道路交通安全風(fēng)險(xiǎn)辨識(shí)與分析方法綜述*

寇 敏 張萌萌▲ 趙軍學(xué) 謝清民 李 鑫 張榮林

（1. 山東交通學(xué)院交通與物流工程學(xué)院 濟(jì)南 250357；2. 山東省公安廳交通管理局 濟(jì)南 250000；3. 山東高速交通建設(shè)集團(tuán)股份有限公司 濟(jì)南 250101；4. 水發(fā)技術(shù)集團(tuán)有限公司 濟(jì)南 250100）

0 引 言

隨著社會(huì)經(jīng)濟(jì)快速發(fā)展，道路交通諸要素之間的矛盾日趨凸顯，影響道路交通安全的基礎(chǔ)性、源頭性問(wèn)題不斷累積，道路交通安全形勢(shì)日益嚴(yán)峻。盡管近年來(lái)道路交通事故率、傷亡率已有所下降，但每年的事故量依然居高不下。事故的發(fā)生實(shí)際上是風(fēng)險(xiǎn)因素失控的結(jié)果。風(fēng)險(xiǎn)是某一特定危險(xiǎn)情況發(fā)生的可能性和后果的組合，其具有客觀性、不確定性、可測(cè)性等特點(diǎn)，有向隱患轉(zhuǎn)變的內(nèi)在邏輯，而隱患是造成事故的直接原因。風(fēng)險(xiǎn)管控的失效形成隱患，而隱患的不及時(shí)治理則將造成事故的發(fā)生。因此，及時(shí)、有效的風(fēng)險(xiǎn)識(shí)別與控制是降低道路交通事故發(fā)生概率的關(guān)鍵第一步。

為提高交通管理效率，提升交通事故預(yù)防的前瞻性、預(yù)見(jiàn)性、針對(duì)性及科學(xué)性，進(jìn)行準(zhǔn)確、全面、系統(tǒng)的道路交通安全風(fēng)險(xiǎn)辨識(shí)與分析，進(jìn)而實(shí)現(xiàn)交通事故管理關(guān)口前移顯得尤為重要。道路交通安全風(fēng)險(xiǎn)（traffic safety risk，TSR）是指道路交通系統(tǒng)在將來(lái)一定時(shí)期內(nèi)可能出現(xiàn)的不確定對(duì)象的人員傷亡或財(cái)產(chǎn)損失的1 種未來(lái)情景[1]。交通安全風(fēng)險(xiǎn)辨識(shí)分析是指對(duì)尚未發(fā)生的、潛在的和客觀存在的安全風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)和識(shí)別，是在數(shù)據(jù)采集的基礎(chǔ)上，對(duì)歷史及實(shí)時(shí)交通數(shù)據(jù)進(jìn)行處理分析，預(yù)測(cè)和識(shí)別未來(lái)可能出現(xiàn)的安全風(fēng)險(xiǎn)，是實(shí)現(xiàn)安全風(fēng)險(xiǎn)主動(dòng)管理控制、降低交通事故風(fēng)險(xiǎn)、改善道路交通安全性的基礎(chǔ)和關(guān)鍵。

實(shí)現(xiàn)從靜態(tài)、被動(dòng)的“事后”統(tǒng)計(jì)分析轉(zhuǎn)向動(dòng)態(tài)、主動(dòng)的“事前”風(fēng)險(xiǎn)識(shí)別與管控是降低交通安全風(fēng)險(xiǎn)的突破口。筆者主要對(duì)道路交通安全風(fēng)險(xiǎn)辨識(shí)研究進(jìn)行綜述，梳理道路交通安全風(fēng)險(xiǎn)影響因素，歸納分析用于道路交通安全風(fēng)險(xiǎn)分析的方法或模型的研究進(jìn)展、應(yīng)用情況、問(wèn)題與不足等，并指出未來(lái)研究發(fā)展方向。道路交通安全風(fēng)險(xiǎn)影響因素及辨識(shí)分析方法基本框架，見(jiàn)圖1。

圖1 道路交通安全風(fēng)險(xiǎn)影響因素及辨識(shí)分析方法框架Fig.1 Influencing factors of road traffic safety risk and identification analysis method framework

1 道路交通安全風(fēng)險(xiǎn)辨識(shí)影響因素

影響道路交通安全的風(fēng)險(xiǎn)因素繁多，可大致分為微觀和宏觀這2類(lèi)。宏觀影響因素主要包括區(qū)域經(jīng)濟(jì)、社會(huì)人口、路網(wǎng)結(jié)構(gòu)等，微觀影響因素可分為駕駛?cè)?、?chē)輛、道路、環(huán)境這4 類(lèi)因素。本文主要對(duì)微觀層面影響因素的相關(guān)研究進(jìn)行分析。目前國(guó)內(nèi)外學(xué)者在分析各類(lèi)因素對(duì)交通安全的影響時(shí)，既有針對(duì)單一因素的風(fēng)險(xiǎn)識(shí)別，也有多因素耦合情況下的分析。通過(guò)篩選細(xì)化每類(lèi)影響因素中的主要風(fēng)險(xiǎn)因素，應(yīng)用相關(guān)模型方法進(jìn)行比較分析，實(shí)現(xiàn)主動(dòng)識(shí)別風(fēng)險(xiǎn)、提前預(yù)警防控的目的。

1.1 駕駛?cè)艘蛩氐娘L(fēng)險(xiǎn)辨識(shí)

駕駛?cè)耸怯绊懙缆方煌ò踩闹饕蛩刂?，其失誤或操作不當(dāng)是導(dǎo)致道路交通事故發(fā)生的主要因素。2022 年3 月30 日、4 月11 日山東青銀高速濰坊段、濱州無(wú)棣339國(guó)道分別發(fā)生1起造成5人死亡的較大道路交通事故，其主要原因分別是駕駛?cè)似隈{駛和分心駕駛?？梢?jiàn)，駕駛?cè)艘蛩卦诮煌ㄊ鹿手衅鸬搅藳Q定性作用，分析駕駛?cè)嗽谛熊?chē)過(guò)程中的風(fēng)險(xiǎn)對(duì)于提升道路交通安全尤為重要。具體來(lái)看，影響駕駛員安全駕駛的因素可分為心理因素和生理因素。

駕駛?cè)诵睦磉^(guò)程可分為3個(gè)部分：認(rèn)知過(guò)程（感覺(jué)、知覺(jué)、注意）、情感過(guò)程（情緒、情感、態(tài)度）、意志過(guò)程（人格、個(gè)性、氣質(zhì)）。駕駛?cè)诵睦硪蛩貙?duì)駕駛安全的影響分析，多是基于調(diào)查問(wèn)卷、文獻(xiàn)調(diào)研等方式進(jìn)行定性分析，或基于面部表情、語(yǔ)音、姿態(tài)等建立不良駕駛情緒判別模型。如Jones等[2]通過(guò)駕駛?cè)伺c車(chē)內(nèi)信息系統(tǒng)的語(yǔ)音交互，提取駕駛?cè)寺曇粜盘?hào)的頻率、幅度、功率譜系數(shù)等特征來(lái)識(shí)別駕駛?cè)说母吲d、憤怒與悲傷等情緒。張名芳等[3]選用由生活狀態(tài)、駕駛行為、組織認(rèn)同感、人格特征等要素組成的公交駕駛員心理健康狀況調(diào)查問(wèn)卷，構(gòu)建基于K-means聚類(lèi)算法的心理疾病判別模型。

