基于SVM 事故分類的連環(huán)追尾事故影響因素分析*

柳本民 閆 寒

（同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室 上海 200000）

0 引 言

自汽車誕生100多年以來，行車安全一直是交通領(lǐng)域研究的熱點(diǎn)問題。為了減少道路交通事故的發(fā)生，降低事故中傷亡人數(shù)，國內(nèi)外學(xué)者嘗試通過交通部門建立的事故數(shù)據(jù)庫構(gòu)建模型，來探究交通事故的誘因以制定合理有效對策。

近年來，有很多國內(nèi)外學(xué)者對交通事故嚴(yán)重程度與各影響因素之間的關(guān)系進(jìn)行了分析。如Abdel-Aty等[1]通過建立Ordered Probit（ORP）模型分析了不同地點(diǎn)影響交通事故嚴(yán)重性的因素所具有的相同點(diǎn)與不同點(diǎn)。王磊等[2]同時(shí)利用有序 Logit和多項(xiàng)Logit模型建立高速公路交通事故傷害程度預(yù)測模型，分析限速、路面等 15個(gè)變量對事故嚴(yán)重性的影響，并對模型分析精度做了比較。Quddus等[3]建立ORP模型來研究摩托車事故中駕駛員受傷程度以及車輛損毀程度與各影響因素之間的關(guān)系。孫軼軒等[4]建立了基于SVM靈敏度的城市交通事故嚴(yán)重程度分類模型，得到靈敏度系數(shù)絕對值最大的前3個(gè)變量分別為事故類型為人車事故，氣候與能見度不佳，涉事車輛載運(yùn)種類為載貨汽車。另外，Riffat等[5]基于ORP模型研究穿越地點(diǎn)與光照條件對交通事故中行人受傷嚴(yán)重程度的影響。胡驥等[6]利用北卡羅來納州公路上翻車事故樣本，基于Ordinal Logistic模型，進(jìn)行翻車事故嚴(yán)重性影響因素分析。馬柱等[7]進(jìn)行Logistic回歸模型擬合，采用混合逐步選擇法對城市道路交通事故嚴(yán)重程度影響因素進(jìn)行了分析。

追尾事故作為最常發(fā)生的事故類型，對追尾事故嚴(yán)重程度的研究也層出不窮。劉鑫鑫[8]對高速公路追尾事故分別構(gòu)建了基于累計(jì)Logistic和SVM的嚴(yán)重程度預(yù)測模型，分別從駕駛員、車輛、道路、環(huán)境4個(gè)方面對高速公路追尾事故嚴(yán)重程度影響因素進(jìn)行了分析。王鵬等[9]采用了北卡羅來納州公路上事故數(shù)據(jù)，利用Ordered Probit模型對追尾事故嚴(yán)重性有關(guān)的11種影響因素進(jìn)行了分析。而多車連環(huán)追尾事故作為追尾事故的1種，更是高速公路波及范圍最廣同時(shí)也最嚴(yán)重的事故形式之一。張吉光和邵維[10]對高速公路多車連環(huán)追尾事故影響因素進(jìn)行了客觀總結(jié)。Yau等[11-12]利用Logistic模型分別對單車碰撞和多車碰撞事故的影響因素進(jìn)行了分析。

綜合以上分析，目前通過已有事故數(shù)據(jù)對包括追尾事故在內(nèi)的各種事故嚴(yán)重程度影響因素的分析較多，但對多車追尾事故影響因素的分析相對較少，更少有學(xué)者考慮將連環(huán)追尾事故作為追尾事故的一種更嚴(yán)重形式，對2種事故進(jìn)行區(qū)分和分類，進(jìn)而對產(chǎn)生連環(huán)追尾事故的影響因素進(jìn)行深入分析。因此，筆者將追尾事故分為2車追尾與連環(huán)追尾2種情況，因變量是否產(chǎn)生連環(huán)追尾就是1個(gè)二元分類變量，通過大量事故數(shù)據(jù)建立二分類模型，來尋求影響2種事故產(chǎn)生差別的關(guān)鍵特征變量，從而更好的探究多車連環(huán)追尾事故的影響因素和產(chǎn)生機(jī)理。

