故严重程度指43 第1期杨 素,等:基于道路网络的东莞市交通事故时空特征分析数,分析事故时空分布特征.为区分事故严重程度,参考我国道路交通事故等级的相关标准,根据伤亡人数和经济损失计算事故严重程度指数,由于东莞市交通事故数据中包含每次事故的死亡人数㊁受伤人数,缺乏经济损失数据,见式(2):Si =A 1W +A 2Q +A 3Z(2)式中,S i 为第i 起事故的事故严重程度指数;W 为死亡人数;Q 为受伤人数;A 1㊁A 2为死亡人数㊁受伤人数的权重系数,设置为0.5㊁0.1;A 3为经济损失的权重系数,设置为0.05;Z 为是否为财产损失事故,若为财产损失事故,则取1,若为死亡事故或伤人事故,取0.3 结果及分析3.1 道路网络事故聚集特征根据交通事故点的道路网络匹配结果,统计每一路段包含的交通事故数,以每10起事故为统计区间将其分成13类,得到道路网络上的事故分布情况,如图3所示.可以看出,0~10起区间内的路段一共有1876条,占路段总数的87.91%,而交通事故数大于40起区间内分布的路段均为个位数,呈断崖式减少.图3 道路网络事故分布根据道路网络事故数量绘制洛伦茨曲线,得到结果如图4所示.同时,计算得到基尼系数为0.89,说明道路网络中不同路段上的交通事故数差距较大,绝大部分交通事故仅聚集在极少路段中,交通事故在道路网络中的聚集程度很高.3.2 事故时空热点分布针对道路网络,将1d 分为00:00 06:00㊁06:00 12:00㊁12:00 18:00㊁18:00 24:004个时段,分别绘制交通事故数和对其加权Si 后的时空热点分布图,通过分级设色可视化自然间断点分级法图4 道路网络事故洛伦兹曲线划分后的事故热点等级,如图5~8所示.可以看到,在工作日中,由于夜晚睡眠和白天工作,00:0006:00㊁12:00 18:00的事故量较小㊁热点路段较少;受早高峰影响06:00 12:00事故热点路段有所增加;18:00 24:00,多个等级为高的交通事故热点分布于东莞市各地.在道路网络中部分路段出现了热点聚集,如虎门港高速及其周边的西坊路㊁滨海大道㊁京港澳高速等.而加权Si 后,道路网络中的事故热点路段明显减少,说明工作日虽易发生交通事故,但大多数事故的严重程度较低.在休息日中,等级为高的事故热点路段整体较少并稀疏分布于不同时段,其中包含位于东莞市人民政府附近的体育路以及位于珠三角环线高速旁的长恩路,以及虎门镇内的怀林路㊁上南路等.与工作日不同的是,休息日加权Si 后道路网络中热点路段开始增多,主要体现在0~6时,其中新星路发生过1起事故严重程度指数为2的特大交通事故㊁塘龙中路发生过1起事故严重程度指数为1.5的特大交通事故.4 讨论4.1 道路网络事故聚集程度分析从定性的角度观察洛伦兹曲线发现,交通事故在道路网络上的分布均呈现出聚集性,而从定量的角度计算基尼系数,得到道路网络基尼系数为0.89,属于 差距悬殊”[29],说明道路网络中事故聚集现象明显,可将交通事故预防的视角聚焦于这一空间尺度,通过热点分析明确道路网络中的事故高发路段,以此为基础,后续可着重调查这部分路段的事故原因并采取相应措施,如:对热点路段进行监测,排除可能引发交通事故的道路因素(如道路线性设计㊁路面破损㊁标志标线不清晰等)及环境因素53交 通 工 程2024年图5 工作日道路网络事故热点分布图6 加权Si后的工作日道路网络事故热点分布图7 休息日道路网络事故热点分布(如照明不佳㊁存在视线遮挡物等),并设立警示牌提醒驾驶员小心驾驶.若某条路段常因超速引发交通事故,则可通过调整路段限速㊁增设测速仪等措施避免事故发生,从而有针对性的达到较好事故预防效果.图8 加权Si后的休息日道路网络事故热点分布4.2 加权Si前后事故分布差异性分析加权Si前后事故热点则分布在不同路段上,呈现出明显差异,加权Si前后,事故热点分布存在差异,具体表现为工作日事故热点路段数明显减少,事故热点等级较高的路段数也有所降低;休息日事故热点路段增多且部分路段热点等级升高.工作日中,加权Si前,位于虎门镇的虎门港高速㊁滨海大道㊁西坊路;位于厚街镇的康乐南路;位于清溪镇的清溪广场路等路段在多个不同时段呈现事故热点.加权Si后,以上路段的热点等级降低,说明该部分路段虽时有事故发生,但事故总体严重程度不高.可加大监督执法力度,增设交通摄像头㊁测速仪等,进一步规范驾驶员驾驶行为,同时可通过完善隔离设施,优化行驶环境.休息日中,出现新星路㊁塘龙中路等事故数少但严重程度高的路段,同时有部分路段的事故热点等级升高,说明少数路段交通事故数量不多但事故较为严重,加权Si后该部分路段呈现事故热点,可重点查明事故原因,关注易引发严重交通事故潜在因素,对路段采取针对性事故防范措施,降低重复发生严重事故的可能性.5 结论与展望针对东莞市2019⁃01⁃01 2020⁃12⁃31交通事故,本文通过洛伦兹曲线与基尼系数定性㊁定量地分析事故聚集特征,引入事故严重程度指数Si,利用自然间断点分级法,分析道路网络中的事故时空热点分布情况,主要结果如下:1)交通事故在道路网络中呈现出明显聚集性,大部分交通事故聚集在少数路段中,工作日中主要包含虎门港高速㊁滨海大道㊁西坊路㊁沿江高速等事63 第1期杨 素,等:基于道路网络的东莞市交通事故时空特征分析故热点路段,休息日中主要包含长安隧道㊁滨江东路等事故热点路段,总体而言,休息日的热点路段数量少于工作日.2)加权Si会对道路网络上的事故热点分布结果产生一定影响,加权Si后,工作日事故热点路段明显减少,虎门港高速㊁滨海大道等路段事故热点等级降低,休息日事故热点路段增多,出现了新星路㊁塘龙中路等事故数少但事故严重程度高的路段.此外,通过观察热点路段的道路类型及周边环境发现:事故热点路段中,各镇街一般城市道路数量最多,其中部分事故地点位于道路交叉口附近;其后依次为国省道㊁城市快速路㊁高速公路.同时,热点路段周边主要分布有景区㊁公园㊁产业园㊁工业园㊁公司㊁工厂㊁学校㊁住宅区㊁商业城等.将道路类型及周边环境等因素作为特征输入,通过对比学习模型识别事故热点相似路段,可为交通事故预防提供参考.本文仍存在一定不足.首先,本文采用自然间断点分级法在道路网络上得到分散的热点路段,事实上,一条路段上的交通状况(如交通拥堵)会沿着道路网络传播至相邻路段,后续可探索采用其他时空分析方法,在道路网络上获取连续的热点分布变化.参考文献:[1]Black W R.Highway accidents:A spatial and temporal analysis[J].Transportation research record journal of the transportation research board,1991,1318:75⁃82. [2]Xie Z,Yan J.Detecting traffic accident clusters with network kernel density estimation and local spatial statistics:an integrated approach[J].Journal of Transport Geography,2013,31:64⁃71.[3]梁艳平,邵春福.交通事故信息管理与时空分布分析[J].中国安全科学学报,2005(2):6.[4]陈宽民,王玉萍.城市道路交通事故分布特点及预防对策[J].交通运输工程学报,2003(1):84⁃87. [5]谢勇,张健,杨立锋,等.基于k⁃均值聚类算法的吉林省高速公路交通事故时空分布特征分析[J].气象灾害防御,2022(2):34⁃39.[6]马壮林,张宏璐,谭晓伟.高速公路连续下坡路段交通事故时空分布特征研究[J].中国安全科学学报,2014(5): 85⁃91.[7]马壮林,邵春福,董春娇,等.基于累积Logistic模型的交通事故严重程度时空分析[J].中国安全科学学报,2011(9):94⁃99.[8]马壮林,邵春福,胡大伟,等.高速公路交通事故起数时空分析模型[J].交通运输工程学报,2012(2):93⁃99. [9]Anderson T K.Kernel density estimation and K⁃meansclustering to profile road accident hotspots[J/OL].Accident Analysis&Prevention,2009,41(3):359⁃364. [10]管满泉.交通事故多发点鉴别方法的比较研究[J].公路,2009(4):191⁃195.[11]柳林,宋广文,周素红,等.城市空间结构对惠州市中心城区交通事故影响的时间差异分析[J].地理科学,2015(1):75⁃83.[12]Shen L,Lu J,Long M,et al.Identification of accidentblackspots on rural roads using grid clustering andprincipal component clustering[J/OL].MathematicalProblems in Engineering,2019:1⁃12. [13]孟祥海,覃薇.