相比于心理因素，針對(duì)駕駛?cè)松硪蛩兀ㄈ缒挲g、視覺(jué)狀態(tài)、疲勞狀態(tài)等）對(duì)駕駛行為風(fēng)險(xiǎn)產(chǎn)生影響的辨識(shí)研究更為豐富。一部分是基于駕駛模擬器或?qū)嵻?chē)小樣本測(cè)試數(shù)據(jù)等，采集視頻、心電、眼動(dòng)等數(shù)據(jù)，通過(guò)圖像處理算法、競(jìng)爭(zhēng)學(xué)習(xí)算法及機(jī)器學(xué)習(xí)算法等進(jìn)行危險(xiǎn)駕駛行為識(shí)別。黃晶等[4]通過(guò)駕駛模擬實(shí)驗(yàn)，采集駕駛志愿者的心電、腦電、皮電信號(hào)等測(cè)量數(shù)據(jù)，基于置信學(xué)習(xí)的方法，對(duì)駕駛?cè)说木褙?fù)荷進(jìn)行檢測(cè)評(píng)價(jià)。馬玉珍等[5]通過(guò)采集城市軌道交通駕駛?cè)笋{駛模擬實(shí)驗(yàn)中眼動(dòng)特征及心電信號(hào)數(shù)據(jù)，構(gòu)建支持向量機(jī)疲勞識(shí)別模型。

除了針對(duì)駕駛?cè)松?、心理因素單一的分析，通過(guò)篩選并綜合心理與生理指標(biāo)，探究不安全、不規(guī)范的不良駕駛行為（如超速行駛、酒后駕駛等），或不同群體（如女性、老年駕駛?cè)巳后w等）駕駛行為與駕駛?cè)松怼⑿睦硖卣髯兓P(guān)系的研究也取得了一定進(jìn)展。如裴玉龍等[6]綜合駕駛?cè)搜蹌?dòng)、心率、速度知覺(jué)等生理、心理指標(biāo)，對(duì)不同酒精攝入量下駕駛?cè)松硇睦硖卣鞯淖兓?guī)律進(jìn)行了研究。郭鳳香等[7]通過(guò)對(duì)比分析老年與中青年駕駛?cè)说难蹌?dòng)、心率變異及皮電等心理生理行為特性，研究老年駕駛?cè)后w各類(lèi)駕駛行為特性的衰退情況。

隨著交通信息技術(shù)的發(fā)展，數(shù)據(jù)類(lèi)型的逐漸豐富和數(shù)據(jù)規(guī)模的不斷增加，應(yīng)用自然駕駛數(shù)據(jù)、車(chē)載和導(dǎo)航等數(shù)據(jù)，基于駕駛行為特征參數(shù)建模，對(duì)危險(xiǎn)事件識(shí)別研究成為熱點(diǎn)。如Dozza 等[8]利用圖像處理算法,對(duì)自然駕駛數(shù)據(jù)中駕駛員面部視頻進(jìn)行處理，以對(duì)危險(xiǎn)駕駛行為進(jìn)行分類(lèi)。Sun等[9]基于結(jié)合GPS、北斗和慣性傳感器等多種數(shù)據(jù)，提出了1 種用于檢測(cè)車(chē)道級(jí)異常駕駛行為的方法。翟俊達(dá)等[10]探索在城市交叉口場(chǎng)景下，車(chē)輛網(wǎng)聯(lián)信息的存在和內(nèi)容對(duì)駕駛?cè)斯ぷ髫?fù)荷和操縱行為的影響。

綜合來(lái)看，多源、實(shí)時(shí)、精確的交通數(shù)據(jù)能夠?yàn)轱L(fēng)險(xiǎn)駕駛行為的識(shí)別分析提供有力支持，有利于從更微觀、客觀的角度對(duì)引發(fā)交通事故的風(fēng)險(xiǎn)隱患進(jìn)行深度分析和精準(zhǔn)識(shí)別。在引發(fā)道路交通事故的因素中，駕駛?cè)似鸬搅岁P(guān)鍵性作用，且車(chē)、路、環(huán)境等其他因素對(duì)交通安全的影響大都通過(guò)作用于駕駛?cè)撕蠖g接引發(fā)的交通事故來(lái)體現(xiàn)，因此現(xiàn)有針對(duì)駕駛?cè)诵袨樘卣鞯娘L(fēng)險(xiǎn)辨識(shí)分析較為豐富，且已經(jīng)取得較為豐碩的成果。另外，駕駛?cè)藘?nèi)在心理狀態(tài)和生理功能之間相互影響，又共同作用于駕駛?cè)送庠隈{駛行為變化，因此與單純研究駕駛?cè)松?、心理指?biāo)變化相比，通過(guò)駕駛?cè)诵袨樘卣鞯淖兓瘉?lái)識(shí)別風(fēng)險(xiǎn)的研究更為科學(xué)。在駕駛行為研究中，多是以群體分類(lèi)為主的危險(xiǎn)駕駛行為辨識(shí)，隨著對(duì)微觀駕駛行為特性研究的重視，眾多學(xué)者逐漸關(guān)注到個(gè)體駕駛行為風(fēng)險(xiǎn)特征，以提升個(gè)體差異影響下的危險(xiǎn)行為辨識(shí)精度。駕駛?cè)藸顟B(tài)會(huì)隨著駕駛時(shí)間及環(huán)境的變化而變化，目前研究多是針對(duì)單一場(chǎng)景或特定駕駛行為下的數(shù)據(jù)采集和建模分析，在綜合考慮其他不確定性因素（如天氣、場(chǎng)景變化等）對(duì)分析結(jié)果的影響方面尚有欠缺，需對(duì)多源信息融合下的駕駛?cè)藸顟B(tài)動(dòng)態(tài)監(jiān)測(cè)加以關(guān)注。

1.2 車(chē)輛因素的風(fēng)險(xiǎn)辨識(shí)

車(chē)輛因素的風(fēng)險(xiǎn)可分別從狹義（車(chē)輛自身故障風(fēng)險(xiǎn)）和廣義（車(chē)輛運(yùn)行安全風(fēng)險(xiǎn)）2 個(gè)維度進(jìn)行研究。從狹義車(chē)輛風(fēng)險(xiǎn)來(lái)看，車(chē)輛是交通事故的載體，機(jī)動(dòng)車(chē)自身的運(yùn)行狀況（安全性能、技術(shù)狀況等）是影響車(chē)輛行駛安全的重要因素，如車(chē)輛制動(dòng)失效、轉(zhuǎn)向失效、照明與信號(hào)裝置失效、爆胎等風(fēng)險(xiǎn)，都會(huì)影響行車(chē)安全。對(duì)于此類(lèi)靜態(tài)風(fēng)險(xiǎn)的辨識(shí)，通過(guò)車(chē)載診斷系統(tǒng)（on-board diagnostic，OBD）診斷接口，讀取如剎車(chē)失靈、胎壓不足和發(fā)動(dòng)機(jī)負(fù)荷等機(jī)動(dòng)車(chē)運(yùn)行故障碼，實(shí)時(shí)監(jiān)控車(chē)輛發(fā)動(dòng)運(yùn)行狀況及車(chē)輛工作狀態(tài)，及時(shí)發(fā)現(xiàn)車(chē)輛自身的隱患。隨著汽車(chē)電子及互聯(lián)網(wǎng)技術(shù)的發(fā)展，自動(dòng)駕駛車(chē)輛發(fā)展備受關(guān)注，相比于傳統(tǒng)車(chē)輛，自動(dòng)駕駛車(chē)輛對(duì)風(fēng)險(xiǎn)感知、邏輯決策及功能執(zhí)行等方面有更高的要求。眾多學(xué)者也針對(duì)車(chē)輛故障風(fēng)險(xiǎn)展開(kāi)了系統(tǒng)研究，如周洪亮等[11]設(shè)計(jì)了基于車(chē)載傳感器和無(wú)跡卡爾曼濾波器的容錯(cuò)控制方法，可實(shí)時(shí)診斷車(chē)輛驅(qū)動(dòng)系統(tǒng)電機(jī)故障。彭能嶺等[12]設(shè)計(jì)了1 種采用螢火蟲(chóng)算法的自動(dòng)駕駛車(chē)輛故障診斷系統(tǒng)，以應(yīng)對(duì)由于車(chē)輛故障導(dǎo)致的車(chē)輛失控、碰撞等安全問(wèn)題。