1 支持向量機(jī)模型

1.1 模型簡介

支持向量機(jī)（SVM）是一種分類技術(shù)，它以訓(xùn)練誤差作為優(yōu)化問題的約束條件，以置信范圍值最小化作為優(yōu)化目標(biāo)，是基于機(jī)器學(xué)習(xí)理論背景下的結(jié)構(gòu)風(fēng)險(xiǎn)最小化概念[13-14]。支持向量機(jī)廣泛應(yīng)用于文本分類、圖像分類以及生物序列分析領(lǐng)域，它能夠較好的解決傳統(tǒng)統(tǒng)計(jì)學(xué)習(xí)理論遇到的高維數(shù)據(jù)、小樣本、非線性和局部極小點(diǎn)等實(shí)際問題，尤其在解決二分類問題上發(fā)揮著重要作用。同時(shí)，支持向量機(jī)在事故嚴(yán)重程度的分類中也有廣泛應(yīng)用。Chen等[15]采用SVM模型研究翻車碰撞中駕駛員受傷害的嚴(yán)重程度。汪飛翔等[16]將水上交通事故嚴(yán)重程度劃分3個(gè)等級(jí)，建立了SVM三分類模型，利用SVM-RFE算法篩選出對于事故嚴(yán)重程度影響最大的因素。Li等[17]同時(shí)用SVM模型和有序概率模型對事故中的損傷程度進(jìn)行預(yù)測，得出SVM模型在因子影響評估方面優(yōu)于有序概率模型。Yu等[18]也對比了SVM模型、固定參數(shù)Logit模型和隨機(jī)參數(shù)Logit模型在碰撞傷害嚴(yán)重性分析中的應(yīng)用，認(rèn)為SVM模型能夠較好對事故嚴(yán)重程度進(jìn)行分類和預(yù)測。

基于此，筆者將追尾事故作為一個(gè)典型的分類問題，并且在給定訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集的情況下，使用SVM分類器對2車追尾事故和連環(huán)追尾事故進(jìn)行分類，在分類過程中利用SVM-RFE算法對特征變量重要度進(jìn)行排序。并通過一定的準(zhǔn)確性評價(jià)方法對模型分類效果進(jìn)行評價(jià)。

1.2 模型原理

支持向量機(jī)的主要目標(biāo)就是將線性不可分的數(shù)據(jù)樣本，通過核函數(shù)映射到高維數(shù)據(jù)空間，然后在高維空間進(jìn)行分類，并構(gòu)建1個(gè)超平面ωT×x+b=0，使不同樣本類型間的隔離邊緣最大化。其中，ω為最優(yōu)超平面的權(quán)系數(shù)向量；b為常量參數(shù)；x為輸入向量，對于n個(gè)訓(xùn)練樣本其中xi∈T，T為樣本特征參數(shù)構(gòu)成的特征向量集合，yi∈{ }

-1,1為類別標(biāo)簽。滿足約束條件的目標(biāo)函數(shù)見式（1）。式中：C為懲罰系數(shù)，是1個(gè)大于零的常量，影響模型的偏向；(i=1,2，…，n)為松弛變量。模型中的參數(shù)都可以在模型的求解過程中進(jìn)行求解。

SVM模型通常采用核函數(shù)來解決高維度問題。高斯核函數(shù)是最常用的一種核函數(shù)，它可以將數(shù)據(jù)映射到無限維，也稱為徑向基函數(shù)（RBF）。高斯核函數(shù)方程見式（2）[19]。

式中：γ為核函數(shù)參數(shù)，當(dāng)核函數(shù)K(xi×xj)滿足Mercer條件時(shí)，能將問題轉(zhuǎn)化為1個(gè)凸二次問題規(guī)劃，將高維空間的分類面計(jì)算問題轉(zhuǎn)化為求核函數(shù)內(nèi)積的計(jì)算。SVM決策函數(shù)為

式中：αi為拉格朗日乘子。

SVM 建模過程中可以通過遞歸特征消除算法（即SVM-RFE算法[20]）給特征重要度進(jìn)行排序。SVM-RFE算法是一個(gè)基于SVM的最大間隔原理的序列后向選擇算法。它通過模型訓(xùn)練樣本，對每個(gè)特征進(jìn)行得分進(jìn)行排序，去掉最小特征得分的特征，對保留的特征重新進(jìn)行SVM建模和特征權(quán)重排序，不斷迭代，直至只剩最后一個(gè)特征。SVM-RFE采用線性核函數(shù)，排序系數(shù)為