基于统计及假设检验的高速公路事故多发点分析[J].中国安全科学学报,2017(5):158⁃163. [14]吴瑞龙,朱欣焰,呙维等.城市道路交通事故时空分布模式分析[J].测绘与空间地理信息,2018(7):103⁃106.[15]张光南,钟俏婷,杨清玄.交通违法事故时空分布特征及其影响因素 以广州市为例[J].交通运输系统工程与信息,2019(3):208⁃214.[16]Shafabakhsh G A,Famili A,Bahadori M S.GIS⁃basedspatial analysis of urban traffic accidents:Case study inMashhad,Iran[J/OL].Journal of Traffic andTransportation Engineering(English Edition),2017,4(3):290⁃299.[17]朱芳琪,邱泽航,张泽旭.基于GIS的高速公路交通事故时空分析系统[J].公路与汽运,2023(2):25⁃31.[18]Qiu C,Xu H,Bao Y.Modified⁃DBSCAN clustering foridentifying traffic accident prone locations[C]∥International Conference on Intelligent Data Engineeringand Automated Learning.Cham:Springer InternationalPublishing,2016:99⁃105.[19]Figuera C,Lillo J M,Mora⁃jimenez I,et al.Multivariatespatial clustering of traffic accidents for local profiling ofrisk factors[C/OL]∥201114th International IEEEConference on Intelligent Transportation Systems(ITSC).Washington,DC,USA:IEEE,2011:740⁃745[2023⁃05⁃12].http:∥/document/6082946/.[20]王少帆,魏福豪,黄世雨,等.基于图密度峰值聚类算法的热点路段发现[J].中国传媒大学学报(自然科学版),2023(1):31⁃38.[21]Colak H E,Memisoglu T,Erbas Y S,et al.Hot spotanalysis based on network spatial weights to determinespatial statistics of traffic accidents in Rize,Turkey[J/OL].Arabian Journal of Geosciences,2018,11(7):151.(下转第44页)73交 通 工 程2024年[C]∥Annual Meeting of Transportation Research Board.2006.[5]张玉红,尹小庆,莫宇迪,等.考虑行程时间可靠性的城市公交网络抗毁性研究[J].计算机应用研究,2020,37(S2):34⁃40.[6]周雨阳,姚琳,赵晋,等.基于IC 卡数据的多模式公交相对可靠性评价[J].北京工业大学学报,2017,43(8):1227⁃1233.[7]李军,邓育新,黄柳红.基于服务可靠性的公交到站时刻表编排与评价[J].中山大学学报(自然科学版),2020,59(5):86⁃94.[8]杜雨威.城市公共交通服务可靠性评价方法研究[D].大连:大连海事大学,2013.[9]Varga B,Tettamanti T,Kulcsár B.Optimally combinedheadway and timetable reliable public transport system [J].Transportation Research Part C:Emerging Technologies,2018,92:1⁃26.[10]Borjesson M,Eliasson J,Franklin J.The value of traveltime reliability for transit passengers [C ]∥European Transport Conference,2010Association for European Transport (AET),2010.[11]罗霞,高源,刘硕智,等.基于AVL 数据的公交运行可靠性评价及影响因素分析[J].计算机应用研究,2017,34(10):2960⁃2963.[12]朱家哲,赖元文.道路拥堵程度对公交行程时间可靠性的影响研究[J].交通工程,2017,17(3):47⁃52.[13]王玲,王艳丽,戚新洲,等.基于GPS 的常规公交行程时间可靠性因素分析[J].武汉理工大学学报(交通科学与工程版),2022,46(1):1⁃5.[14]Nguyen K T P,Medjaher K.A new dynamic predictivemaintenance framework using deep learning for failure prognostics[J].Reliability Engineering &System Safety,2019,188:251⁃262.[15]罗建平,张燕忠,杨森彬.基于PSO⁃LightGBM 的公交行程时间预测[J].交通工程,2023,23(2):39⁃48.[16]Yu Z,Wood J S,Gayah V ing survival models toestimate bus travel times and associated uncertainties[J].Transportation Research Part C:Emerging Technologies,2017,74:366⁃382.[17]Pan J,Dai X,Xu X,et al.A self⁃learning algorithm forpredicting bus arrival time based on historical data model [C]∥2012IEEE 2nd International Conference on Cloud Computing and Intelligence Systems.IEEE,2012,3:1112⁃1116.[18]Agafonov A,Yumaganov A.Bus arrival time predictionwith LSTM neural network [C ]∥Advances in NeuralNetworks⁃ISNN 2019:16th International Symposium on Neural Networks,ISNN 2019,Moscow,Russia,July 10⁃12,2019,Proceedings,Part I 16.Springer International Publishing,2019:11⁃18.[19]Lin W H,Bertini R L.Modeling schedule recoveryprocesses in transit operations for bus arrival time prediction [J ].Journal of Advanced Transportation,2004,38(3):347⁃365.[20]Chen X,Yu L,Zhang Y,et al.Analyzing urban bus servicereliability at the stop,route,and network levels [J ].Transportation research part A:policy and practice,2009,43(8):722⁃734.(上接第37页)[22]Chen H.Black spot determination of traffic accidentlocations and its spatial association characteristic analysisbased on GIS[J /OL].Journal of Geographic Information System,2012,4(6):608⁃617.[23]杨欣玥,洪千汇,方德正,等.交通事故时空分布特征研究[J].交通世界,2022(Z1):7⁃10.[24]张云菲,张泽旭,朱芳琪.利用时空密度聚类的高速公路交通事故黑点路段鉴别[J].测绘通报,2022(10):73⁃79.[25]Yamada I,Thill J C.Local indicators of network⁃constrained clusters in spatial point patterns [J ].Geographical analysis,2007,39(3):268⁃292.[26]东莞市统计局.2022年东莞市国民经济和社会发展统计公报[EB /OL].http:∥ /tjzl /tjgb /content /post_4001196.html,2023.[27]Open Street Map [Z].https:∥ /.[28]刘孝奎,吴强.正确运用洛伦茨曲线和基尼系数调节收入分配[J].兵团职工大学学报,1999(4):5⁃7.[29]国家统计局.领导干部知识问答第2版[M].北京:中国统计出版社,2021.[30]李乃强,徐贵阳.基于自然间断点分级法的土地利用数据网格化分析[J].测绘通报,2020(4):106⁃110.[31]卢瑜,向平安,余亮.中国有机农业的集聚与空间依赖性[J].中国生态农业学报:中英文,2021(3):440⁃452.[32]张雪玲,吴恬恬.中国省域数字经济发展空间分化格局研究[J].调研世界,2019(10):34⁃40.[33]陈健.地缘环境单元划分方法研究[D].北京:解放军信息工程大学,2015.44。