從廣義車(chē)輛風(fēng)險(xiǎn)來(lái)看，車(chē)輛在運(yùn)行過(guò)程中的異?；虿话踩珷顩r將作用于駕駛?cè)耍{駛?cè)嗽诟兄L(fēng)險(xiǎn)后的駕駛行為變化調(diào)整將又由車(chē)輛體現(xiàn)，因此通過(guò)獲取車(chē)輛運(yùn)動(dòng)學(xué)參數(shù)（如車(chē)輛速度、加速度、車(chē)體偏航率、轉(zhuǎn)向盤(pán)旋轉(zhuǎn)率以及制動(dòng)力度等），以實(shí)現(xiàn)車(chē)輛安全風(fēng)險(xiǎn)的動(dòng)態(tài)辨識(shí)。Kluger等[13]將離散傅里葉變換與k 均值聚類(lèi)法結(jié)合，提出利用車(chē)輛縱向加速度識(shí)別危險(xiǎn)事件的方法。王雪松等[14]基于自然駕駛數(shù)據(jù)，通過(guò)對(duì)車(chē)輛動(dòng)態(tài)學(xué)參數(shù)設(shè)定閾值，從原始數(shù)據(jù)中提取可能的危險(xiǎn)事件，用閾值法進(jìn)行初步過(guò)濾后納入機(jī)器學(xué)習(xí)方法進(jìn)行深度篩選。

對(duì)于車(chē)輛的安全性研究，經(jīng)歷了從關(guān)注車(chē)輛耐撞性、乘員保護(hù)裝置等被動(dòng)安全性能的提升，發(fā)展到與被動(dòng)安全技術(shù)相輔的車(chē)輛行駛風(fēng)險(xiǎn)實(shí)時(shí)預(yù)警、主動(dòng)避撞控制，是從重視被動(dòng)安全到關(guān)注與被動(dòng)安全結(jié)合的主動(dòng)安全的演變。相比于傳統(tǒng)車(chē)輛，將駕駛員從駕駛過(guò)程中分離出的自動(dòng)駕駛車(chē)輛的故障識(shí)別與安全性能保障仍是未來(lái)研究的熱點(diǎn)和重點(diǎn)。另外，與車(chē)輛故障風(fēng)險(xiǎn)識(shí)別研究相比，利用車(chē)輛運(yùn)動(dòng)學(xué)參數(shù)建立數(shù)學(xué)模型，對(duì)駕駛?cè)恕④?chē)輛等因素交互作用下的風(fēng)險(xiǎn)識(shí)別研究相對(duì)更為豐富。而未來(lái)道路交通中人工駕駛車(chē)輛和自動(dòng)駕駛車(chē)輛混行，以及現(xiàn)存機(jī)非混行、人非混行等交通組織混亂問(wèn)題等將對(duì)車(chē)輛運(yùn)行過(guò)程中的風(fēng)險(xiǎn)識(shí)別與控制造成干擾，且這種不確定性和隨機(jī)性難以被準(zhǔn)確量化、預(yù)估，這使得理論研究與實(shí)際問(wèn)題解決存在一定偏差，風(fēng)險(xiǎn)識(shí)別的精度和準(zhǔn)確度有待進(jìn)一步提升。

1.3 道路因素的風(fēng)險(xiǎn)辨識(shí)

道路因素由道路幾何線形（平面線形、縱斷線形等）、交通條件（交通安全設(shè)施等）、道路結(jié)構(gòu)物（橫斷面、交叉口、路面等）等因素組成。良好的道路條件對(duì)有利于預(yù)防道路交通事故的發(fā)生，而不良的道路條件對(duì)誘發(fā)道路交通事故亦有相應(yīng)的影響作用。在2022 年3 月11 日青海海北州發(fā)生的1 起7 人死亡、2人受傷的較大道路交通事故中，由于長(zhǎng)下坡連續(xù)彎道路段車(chē)輛需頻繁制動(dòng)，最終導(dǎo)致制動(dòng)失效，車(chē)輛失控。

針對(duì)道路因素的風(fēng)險(xiǎn)識(shí)別，已有研究主要集中于應(yīng)用回歸分析法、層次分析法等，研究交通事故率、事故嚴(yán)重性等交通事故情況或駕駛?cè)笋{駛行為與道路要素（如平面線形、縱坡坡度、車(chē)道寬度、車(chē)道數(shù)等）之間的關(guān)系，為降低道路條件不良帶來(lái)的事故風(fēng)險(xiǎn)及優(yōu)化道路設(shè)計(jì)提供借鑒和指導(dǎo)。如Zou等[15]研究了各種道路和障礙情景下可能發(fā)生的各種類(lèi)型碰撞風(fēng)險(xiǎn)，發(fā)現(xiàn)設(shè)立中央分隔帶和護(hù)欄能夠降低車(chē)輛對(duì)向碰撞風(fēng)險(xiǎn)。Rusli等[16]應(yīng)用隨機(jī)參數(shù)負(fù)二項(xiàng)模型，研究了山區(qū)公路的道路幾何線形、橫斷面、路肩等因素對(duì)單車(chē)事故的影響。

道路因素風(fēng)險(xiǎn)研究除了宏觀的定性分析和考慮道路因素與事故率之間的關(guān)系外，眾多學(xué)者在單一分析道路因素的基礎(chǔ)上，將交通條件、環(huán)境屬性等因素作為判別變量或影響因子，引入模糊評(píng)價(jià)法、貝葉斯模型、聚類(lèi)模型（空間聚類(lèi)法、Q 型聚類(lèi)法）、神經(jīng)網(wǎng)絡(luò)法等，實(shí)現(xiàn)對(duì)事故多發(fā)的危險(xiǎn)路段的識(shí)別。陳昭明等[17]通過(guò)引入隨機(jī)參數(shù)建模方法，探究事故數(shù)與公路線形、路面性能間及交通特性的關(guān)系，進(jìn)一步挖掘各因素對(duì)事故風(fēng)險(xiǎn)的交互影響。寧航等[18]分別使用機(jī)器學(xué)習(xí)方法和經(jīng)典數(shù)學(xué)建模方法，建立了以道路線形技術(shù)指標(biāo)為輸入的神經(jīng)網(wǎng)絡(luò)模型和多元數(shù)學(xué)模型，對(duì)交通事故多發(fā)路段進(jìn)行預(yù)測(cè)。

綜合來(lái)看，道路因素對(duì)交通安全的影響主要通過(guò)約束和作用于駕駛?cè)说鸟{駛行為來(lái)間接體現(xiàn)，其風(fēng)險(xiǎn)的表征和認(rèn)定較為模糊和間接，而這也是與直接分析駕駛?cè)?、?chē)輛等因素的風(fēng)險(xiǎn)相比，道路因素的風(fēng)險(xiǎn)主動(dòng)識(shí)別研究略顯單一的原因。除了影響行車(chē)安全的道路顯性缺陷（如兩側(cè)護(hù)欄缺失、路面損壞等）可以被直接發(fā)現(xiàn)并整改，隱性的道路風(fēng)險(xiǎn)大多需要通過(guò)交通事故情況并結(jié)合其他要素（交通量、氣候環(huán)境等）來(lái)進(jìn)行辨識(shí)。而道路因素與交通事故風(fēng)險(xiǎn)及交通流特性之間的復(fù)雜關(guān)聯(lián)關(guān)系及交互作用存在明顯的時(shí)空異質(zhì)性，部分道路因素（如車(chē)道數(shù)、道路橫斷面指標(biāo)及路面性能等）對(duì)事故的影響效果及作用機(jī)理尚未形成統(tǒng)一的定論，后續(xù)仍需進(jìn)一步深入探索。

1.4 環(huán)境因素的風(fēng)險(xiǎn)辨識(shí)