式中：wi為權(quán)重向量。

1.3 模型調(diào)參

通過以上的模型介紹可知，支持向量機(jī)是由參數(shù)C和γ構(gòu)成的超參數(shù)函數(shù)，γ的大小與支持向量的多少有關(guān)，而支持向量的數(shù)量會(huì)影響訓(xùn)練和預(yù)測的速度，而對于系數(shù)C，其值越大，模型容易過擬合，而過小則導(dǎo)致欠擬合。因此，為使模型具有較好的訓(xùn)練和預(yù)測效果，并且避免擬合不當(dāng)?shù)默F(xiàn)象，需要對模型進(jìn)行調(diào)參。常規(guī)的調(diào)參方法是基于K折交叉的網(wǎng)格搜索法。首先將原始樣本分成K個(gè)互不相交的子集；然后將每個(gè)子集數(shù)據(jù)分別做1次測試集，其余的K-1組子集數(shù)據(jù)作為訓(xùn)練集；最后將會(huì)得到K個(gè)模型分類精度，通過比較不同參數(shù)下的模型精度可以選取最優(yōu)的精度，再通過網(wǎng)格搜索法（GridSearchCV）進(jìn)行參數(shù)調(diào)參。網(wǎng)格搜索法是最常用的模型調(diào)參方法，即通過對于模型參數(shù)自動(dòng)進(jìn)行交叉驗(yàn)證，從而得到最優(yōu)的結(jié)果的。

1.4 模型效果評價(jià)

SVM的分類精度可以用準(zhǔn)確率、ROC和AUC等指標(biāo)進(jìn)行評價(jià)。

1）準(zhǔn)確率。是指樣本數(shù)據(jù)中準(zhǔn)確預(yù)測的樣本占總樣本的數(shù)量。

式中：A為準(zhǔn)確率；TP為正樣本中分類正確的樣本數(shù)，TN為負(fù)樣本中分類正確的樣本數(shù)；P為總的正類樣本數(shù)，N為總的負(fù)類樣本數(shù)。

2）ROC曲線（receiver operating characteristic curve）即受試者操作特性曲線。ROC曲線是1個(gè)重要的指標(biāo)，通常用于評估二元分類器。ROC曲線有個(gè)很好的特性：當(dāng)測試集中的正負(fù)樣本的分布變化的時(shí)候，ROC曲線能夠保持不變。在實(shí)際的數(shù)據(jù)集中經(jīng)常會(huì)出現(xiàn)類不平衡（class imbalance）現(xiàn)象，即負(fù)樣本比正樣本多很多（或者相反），而且測試數(shù)據(jù)中的正負(fù)樣本的分布也可能隨著時(shí)間變化。ROC曲線能夠很好的解決這個(gè)問題。ROC可以通過2個(gè)指標(biāo)來計(jì)算，即真陽性率和假陽性率。

真陽性率和假陽性率的計(jì)算見式（7）～（8）。

式中：FN為將正類誤報(bào)為負(fù)類的樣本數(shù)；FP為將負(fù)類誤報(bào)為正類的樣本數(shù)。

3）Area Under Curve（AUC）。AUC表示ROC曲線下的面積，它可以用定量值評估支持向量機(jī)的分類效果，對于完美的分類器，AUC的值應(yīng)為1。對于隨機(jī)猜測分類器，AUC的面積為0.5。

2 數(shù)據(jù)準(zhǔn)備

2.1 數(shù)據(jù)來源

筆者篩選了美國國家公路交通安全管理局（NHTSA）采樣系統(tǒng)（NASS）通用估算系統(tǒng)（GES）采集并記錄下的美國公路2013～2015年所有的追尾碰撞事故數(shù)據(jù)，將其分為2車追尾事故和連環(huán)追尾事故2種，將碰撞類型為追尾碰撞且涉及車輛為2輛的定義為2車追尾事故，涉及車輛超過2輛的定義為連環(huán)追尾事故。最終篩選出完整的事故數(shù)據(jù)共有：連環(huán)追尾事故7 877起；2車追尾事故30 660起。各年事故數(shù)量見表1。

表1 事故數(shù)量Tab.1 Number of accidents

2.2 數(shù)據(jù)篩選

由于原始數(shù)據(jù)在采集和錄入的過程中可能存在各種問題，導(dǎo)致數(shù)據(jù)集中包含信息丟失、記錄錯(cuò)誤或異常的數(shù)據(jù)，進(jìn)一步影響論文研究分析的準(zhǔn)確性，因此需要對問題數(shù)據(jù)進(jìn)行篩選、剔除，具體處理方法見表2。

