我們通過分析Android Auto收集的急剎事件（HBEs）與實(shí)際道路事故率之間的關(guān)系，確立了兩者之間的正相關(guān)性。研究證實(shí)，急剎事件頻率較高的道路段確實(shí)具有顯著更高的事故風(fēng)險(xiǎn)，這表明此類事件可以作為道路安全評估的前瞻性指標(biāo)。

傳統(tǒng)交通安全評估的局限性

傳統(tǒng)的交通安全評估主要依賴警方報(bào)告的事故統(tǒng)計(jì)數(shù)據(jù)，這些數(shù)據(jù)通常被認(rèn)為是"黃金標(biāo)準(zhǔn)"，因?yàn)樗鼈兣c死亡、傷害和財(cái)產(chǎn)損失直接相關(guān)。然而，依賴歷史事故數(shù)據(jù)進(jìn)行預(yù)測建模面臨重大挑戰(zhàn)，因?yàn)檫@些數(shù)據(jù)本質(zhì)上是"滯后"指標(biāo)。此外，在主干道和地方道路上，事故在統(tǒng)計(jì)學(xué)上是罕見事件，可能需要數(shù)年時(shí)間才能積累足夠的數(shù)據(jù)來建立特定路段的有效安全檔案。這種數(shù)據(jù)稀疏性加上各地區(qū)不一致的報(bào)告標(biāo)準(zhǔn)，使得開發(fā)強(qiáng)大的風(fēng)險(xiǎn)預(yù)測模型變得復(fù)雜。主動安全評估需要"前瞻性"指標(biāo)：與安全結(jié)果相關(guān)但比事故發(fā)生更頻繁的風(fēng)險(xiǎn)代理指標(biāo)。

急剎事件作為事故風(fēng)險(xiǎn)指標(biāo)的驗(yàn)證

我們評估了急剎事件作為事故風(fēng)險(xiǎn)可擴(kuò)展替代指標(biāo)的有效性。急剎事件是指車輛前向減速度超過特定閾值（-3m/s?）的情況，我們將其解釋為規(guī)避行為。急剎事件便于網(wǎng)絡(luò)范圍分析，因?yàn)樗鼈儊碓从诼?lián)網(wǎng)車輛數(shù)據(jù)，不像基于接近度的替代指標(biāo)（如碰撞時(shí)間）那樣經(jīng)常需要使用固定傳感器。通過結(jié)合來自弗吉尼亞州和加利福尼亞州的公共事故數(shù)據(jù)以及Android Auto平臺的匿名聚合急剎事件信息，我們建立了事故率（任何嚴(yán)重程度）與急剎事件頻率之間統(tǒng)計(jì)顯著的正相關(guān)關(guān)系。

數(shù)據(jù)密度優(yōu)勢分析

為了驗(yàn)證這一指標(biāo)的實(shí)用性，我們分析了10年的公共事故數(shù)據(jù)以及聚合的急剎事件測量數(shù)據(jù)。急剎事件的直接優(yōu)勢是信號密度。我們對加利福尼亞州和弗吉尼亞州道路段的分析顯示，觀察到急剎事件的路段數(shù)量是報(bào)告事故路段數(shù)量的18倍。雖然事故數(shù)據(jù)眾所周知地稀疏——在某些地方道路上可能需要數(shù)年才能觀察到單一事件——急剎事件提供了連續(xù)的數(shù)據(jù)流，有效填補(bǔ)了安全地圖中的空白。

統(tǒng)計(jì)建模和回歸分析

核心目標(biāo)是確定急剎事件的高頻率是否與高事故率存在因果關(guān)系。我們采用負(fù)二項(xiàng)回歸模型，這是《公路安全手冊》中的標(biāo)準(zhǔn)方法，以考慮比事故數(shù)據(jù)中通常發(fā)現(xiàn)的更高程度的方差。

我們的模型結(jié)構(gòu)控制了各種混雜因素，包括道路類型、交通量、坡道存在、速度限制和道路幾何特征等。結(jié)果表明，兩個(gè)州的急剎事件率與事故率之間存在統(tǒng)計(jì)顯著關(guān)聯(lián)。急剎頻率較高的道路段始終表現(xiàn)出較高的事故率，這種關(guān)系在從地方主干道到受控通行高速公路的不同道路類型中都成立。

回歸分析還量化了特定基礎(chǔ)設(shè)施要素的影響。例如，在兩個(gè)州中，道路段上坡道的存在都與事故風(fēng)險(xiǎn)呈正相關(guān)，這可能是由于合并所需的編織機(jī)動造成的。