環(huán)境因素對(duì)交通安全的影響可大致分為氣象環(huán)境影響和交通環(huán)境影響，氣象環(huán)境主要是指不利氣象條件（霧、雨、雪、大風(fēng)等）對(duì)交通出行造成的負(fù)面影響，交通環(huán)境影響主要包括交通管理措施、交通組成（交通流中的車(chē)型比例）等對(duì)交通安全的影響。

不利氣象條件不僅會(huì)降低道路通行效率，更易引發(fā)重特大交通事故，造成嚴(yán)重人員傷亡和大范圍交通擁堵。2018 年12 月8 日，二廣高速湖南益陽(yáng)段因受小雨低溫天氣影響，路面冰滑濕凍，接連發(fā)生4起多車(chē)相撞交通事故，共涉及23 輛車(chē)，造成8 死11傷。因此，研究不利天氣條件下的交通風(fēng)險(xiǎn)對(duì)于保障公路行車(chē)安全和運(yùn)營(yíng)效率具有重要意義。針對(duì)氣象環(huán)境的影響分析，多是基于不利天氣條件下多源交通事故數(shù)據(jù)或宏觀交通流數(shù)據(jù)，結(jié)合氣象監(jiān)測(cè)設(shè)備采集的氣象數(shù)據(jù)，應(yīng)用人工智能法、機(jī)器學(xué)習(xí)、隨機(jī)建模法等開(kāi)展。Yuan 等[19]整合了實(shí)時(shí)交通流、天氣，以及自適應(yīng)信號(hào)控制數(shù)據(jù)，采用貝葉斯條件邏輯回歸模型研究了城市主道實(shí)時(shí)事故風(fēng)險(xiǎn)，利用機(jī)器學(xué)習(xí)提高風(fēng)險(xiǎn)模型的預(yù)測(cè)精度。徐鋮鋮等[20]采用Logistic 模型建立了基于交通流數(shù)據(jù)和氣象數(shù)據(jù)的高速公路事故風(fēng)險(xiǎn)預(yù)測(cè)模型，將惡劣天氣條件對(duì)實(shí)時(shí)事故風(fēng)險(xiǎn)的影響量化，提高實(shí)時(shí)事故風(fēng)險(xiǎn)預(yù)測(cè)精度。

針對(duì)交通環(huán)境的安全風(fēng)險(xiǎn)辨識(shí)，主要集中在不同交通組成、交通流等環(huán)境條件下，通過(guò)貝葉斯模型、Logistic回歸模型、BP神經(jīng)網(wǎng)絡(luò)等，對(duì)交通沖突、交通事故風(fēng)險(xiǎn)進(jìn)行主動(dòng)預(yù)測(cè)。如胡立偉等[21]選取換道頻次、車(chē)型比例、擁塞時(shí)長(zhǎng)等11個(gè)風(fēng)險(xiǎn)因子，采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)，建立了城市交通擁塞環(huán)境下車(chē)輛運(yùn)行風(fēng)險(xiǎn)識(shí)別模型。方雪洋[22]結(jié)合Logistic 回歸模型理論，量化特征指標(biāo)和相關(guān)交通沖突的關(guān)系，進(jìn)而構(gòu)建干線公路混合交通車(chē)速離散背景下的交通沖突預(yù)測(cè)模型。

復(fù)雜環(huán)境因素影響下的交通安全風(fēng)險(xiǎn)辨識(shí)已成為提升交通安全性的理論研究熱點(diǎn)和實(shí)踐難題。不利天氣條件、交通環(huán)境與交通事故之間存在復(fù)雜、動(dòng)態(tài)的影響關(guān)系，且受到時(shí)間、地域差異影響，其特征參數(shù)、模型形式及作用強(qiáng)度或方向具有不確定性，這限制了研究成果的精度提升和移植應(yīng)用。不利天氣條件、混合復(fù)雜交通環(huán)境下的實(shí)際數(shù)據(jù)采集也制約了交通安全風(fēng)險(xiǎn)的有效甄別。研究環(huán)境因素對(duì)交通安全的微觀影響機(jī)理及動(dòng)態(tài)變化過(guò)程，探索基礎(chǔ)模型的時(shí)空隨動(dòng)機(jī)制，有助于進(jìn)一步提升風(fēng)險(xiǎn)識(shí)別精度和實(shí)踐應(yīng)用價(jià)值。

1.5 多因素耦合風(fēng)險(xiǎn)辨識(shí)

風(fēng)險(xiǎn)耦合指的是系統(tǒng)活動(dòng)過(guò)程中一類(lèi)個(gè)別風(fēng)險(xiǎn)的發(fā)生及其影響力依賴(lài)于其他風(fēng)險(xiǎn)的程度和影響其他風(fēng)險(xiǎn)發(fā)生及影響力的程度，這種風(fēng)險(xiǎn)間的依賴(lài)和影響關(guān)系稱(chēng)之為風(fēng)險(xiǎn)耦合[23]。道路交通安全事故的產(chǎn)生是涉及“人、車(chē)、路、環(huán)境”等多要素風(fēng)險(xiǎn)源耦合的復(fù)雜動(dòng)態(tài)過(guò)程，事故的發(fā)生往往是多個(gè)要素共同作用影響下的結(jié)果，因此交通安全風(fēng)險(xiǎn)辨識(shí)不僅需要針對(duì)單要素的風(fēng)險(xiǎn)辨識(shí)，還需要考慮駕駛?cè)?車(chē)輛、駕駛?cè)?車(chē)輛-環(huán)境，或駕駛?cè)?車(chē)輛-道路等多要素之間的耦合關(guān)聯(lián)分析。

Abdel-Aty 等[24]基于某地主干道事故數(shù)據(jù)，采用負(fù)二項(xiàng)建模技術(shù)，對(duì)年平均日交通量、水平彎度、車(chē)道、路肩及人口學(xué)特征（年齡和性別）等因素對(duì)事故發(fā)生頻率的影響作了研究。張樹(shù)林等[25]分析事故風(fēng)險(xiǎn)子系統(tǒng)內(nèi)和子系統(tǒng)間各因素耦合關(guān)系，應(yīng)用非線性動(dòng)力學(xué)原理，構(gòu)建重特大交通事故人-車(chē)-路風(fēng)險(xiǎn)耦合模型。Wu等[26]綜合考慮經(jīng)濟(jì)發(fā)展、人口特征及道路網(wǎng)絡(luò)等27個(gè)潛在影響因素，運(yùn)用梯度提升決策樹(shù)模型，定量評(píng)價(jià)各宏觀因素對(duì)道路交通事故各指標(biāo)的影響作用。

另外，交通事故嚴(yán)重程度研究主要圍繞影響因素展開(kāi)，也是綜合考慮多因素影響下的交通安全風(fēng)險(xiǎn)辨識(shí)研究的表征之一。分析方法主要分為離散選擇模型（如Logistic 模型、probit 模型等）和數(shù)據(jù)挖掘方法[27]，進(jìn)行不同因素組合下的交通事故致因分析，探究交通事故嚴(yán)重程度影響因素及作用機(jī)理，以降低事故危害性。郭璘等[28]基于手機(jī)APP采集的事故數(shù)據(jù)，建立改進(jìn)的K-means聚類(lèi)算法，分析交通事故時(shí)間、空間特征，對(duì)引發(fā)交通事故的多因素進(jìn)行辨識(shí)。袁振洲等[29]利用XGB-Apriori 算法提取老年行人交通事故的內(nèi)在機(jī)理，對(duì)老年行人交通事故進(jìn)行風(fēng)險(xiǎn)識(shí)別和嚴(yán)重程度預(yù)測(cè)研究。