《2024年高速公路交通事故时空分析模型及其预防方法》范文
《高速公路交通事故时空分析模型及其预防方法》篇一一、引言高速公路作为现代社会快速、高效的交通通道，在运输人员和物资方面起着举足轻重的作用。
然而，由于车流量大、车速快等特点，高速公路上的交通事故也时常发生，对人民生命财产安全造成极大威胁。
因此，分析高速公路交通事故的时空特征，建立事故分析模型，以及制定有效的预防措施，成为交通管理部门亟待解决的课题。
二、高速公路交通事故的时空特征分析1. 事故的时空分布特征通过对大量高速公路交通事故数据进行分析，我们发现事故在时间上通常集中于早晚高峰时段及特殊气象条件下，如大雾、雨雪等恶劣天气。
空间上，事故高发区主要集中在路段的弯道、坡道、桥梁等特殊路段以及交通流量较大的交汇处。
2. 事故类型及成因分析高速公路交通事故类型多样，包括追尾、侧翻、碰撞固定物等。
其成因主要涉及人、车、路和环境四个方面。
如驾驶员疲劳驾驶、超速行驶、车辆故障等人为因素，以及恶劣天气等环境因素均是引发事故的重要原因。
三、高速公路交通事故时空分析模型构建1. 数据来源与预处理通过整合交通管理部门的官方统计数据及各交通检测设备的实时数据，包括交通流量、车速、气象数据等，对数据进行清洗、整合和预处理。
2. 模型构建基于时空地理信息系统（GIS）技术，结合统计学原理和机器学习算法，构建高速公路交通事故时空分析模型。
该模型能够根据历史事故数据和实时交通数据，分析预测特定时间点及路段的交通事故风险等级。
四、预防方法的制定基于高速公路交通事故时空分析模型的分析结果，采取以下预防措施：1. 针对事故高发时段和路段，加强交通监管力度，提高巡逻频次，及时发现和处理交通违法行为。
2. 通过媒体、公告等方式加强驾驶员的交通安全教育，提高驾驶员的安全意识和驾驶技能。
3. 完善道路设施，如增设警示标志、改善照明设施等，以减少事故发生的可能性。
4. 强化车辆维护保养制度，确保车辆在良好的技术状态下运行。
5. 针对恶劣天气条件下的行车安全，提前发布预警信息，引导驾驶员谨慎驾驶。
城市交通事故的空间分布特征研究
城市交通事故的空间分布特征研究近年来，随着城市化进程的不断加速，城市交通事故频发成为一大社会问题。
城市交通事故的空间分布特征研究，对于我们了解事故发生的规律，进一步采取有效措施预防和减少交通事故的发生具有重要意义。
首先，城市交通事故的空间分布呈现出明显的集聚性。
根据统计数据，大多数城市交通事故发生在繁华的路段和交叉口附近。
这是因为繁华的路段人流量大，车辆车流量大，交叉口交通信号复杂，容易造成交通堵塞和交通规则的纠纷，从而导致交通事故的发生概率增加。
此外，高速公路的出入口附近也是事故高发区，这是因为出入口处车辆速度较快，驾驶员视野相对受限，在匆忙之中容易发生交通事故。
其次，城市交通事故的空间分布还与道路条件和道路环境有关。
道路狭窄、弯道多、坡度大的区域容易发生交通事故。
这是因为在这些道路条件下，车辆行驶的空间和视野都受到限制，驾驶员的判断和反应时间减少，导致交通事故的概率升高。
此外，交通事故还与道路的标线、标识、灯光等设施有关。
道路标线清晰、标识醒目、灯光充足的地方交通事故发生率相对较低，而缺乏标线、不明显的标识和不足的灯光会增加交通事故的发生概率。
再次，城市交通事故的空间分布还与城市规划布局有关。
城市交通事故高发区往往是城市中心区域和人口密集的地方，这是因为这些区域交通流量大、交通密度大，同时也是商业中心和居住区集中的地方，行人和车辆密度高，交通事故发生的可能性也相对较高。
此外，城市交通事故还与路网结构有关。
有些城市路网复杂、交叉口密集，容易造成驾驶员的迷失和交通拥堵，进而增加交通事故的概率。
最后，城市交通事故的空间分布也与驾驶员行为有关。
一些驾驶员存在超速、违章变道、酒驾和疲劳驾驶等不良驾驶行为，这些行为容易导致交通事故的发生。
统计数据显示，事故高发区域往往是驾驶员交通违法行为较为严重的地方。
综上所述，城市交通事故的空间分布特征研究对我们制定科学的交通安全管理措施和规划城市道路具有重要意义。
通过对交通事故的空间分布规律的深入研究，我们可以找出高发区域和高发原因，从而有针对性地采取相应的措施。
交通拥堵时空分布特征与模拟分析
交通拥堵时空分布特征与模拟分析随着城市化进程的不断加速，交通拥堵已经成为城市中常见的问题之一。
在交通拥堵问题的解决中，了解交通拥堵的时空特征和通过模拟分析来改善交通拥堵问题已经成为一个很重要的方法。
因此，本篇文章将会探讨交通拥堵的时空分布特征和模拟分析。
一、时空分布特征1. 交通拥堵的高峰期交通拥堵的高峰期通常出现在早上上班时间和下班时间，以及周末和假期的早晚高峰。
在这些高峰期间，人们出行的需求量变大，道路承载量无法满足需求，从而导致了交通拥堵的出现。
2. 交通拥堵的空间分布交通拥堵的空间分布也受到地理位置的影响。
城市中心和繁华商业中心通常是交通拥堵的中心区域，这些区域通常是人流和交通流量最大的地方。
此外，大型交通枢纽和高速公路入口也是交通拥堵的常见地点。
3. 交通拥堵的原因交通拥堵的原因有很多种，包括道路狭窄、人口密集、车流量大以及交通规划不合理等。
当车流量大于道路承载量时，交通拥堵就会出现。
二、模拟分析1. 交通模拟软件交通模拟软件是通过建立交通流模型，对交通拥堵进行模拟实验和分析的工具。
目前市场上较为主流的交通模拟软件包括VISSIM、SUMO、AIMSUN等。
这些软件可以通过输入不同的参数进行模拟实验，从而找出降低交通拥堵的最优方案。
2. 交通模拟的基本流程交通模拟的基本流程包括需求模拟、网络模拟、交通流模拟和评估分析。
其中，需求模拟主要是预测人流和交通流量，网络模拟是对道路网络进行仿真建模，交通流模拟是通过建立交通流模型进行交通仿真，评估分析则是对模拟结果进行评估和分析。
3. 交通模拟的应用交通模拟可以帮助规划人员寻找降低交通拥堵的最优方案。
例如，通过模拟实验寻找新的公共交通线路或者调整道路交通流量，可以有效减少交通拥堵。
此外，交通模拟也可以帮助应急管理人员进行交通疏导，例如通过模拟实验判断交通重点区域的疏导路线和疏导方案。
三、结论交通拥堵已成为城市化发展的常见问题之一。
了解交通拥堵的时空特征和模拟分析已经成为解决交通拥堵问题的一个关键方法。
时空视角下城市道路交通拥堵状态分析
时空视角下城市道路交通拥堵状态分析摘要：随着社会经济的发展，车辆使用率急剧增加，道路通行能力不足，道路流线设计不合理等原因导致交通拥堵问题日益加剧，极大地阻碍了当今社会生产力的发展和人们生活品质的提高。
本文以时空视角对城市交通拥堵状态展开深入研究与分析，结合社会实际为缓解交通拥堵问题提供有力依据，以期提高城市交通系统效率。
关键词：交通拥堵；时空变化；特性分析1.研究背景及现状20世纪80年代以来，国民经济的突飞猛进加快了城市化进程和汽车产业的发展，城市人口数量剧增，流动性增大，人们生活水平的不断提高加重了对机动化出行的需求。
虽然我国在城市道路交通建设与汽车供给方面进行了一系列调整措施，但城市的发展速度仍低于汽车产业的发展，发展不平衡的车路关系直接或间接的产生了社会、经济、环境等城市问题，我国社会生产力在交通拥堵的影响下受到制约，给人们的工作和生活的出行带了困扰，同时降低了人们的时空变化效率，降低了城市生活质量。
如何有效地缓解我国当前的交通拥堵状况，提高居民的出行效率已经迫在眉睫。
对于交通拥堵的解决措施，要柔性化管理，要理清交通拥堵时的时空变化机理，结合居民出行时空变化机理，找准问题，究其原因，以人为本，对症下药，从而实现我国城市经济和社会的可持续发展。
2.交通拥堵时间变化分析2.1交通指数交通拥堵指数又称交通运行指数(Traffic Performance Index(TPI))，是北京市首创的综合反映道路网畅通或拥堵的概念性数值，简称交通指数。
交通指数取值范围为0至10，每2个数一等级，分别对应"畅通"、"基本畅通"、"轻度拥堵"、"中度拥堵"、"严重拥堵"五个级别，数值越高，表明交通拥堵状况越严重。