實(shí)際案例驗(yàn)證

為了直觀展示這一指標(biāo)的實(shí)際應(yīng)用，我們檢查了加利福尼亞州連接101號和880號高速公路的高速公路合并路段。歷史數(shù)據(jù)表明，該路段的急剎事件率約為加利福尼亞州高速公路平均水平的70倍，十年來平均每六周發(fā)生一次事故。

當(dāng)分析該位置的聯(lián)網(wǎng)車輛數(shù)據(jù)時(shí)，我們發(fā)現(xiàn)它在所有道路段的急剎事件頻率中排名前1%。急剎事件信號成功標(biāo)記了這個(gè)異常值，而無需依賴十年的事故報(bào)告才能統(tǒng)計(jì)確認(rèn)風(fēng)險(xiǎn)。這種一致性驗(yàn)證了急剎事件作為可靠代理指標(biāo)的能力，即使在缺乏長期碰撞歷史的情況下也能識別高風(fēng)險(xiǎn)位置。

實(shí)際應(yīng)用和未來發(fā)展

驗(yàn)證急剎事件作為事故風(fēng)險(xiǎn)的可靠代理指標(biāo)，將原始傳感器指標(biāo)轉(zhuǎn)化為可信賴的道路管理安全工具。這一驗(yàn)證支持使用聯(lián)網(wǎng)車輛數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)范圍的交通安全評估，提供增強(qiáng)的空間和時(shí)間粒度。雖然這些結(jié)果表明對道路段風(fēng)險(xiǎn)確定具有實(shí)用性，但它們并不對與位置無關(guān)的駕駛行為風(fēng)險(xiǎn)得出結(jié)論。

谷歌研究院的移動智能體團(tuán)隊(duì)正在與谷歌地圖平臺合作，將這些急剎事件數(shù)據(jù)集作為道路管理洞察產(chǎn)品的一部分對外提供。通過整合這些高密度信號，交通部門可以獲得聚合的匿名數(shù)據(jù)，與傳統(tǒng)事故統(tǒng)計(jì)相比，這些數(shù)據(jù)更加新鮮，覆蓋道路網(wǎng)絡(luò)的范圍更廣。這使得能夠使用前瞻性指標(biāo)識別高風(fēng)險(xiǎn)位置，而不是僅僅依賴滯后和稀疏的碰撞記錄。

研究局限和改進(jìn)方向

雖然這項(xiàng)研究證實(shí)了急剎事件是事故風(fēng)險(xiǎn)的強(qiáng)大前瞻性指標(biāo)，但仍有機(jī)會進(jìn)一步完善這一信號。我們目前正在研究空間聚類同質(zhì)道路段的機(jī)制，以進(jìn)一步減少數(shù)據(jù)稀疏性。解決這些限制將使從風(fēng)險(xiǎn)識別向有針對性的工程轉(zhuǎn)變成為可能，高密度數(shù)據(jù)將為特定基礎(chǔ)設(shè)施干預(yù)提供信息，從信號時(shí)序調(diào)整和改進(jìn)標(biāo)識到高風(fēng)險(xiǎn)合并車道的幾何重新設(shè)計(jì)。

Q&A

Q1：什么是急剎事件，它是如何定義的？

A：急剎事件是指車輛前向減速度超過特定閾值（-3m/s?）的情況，被解釋為駕駛員的規(guī)避行為。這些數(shù)據(jù)通過Android Auto等聯(lián)網(wǎng)車輛平臺收集，能夠提供比傳統(tǒng)事故數(shù)據(jù)更密集的安全信息。

Q2：急剎事件相比傳統(tǒng)事故數(shù)據(jù)有什么優(yōu)勢？

A：急剎事件的主要優(yōu)勢是數(shù)據(jù)密度高。研究顯示，觀察到急剎事件的路段數(shù)量是報(bào)告事故路段的18倍。傳統(tǒng)事故數(shù)據(jù)稀疏，某些地方道路可能需要數(shù)年才能觀察到單一事件，而急剎事件提供連續(xù)數(shù)據(jù)流。

Q3：急剎事件數(shù)據(jù)將如何應(yīng)用于道路安全管理？

A：谷歌正通過地圖平臺將急剎事件數(shù)據(jù)集作為道路管理洞察產(chǎn)品提供給交通部門。這些高密度、匿名的數(shù)據(jù)能幫助識別高風(fēng)險(xiǎn)位置，支持從信號時(shí)序調(diào)整到道路幾何重新設(shè)計(jì)等各種基礎(chǔ)設(shè)施干預(yù)措施。