根據(jù)研究需求，學(xué)者們綜合人、車(chē)、路、環(huán)境等要素?cái)?shù)據(jù)，對(duì)影響道路交通安全的風(fēng)險(xiǎn)開(kāi)展多維度辨識(shí)。多因素耦合條件下的風(fēng)險(xiǎn)識(shí)別更具科學(xué)性、綜合性?xún)?yōu)勢(shì)，有助于發(fā)現(xiàn)影響交通安全的各風(fēng)險(xiǎn)因素間相互影響、相互作用的規(guī)律，挖掘引發(fā)交通事故的內(nèi)在因素及作用機(jī)理，有利于及時(shí)有效預(yù)防和控制風(fēng)險(xiǎn)隱患，將是未來(lái)熱點(diǎn)研究方向。但由于數(shù)據(jù)可得性、可用性等的限制，多源數(shù)據(jù)多因素耦合作用下的風(fēng)險(xiǎn)辨識(shí)研究成果及實(shí)際應(yīng)用相對(duì)較少，針對(duì)風(fēng)險(xiǎn)因素的耦合作用機(jī)理及耦合度量方面的理論研究有待進(jìn)一步完善，且以往的研究多是建立在交通事故、交通流數(shù)據(jù)等基礎(chǔ)上的事后分析和評(píng)價(jià)，而對(duì)事前多因素安全風(fēng)險(xiǎn)的定量判別不足。

2 道路交通安全風(fēng)險(xiǎn)辨識(shí)分析方法

為提高道路交通安全風(fēng)險(xiǎn)辨識(shí)的系統(tǒng)性、全面性，國(guó)內(nèi)外學(xué)者進(jìn)行了深入研究，形成了一系列具有不同特點(diǎn)和適用范圍的分析方法，應(yīng)用較為廣泛的有安全風(fēng)險(xiǎn)理論分析法、系統(tǒng)安全分析法、大數(shù)據(jù)與人工智能分析方法等。

2.1 安全風(fēng)險(xiǎn)理論分析法

道路交通安全風(fēng)險(xiǎn)分析研究所應(yīng)用的主要理論基礎(chǔ)為安全風(fēng)險(xiǎn)理論。安全風(fēng)險(xiǎn)理論分析法的基本思想是通過(guò)縝密地辨識(shí)系統(tǒng)中各種潛在的危險(xiǎn)源，并且科學(xué)地分析危險(xiǎn)源的安全風(fēng)險(xiǎn)水平，達(dá)到了解、掌握風(fēng)險(xiǎn)的目的，然后采取有效的控制措施，消除或降低危險(xiǎn)源的風(fēng)險(xiǎn)，將系統(tǒng)的安全風(fēng)險(xiǎn)水平控制在可接受范圍之內(nèi)，從而實(shí)現(xiàn)系統(tǒng)安全的目標(biāo)。將安全風(fēng)險(xiǎn)理論與交通理論相結(jié)合首先出現(xiàn)在鐵路與航空交通領(lǐng)域，隨后進(jìn)入了道路交通領(lǐng)域。如20世紀(jì)60 年代，美國(guó)空軍第一次提出了“彈道導(dǎo)彈系統(tǒng)安全工程”，制定了軍標(biāo)MIL-STD-882B“系統(tǒng)安全程序要求”。日本鐵道技術(shù)研究所組織了一批經(jīng)驗(yàn)豐富的安全技術(shù)專(zhuān)家，于1996 年制定了《列車(chē)安全控制系統(tǒng)的安全性技術(shù)指南》，用于評(píng)估各鐵路公司的列控系統(tǒng)設(shè)備等[30]。

中國(guó)開(kāi)展系統(tǒng)安全風(fēng)險(xiǎn)理論的研究及應(yīng)用工作起步較晚，早期文獻(xiàn)很少。陳庚等[31]運(yùn)用風(fēng)險(xiǎn)理論分別從人、車(chē)、路和環(huán)境等方面對(duì)道路交通風(fēng)險(xiǎn)進(jìn)行了分類(lèi)辨識(shí)，并針對(duì)風(fēng)險(xiǎn)辨識(shí)的結(jié)果提出簡(jiǎn)要的風(fēng)險(xiǎn)減緩措施。趙學(xué)剛[32]應(yīng)用交通安全風(fēng)險(xiǎn)、系統(tǒng)控制和管理控制等理論，構(gòu)建城市道路交通安全綜合風(fēng)險(xiǎn)控制系統(tǒng)，進(jìn)一步拓展了安全風(fēng)險(xiǎn)理論分析法應(yīng)用的綜合性和全面性。張樹(shù)林[1]運(yùn)用風(fēng)險(xiǎn)管理理論，從時(shí)間、專(zhuān)業(yè)、邏輯3 個(gè)維度對(duì)“營(yíng)運(yùn)駕駛?cè)?、不良駕駛行為、‘人-車(chē)-路-環(huán)境’耦合”的風(fēng)險(xiǎn)源識(shí)別等進(jìn)行系統(tǒng)設(shè)計(jì)，進(jìn)一步促進(jìn)了多因素風(fēng)險(xiǎn)的動(dòng)態(tài)、全程防控。

道路交通安全與風(fēng)險(xiǎn)理論的結(jié)合為道路交通安全風(fēng)險(xiǎn)的進(jìn)一步深入研究奠定了理論基礎(chǔ)，在建立交通安全風(fēng)險(xiǎn)防控一體化體系等方面得到廣泛應(yīng)用，有助于對(duì)交通安全風(fēng)險(xiǎn)進(jìn)行系統(tǒng)、全面的梳理，細(xì)化具體風(fēng)險(xiǎn)源。但由于其僅是定性的理論分析的局限性，學(xué)者們通常在應(yīng)用風(fēng)險(xiǎn)理論進(jìn)行風(fēng)險(xiǎn)系統(tǒng)層次劃分的基礎(chǔ)上，結(jié)合其他方法或模型進(jìn)行定量的風(fēng)險(xiǎn)識(shí)別分析，或用于構(gòu)建交通安全綜合風(fēng)險(xiǎn)預(yù)警、防控系統(tǒng)的基礎(chǔ)。

2.2 系統(tǒng)安全分析法

系統(tǒng)安全分析方法種類(lèi)較多，在煤礦生產(chǎn)、化工生產(chǎn)、建筑施工等領(lǐng)域得到廣泛應(yīng)用并取得顯著成果，在交通安全領(lǐng)域應(yīng)用較為廣泛的方法主要有專(zhuān)家經(jīng)驗(yàn)分析法、因果分析圖法、事故樹(shù)分析法（fault tree analysis,FTA）等。

2.2.1 專(zhuān)家經(jīng)驗(yàn)分析法

專(zhuān)家經(jīng)驗(yàn)分析法主要以危險(xiǎn)與可操作性分析法（hazard and operability analysis,HAZOP）、預(yù)先危險(xiǎn)性分析法（piminary hazard analysis,PHA）為代表。

危險(xiǎn)與可操作性分析法起源于化工裝置的危險(xiǎn)性分析，主要適用于連續(xù)性生產(chǎn)系統(tǒng)的安全分析與控制，此方法結(jié)構(gòu)化程度較高，具有系統(tǒng)化的辨識(shí)流程，但不適用于復(fù)雜控制系統(tǒng)的安全風(fēng)險(xiǎn)識(shí)別[33]。預(yù)先危險(xiǎn)性分析法是1種應(yīng)用較為廣泛的定性評(píng)價(jià)方法，是對(duì)系統(tǒng)存在的各種危險(xiǎn)因素的類(lèi)別、分布、出現(xiàn)條件和事故可能的后果進(jìn)行初步分析的1種分析方法，一般用于項(xiàng)目發(fā)展的初期階段，避免因考慮不周造成損失，但不足之處是對(duì)于潛在的安全問(wèn)題無(wú)經(jīng)驗(yàn)可以借鑒[34]。李麗芬[35]依據(jù)風(fēng)險(xiǎn)理論，應(yīng)用安全檢查表法和預(yù)先危險(xiǎn)性分析法對(duì)道路交通風(fēng)險(xiǎn)進(jìn)行定性分類(lèi)、等級(jí)劃分。張亞?wèn)|[30]圍繞高速鐵路列車(chē)運(yùn)行控制系統(tǒng)安全風(fēng)險(xiǎn)辨識(shí)及分析的關(guān)鍵問(wèn)題，基于故障樹(shù)和事件樹(shù)的概率安全風(fēng)險(xiǎn)分析方法，結(jié)合HAZOP技術(shù)展開(kāi)研究。