表2 數(shù)據(jù)篩選方法Tab.2 Screening method

2.3 特征篩選

在處理完成的追尾事故分析數(shù)據(jù)中，以經(jīng)驗(yàn)認(rèn)知為基礎(chǔ)，根據(jù)可能影響到2車與多車事故區(qū)別的相關(guān)因素，并結(jié)合國內(nèi)外相關(guān)學(xué)者的研究現(xiàn)狀，初步選取包括時(shí)間（季節(jié)、星期、1 d內(nèi)的時(shí)間段）、駕駛?cè)耍挲g、性別、飲酒情況、避撞行為、與駕駛?cè)擞嘘P(guān)的安全因素）、車輛（首車運(yùn)動(dòng)情況、碰撞后車輛的穩(wěn)定情況、偏離車道情況、車輛類型）、道路（車道斷面情況、車道數(shù)、限速、道路線型、路表情況、坡度情況）、環(huán)境（天氣情況、照明情況、交通控制設(shè)備）這5種特征類型下的21個(gè)特征變量。

這21個(gè)特征變量，由于不同的特征屬性及取值分布不同，每個(gè)特征對分類結(jié)果的貢獻(xiàn)度不同。而對于分類問題來說，各個(gè)類別的差異與選取的特征有關(guān)，因此為降低無關(guān)特征對分類問題的影響，需通過特征篩選剔除冗余特征?；跊Q策樹的特征選擇算法常應(yīng)用于數(shù)據(jù)挖掘中的特征篩選過程中，而隨機(jī)森林作為一種集成分類樹算法，該算法可以實(shí)現(xiàn)低偏差和低方差的分類結(jié)果，可通過改變樣本特征，計(jì)算分類誤差來評估特征對分類結(jié)果的貢獻(xiàn)度[22]。因此，采用隨機(jī)森林的方法剔除冗余特征。

運(yùn)用Matlab軟件編程，對上面21個(gè)變量進(jìn)行隨機(jī)森林特征貢獻(xiàn)度計(jì)算，貢獻(xiàn)度數(shù)值越高，表明特征對結(jié)果的影響越大。按貢獻(xiàn)度從大到小排序，并求得累計(jì)貢獻(xiàn)度，得到表3。根據(jù)前14個(gè)變量累積貢獻(xiàn)率達(dá)到了0.902＞0.9，剩下7個(gè)特征變量（駕駛?cè)瞬话踩蛩?、路表情況、年齡情況、是否有車輛偏離車道、道路線型、是否有車輛不穩(wěn)定、是否涉及飲酒）對樣本分類的累計(jì)貢獻(xiàn)度不及0.1，相對較小，故將其剔除。最終，以貢獻(xiàn)度較大的前14個(gè)特征作為SVM模型的輸入變量，具體變量設(shè)置見表4。

表3 特征貢獻(xiàn)度排序Tab.3 Sorting of feature contributions

表4 追尾事故影響因素及變量設(shè)置Tab.4 The factors affecting the rear-end accident and the setting of variables

3 模型構(gòu)建與結(jié)果分析

3.1 基于SVM的事故分類模型的構(gòu)建

通過將篩選出的14個(gè)變量作為輸入變量，并選取了訓(xùn)練集和測試集以7：3的比例進(jìn)行劃分，構(gòu)建SVM核函數(shù)，該模型選取徑向基函數(shù)（RBF）作為SVM的核函數(shù)，訓(xùn)練過程K-CV折數(shù)為5折。通過網(wǎng)格搜索法對核參數(shù)尋優(yōu)，設(shè)定C和g選擇范圍均為2-8～28，迭代的步長取0.5。經(jīng)過反復(fù)調(diào)試后，最后確定核函數(shù)的2個(gè)最優(yōu)參數(shù)組合γ=9和懲罰參數(shù)C=0.9。

訓(xùn)練SVM模型，并輸入測試集進(jìn)行模型測試，得到了支持向量機(jī)模型分類的結(jié)果見表5，通過2種事故的準(zhǔn)確率對比可以發(fā)現(xiàn)，2車追尾事故的分類準(zhǔn)確率高于連環(huán)追尾事故，這可能與2種事故數(shù)據(jù)量差距懸殊有關(guān)，2車追尾事故數(shù)（30 660起）約是連環(huán)追尾事故數(shù)（7 877起）的4倍，對模型的訓(xùn)練和測試能起到更好的效果。也可能是因?yàn)檫B環(huán)追尾事故涉及車輛數(shù)不一，從3輛到十幾輛均有涵蓋，數(shù)據(jù)統(tǒng)一性較差，特征相對不明顯，對模型的訓(xùn)練效果相對不好。但模型總體識(shí)別精度（準(zhǔn)確度）較高：訓(xùn)練集97.42%，測試集80.32%。這表明連環(huán)追尾事故和2車追尾事故之間存在顯著差別，而且通過這14個(gè)特征變量能夠較好的將2種事故區(qū)分開來，也就說明選取的特征參數(shù)是影響2種事故產(chǎn)生差別的原因。