交通指数是对分布在城市大街小巷的动态车辆位置信息(简称浮动车数据)进行深入加工处理获得的，在北京是通过全市3万多辆出租车上的车载GPS回传动态数据给数据处理中心。
城市交通拥堵的时空动态演化分析
城市交通拥堵的时空动态演化分析城市交通拥堵是当代城市面临的一大挑战，它给城市发展和居民生活带来了诸多负面影响。
为了更好地了解和解决城市交通拥堵问题，有必要进行时空动态演化分析。
本文将从交通拥堵的定义、原因、影响以及解决方案等方面进行分析，希望能为进一步研究和改善城市交通拥堵提供一些参考。
首先，我们需要明确交通拥堵的定义。
交通拥堵是指交通流量过大、通行能力不足以满足需求，导致交通速度下降、通行时间延长，车辆排队现象严重的交通状态。
交通拥堵不仅是在特定时间和地点出现，而且具有时空动态变化的特性。
因此，我们需要通过时空动态演化分析来进一步了解交通拥堵的规律和特点。
其次，需要探讨交通拥堵的原因。
交通拥堵的原因复杂多样，既包括宏观的城市规划和交通规划问题，也包括微观的个体行为和车辆配备等问题。
城市发展过快、交通网络不完善、公共交通系统不健全等因素会导致交通拥堵加剧。
此外，个体的行为如违法停车、堵塞交叉口等也是交通拥堵的原因之一。
通过时空动态演化分析，我们可以深入理解不同原因对交通拥堵的影响程度及其演化规律，为制定针对性的解决方案提供指导。
进一步，我们还需关注交通拥堵对城市发展和居民生活带来的影响。
交通拥堵不仅影响人们的出行效率，也对环境、经济和社会产生了诸多负面影响。
交通拥堵会导致车辆排放增加，加剧空气污染；交通速度下降，浪费了大量的时间和燃料资源；同时也给紧张的城市节奏带来了压力。
时空动态演化分析可以帮助我们定量地评估这些影响，并为选择合适的解决方案提供科学依据。
最后，我们可以通过时空动态演化分析来寻找解决交通拥堵问题的方式。
首先，城市交通规划应注重提高交通网络的连接性和通行能力，优化道路布局和交叉口设计。
其次，加强公共交通建设，提升公共交通服务水平，鼓励更多的居民选择公共交通出行。
此外，政府还可以推动交通拥堵的分时段分流、限行政策等，以减少高峰期的交通压力。
更重要的是，个体行为的改变也是解决交通拥堵的关键，鼓励人们共乘、步行和骑行等出行方式可以有效降低交通拥堵问题。
城市交通出行需求的时空特征分析
城市交通出行需求的时空特征分析城市交通是城市运行的重要组成部分，而交通出行需求的时空特征则能够直接影响城市交通的规划与发展。
对于城市交通出行需求的时空特征进行分析，不仅能够帮助我们更好地了解城市居民的出行行为，还能够为城市交通规划与出行政策的制定提供科学依据。
时空特征一：出行时间城市居民的出行时间呈现出明显的高峰与低谷。
根据实际调查数据，城市的交通出行高峰通常出现在早上和下午的上下班时间段，这是由于大部分居民需要在这个时间段前往工作地点或学校。
而在其他时间段，如中午和晚上，出行需求则相对较低。
此外，周末和节假日的出行时间分布也有所不同，通常呈现出均匀分布，这与工作日的出行需求有所区别。
因此，在城市交通规划中，应该根据不同时间段的交通出行需求，采取不同的交通管理措施和政策。
时空特征二：出行距离城市居民的出行距离可以分为短距离出行和长距离出行两种情况。
短距离出行主要指的是居民在邻近地区的出行，如购物、就餐、娱乐等。
这种出行需求通常步行、自行车或公共交通工具即可满足。
而长距离出行则主要指的是居民跨区域或跨城市的出行需求，如远程通勤、旅游等。
这种出行通常需要借助私家车、高速铁路等快速交通工具。
因此，在城市交通规划中，应该根据不同的出行距离，提供不同的出行方式选择，以满足居民的出行需求。
时空特征三：出行方式城市居民的出行方式多样化，主要包括步行、自行车、公共交通工具和私家车等。
对于短距离出行，步行和自行车是最常见的出行方式。
这种出行方式不仅可以减少交通拥堵，还能够提高居民的健康水平。
而对于长距离出行，公共交通工具和私家车则是最为常用的方式。
公共交通工具能够提供便捷的出行服务，减少城市交通压力，而私家车则能够提供更加个性化和舒适的出行体验。
在城市交通规划中，应该鼓励居民选择可持续的交通方式，降低私家车出行的比例，以减少交通拥堵和环境污染。
时空特征四：交通流量城市的交通流量是衡量交通拥堵程度的重要指标之一。
根据街道、路口和交通枢纽的交通流量统计数据，可以分析出城市交通流量的高峰时段和高峰路段。
基于时空数据的交通事故预测与分析
基于时空数据的交通事故预测与分析随着城市化进程的加快和交通工具的普及，交通事故已经成为当前社会面临的一个严重问题。
为了减少交通事故的发生和预防交通事故的发展，建立一个基于时空数据的交通事故预测与分析系统具有重要的现实意义。
本文将介绍基于时空数据的交通事故预测与分析方法，并探讨其在交通安全管理中的应用。
首先，基于时空数据的交通事故预测主要利用历史交通事故数据以及其他与交通事故相关的数据（如道路信息、天气条件等）来发现事故发生的规律和影响因素。
通过对这些数据的分析与建模，可以预测未来交通事故的发生概率和影响范围。
具体而言，交通事故预测与分析模型可以通过以下几个步骤实现：首先，收集和整理历史交通事故数据。
这些数据包括事故的时间、地点、人员伤亡情况等信息。
同时，还需收集其他与交通事故相关的数据，如道路信息、交通流量、天气条件等。
这些数据是建立预测模型的基础。
其次，对数据进行清洗和预处理。
由于数据来源的不确定性和错误性，需要对数据进行清洗，去除异常值和缺失值。
同时，还需进行特征工程，提取出对交通事故发生具有影响的因素。
这些工作是模型建立的关键。
然后，选择合适的模型进行建立和训练。
常用的模型包括回归模型、决策树模型、神经网络模型等。
根据实际情况选择适合的模型，并通过训练数据对模型进行训练和参数优化。
训练过程中还需考虑模型的泛化能力，避免过拟合或欠拟合。
最后，使用训练好的模型进行交通事故预测与分析。
根据预测结果，可以评估不同地区、时间段和气象条件下交通事故发生的风险程度。
同时，还可对交通事故的影响因素进行分析，为交通管理部门提供决策支持，制定交通安全管理措施。
基于时空数据的交通事故预测与分析方法在交通安全管理中具有重要的应用价值。
首先，它可以帮助交通管理部门制定更科学合理的交通安全规划。
通过预测交通事故的发生概率和影响范围，可以加强交通疏导和路网优化，提高交通安全水平。
其次，基于时空数据的交通事故预测与分析方法还可以用于交通事故的预警和应急管理。
道路交通事故的动态时空分布特征研究
道路交通事故的动态时空分布特征研究道路交通事故是一个严重的社会问题，不仅造成大量人员伤亡和财产损失，还给社会带来了各种负面影响。
为了减少交通事故的发生，必须深入研究事故发生的动态时空分布特征。
本文将从事故类型、地理区域和时间维度等方面进行分析，以期为交通安全管理和交通规划提供参考。
一、事故类型的时空分布特征不同类型的交通事故在时空上有各自的分布特征。
例如，城市道路上的碰撞事故多发生在路口，这与路口交通流量大、车辆行驶速度快有关。
而在乡村地区，碰撞事故则多发生在弯道和坡道上，这与乡村道路的设计和交通管理有关。
此外，酒后驾驶事故更容易发生在夜间，而行人事故则多发生在清晨和黄昏时段。
了解不同类型的事故时空分布特征，有助于交通管理部门采取有针对性的措施来防止和减少事故的发生。
二、地理区域的时空分布特征交通事故在不同地理区域有着明显的时空分布特征。
一方面，不同城市、不同街区之间的事故发生率可能存在差异。
例如，交通压力大的城市中心区域通常事故发生率更高，而郊区和乡村地区事故发生率较低。
另一方面，不同交通基础设施的事故发生率也有所不同。
高速公路上的事故往往造成严重伤亡，而城市中的事故虽然较为频繁，但多数只是轻微碰擦。
因此，在制定交通规划和事故救援方案时，需要根据地理区域的时空特征进行有针对性的安排。
三、时间维度的时空分布特征时间是交通事故时空分布的另一个重要维度。
研究发现，交通事故的发生在一天中存在着明显的时段性规律。
例如，在上下班高峰期，交通流量大、车辆拥堵，事故的发生率较高；而深夜时段，道路空旷，事故发生率相对较低。
此外，不同的季节和节假日，也会对交通事故的发生产生影响。
寒冷的冬季和雨雪天气常常导致路面湿滑，增加事故的风险。
节假日期间，人们外出旅游增多，道路上的交通流量和事故数量也会明显增加。
了解时间维度上事故的时空分布特征，对于交通安全管理和交通疏导都有重要意义。
综上所述，了解道路交通事故的动态时空分布特征对于提高交通安全水平和优化交通规划具有重要的意义。
《2024年高速公路交通事故时空分析模型及其预防方法》范文
《高速公路交通事故时空分析模型及其预防方法》篇一一、引言随着中国高速公路的迅速发展，交通量持续攀升，随之而来的是高速公路交通事故的频繁发生。
如何准确预测交通事故发生的时间与空间规律，采取有效措施进行预防，成为了重要的研究课题。
本文通过分析高速公路交通事故的时空特征，建立分析模型，旨在为交通管理部门提供有力的技术支持和科学的预防措施。