專(zhuān)家經(jīng)驗(yàn)分析法有利于充分發(fā)揮集體的經(jīng)驗(yàn)和智慧優(yōu)勢(shì)，較適用于系統(tǒng)設(shè)計(jì)、生產(chǎn)等領(lǐng)域，對(duì)于缺乏歷史事故數(shù)據(jù)的新系統(tǒng)的安全風(fēng)險(xiǎn)辨識(shí)同樣適用。但整個(gè)分析過(guò)程需有1 個(gè)系統(tǒng)的規(guī)則、按一定的程序進(jìn)行，易受分析人員的認(rèn)知、經(jīng)驗(yàn)、態(tài)度等主觀因素的影響較大，導(dǎo)致分析結(jié)果的不準(zhǔn)確、不全面、不客觀。

2.2.2 因果分析圖法

因果分析圖由于其形狀如魚(yú)骨，也稱(chēng)魚(yú)骨圖，是將事故發(fā)生原因進(jìn)行歸納、分析，并用簡(jiǎn)明的文字和線條羅列，分類(lèi)、分層進(jìn)行分析的過(guò)程。但此方法屬于定性分析方法，不能進(jìn)行嚴(yán)格的邏輯推理和數(shù)學(xué)定量計(jì)算，在實(shí)際應(yīng)用中，常結(jié)合層次分析法等展開(kāi)研究，以實(shí)現(xiàn)定量與定性分析相結(jié)合的目的。許海華[36]將因果分析圖和層次分析法相結(jié)合，應(yīng)用于翻車(chē)事故成因研究分析。

因果分析圖常用于交通事故成因分析，具有直觀、邏輯性強(qiáng)、因果關(guān)系明確等特點(diǎn)，但存在只能定性分析的不足，不能進(jìn)行嚴(yán)格的邏輯推理和數(shù)學(xué)定量計(jì)算，需與其他定量分析方法（層次分析法最為常用）相結(jié)合。

2.2.3 事故樹(shù)分析法

事故樹(shù)分析法又被稱(chēng)為故障樹(shù)分析法，是由結(jié)果分析原因的逆向邏輯推理過(guò)程，是1 種應(yīng)用領(lǐng)域較為廣泛的系統(tǒng)安全分析方法。孟祥海[37]依據(jù)多事件鏈原理，應(yīng)用故障樹(shù)方法來(lái)建立山區(qū)高速公路傷亡事故的成因分析模型，用以確定各種可能的事故發(fā)生途經(jīng)及概率。鄭來(lái)等[38]融合T-S 模糊故障樹(shù)與貝葉斯網(wǎng)絡(luò)的方法，提高了重特大交通事故成因分析結(jié)果的準(zhǔn)確性和可靠性。事故樹(shù)分析法邏輯性強(qiáng)，定性與定量相結(jié)合，可與其他多種方法結(jié)合應(yīng)用，具有廣泛適用性。但傳統(tǒng)事故樹(shù)分析法存在事件概率易被處理成精確值、事件狀態(tài)描述簡(jiǎn)單等問(wèn)題。

綜合來(lái)看，系統(tǒng)安全分析法以定性分析為主，多應(yīng)用于對(duì)軌道交通、化工、煤礦行業(yè)等建設(shè)、運(yùn)營(yíng)、安全生產(chǎn)及管理方面的安全風(fēng)險(xiǎn)辨識(shí)，在交通安全風(fēng)險(xiǎn)分析領(lǐng)域常用方法主要有事故樹(shù)法、因果分析圖法、預(yù)先危險(xiǎn)性分析法等。由于交通事故的發(fā)生是多因素影響的動(dòng)態(tài)復(fù)雜過(guò)程，而大部分傳統(tǒng)分析方法存在只能定性分析、單點(diǎn)識(shí)別等局限性，現(xiàn)有研究多以此為基礎(chǔ)設(shè)計(jì)改進(jìn)的方法進(jìn)行深入研究。如在事故樹(shù)分析法基礎(chǔ)上引入貝葉斯模型、模糊理論等，克服傳統(tǒng)事故樹(shù)邏輯關(guān)系不準(zhǔn)確、事故概率數(shù)據(jù)獲取難度大等缺陷；或多種方法相結(jié)合實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)，如事件樹(shù)和事故樹(shù)方法、因果分析法與層次分析法的結(jié)合，在宏觀分析的基礎(chǔ)上向微觀的定量分析方向拓展，進(jìn)一步提升分析精度。

2.3 大數(shù)據(jù)與人工智能分析方法

隨著大數(shù)據(jù)分析和人工智能技術(shù)的發(fā)展，傳統(tǒng)的定性或定性定量結(jié)合的分析方法已無(wú)法滿足更精細(xì)化的交通風(fēng)險(xiǎn)防控要求，應(yīng)用基于更加豐富、綜合的交通信息數(shù)據(jù)的數(shù)據(jù)挖掘及機(jī)器學(xué)習(xí)等方法來(lái)識(shí)別分析交通安全風(fēng)險(xiǎn)日益得到重視。

2.3.1 文本數(shù)據(jù)挖掘分析方法

文本數(shù)據(jù)挖掘方法可從海量文本數(shù)據(jù)中獲取更多潛在的有價(jià)值的信息，有助于提高信息識(shí)別精度和節(jié)省信息處理時(shí)間，文本數(shù)據(jù)挖掘方法包括信息抽取、自然語(yǔ)言處理等技術(shù)，是當(dāng)前的研究熱點(diǎn)。交通事故報(bào)告主要是對(duì)事故發(fā)生過(guò)程、事故結(jié)果、參與方及責(zé)任認(rèn)定等信息進(jìn)行解讀描述，而目前對(duì)道路交通事故報(bào)告等文本數(shù)據(jù)中的風(fēng)險(xiǎn)源辨識(shí)基本為人工識(shí)別，工作量較大且易受主觀判斷影響。由于當(dāng)前缺少綜合感應(yīng)設(shè)備提取交通事故的全部結(jié)構(gòu)化數(shù)據(jù)，而道路交通事故報(bào)告等非結(jié)構(gòu)化數(shù)據(jù)信息相對(duì)較為完善和全面，因此文本數(shù)據(jù)挖掘方法為提取和挖掘交通事故等文本報(bào)告中的潛在價(jià)值提供了有力支持。

羅文慧等[39]從道路運(yùn)輸安全事故歷史文本挖掘的角度出發(fā)，提出1 種能夠自動(dòng)辨識(shí)道路運(yùn)輸過(guò)程中安全風(fēng)險(xiǎn)源的模型-CNN 道路運(yùn)輸安全風(fēng)險(xiǎn)源辨識(shí)模型。程宇航等[40]在用戶字典模式對(duì)文本數(shù)據(jù)分詞的基礎(chǔ)上，使用Word2vec結(jié)合Sigmoid激活函數(shù)，構(gòu)建交通安全事故詞向量模型，對(duì)交通行業(yè)安全事故關(guān)鍵詞進(jìn)行分類(lèi)提取，并利用Gephi及Neo4j對(duì)特征關(guān)鍵詞進(jìn)行可視化分析以及致因主題總結(jié)，對(duì)事故時(shí)空特征及致因關(guān)鍵因素進(jìn)行深入挖掘。

