这是我们课题组发表在上Journal of Transportation Engineering Part A-Systems上的一篇论文，文章用了现在做研究流行的GTWR、GWR、OLS模型，在此对论文进行介绍，并且该论文代码已经开源，修改后可以直接使用。
github：https://github.com/RobinYaoWenbin/OpenSource-for-Analysis-of-Spatiotemporal-Factors-Affecting-Traffic-Safety
gitee:https://gitee.com/RobinYaoWenbin/OpenSource-for-Analysis-of-Spatiotemporal-Factors-Affecting-Traffic-Safety
1.论文概述
文章主要是分析交通事故的时空影响因素。总的来说文章可以分为以下部分：
- 交通事故数据描述性统计分析，事故数据根据严重程度可以划分为（killed and severe injury）KSI和（property damage only）PDO，分别是有人员伤亡和无人员伤亡。然后分别对这两类事故数据进行时空特性分析。时间维度就是统计每天的事故频次，空间维度就是看事故发生的分布。为了更进一步分析，我们用全局莫兰指数和局部莫兰指数进行了空间自相关性的分析。
- 第二部分就是时空影响因素的提取。时空影响因素分为三个大类，第一是交通状态信息，第二是路网结构特征，第三是建成环境信息。从这三大类中共提取出了18个变量。为了进行后续的建模，需要分别做共线性分析和空间自相关性检验。交通状态信息来源于车牌识别数据，路网结构特征来源于OSM数据，建成环境信息来源于POI数据，后两类数据都是开源的。
- 第三部分就是事故时空关系建模了。模型分别用GTWR、GWR和OLS三个模型进行建模。
- 第四部分就是结果解读了，这一类影响因素分析的论文结果解读往往占了较大篇幅，且作为一篇论文是非常看重这一部分的，因为这里是主要的结论和对工程实践的启发。不过对于方法论而言，往往大家不怎么看这一部分。
2.数据概述
论文使用了4种数据，分别是交通事故数据，车牌识别数据，路网数据（openstreetmap），建成环境数据（POI数据）。
这四类数据中的路网数据和建成环境数据是开源的，也是交通相关的研究里很常见的数据。路网数据的获取和使用可以查看我的这篇博客【OSMnx】，通过爬取openstreetmap并整理成图的结构，进而可以使用复杂网络的方法来进行分析。建成环境数据通常就是POI数据，通过高德api可以爬取高德的POI，然后用POI可以大致分析出建成环境，比如居住区、商业区等等，详细可以看论文。我在很多论文里也都使用了对应的方法。
至于事故数据和车牌识别数据则需要和有关部门合作方可获取，似乎也没看到过相关的开源数据。事故数据是发生交通事故后交警对事故的结构化记录，车牌识别数据是一类常用的时空轨迹数据，我的大多数研究均基于此数据展开，对于该数据的了解可以看我的论文。车牌识别数据可以用来分析出行行为和路段、路网的交通状态。
3.方法论
该部分依次对文章所用的方法论进行一个说明：
- 对交通事故进行空间分析用到了全局和局部莫兰指数，这个一般是用来做探索性分析的，也就是去看数据是否呈现出空间自相关性。
- 在挖掘路网结构变量时用了一些复杂网络的方法，将城市交叉口作为结点，道路作为边构成一个图，然后可以得到入度、出度、边密度、结点重要性（pagerank）等指标，此外，也得到了Orientation entropy等一些相对复杂的复杂网络指标，用来反映街道的朝向有序性。
- 在计算建成环境指标时用了常用的建成环境分析方法和信息熵来度量用地性质，这些方法详见本人论文，如Yao, W., J. Yu, Y. Yang, N. Chen, S. Jin, Y. Hu, and C. Bai. 2022b.“Understanding travel behavior adjustment under COVID-19.” Commun. Transp. Res.2 (Dec): 100068.https://doi.org/10.1016/j.commtr.2022
.100068.，Yao, W., C. Chen, H. Su, N. Chen, S. Jin, and C. Bai. 2022a.“Analysis of key commuting routes based on spatiotemporal trip chain.” J. Adv. Transp.2022 (Mar): 31.https://doi.org/10.1155/2022/6044540. - 进行时空影响因素分析时用到了GTWR、GWR、OLS模型，这几个也算是常见模型，详细细节可以看我的GTWR介绍博客。
4.结论
结论方面其实就是GTWR的系数来分析各个自变量是怎么影响事故发生率的。GTWR模型可以对时空异质性建模，因此实际上可以分析时间维度的系数变化和空间维度的系数变化，比如我下面各放了一张时间维度的图和空间维度的图。这两张图结合起来看也就可以知道系数一天中是怎么变得，也就是自变量和因变量的关系一天中怎么变得，同时也能知道两者之间的关系随着空间是怎么变化的。具体可以看我们的论文了。
5.代码开源
相关代码已经在github和gitee开源，需要的小伙伴可以自行下载
参考文献
Xu C, Zhang Z, Yao W, et al. 2023, Analysis of Spatiotemporal Factors Affecting Traffic Safety Based on Multisource Data Fusion.J. Transp. Eng., Part A: Systems, 2023, 149(10): 04023098
论文链接：https://doi.org/10.1061/JTEPBS.TEENG-7990