二、高速公路交通事故时空分析模型1. 空间分布分析高速公路交通事故的空间分布主要受到道路类型、路段特性、环境因素等多重因素的影响。
我们通过对大量交通事故数据的收集与整理，运用地理信息系统（GIS）技术，将事故数据进行空间可视化，识别事故高发区域和低发区域。
同时，结合道路线形、交通流量、路侧环境等数据，分析事故的空间分布规律。
2. 时间分布分析高速公路交通事故的时间分布受季节变化、天气状况、交通流量等因素的影响。
我们通过统计不同时间段的事故发生率，分析事故的时间分布特征。
结合气象数据和交通流量数据，建立时间序列分析模型，预测事故的高发时段和低发时段。
3. 影响因素分析通过对事故数据的深入分析，我们发现驾驶员行为、车辆状况、道路条件、环境因素等都是影响高速公路交通事故的重要因素。
我们通过建立多元回归分析模型，定量分析各因素对事故的影响程度，为预防措施的制定提供科学依据。
三、预防方法1. 强化交通安全管理交通管理部门应加强道路巡查，及时发现并处理道路安全隐患。
同时，加强对驾驶员的培训和管理，提高驾驶员的安全意识和驾驶技能。
2. 完善道路设施针对事故高发区域和特殊路段，应加强道路设施的完善和维护，如增设警示标志、完善照明设施等，以提高道路的安全性。
3. 科学调度交通流量通过实时监测交通流量，科学调度车辆通行，避免因交通拥堵引发的交通事故。
同时，通过智能交通系统，实时发布路况信息和安全提示，引导驾驶员安全驾驶。
4. 强化应急救援能力加强应急救援队伍建设，提高应急救援能力。
在事故发生后，迅速启动应急预案，减少事故损失和人员伤亡。
道路交通拥堵时空分布特征分析
道路交通拥堵时空分布特征分析第一章：引言道路交通拥堵是大城市面临的一个严重问题。
交通拥堵不仅使得交通组织变得复杂和低效，还会给驾驶员带来很大心理压力，对城市发展和居民生产生活都产生不良影响。
因此，针对道路交通拥堵的特征，进行时空分布特征分析，对于找到合理有效的缓解拥堵的措施具有重要的意义。
第二章：道路交通拥堵时空分布特征2.1 时空分布规律道路交通拥堵时空分布规律是研究拥堵现象的重要内容。
通过数据分析，对不同地点和不同时段的拥堵情况进行了分析，发现拥堵情况主要集中在上下班高峰和特定活动期间。
例如，北京市CBD区域上班高峰期间是交通拥堵的主要时间段。
此外，尤其在节假日等特殊时期，不同的景点、商业中心等也容易发生交通拥堵。
2.2 交通拥堵影响因素道路交通拥堵的影响因素很多，主要包括路网条件、车辆密度、事故和天气等。
前两种因素是主要导致拥堵的原因。
路网条件主要指道路的形状、长度、宽度和连接方式等。
这些因素与交通的流通效率和容量密切相关，如果路网容量小于交通需求量，就会导致交通堵塞。
车辆密度也是造成拥堵的关键因素。
车辆密度过大，会减缓车速，增加车辆延误时间，造成交通拥堵。
第三章：道路交通拥堵问题分析3.1 不合理道路规划不合理的道路规划是导致交通拥堵的一个重要原因。
对于发展中的城市，道路规划需要考虑到未来的需求，不能局限于现有的需求。
同时，尽可能的采取错位相交、环路、桥梁等模式，以实现道路联通的同时，减少对基础设施的影响。
3.2 车辆管理不规范车辆管理不规范，也是导致交通拥堵的原因之一。
一些车辆严重超载，过多停放在道路两侧，导致道路空间进一步受限，减少了车辆通行和流动的空间。
同时，一些私家车过多，往往会造成道路交通的拥堵。
第四章：缓解道路交通拥堵的措施4.1 加强道路建设和改造加强道路建设和改造，是提高道路通行效率的重要措施。
通过优化道路交通硬件，提升交通流动性，增加道路通行容量，可以缓解交通堵塞。
提升人防设施，积极开展城市快速路建设、高速公路扩容改造和电动化改造等，提高了城市的交通通行能力和交通运行效率。
高速公路交通事故时空分析模型及其预防方法
高速公路交通事故时空分析模型及其预防方法高速公路交通事故时空分析模型及其预防方法引言：随着经济的快速发展和城市化进程的加快，高速公路已经成为现代交通的重要组成部分。
高速公路的建设和运营对于促进经济发展、改善交通状况起到了积极作用。
然而，高速公路交通事故频发成为一大难题，严重威胁人民群众的生命安全和财产安全。
因此，对高速公路交通事故进行时空分析，并探索有效的预防方法具有重要意义。
一、高速公路交通事故时空分析模型1.数据收集和整理高速公路交通事故时空分析的第一步就是数据的收集和整理。
可以通过交通部门的事故数据、人口普查数据以及相关统计年鉴等多种途径获取数据，包括事故地点、事故时间、事故类型、天气状况等多个方面的信息。
2.时空分布图的绘制在数据收集和整理完成后，可以通过地理信息系统（GIS）等工具绘制高速公路交通事故的时空分布图。
时空分布图可以直观显示事故的高发区域和时间段，为后续的分析提供基础。
3.时空自相关分析时空自相关分析是高速公路交通事故时空分析的重要方法之一。
它可以用来探索高速公路交通事故是否存在时空相关性，以及相关性的程度。
通过计算事故发生地点和时间的自相关系数，可以判断事故是否具有空间聚集和时间序列相关性。
4.影响因素分析在时空自相关分析的基础上，进一步进行高速公路交通事故的影响因素分析。
可能的影响因素包括道路状况、车辆状况、驾驶员状况、气象条件等多个方面。
通过建立适当的数理模型和统计分析方法，可以确定各个影响因素的相对重要性，为预防高速公路交通事故提供科学依据。
二、高速公路交通事故的预防方法1.加强道路管理道路管理是预防高速公路交通事故的关键。
应加强道路的规划、建设和维护工作，确保道路的设计符合交通工程学的要求。
同时，加强路面标线、道路照明和交通信号等设施的设置，提高驾驶员对道路情况的认知能力，降低事故发生的可能性。
2.智能交通系统的应用智能交通系统可以有效地提高交通运行的安全性和效率。
城市交通拥堵时空分布及规律研究
城市交通拥堵时空分布及规律研究城市交通拥堵一直是大多数城市面临的难题，不仅影响了人们的出行效率，也加重了公共资源的负担，给城市发展带来了很多不利因素。
为了更好地解决城市交通拥堵问题，需要进行交通拥堵时空分布及规律的研究。
1.城市交通拥堵的时空分布城市交通拥堵的时空分布是指市区交通拥堵的分布情况及车流量的分布规律。
一般来说，城市交通拥堵的时空分布与城市规划、城市形态、交通网络等因素有着密切关系。
在城市规划上，如果交通系统缺乏规划、布局不合理，或者是道路、交通枢纽的设计不合理，都会导致城市交通拥堵。
通常，城市的主干道越宽敞，交通流量就越大；而如果与主干道相连的小街巷过于复杂、纵横交错，则会阻碍交通的流通。
城市形态对城市交通拥堵也有重要的影响。
城市中心区域的道路交通发展与其建筑高度和总体用途相吻合，如果是住宅区，则以小面积、多层的住宅为主，并且要有足够的绿化带；而商业圈则要想办法减少客流量在中心集中，让客流更分散。
交通网络也是影响城市交通拥堵的重要因素。
城市交通网络疏导不畅、唯一通道容易拥堵且难以疏导，而交通支撑不健全的地区就缺乏连接各交通模式及节点的有效设施，这些因素都会导致城市交通拥堵。
2.城市交通拥堵的规律城市交通拥堵的规律是指城市中交通拥堵的发生规律，以及它的发展和演化趋势的规律。
对于城市交通拥堵的发生规律，在现代城市交通管理中，经常采用实时监测的方式对交通状况进行评估。
交通拥堵的发生缘由大多能通过模式判别方法得到规律。
从交通拥堵的机理来看，大致可以分为几类：中心城区道路网分布和周边扼流点的压力态势、热点景点游览流拥、交叉口控制不当等，这些都成为迅速预处理交通拥堵孕育机制。
此外，交通管理部门还需要对交通拥堵的演化趋势进行分析。
例如，根据不同的区域、时间、天气等因素的影响，可以得到不同的拥堵时间段和交通流分布区域的规律。
通过研究这些规律，可以为交通拥堵预警和疏解提供科学依据。
总之，城市交通拥堵时空分布及规律的研究对交通治理和城市规划是非常重要的。
《2024年高速公路交通事故时空分析模型及其预防方法》范文
《高速公路交通事故时空分析模型及其预防方法》篇一一、引言随着经济和交通的快速发展，高速公路已经成为现代社会中不可或缺的交通枢纽。
然而，由于车流量大、车速快，高速公路交通事故频发，给人们的生命财产安全带来了严重威胁。
因此，对高速公路交通事故进行时空分析，并寻求有效的预防方法，显得尤为重要。
本文旨在构建高速公路交通事故时空分析模型，并探讨其预防措施。
二、高速公路交通事故时空分析模型（一）模型构建高速公路交通事故时空分析模型主要基于地理信息系统（GIS）技术，结合交通事故数据、道路交通流量数据、气象数据等多源数据，进行空间和时间上的综合分析。
该模型通过分析事故发生的时间、地点、车型、车速、气象条件等因素，找出事故发生的规律和特点。
（二）模型运行流程1. 数据收集：收集高速公路交通事故数据、道路交通流量数据、气象数据等。
2. 数据预处理：对收集到的数据进行清洗、格式化等预处理工作。
3. 空间分析：利用GIS技术，对事故发生地点进行空间分布分析。
4. 时间分析：分析事故发生的时间规律，如高峰时段、低谷时段等。
5. 模型优化：根据分析结果，对模型进行优化，提高预测准确性。
三、事故预防方法（一）提高驾驶安全意识提高驾驶员的安全意识是预防高速公路交通事故的关键。