同時(shí)，還得到二分類結(jié)果的ROC曲線，見圖1。二分類結(jié)果的效果較好，ROC曲線下的面積AUC較大，其值為0.70，這表明在SVM對于連環(huán)追尾事故和2車追尾事故能夠很好的進(jìn)行分類和預(yù)測。

表5 模型準(zhǔn)確率Tab.5 Model accuracy (%)

3.2 影響因素分析

由于模型能對2種事故較好的分類，根據(jù)SVM-RFE算法將影響分類效果的特征變量的相對重要度（以影響分類效果最大的特征的重要度為100%，計(jì)算其余特征相對其的重要性占比）繪制見圖2。根據(jù)相對重要度排序，對分類結(jié)果影響較大的4個(gè)影響因素分別是碰撞前首車的運(yùn)動(dòng)情況、道路的限速、季節(jié)、車道數(shù)，其相對貢獻(xiàn)度均超過25%，說明不同的首車運(yùn)動(dòng)情況、不同的道路限速、不同的季節(jié)及車道數(shù)都是影響2種事故產(chǎn)生差異的主要因素，為了了解具體在哪種情況下更容易發(fā)生連環(huán)追尾事故，還需對這4個(gè)主要影響因素進(jìn)一步分析。

圖1 二分類ROC結(jié)果Fig.1 ROC results

圖2 相對重要度Fig.2 Relative importance

3.2.1 碰撞前首車運(yùn)動(dòng)狀態(tài)

根據(jù)原始數(shù)據(jù)繪制碰撞前不同首車運(yùn)動(dòng)狀況下2種事故的事故百分比對比圖，見圖3。折線為連環(huán)追尾事故占比與2車追尾事故占比的差值，虛線是差值為0時(shí)的分界線；虛線以上部分代表在此情況下連環(huán)追尾事故發(fā)生的比例要高于2車追尾事故在該種情況下發(fā)生的比例。

圖3 碰撞前不同首車運(yùn)動(dòng)狀況事故百分比Fig.3 Percentage of accidents in different first car sports conditions before accidents

從圖3可以明顯看出2種事故在不同首車運(yùn)動(dòng)狀況下發(fā)生的比例有很大區(qū)別。連環(huán)追尾事故中發(fā)生在首車停車或減速的情況占極大比重，約為75%；發(fā)生在穩(wěn)定直行時(shí)占比約19%；有6.3%發(fā)生在其他情況。而2車追尾事故更多的發(fā)生在穩(wěn)定直行的情況下比約65%；發(fā)生在停車或減速的比例約為20%；有約15%發(fā)生在其他情況下?？梢砸姷卯?dāng)首車急減速時(shí)更容易導(dǎo)致連環(huán)追尾事故的發(fā)生，這也與實(shí)際情況相吻合。當(dāng)首車停車或減速時(shí)第2輛車追尾前往往也會(huì)緊急制動(dòng)，導(dǎo)致第3輛車、第4輛車等因?yàn)榉磻?yīng)時(shí)間過短而相繼追尾。而當(dāng)首車穩(wěn)定直行時(shí)發(fā)生的追尾事故，更多的可能是因?yàn)楹筌嚰铀倩虿僮魇д`引起的，不易波及到后方車輛。

3.2.2 限速

圖4 不同限速事故百分比Fig.4 Percentage of accidents in different speed limit

繪制2種事故在不同限速下的事故百分比對比圖，見圖4。由于原始數(shù)據(jù)是用英里每小時(shí)做為單位記錄的，換算為國際標(biāo)準(zhǔn)單位（km/h）再取整，得到橫坐標(biāo)所示的數(shù)值。根據(jù)圖4可見，2種事故在不同限速下發(fā)生的比例分布情況基本相一致，但觀察2種事故占比的差值可以發(fā)現(xiàn)，連環(huán)追尾事故發(fā)生在限速大于80 km/h情況下的比例要普遍高于2車追尾事故發(fā)生的比例。2車追尾事故更多的發(fā)生在限速較低的情況下，其中發(fā)生在限速為72 km/h及以下的情況占比約71%，而發(fā)生在限速大于80 km/h的事故比例僅占29%。說明相比2車追尾，連環(huán)追尾更容易發(fā)生在速度較高的情況下，尤其容易發(fā)生在高速公路上。所以速度過高、駕駛?cè)朔磻?yīng)時(shí)間過短、需要的停車制動(dòng)距離較長，也可能是由2車追尾演變成連環(huán)追尾事故的主要原因。