基于交通事故歷史文本數(shù)據(jù)的風(fēng)險(xiǎn)分析模型可對(duì)事故報(bào)告內(nèi)含有的風(fēng)險(xiǎn)源因素進(jìn)行高效提取，有助于彌補(bǔ)宏觀交通事故數(shù)據(jù)只能表達(dá)交通安全狀況發(fā)展趨勢(shì)、難以刻畫(huà)具體交通安全特征的不足之處，解決交通事故致因分析、風(fēng)險(xiǎn)辨識(shí)不全等問(wèn)題。但非結(jié)構(gòu)化信息的提取需要對(duì)應(yīng)事故信息的標(biāo)準(zhǔn)化描述，依賴(lài)樣本數(shù)量的程度較高，模型結(jié)果的優(yōu)劣和文本預(yù)處理的關(guān)聯(lián)性較大，在專(zhuān)業(yè)術(shù)語(yǔ)和字典、文本數(shù)據(jù)的積累等方面普遍存在不足之處。

2.3.2 多源動(dòng)態(tài)駕駛數(shù)據(jù)融合與分析方法

多源動(dòng)態(tài)駕駛數(shù)據(jù)融合與分析方法主要是綜合駕駛?cè)艘蛩?、?chē)輛行駛狀態(tài)、道路通行環(huán)境等各類(lèi)信息，對(duì)車(chē)輛在行駛過(guò)程中可能出現(xiàn)的安全風(fēng)險(xiǎn)進(jìn)行檢測(cè)、分析和識(shí)別預(yù)警，應(yīng)用較為廣泛的模型如安全距離模型、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)算法等，以提前識(shí)別和控制行車(chē)過(guò)程中的風(fēng)險(xiǎn)。

傳統(tǒng)的分析方法主要基于單一因素（車(chē)間安全距離、車(chē)道偏離等），通過(guò)分析相鄰車(chē)輛運(yùn)行狀態(tài)下的安全行車(chē)距離或時(shí)距，判斷行車(chē)過(guò)程中潛在的碰撞風(fēng)險(xiǎn)，如行車(chē)安全距離模型。行車(chē)安全距離模型是利用車(chē)間的相對(duì)位置關(guān)系推導(dǎo)出安全車(chē)距或時(shí)距，使得車(chē)輛在保證一定通行效率的前提下不出現(xiàn)追尾等危險(xiǎn)事件。Vogel[41]基于車(chē)間時(shí)距模型研究了不同交通流密度下的駕駛風(fēng)險(xiǎn)態(tài)勢(shì)，進(jìn)而對(duì)現(xiàn)有模型的不足之處進(jìn)行了展望。潘勇等[42]考慮駕駛?cè)笋{駛特性以及路面附著特性，建立了車(chē)車(chē)協(xié)同下的車(chē)輛縱向避撞系統(tǒng)的安全距離模型，提高車(chē)輛縱向避撞系統(tǒng)的性能。安全距離模型有利于在行車(chē)過(guò)程中降低追尾碰撞事故風(fēng)險(xiǎn)，同時(shí)保證道路通行能力，但存在關(guān)鍵參數(shù)難以獲取、主要適用于單方位的汽車(chē)沖突風(fēng)險(xiǎn)辨識(shí)等問(wèn)題，且對(duì)駕駛員狀態(tài)、道路交通環(huán)境及車(chē)況等因素的統(tǒng)籌考慮有所欠缺，應(yīng)用交通場(chǎng)景尚顯單一。

隨著車(chē)路協(xié)同技術(shù)的不斷發(fā)展，車(chē)車(chē)、車(chē)路動(dòng)態(tài)實(shí)時(shí)信息交互得以實(shí)現(xiàn)，信息融合和態(tài)勢(shì)評(píng)估的相關(guān)理論與方法被引入到基于“人-車(chē)-路”多源信息的行車(chē)沖突風(fēng)險(xiǎn)辨識(shí)研究中，支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法，以及在神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上延伸出的深度學(xué)習(xí)算法（如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)）等人工智能技術(shù)的應(yīng)用，為準(zhǔn)確判斷行車(chē)安全狀態(tài)、識(shí)別車(chē)輛運(yùn)行過(guò)程中的風(fēng)險(xiǎn)提供了條件。Katrakazas等[43]在交互感知運(yùn)動(dòng)模型和動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的聯(lián)合框架下，提出1 種將網(wǎng)絡(luò)級(jí)碰撞估計(jì)與車(chē)輛實(shí)時(shí)風(fēng)險(xiǎn)判斷相結(jié)合的風(fēng)險(xiǎn)評(píng)估體系，實(shí)現(xiàn)對(duì)碰撞概率的實(shí)時(shí)預(yù)測(cè)。趙瑋等[44]建立了深度置信網(wǎng)絡(luò)向量機(jī)（DBN-SVM）算法與分類(lèi)分析方法的新型危險(xiǎn)變道量化判別模型，以解決車(chē)輛變道過(guò)程不可被量化分析及準(zhǔn)確判別的問(wèn)題。基于多源信息的危險(xiǎn)態(tài)勢(shì)感知，能綜合考慮多項(xiàng)行車(chē)安全影響因素進(jìn)行分析，有效輔助駕駛系統(tǒng)安全。與傳統(tǒng)單一因素判別行車(chē)安全風(fēng)險(xiǎn)相比，應(yīng)用的交通場(chǎng)景更為豐富，但存在推理過(guò)程復(fù)雜且計(jì)算量較大、實(shí)時(shí)性易受影響等問(wèn)題。為了平衡模型表現(xiàn)與運(yùn)算速度，極限梯度提升（eXtreme gradient boosting，XGBoost）、輕量梯度提升（light gradient boosting machine，LightGBM）等集成算法相繼被提出及應(yīng)用，如Shi等[45]設(shè)計(jì)了1種駕駛行為特征提取和選擇的算法，利用XGBoost 算法建立行為特征與相應(yīng)風(fēng)險(xiǎn)水平之間的關(guān)聯(lián)，更加有效地評(píng)估車(chē)輛駕駛水平和預(yù)測(cè)風(fēng)險(xiǎn)水平。

綜上所述，基于實(shí)時(shí)交通數(shù)據(jù)信息或歷史文本數(shù)據(jù)的大數(shù)據(jù)與人工智能分析方法，有利于實(shí)現(xiàn)對(duì)交通安全風(fēng)險(xiǎn)的動(dòng)態(tài)、全程識(shí)別，分析結(jié)果較為準(zhǔn)確、客觀，是當(dāng)前較為主流的研究方向。文本數(shù)據(jù)挖掘技術(shù)為利用非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行事故風(fēng)險(xiǎn)和致因研究提供了支撐，解決了傳統(tǒng)事故分析中數(shù)據(jù)格式局限性的問(wèn)題。但此方法還普遍存在易受文本信息結(jié)構(gòu)、特征屬性界定、字典庫(kù)全面性等因素影響的問(wèn)題。多源動(dòng)態(tài)駕駛數(shù)據(jù)融合與分析方法促進(jìn)了車(chē)輛主、被動(dòng)安全技術(shù)的有機(jī)結(jié)合，特別是車(chē)路協(xié)同環(huán)境下的危險(xiǎn)態(tài)勢(shì)感知，是電子信息、人工智能等技術(shù)的整合應(yīng)用。而深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法除了在車(chē)路協(xié)同場(chǎng)景下的應(yīng)用，其在路面病害及濕滑狀態(tài)智能識(shí)別、交通流運(yùn)行風(fēng)險(xiǎn)評(píng)估等道路交通安全風(fēng)險(xiǎn)、事故預(yù)測(cè)方面也有著廣泛的應(yīng)用。但此類(lèi)方法分析過(guò)程需要基礎(chǔ)數(shù)據(jù)的完備性，數(shù)學(xué)模型建立過(guò)程復(fù)雜，且單一算法難以兼顧事故多屬性間的關(guān)聯(lián)耦合分析和權(quán)重合理分配，充分結(jié)合不同算法的優(yōu)勢(shì)以提高風(fēng)險(xiǎn)識(shí)別、預(yù)判的精準(zhǔn)性成為熱點(diǎn)。智能化、集成化、復(fù)雜化將是未來(lái)交通運(yùn)行風(fēng)險(xiǎn)識(shí)別發(fā)展方向，綜合運(yùn)用機(jī)器學(xué)習(xí)、人工智能、無(wú)線傳感網(wǎng)等多學(xué)科交叉融合的先進(jìn)技術(shù)值得關(guān)注。