通过加强交通安全宣传教育，提高驾驶员的交通法规意识和安全意识，使驾驶员在驾驶过程中始终保持警惕，减少违规行为和交通事故的发生。
（二）完善道路设施完善高速公路的道路设施，提高道路的安全性能。
例如，增设道路照明、设置清晰的交通标志标线、加强护栏等安全设施的维护和修复等。
同时，对道路存在的隐患进行排查和整改，减少事故发生的可能性。
（三）科技手段应用利用现代科技手段，如智能交通系统、车辆安全辅助系统等，提高高速公路的交通安全水平。
例如，通过安装摄像头、传感器等设备，实时监测道路交通状况，及时发现和处理异常情况；通过车辆安全辅助系统，提醒驾驶员注意安全驾驶，减少交通事故的发生。
交通事故数据的空间分析与模型预测
交通事故数据的空间分析与模型预测近年来，随着交通工具的普及和道路交通的日益繁忙，交通事故的发生频率也大幅增加。
交通事故不仅给人们的生命财产安全造成威胁，还对城市的交通运输秩序和环境带来严重的影响。
因此，对交通事故数据进行空间分析与模型预测具有重要的实践意义。
首先，通过空间分析交通事故数据可以帮助我们了解事故发生的空间分布规律。
在城市中，往往有一些热点区域容易发生交通事故。
通过对事故数据的空间分析，我们可以发现这些热点区域的存在，并采取相应的措施来减少事故的发生。
例如，在事故频发的路段增设交通标志和红绿灯，提醒司机减速慢行，从而有效地降低了交通事故的发生率。
其次，空间分析还可以帮助我们了解事故发生的时空演变过程。
通过对一段时间内事故数据的分析，可以发现事故频发的时间段和具体地点。
这对交通部门的决策制定非常重要。
比如，发现某一时段某一路段的事故频发，可以采取措施增派交警或者改变该路段的交通规则，从而减少事故的发生。
除了空间分析外，交通事故数据的模型预测也具有重要作用。
通过构建合理的模型，可以预测交通事故的发生概率，为交通部门提供重要的决策参考。
例如，我们可以利用时间序列模型对历史数据进行分析预测，从而了解未来某个时间段交通事故的可能性。
这样，交通部门可以提前做好防范和准备，采取措施减少潜在的事故。
此外，模型预测还可以通过影响因素的权重来分析交通事故的成因。
通过对交通事故数据的模型分析，我们可以了解各种因素对交通事故的影响程度。
例如，天气、道路状况、车辆类型等因素对交通事故的影响会有所不同。
通过建立多元回归模型，可以量化这些因素对交通事故的影响，为交通部门制定针对性的措施提供科学依据。
最后，交通事故数据的空间分析与模型预测可以帮助我们建立高效的交通管理系统。
通过对交通事故数据的分析和建模，可以发现交通事故的潜在规律。
这些规律可以帮助我们改进交通信号灯的配时，优化交通路线规划，甚至是推动自动驾驶技术的发展。
城市交通拥堵的时空分析与预测
城市交通拥堵的时空分析与预测在时域分析方面，我们可以利用历史交通数据进行分析。
通过收集大量的交通数据，如车流量、车速等数据，我们可以对城市不同时间段的交通情况进行统计和分析。
这些数据可以来自于交通摄像头、交通信号灯、交通卡口等设施。
可以使用数据挖掘技术对这些数据进行处理，得出交通拥堵的时段和原因。
例如，分析发现早上上班和下午下班时段的交通拥堵情况较为严重，主要是由于工作人群集中出行。
此外，还可以通过分析节假日、天气等因素对交通情况的影响，以便更好地预测未来可能发生的拥堵情况。
在空域分析方面，我们可以利用交通网络模型进行分析。
城市交通网络是一个复杂的系统，通过对其进行建模和分析，可以更好地了解交通拥堵的形成原因。
我们可以使用地理信息系统（GIS）和运输规划软件等工具，对城市交通网络进行建模，并进行仿真实验，来预测交通拥堵的发生概率和范围。
例如，可以模拟一些区域的道路网络，设置不同的车流量和交通信号灯，通过观察模拟结果来判断该区域是否容易发生交通拥堵。
除了时空分析，交通拥堵的预测也是非常重要的。
通过准确地预测交通拥堵，我们可以采取相应的措施来缓解拥堵状况。
预测交通拥堵可以利用历史数据、实时交通信息等进行。
历史数据可以用于建立模型，通过分析历史数据的规律，来预测未来可能出现的交通拥堵。
实时交通信息则可以通过交通摄像头、导航系统等设备获取，通过实时更新交通状况，来预测未来可能发生的交通拥堵。
预测的结果可以用于指导交通管理部门采取相应的措施，如调整道路信号灯的配时、优化交通流分配等，以缓解拥堵状况。
综上所述，城市交通拥堵的时空分析与预测是解决交通问题的重要手段。
通过对历史交通数据进行分析和对交通网络进行模拟，可以了解交通拥堵的形成原因，并预测未来可能发生的交通拥堵。
通过准确地预测交通拥堵，可以采取相应的措施来缓解交通拥堵状况，提高城市的交通效率。
因此，加强交通数据的收集与分析，推动交通预测技术的发展，对于解决城市交通拥堵问题具有重要意义。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第４１卷第７期２０１８年７月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ.４１ꎬＮｏ.７Ｊｕｌ.ꎬ２０１８收稿日期:２０１７－０４－１１基金项目:公安部重点研究计划课题(２０１３０２２ＤＹＪ０１８)ꎻ国家科技支撑课题(２０１２ＢＡＨ３５Ｂ０３)ꎻ测绘遥感信息工程国家重点实验室专项科研经费(４２０１４２０１０００４２)资助作者简介:吴瑞龙(１９８９－)ꎬ男ꎬ河南郑州人ꎬ地图学与地理信息系统专业硕士研究生ꎬ主要研究方向为时空数据挖掘ꎮ城市道路交通事故时空分布模式分析吴瑞龙１ꎬ朱欣焰１ꎬ２ꎬ呙㊀维１ꎬ２ꎬ岳㊀瀚１ꎬ佘㊀冰１(１.武汉大学测绘遥感信息工程国家重点实验室ꎬ湖北武汉４３００７９ꎻ２.地球空间信息技术协同创新中心ꎬ湖北武汉４３００７９)摘要:为分析城市道路交通事故的时空分布模式ꎬ本文基于网络空间线性最邻近指数和Ｋｎｏｘ时空检验方法ꎬ对武汉市青山区道路交通事故的热点路段分布以及时空交互模式进行检验ꎮ实验结果表明ꎬ城市道路交通事故在空间和时空层面均呈现显著聚集分布ꎮ事故热点主要分布在主干道和道路交叉口等人流量大和路网密集的区域ꎬ显著性时空交互现象发生于近时空区域内ꎮ本文结果可为交通事故防控㊁交通设施优化提供理论参考ꎮ关键词:交通事故ꎻ线性最邻近指数ꎻ网络核密度ꎻＫｎｏｘ检验ꎻ时空交互中图分类号:Ｐ２０８㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１６７２－５８６７(２０１８)０７－０１０３－０４Ｓｐａｔｉｏ－ｔｅｍｐｏｒａｌＤｉｓｔｒｉｂｕｔｉｏｎＰａｔｔｅｒｎｓｏｆＵｒｂａｎＲｏａｄＴｒａｆｆｉｃＡｃｃｉｄｅｎｔｓＷＵＲｕｉｌｏｎｇ１ꎬＺＨＵＸｉｎｙａｎ１ꎬ２ꎬＧＵＯＷｅｉ１ꎬ２ꎬＹＵＥＨａｎ１ꎬＳＨＥＢｉｎｇ１(１.ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇｉｎＳｕｒｖｅｙｉｎｇＭａｐｐｉｎｇａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇꎬＷｕｈａｎＵｎｉｖｅｒｓｉｔｙꎬＷｕｈａｎ４３００７９ꎬＣｈｉｎａꎻ２.ＣｏｌｌａｂｏｒａｔｉｖｅＩｎｎｏｖａｔｉｏｎＣｅｎｔｅｒｏｆＧｅｏｓｐａｔｉａｌＴｅｃｈｎｏｌｏｇｙꎬＷｕｈａｎ４３００７９ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｉｎｏｒｄｅｒｔｏａｎａｌｙｚｅｔｈｅｓｐａｔｉｏ－ｔｅｍｐｏｒａｌｄｉｓｔｒｉｂｕｔｉｏｎｐａｔｔｅｒｎｓｏｆｔｈｅｕｒｂａｎｒｏａｄｔｒａｆｆｉｃａｃｃｉｄｅｎｔｓꎬｔｈｉｓｐａｐｅｒｃｈｏｏｓｅｓｍｉｎｏｒｔｒａｆ￣ｆｉｃａｃｃｉｄｅｎｔｓｄａｔａｉｎＱｉｎｇｓｈａｎＤｉｓｔｒｉｃｔｏｆＷｕｈａｎａｓｔｈｅｒｅｓｅａｒｃｈｏｂｊｅｃｔꎬｕｔｉｌｉｚｅｓｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｉｎｄｅｘｂａｓｅｄｏｎｎｅｔｗｏｒｋｓｐａｃｅｔｏｅｘ￣ｐｌｏｒｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆａｃｃｉｄｅｎｔｈｏｔｓｐｏｔｓꎬａｎｄｔｈｅＫｎｏｘｔｅｓｔｍｅｔｈｏｄｔｏｅｘａｍｉｎｅｔｈｅｓｐａｔｉｏ－ｔｅｍｐｏｒａｌｉｎｔｅｒａｃｔｉｏｎｐａｔｔｅｒｎｓ.Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔꎬｔｈｅｕｒｂａｎｒｏａｄｔｒａｆｆｉｃａｃｃｉｄｅｎｔｓｈａｖｅｐｒｅｓｅｎｔｅｄｓｉｇｎｉｆｉｃａｎｔｌｙａｇｇｒｅｇａｔｅｄｄｉｓｔｒｉｂｕｔｉｏｎｓｉｎｓｐａｔｉａｌａｎｄｔｅｍｐｏｒａｌꎬａｃｃｉｄｅｎｔｈｏｔｓｐｏｔｓａｒｅｍａｉｎｌｙｄｉｓｔｒｉｂｕｔｅｄｉｎｄｅｎｓｅｌｙｐｏｐｕｌａｔｅｄａｒｅａｓａｎｄｒｏａｄｓｅｓｐｅｃｉａｌｌｙｉｎｔｈｅａｒｔｅｒｉａｌｒｏａｄｓａｎｄｉｎｔｅｒｓｅｃｔｉｏｎｓꎬｔｈｅｓｐａｔｉｏ－ｔｅｍｐｏｒａｌｉｎｔｅｒａｃｔｉｖｅｐｈｅｎｏｍｅｎｏｎｏｃｃｕｒｒｅｄｉｎｎｅｉｇｈｂｏｒｉｎｇｔｉｍｅａｎｄｓｐａｃｅａｒｅａ.