3.2.3 季節(jié)

根據(jù)圖5可以看出，秋季2種事故的發(fā)生率都相對較高，冬季相對較低，這與不同季節(jié)人們的出行頻率有關(guān)。另外，根據(jù)事故占比的差值發(fā)現(xiàn)，連環(huán)追尾事故僅在夏季發(fā)生的比例高于2車追尾事故，其他季節(jié)2車追尾事故發(fā)生比例均高于連環(huán)追尾事故，說明夏季多雨、炎熱等氣候特點(diǎn)可能是導(dǎo)致連環(huán)追尾事故頻發(fā)的原因之一。

3.2.4 車道數(shù)

根據(jù)圖6可以看出，在2車道上2種事故的發(fā)生率最高，這與美國公路的車道分布情況有關(guān)。根據(jù)事故占比的差值發(fā)現(xiàn)，當(dāng)車道數(shù)大于2時(shí)連環(huán)追尾事故發(fā)生的比例均高于2車追尾事故，這說明連環(huán)追尾事故的發(fā)生與周圍車道及交通量情況有關(guān)，更大的交通流密度及周邊車道上車輛換道等行為的影響也會(huì)增加連環(huán)追尾事故發(fā)生的概率。

圖5 不同季節(jié)事故百分比Fig.5 Percentage of accidents in different season

圖6 不同車道數(shù)事故百分比Fig.6 Percentage of accidents by number of lanes

4 結(jié) 論

1）以美國公路3年的追尾事故數(shù)據(jù)為樣本，以經(jīng)驗(yàn)認(rèn)知為基礎(chǔ)，并通過隨機(jī)森林累計(jì)貢獻(xiàn)度進(jìn)行特征篩選，最終選取了與時(shí)間、駕駛?cè)?、車輛、道路和環(huán)境有關(guān)的14個(gè)相關(guān)因素作為SVM的輸入變量，建立了2車追尾事故與連環(huán)追尾事故二分類的SVM分類模型。模型得到了較好的分類準(zhǔn)確率，表明連環(huán)追尾事故和2車追尾事故之間確實(shí)存在顯著差異。

2）使用SVM-RFE算法得到影響分類效果的特征變量的相對重要度排序，根據(jù)相對重要度大于25%，得到4個(gè)對2種事故產(chǎn)生區(qū)別影響較大的因素，包括碰撞前首車的運(yùn)動(dòng)情況、道路的限速、季節(jié)、車道數(shù)。進(jìn)一步分析發(fā)現(xiàn)，在首車停車或減速、道路限速超過80 km/h、夏季炎熱多雨的氣候以及車道數(shù)大于2車道的情況下都更容易發(fā)生連環(huán)追尾事故。駕駛?cè)嗽谲嚨罃?shù)較多、限速較高的高速公路上行駛時(shí)更應(yīng)該規(guī)范自身車輛的行為，盡量避免緊急制動(dòng)，也不要隨意變更車道，不影響后車和旁車的正常通行。同時(shí)駕駛?cè)艘矐?yīng)該保持警惕，一方面同車道上要注意保持車距，防止因前方車輛減速或停車沒有足夠的反應(yīng)時(shí)間和減速制動(dòng)距離而引起連環(huán)追尾事故的發(fā)生；另一方面要注意周邊車輛的行為，防止其他車輛的突然換道而措手不及。

3）筆者從連環(huán)追尾與2車追尾的差別著手分析連環(huán)追尾事故的影響因素，為多車事故的分析提供了新角度、新思路，同時(shí)也為日后多車協(xié)同避撞研究及制定相關(guān)安全管理措施提供了參考和依據(jù)。但由于2種事故數(shù)據(jù)量差距懸殊、不平衡，分類結(jié)果不夠理想，仍有完善的余地。另外，由于篇幅有限沒有對導(dǎo)致連環(huán)追尾事故發(fā)生的幾個(gè)因素進(jìn)行更具體、更微觀的分析，數(shù)據(jù)還有待深入挖掘。