3 研究展望

在道路交通安全風(fēng)險(xiǎn)辨識(shí)分析方法研究方面，隨著新技術(shù)的發(fā)展和應(yīng)用，安全風(fēng)險(xiǎn)理論分析法、系統(tǒng)安全分析法等宏觀、定性分析方法已無(wú)法滿足當(dāng)前研究深度和精度的需要，因此目前此類(lèi)理論分析方法的研究熱度有所下降，在道路交通安全風(fēng)險(xiǎn)分析領(lǐng)域的實(shí)際應(yīng)用也相對(duì)較少。而以多源異構(gòu)數(shù)據(jù)采集與融合為基礎(chǔ)的大數(shù)據(jù)與人工智能分析方法逐漸成為研究熱點(diǎn)和關(guān)注方向，而這也正是交通安全風(fēng)險(xiǎn)分析從宏觀、橫向研究發(fā)展到微觀、縱向分析的過(guò)程體現(xiàn)。

對(duì)于道路交通安全風(fēng)險(xiǎn)要素辨識(shí)，已有研究多集中于特定場(chǎng)景或單一要素下的風(fēng)險(xiǎn)辨識(shí)分析，而實(shí)際混合道路網(wǎng)絡(luò)下，多因素耦合對(duì)交通事故的發(fā)生會(huì)產(chǎn)生復(fù)雜的影響和作用，進(jìn)一步探索多因素耦合、多情境影響下的事故風(fēng)險(xiǎn)特征及規(guī)律，預(yù)估交通安全變化態(tài)勢(shì)，以實(shí)現(xiàn)交通安全風(fēng)險(xiǎn)的早期預(yù)判預(yù)測(cè)成為當(dāng)前道路交通安全風(fēng)險(xiǎn)辨識(shí)的熱點(diǎn)研究方向。計(jì)算機(jī)技術(shù)、人工智能相關(guān)技術(shù)，以及交通安全理論與方法等多學(xué)科的交叉融合運(yùn)用可有效提升交通安全風(fēng)險(xiǎn)分析研究的深度和精度。

雖然以往研究已經(jīng)取得了較為顯著的成果，但在以下方面仍需進(jìn)一步深入研究。

1）多源異構(gòu)數(shù)據(jù)的動(dòng)態(tài)采集與融合。多源異構(gòu)交通信息的采集與處理是風(fēng)險(xiǎn)辨識(shí)分析的基礎(chǔ)，現(xiàn)階段交通信息采集受到部門(mén)間信息壁壘、共享機(jī)制缺失的限制，制約了交通信息數(shù)據(jù)的融合和利用。另外，目前數(shù)據(jù)采集多基于仿真或模擬情境，而實(shí)際混合道路網(wǎng)絡(luò)下的泛在性信息采集也是一大難點(diǎn)。突破傳統(tǒng)數(shù)據(jù)感知方式的主觀性、片面性、維度單一等制約，促進(jìn)道路條件、交通條件、設(shè)施設(shè)置與駕駛行為數(shù)據(jù)的同步互聯(lián)，實(shí)現(xiàn)交通信息種類(lèi)及來(lái)源不斷豐富、交通數(shù)據(jù)源融合、動(dòng)態(tài)獲取及更新數(shù)據(jù)等問(wèn)題值得關(guān)注。未來(lái)大數(shù)據(jù)技術(shù)、區(qū)塊鏈技術(shù)等的發(fā)展或?qū)⒂行Ы鉀Q數(shù)據(jù)更新和應(yīng)用方面的不足。

2）智能網(wǎng)聯(lián)環(huán)境下的道路交通安全辨識(shí)。隨著智能網(wǎng)聯(lián)汽車(chē)、自動(dòng)駕駛汽車(chē)的飛速發(fā)展，交通流組成由傳統(tǒng)的單一類(lèi)型車(chē)輛逐漸向多種類(lèi)、多模式車(chē)輛方向發(fā)展，道路交通組成及行車(chē)環(huán)境更為復(fù)雜多樣，未來(lái)研究需進(jìn)一步考慮智能網(wǎng)聯(lián)車(chē)輛與普通車(chē)輛混合交通環(huán)境下的交通安全風(fēng)險(xiǎn)識(shí)別管控。而智能網(wǎng)聯(lián)環(huán)境下多元數(shù)據(jù)的連續(xù)采集和數(shù)據(jù)全過(guò)程感知為支撐研究提供了條件和機(jī)遇，在多源異構(gòu)交通信息采集與處理的基礎(chǔ)上，構(gòu)建更符合實(shí)際交通網(wǎng)絡(luò)下的交通參與者、車(chē)輛的交通行為特征庫(kù)，以實(shí)現(xiàn)對(duì)交通行為特征的快速分類(lèi)和識(shí)別，為預(yù)判危險(xiǎn)駕駛行為、預(yù)警行車(chē)危險(xiǎn)情境奠定基礎(chǔ)，提升道路交通的整體安全性。

3）考慮時(shí)空異質(zhì)性的可移植的道路交通安全風(fēng)險(xiǎn)識(shí)別模型研究。道路交通安全風(fēng)險(xiǎn)的呈現(xiàn)方式、特點(diǎn)及規(guī)律會(huì)因時(shí)間和空間差異而發(fā)生變化，精確數(shù)學(xué)模型難以刻畫(huà)各因素對(duì)事故風(fēng)險(xiǎn)影響的異質(zhì)性，準(zhǔn)確度和運(yùn)行效率受到限制。而隨著交通數(shù)據(jù)質(zhì)量的提升以及人工智能、計(jì)算機(jī)技術(shù)的逐漸成熟，探索各因素對(duì)事故風(fēng)險(xiǎn)的交互作用，隨機(jī)參數(shù)建模、混合建模思想的引入將成為道路交通事故建模領(lǐng)域的研究熱點(diǎn)。根據(jù)不同時(shí)空下的風(fēng)險(xiǎn)特征，明確需采集的交通信息特征和方式，探索多維度時(shí)空下的風(fēng)險(xiǎn)衡量指標(biāo)及方法，構(gòu)建綜合風(fēng)險(xiǎn)識(shí)別預(yù)測(cè)體系，進(jìn)一步促進(jìn)研究成果在不同時(shí)間、空間下的遷移應(yīng)用。

4 結(jié)束語(yǔ)

本文對(duì)道路交通安全風(fēng)險(xiǎn)辨識(shí)研究對(duì)象、分析方法進(jìn)行了詳細(xì)的闡述和分析。研究對(duì)象主要包括駕駛?cè)?、?chē)輛、道路、環(huán)境等單要素風(fēng)險(xiǎn)及多要素間的耦合風(fēng)險(xiǎn)。分析方法包括以定性分析為主的安全風(fēng)險(xiǎn)理論分析法、系統(tǒng)安全分析法，以及基于多源信息融合的文本數(shù)據(jù)挖掘分析方法、動(dòng)態(tài)駕駛數(shù)據(jù)分析等大數(shù)據(jù)與人工智能方法。

道路交通安全風(fēng)險(xiǎn)辨識(shí)是實(shí)現(xiàn)交通安全風(fēng)險(xiǎn)防控的第一步，要注重在實(shí)踐中檢驗(yàn)風(fēng)險(xiǎn)識(shí)別結(jié)果對(duì)改善交通安全性的實(shí)際作用，動(dòng)態(tài)調(diào)整交通安全管理措施及技術(shù)，實(shí)現(xiàn)從風(fēng)險(xiǎn)辨識(shí)-風(fēng)險(xiǎn)分析-風(fēng)險(xiǎn)控制的全流程閉環(huán)管理，實(shí)現(xiàn)主動(dòng)預(yù)防交通事故，提升交通安全。