Ｔｈｅｒｅｓｕｌｔｓｃａｎｐｒｏｖｉｄｅｔｈｅｏｒｙｆｏｒｔｈｅｔｒａｆｆｉｃａｃｃｉｄｅｎｔｐｒｅｖｅｎｔｉｏｎａｎｄｔｈｅｏｐ￣ｔｉｍｉｚａｔｉｏｎｏｆｔｒａｆｆｉｃｆａｃｉｌｉｔｉｅｓ.Ｋｅｙｗｏｒｄｓ:ｔｒａｆｆｉｃａｃｃｉｄｅｎｔｓꎻｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｉｎｄｅｘꎻｎｅｔｗｏｒｋｋｅｒｎｅｌｄｅｎｓｉｔｙꎻＫｎｏｘｔｅｓｔꎻｓｐａｔｉｏ－ｔｅｍｐｏｒａｌｉｎｔｅｒａｃｔｉｏｎ０㊀引㊀言道路交通事故严重威胁着人民群众人身和财产安全ꎬ是全球交通运输行业常年关注的话题ꎮ由于受道路属性㊁路网结构㊁景观条件㊁人/车流量等客观因素的影响ꎬ道路交通事故往往在时空上呈非均匀分布ꎬ不仅在空间层面聚集ꎬ在时空层面也存在显著交互模式ꎬ即在空间上邻近的事故ꎬ在时间上也趋向邻近[１－２]ꎮ国内外关于交通事故时空分布模式已有较多研究成果ꎬ如ＴＫＡｎｄｅｒｓｏｎ利用核密度估计和Ｋ均值聚类的方法提取交通事故多发路段[３]ꎻＫＺＨｔｕｔ等直接利用ＡｒｃＧＩＳ空间分析工具中核密度估计法识别高速公路事故聚集路段并对其严重性进行分级[４]ꎻ谭锦艳等利用时空ＧＩＳ技术综合考虑交通事故发生次数㊁空间位置㊁严重程度等因素对城市道路黑点进行鉴别[５]ꎻ陈宽民等通过简单统计方法得出交通事故在时间和空间上的分布特征ꎬ探讨其形成原因并提出了改善道路交通安全的对策[６]ꎻ王振宏也对交通事故的时间分布㊁空间分布和人群分布特点进行分析[７]ꎮ以上研究大多侧重于从空间或时间层面分析事故的分布规律及模式ꎬ而交通事故作为一种时空事件[８]ꎬ同时受时间和空间变量的影响ꎬ故有必要研究其在时空层面的分布模式ꎮ本文以武汉市青山区道路交通事故为研究对象ꎬ首先ꎬ利用网络空间线性最邻近指数检验其空间聚集性ꎬ并通过网络核密度估计方法可视化事故热点路段ꎬ其聚集性结果是探讨时空聚集性的基础ꎻ在时空层面ꎬ基于Ｋｎｏｘ检验分析事故时空聚集分布模式ꎬ提取显著性时空交互点对并对其形成原因进行初步分析ꎮ实验结果表明ꎬ城市道路交通事故不仅在空间上聚集分布ꎬ在近时空区域内也存在显著聚集性ꎮ１㊀数据与研究方法１.１㊀研究区域与数据本文研究区域为武汉市青山区ꎬ该区位于长江中游南岸ꎬ是华中地区工业重镇ꎮ辖区面积８０.５８ｋｍ２ꎬ常住人口１５余万ꎬ流动人口６万(２０１５年)ꎬ境内有武汉钢铁集团㊁武汉石油化工厂㊁武汉钢铁设计研究总院㊁武汉科技大学等１０多个大型企业和科研机构ꎬ民众出行需求极大ꎻ交通方面路网总长度达１３８ｋｍꎬ以４条主干道为枢纽连接武汉三镇ꎬ形成了四通八达的交通网络ꎮ本文选取青山区２０１６年９月一般等级交通事故(财产损失㊁受伤㊁死亡类事故)作为研究对象ꎬ数据来源于武汉市交管局事故预防与处理大队ꎬ每条记录包括事故发生的经纬度㊁时间㊁事故类型等信息ꎮ１.２㊀研究方法道路交通事故作为路网约束下的时空点事件ꎬ具有一阶和二阶性质ꎮ一阶性质是指事件密度随空间分布的变化情况ꎬ常用线性最邻近指数(ＮｅａｒｅｓｔＮｅｉｇｈｂｏｒＩｎｄｅｘꎬＮＮＩ)进行空间聚集性检验ꎬ并可通过网络核密度估计方法进行聚集区域可视化[９－１０]ꎻ二阶性质考察事件间的时空依赖性ꎬ代表方法为Ｋｎｏｘ时空交互检验[１１]ꎬ通过一阶性质探讨得到的空间聚集性结果可作为探讨二阶性质空聚集性的依据ꎬ二阶性质也内在地体现了一阶性质ꎮ１.２.１㊀线性最邻近指数与网络核密度估计线性最邻近指数用来探讨网络约束下点事件的空间聚集性ꎬ该方法通过计算最邻近点对之间网络距离的平均值ꎬ并与随机分布零假设条件下的平均距离做相似性检验ꎬ判断其空间分布模式ꎮ计算过程如下:１)针对每一事件点ｓｉ计算其到最邻近点的网络距离ｄｍｉｎ(ｓｉ)ꎬ根据事件总数ｎ求平均ꎬ即得平均最邻近距离:ｄ－ｍｉｎ＝(ðｎｉ＝１ｄｍｉｎ(ｓｉ))/ｎ(１)２)在完全随机模式分布条件下同样计算得到平均最邻近距离ꎬ计算期望值:Ｅ(ｄ－ｍｉｎ)＝１/(２ｎ/Ａ)(２)其中ꎬＡ为研究区域面积ꎻ３)得到线性最邻近指数:ＮＮＩ＝ｄ－ｍｉｎ/Ｅ(ｄ－ｍｉｎ)(３)通过ＮＮＩ判断事件空间分布模式:若ＮＮＩ<１ꎬ则事件在空间上聚集分布ꎻ若ＮＮＩ>１ꎬ则为离散分布ꎻ若ＮＮＩ＝１ꎬ则为随机分布ꎮ通过Ｚ值对线性最邻近指数统计显著性进行检验:Ｚ＝(ｄ－ｍｉｎ－Ｅ(ｄ－ｍｉｎ))/ＳＥｒ(４)其中ꎬＳＥｒ＝０.２６１３６/ｎ２/Ａꎮ网络核密度估计方法是平面核密度估计方法在网络空间的扩展ꎬ常用于网络约束下事件点的聚集分布区域提取与可视化[１２]ꎮ两者不同之处在于ꎬ网络核密度函数中距离和带宽的计算是基于网络距离ꎬ而非欧氏距离ꎮ事件密度的计算以线性单元ｌｉｘｅｌ(即ｌｉｎｅａｒｐｉｘｅｌ)为单位ꎬ统计各ｌｉｘｅｌ上的事件数ꎬ并以其中点为中心ꎬ取带宽ｒ内的ｌｉｘｅｌ作为其邻居ꎬ并计算其到各邻居中心的最短网络距离ｄꎮ对各ｌｉｘｅｌꎬ根据下式计算该处的密度值:λ(ｓ)＝１ｈ(ðｎｉ＝１ｃｉｋ(ｄｉｓｈ))(５)式中ꎬｈ为带宽ꎬｄｉｓ为两个ｌｉｘｅｌ单元的最短网络距离ꎬｋ为核函数ꎬｃｉ为ｌｉｘｅｌ单元上的事件数ꎬｎ为ｌｉｘｅｌ的邻居数ꎮ１.２.２㊀道路网约束下的Ｋｎｏｘ时空交互检验Ｋｎｏｘ检验常用来分析事件时空聚集性ꎬ由于其运算方便㊁易于理解等特性ꎬ广泛运用于流行病学㊁犯罪分析[１３]㊁公共卫生管理等领域ꎮ其方法需事先指定时间阈值Ｔｔ和空间阈值Ｓｔꎬ针对Ｎ个事件点组成的Ｎˑ(Ｎ－１)/２个事件对ꎬ计算各事件对的时间距离Ｔｉｊ和空间距离Ｓｉｊꎻ若ＳｉｊɤＳｔꎬ则事件对在空间上邻近ꎬ若ＴｉｊɤＴｔꎬ则事件对在时间上邻近ꎮ通过判断各事件对的时空邻近性ꎬ可得到时空邻近关系统计表ꎬ见表１ꎮ表１㊀观测Ｋｎｏｘ指数Ｔａｂ.１㊀ＯｂｓｅｒｖｅｄＫｎｏｘｉｎｄｅｘ时间邻近时间非邻近总数空间邻近Ｏ１Ｏ２Ｓ１＝Ｏ１＋Ｏ２空间非邻近Ｏ３Ｏ４Ｓ２＝Ｏ３＋Ｏ４总数Ｓ３＝Ｏ１＋Ｏ３Ｓ４＝Ｏ２＋Ｏ４Ｏ１＋Ｏ２＋Ｏ３＋Ｏ４其中ꎬＯ１即为Ｋｎｏｘ指数ꎬ表示观察对象既在空间上邻近ꎬ又在时间上邻近的事件对数ꎮ为了对Ｋｎｏｘ观察结果进行统计显著性检验ꎬ常利用卡方检验方法[１４－１５]ꎮ卡方检验假设事件不存在时空交互性ꎬ在此零假设条件下计算四类邻近情况Ｏ１㊁Ｏ２㊁Ｏ３㊁Ｏ４的期望值Ｅ１㊁Ｅ２㊁Ｅ３㊁Ｅ４ꎬ见表２ꎮ表２㊀期望Ｋｎｏｘ指数Ｔａｂ.２㊀ＥｘｐｅｃｔｅｄＫｎｏｘｉｎｄｅｘ时间邻近时间非邻近空间邻近Ｅ１＝Ｓ１ˑＳ３∕ＮＥ２＝Ｓ１ˑＳ４∕Ｎ空间非邻近Ｅ３＝Ｓ２ˑＳ３∕ＮＥ４＝Ｓ２∗Ｓ４∕Ｎ根据观察数据和期望数据依据下式计算卡方值:χ２＝ð４ｉ＝１(Ｏｉ－Ｅｉ)２Ｅｉ(６)卡方检验以χ２分布为基础ꎬ依据χ２分布可以获得零假设条件下的ｐ值ꎬ零假设即观测值和期望值不存在偏差ꎬ本文中指事故在时间和空间上是独立的ꎬ然后根据ｐ值决定是拒绝零假设ꎬ还是接受零假设ꎬ从而得到事件聚集模式的统计显著性ꎮ４０１㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０１８年２㊀实验结果和分析２.１㊀空间聚集性分析基于网络线性最邻近指数ꎬ对研究区域内交通事故进行空间聚集性分析ꎬ结果见表３ꎮ表３㊀空间聚集性结果Ｔａｂ.３㊀Ｒｅｓｕｌｔｓｏｆｓｐａｔｉａｌｃｌｕｓｔｅｒｉｎｇ参数计算结果(距离单位/ｍ)ｄｍｉｎ６.６５ｄｍａｘ１８９２.５１ｄ－ｍｉｎ３６１.８４Ｅｄ－ｍｉｎ()５１１.６４ＮＮＩ０.７０７ｐ<０.０１结果表明ꎬ事件对最小网络邻近距离为６.６５ｍꎬ最大值为１８９２.５１ｍꎬ平均最邻近距离为３６１.８４ｍꎬ线性最邻近指数ＮＮＩ小于１ꎬｐ值小于０.０１ꎬ说明事故存在显著性空间聚集现象ꎬ该平均最邻近值可为时空检验提供依据ꎮ为了对事故聚集分布路段进行可视化ꎬ本文采用ＳＡ￣ＮＥＴ４.１对交通事故进行网络核密度分析[１６]ꎬ并在ＡｒｃＧＩＳ１０.３中对分析结果进行可视化ꎮ网络核密度估计中需确定核函数㊁带宽和ｌｉｘｅｌ粒度３个参数ꎬ在实际分析中ꎬ需要结合事件的具体分布特征来综合考虑ꎮ本实验中核函数采用ＥｑｕａｌＳｐｌｉｔ函数ꎬ带宽和ｌｉｘｅｌ粒度分别设为５００ｍ和１０ｍꎬ既体现了细节上的变化ꎬ显示效果也较直观ꎬ分析结果如图１所示ꎮ图１㊀网络核密度估计Ｆｉｇ.１㊀Ｋｅｒｎｅｌｄｅｎｓｉｔｙｅｓｔｉｍａｔｉｏｎｕｎｄｅｒｔｈｅｎｅｔｗｏｒｋ由图１可以看出ꎬ青山区交通事故在空间上呈现不均匀分布ꎮ从地理位置来讲ꎬ主要集中于西部区域ꎬ该区域分布着众多居民区和商业区ꎬ且紧邻武汉的政治㊁文化㊁信息中心ꎬ人口和道路密集ꎬ车流量大ꎬ发生交通事故的风险较大ꎻ东部区域主要集中了武钢等大型国企㊁工厂ꎬ路网较为稀疏且多为内部道路ꎬ车流量较少ꎬ为交通事故低发区域ꎮ从路网结构来看ꎬ事故热点区域大多集中于交叉口和主干道ꎬ交叉口是人流㊁车流汇集的场所ꎬ由于受信号灯设置不合理㊁行人/车辆不遵守信号灯指示抢行等因素的影响ꎬ成为事故多发区域ꎻ主干道是城市的交通枢纽ꎬ承担着民众出行需求的重要任务ꎬ其交通流量大㊁车速快ꎬ因此ꎬ也成为事故热点区域ꎮ２.