不良驾驶行为时空分布模式及影响因素分析.pdf

摘要

近年来，为了降低交通事故的发生率，事前型交通安全分析成为交通行业的重点关

注领域。不良驾驶行为作为交通事故的主要原因之一，得到业内学者的广泛关注，但由

于数据采集和获取较为困难等原因，国内外对于不良驾驶行为的研究还停留在不良驾驶

行为的辨别、特征、分类、与事故的关系等方面，对于不良驾驶行为的时空分布模式及

影响因素分析还较为欠缺。本文基于车载终端采集的车辆轨迹及识别出的不良驾驶行为

数据，研究驾驶员在行车过程中产生的不良驾驶行为的时空分布模式及影响因素，为提

高道路交通安全、提升交通安全运行环境及降低交通事故的发生率提供理论支撑。本论

文的主要研究内容包括：

（1）数据预处理。数据预处理过程主要利用Python语言及ArcGIS工具，从原始

数据中提取出车道偏离、前撞预警、抽烟、打手机、疲劳驾驶、精力不集中六种类型共

计7543条不良驾驶行为数据。基于路网矢量数据提取影响因素自变量并对路网进行疏

通及裁剪。最后对不良驾驶行为数据、路网数据、POI数据进行空间匹配。

（2）不良驾驶行为数据时空分布模式分析及热点区域识别。对7543条不良驾驶行

为数据进行简要统计性分析及时空演变特征分析，结果表明，六种行为在空间上均呈西

北-东南扩散趋势。对于不良驾驶行为密度及路网密度进行相关性分析得出事件空间密

度与路网密度不具有显著相关性的结论。对不良驾驶行为进行空间相关性分析发现，六

种类型的不良驾驶行为在空间上存在显著的空间集聚特征，并得出不同类型行为的主要

集聚路段。最后基于时空核密度估计方法、累计频率法及热点分析法得到不良驾驶行为

的热点区域。

（3）不良驾驶行为影响因素分析及防控策略建议。基于OLS及GWR模型，以路

段内不良驾驶行为频数为因变量，路段长度、车道数、路段内交叉口数量、是否桥梁路

段、道路类型及路段周围POI的数量为自变量，进行回归分析发现，交叉口数和路段内

POI数量与不良驾驶行为的产生呈现负相关，而道路类型、是否桥梁路段、车道数、路

段长度四类影响因素与因变量呈现正相关，对比两种模型的诊断参数，得出GWR模型

拟合效果优于OLS模型。最后根据以上研究结果给出防控策略建议。

关键词：不良驾驶行为，时空分布特征，热点识别，影响因素分析

i

Abstract

Inrecentyears,pre-eventtypeoftrafficsafetyanalysishasbecomeakeyareaofconcern

fortrafficsafetyinordertoreducetheincidenceoftrafficaccidents.Riskdrivingbehavior,as

oneofthemaincausesoftrafficaccidents,hasreceivedwideattentionfromscholarsinthe

industry.However,duetothedifficultyofdatacollectionandacquisition,theresearchonrisk

drivingbehaviorisstilllimitedtotheidentification,characteristics,classificationand

relationshipwithaccidentsofriskdrivingbehavior,andtheanalysisofthepatternsofspatial-

temporaldistributionandinfluencingfactorsofriskdrivingbehaviorisstilllacking.Basedon

thevehicletrajectoriescollectedbyvehicleterminalsandtheidentifiedriskdrivingbehavior

data,thispaperstudiesthepatternsofspat