２㊀时空聚集性分析在利用Ｋｎｏｘ检验对事件进行时空聚集性分析时ꎬ关键步骤是时空阈值的确定ꎮ在不同的时空阈值下ꎬ事件往往表现出不同的时空交互模式ꎬ时空阈值的选择对实验结果有决定性影响ꎮ传统的人工主观确定阈值方法存在一定随意性ꎬ为此Ｅｃｋｌｅｙ等以地理学第一定律为基础ꎬ提出基于平均最邻近距离的Ｋｎｏｘ检验时空阈值确定方法[１７]ꎮ由于顾及了事件的时空邻近性ꎬ与已有的阈值确定方法相比ꎬ利用该阈值确定方法的Ｋｎｏｘ检验能更有效地识别出事件的显著性时空交互模式ꎬ上文中探讨事故一阶性质空间聚集性时ꎬ在平均最邻近距离条件下结果显示事故具有显著的空间聚集性ꎬ本文将平均最邻近距离３６２ｍ作为空间阈值ꎬ用相同的计算方法得到平均最邻近时间为４ｈꎬ以此作为时间阈值ꎮ该阈值条件计算得到χ２＝５.３４ꎬｐ＝０.０２ꎬ说明道路交通事故在近时空区域内存在显著的交互性ꎬ即在空间上邻近发生的事件ꎬ在时间上也趋向于邻近ꎬ这就为交道路通事故预防提供了决策依据ꎮ利用Ｋｎｏｘ检验ꎬ可以探测出具有时空邻近重复发生关系的事件对ꎮ图２所示为时空邻近事件对的空间分布ꎬ在空间阈值３６２ｍꎬ时间阈值４ｈ条件下ꎬ得到４对时空邻近对ꎬ分别如图２(ｂ)(ｃ)(ｄ)(ｅ)所示ꎮ图２㊀交通事故时空邻近对Ｆｉｇ.２㊀Ｓｐａｔｉｏ－ｔｅｍｐｏｒａｌｃｌｕｓｔｅｒｓｏｆｔｒａｆｆｉｃａｃｃｉｄｅｎｔｓ图２(ｂ)事故点对的发生时间为９月２８日的１６:３０和１９:２０ꎬ查询当天的天气状况为阵雨/小雨ꎬ发生的位置为二十一号公路和武汉石油化工厂南大门附近ꎬ二十一号公路为青山区西部的主干道ꎬ该主干道主要承担武汉石油化工和武钢两大工厂的运输任务ꎬ运输量较大且以大货车为主ꎬ对该路段的路况造成一定影响ꎬ再加上当天阵雨的原因ꎬ通行状况较差ꎬ可能是形成时空聚类点对的主要原因ꎻ图２(ｃ)的点对发生时间为９月３０日１７:１９和１６:４５ꎬ天气状况为小雨/小雨ꎬ该位置位于冶金大道和工业一路交叉口附近ꎬ冶金大道为主干道ꎬ在该交叉口冶金大道两侧都为房产开发商施工现场ꎬ对交通造成一定影响ꎻ图２(ｄ)点对发生时间为９月９日１９:３０和２２:１０ꎬ天气状况小雨/小雨ꎬ事故发生地位于冶金大道和工业一路交叉口附近ꎬ冶金大道两侧有较多娱乐休闲设施和商业银行ꎬ相对较繁华ꎬ同时实地考察发现ꎬ该交叉口只有东５０１第７期吴瑞龙等:城市道路交通事故时空分布模式分析西向通车ꎬ南北向有马路围栏阻隔ꎬ这也在通行高峰期给交通造成压力ꎻ图２(ｅ)点对发生时间为９月１５号１６:０１和１６:５３ꎬ天气状况为阵雨/多云ꎬ该点对发生位置为和平大道和三弓路交叉口附近ꎬ和平大道为青山区西部主干道ꎬ交叉口向西１００ｍ左右有加油站ꎬ造成路口的车流量较大ꎬ同时交叉口西南侧为大型公园ꎬ这也增加了该地方人流量ꎬ这些都会给交通造成一定压力ꎮ通过对时空点对的初步分析ꎬ得到青山区交通事故时空模式特征如下:从整体来看ꎬ事故多发生在较为繁华区域ꎬ尤其道路主干道ꎬ这里人流量㊁车流量较大ꎬ对交通的通行要求比较高ꎬ发生交通事故的风险也较高ꎬ图２(ｃ)(ｄ)和(ｅ)主要在青山区东部的居民密集区域ꎬ图２(ｂ)的点对位置相对偏郊区ꎬ人流量较小ꎬ但是该位置处于工业集中地ꎬ该区域有大量的运输任务ꎬ以物流为主ꎬ又通过实地考察发现ꎬ该路段的道路都有不同程度的损坏ꎬ这也增加了交通事故的风险ꎬ因此ꎬ也应作为交通事故防范的重点区域ꎻ从道路的结构来看ꎬ事故多发生在城市主干道和交叉口附近ꎬ主干道和交叉口附近的交通设施设置是否合理将直接影响交通状况ꎬ如图２(ｄ)处交叉口设置了防护栏ꎬ图２(ｅ)附近有加油站ꎬ这些都对交通安全造成不同程度的影响ꎬ因此应对交通设施环境进行合理安排ꎻ同时ꎬ还发现４个事故点对的共性ꎬ即天气状况都为小雨或阵雨ꎬ说明天气状况对交通的影响比较大ꎬ交管部门在下雨天或者天气对交通造成较大影响条件下应该在重点时段加强重点区域的防范措施ꎮ３ 结束语以往对城市交通事故的研究大多以发现道路 黑点 ꎬ识别交通事故热点为主ꎬ而综合时间和空间研究交通事故时空交互性还较少ꎬ本文在分析网络条件下事故分布特征基础上ꎬ又利用统计的方法分析交通事故的时空交互性ꎬ充分挖掘交通事故的时空分布模式ꎮ在空间上结合交通事故的分布特性ꎬ利用网络约束条件下的Ｋｅｒｎｅｌ密度方法得到事故的热点分布特征ꎬ具有更可靠的指导意义ꎻ采用平均最邻近距离的方法选取时空阈值ꎬ利用Ｋｎｏｘ检验的方法探讨交通事故的时空交互性ꎬ从而得到交通事故在时间和空间上的聚集性规律ꎬ实验结果表明:研究区域内的交通事故存在时空聚集性ꎬ通过对交通事故时空模式的讨论分析ꎬ可以为交管部门的早期预警防控提供指导ꎬ同时ꎬ对交通环境的改善提供参考ꎬ以最大限度地降低交通事故发生的概率ꎮ由于本文未能采用更多的时空阈值组合进行时空交互性的探索ꎬ在后续的研究中将使用更多的阈值组合进行分析ꎮ参考文献:[１]㊀ＫｎｏｘＥＧꎬＢａｒｔｌｅｔｔＭＳ.ＴｈｅＤｅｔｅｃｔｉｏｎｏｆＳｐａｃｅ－ＴｉｍｅＩｎ￣ｔｅｒａｃｔｉｏｎｓ[Ｊ].ＡｐｐｌｉｅｄＳｔａｔｉｓｔｉｃｓꎬ１９６４ꎬ１３(１):２５－３０.[２]㊀ＮｏｒｓｔｒöｍＭꎬＰｆｅｉｆｆｅｒＤＵꎬＪａｒｐＪ.Ａｓｐａｃｅ－ｔｉｍｅｃｌｕｓｔｅｒｉｎｖｅｓｔｉｇａｔｉｏｎｏｆａｎｏｕｔｂｒｅａｋｏｆａｃｕｔｅｒｅｓｐｉｒａｔｏｒｙｄｉｓｅａｓｅｉｎＮｏｒｗｅｇｉａｎｃａｔｔｌｅｈｅｒｄｓ.[Ｊ].ＰｒｅｖｅｎｔｉｖｅＶｅｔｅｒｉｎａｒｙＭｅｄｉ￣ｃｉｎｅꎬ２０００ꎬ４７(１－２):１０７－１１９.[３]㊀ＡｎｄｅｒｓｏｎＴＫ.ＫｅｒｎｅｌｄｅｎｓｉｔｙｅｓｔｉｍａｔｉｏｎａｎｄＫ－ｍｅａｎｓｃｌｕｓｔｅｒｉｎｇｔｏｐｒｏｆｉｌｅｒｏａｄａｃｃｉｄｅｎｔｈｏｔｓｐｏｔｓ.[Ｊ].Ａｃｃｉｄｅｎｔꎻａｎａｌｙｓｉｓａｎｄｐｒｅｖｅｎｔｉｏｎꎬ２００９ꎬ４１(３):３５９－６４. [４]㊀ＨｔｕｔＫＺꎬＰｉｙａｔａｄｓａｎａｎｏｎＰꎬＲａｔａｎａｖａｒａｈａＶ.ＩｄｅｎｔｉｆｙｉｎｇｔｈｅＳｐａｔｉａｌＣｌｕｓｔｅｒｉｎｇｏｆＲｏａｄＴｒａｆｆｉｃＡｃｃｉｄｅｎｔｓｏｎＮａｙｐｙ￣ｉｔａｗ－ＭａｎｄａｌａｙＥｘｐｒｅｓｓｗａｙ[Ｃ]//ＡｔｒａｎｓＳｙｍｐｏｓｓｉｕｍ:ＹｏｕｎｇＲｅｓｅａｒｃｈｅｒ'ｓＦｏｒｕｍ２０１６ꎬ"ｔｒａｎｓｐｏｒｔａｔｉｏｎｆｏｒＡＢｅｔｔｅｒＬｉｆｅ:ＳａｆｅａｎｄＳｍａｒｔＣｉｔｉｅｓ.２０１６. [５]㊀谭锦艳ꎬ张湘ꎬ邵丽芳ꎬ等.时空ＧＩＳ在广州市交通事故黑点预判与鉴别中的应用[Ｊ].软件导刊ꎬ２０１６ꎬ１５(１２):１１６－１１８.[６]㊀陈宽民ꎬ王玉萍.城市道路交通事故分布特点及预防对策[Ｊ].交通运输工程学报ꎬ２００３ꎬ３(１):８４－８７. [７]㊀王振宏.我国城市道路交通事故的分布情况和预防措施[Ｊ].建筑工程技术与设计ꎬ２０１５(３５):５５－５６. [８]㊀王劲峰ꎬ葛咏ꎬ李连发ꎬ等.地理学时空数据分析方法[Ｊ].地理学报ꎬ２０１４ꎬ６９(９):１３２６－１３４５. [９]㊀ＯｋａｂｅＡꎬＹｏｍｏｎｏＨꎬＫｉｔａｍｕｒａＭ.ＳｔａｔｉｓｔｉｃａｌＡｎａｌｙｓｉｓｏｆｔｈｅＤｉｓｔｒｉｂｕｔｉｏｎｏｆＰｏｉｎｔｓｏｎａＮｅｔｗｏｒｋ[Ｊ].ＧｅｏｇｒａｐｈｉｃａｌＡｎａｌｙｓｉｓꎬ１９９５ꎬ２７(２):１５２－１７５.[１０]㊀ＸｉｅＺꎬＹａｎＪ.ＫｅｒｎｅｌＤｅｎｓｉｔｙＥｓｔｉｍａｔｉｏｎｏｆｔｒａｆｆｉｃａｃｃｉｄｅｎｔｓｉｎａｎｅｔｗｏｒｋｓｐａｃｅ[Ｊ].ＣｏｍｐｕｔｅｒｓＥｎｖｉｒｏｎｍｅｎｔ＆ＵｒｂａｎＳｙｓｔｅｍｓꎬ２００８ꎬ３２(５):３９６－４０６.[１１]㊀ＥｃｋｌｅｙＤＣꎬＣｕｒｔｉｎＫＭ.Ｅｖａｌｕａｔｉｎｇｔｈｅｓｐａｔｉｏｔｅｍｐｏｒａｌｃｌｕｓｔｅｒｉｎｇｏｆｔｒａｆｆｉｃｉｎｃｉｄｅｎｔｓ[Ｊ].ＣｏｍｐｕｔｅｒｓＥｎｖｉｒｏｎｍｅｎｔ＆ＵｒｂａｎＳｙｓｔｅｍｓꎬ２０１３ꎬ３７(１):７０－８１.[１２]㊀禹文豪ꎬ艾廷华.核密度估计法支持下的网络空间ＰＯＩ点可视化与分析[Ｊ].测绘学报ꎬ２０１５ꎬ４４(１):８２－９０. [１３]㊀ＧｒｕｂｅｓｉｃＴＨꎬＭａｃｋＥＡ.Ｓｐａｔｉｏ－ＴｅｍｐｏｒａｌＩｎｔｅｒａｃｔｉｏｎｏｆＵｒｂａｎＣｒｉｍｅ[Ｊ].ＪｏｕｒｎａｌｏｆＱｕａｎｔｉｔａｔｉｖｅＣｒｉｍｉｎｏｌｏｇｙꎬ２００８ꎬ２４(３):２８５－３０６.[１４]㊀ＫｕｌｌｄｏｒｆｆＭꎬＨｊａｌｍａｒｓＵ.ＴｈｅＫｎｏｘＭｅｔｈｏｄａｎｄＯｔｈｅｒＴｅｓｔｓｆｏｒＳｐａｃｅ－ＴｉｍｅＩｎｔｅｒａｃｔｉｏｎ[Ｊ].Ｂｉｏｍｅｔｒｉｃｓꎬ１９９９ꎬ５５(２):５４４－５５２.[１５]㊀刘巧兰ꎬ李晓松ꎬ冯子健ꎬ等.Ｋｎｏｘ方法在传染病时空聚集性探测中的应用[Ｊ].中华流行病学杂志ꎬ２００７ꎬ２８(８):８０２－８０５.[１６]㊀ＯｋａｂｅＡꎬＯｋｕｎｕｋｉＫＩꎬＳｈｉｏｄｅＳ.ＳＡＮＥＴ:ＡＴｏｏｌｂｏｘｆｏｒＳｐａｔｉａｌＡｎａｌｙｓｉｓｏｎａＮｅｔｗｏｒｋ[Ｊ].ＧｅｏｇｒａｐｈｉｃａｌＡｎａｌｙｓｉｓꎬ２００６ꎬ３８(１):５７－６６.[１７]㊀ＥｃｋｌｅｙＤＣꎬＣｕｒｔｉｎＫＭ.Ｅｖａｌｕａｔｉｎｇｔｈｅｓｐａｔｉｏｔｅｍｐｏｒａｌｃｌｕｓｔｅｒｉｎｇｏｆｔｒａｆｆｉｃｉｎｃｉｄｅｎｔｓ[Ｊ].ＣｏｍｐｕｔｅｒｓＥｎｖｉｒｏｎｍｅｎｔ＆ＵｒｂａｎＳｙｓｔｅｍｓꎬ２０１３ꎬ３７(１):７０－８１.[编辑:张㊀曦]６０１㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０１８年。