考慮連鎖沖突的城市公交車行車風險量化分析方法*

李熙瑩 梁靖茹 郝騰龍

（1.中山大學智能工程學院 廣州 510006；2.中山大學廣東省智能交通系統(tǒng)重點實驗室 廣州 510006；3.中山大學視頻圖像智能分析與應用技術公安部重點實驗室 廣州 510006）

0 引 言

隨著城市化發(fā)展，城市主干道及快速路承擔著巨大的交通壓力，在交通量增加的同時也伴隨著安全風險的攀升。公共交通線路也往往規(guī)劃在此類路段，由于公交車車型大、與其他車輛運動差異大，機動車混行會對穩(wěn)定車流造成不同程度的擾動，帶來額外的車輛運行安全風險[1-2]。因此，深入且定量的交通安全風險研究能夠作為大型公交車風險管理的理論依據(jù)，支撐公交線路避險、公交專用道設置等措施的制定。

大型車輛與小汽車在同車道行駛的混合交通安全風險一直是道路交通關注的重點，例如，趙笑月等[3]在高速公路場景研究了大車混入率對嚴重沖突率的影響。公交車作為城市普遍存在的1 種大型車，與其他的大型車輛行車特性存在明顯差異。陳峻等[4]量化研究了城市公交車對社會車輛行車速度的影響。蓋靖元[5]驗證了混合車流中的沖突與車速離散有著極大關聯(lián)，其中，公交車不僅自身車速差異化，同時影響區(qū)域內(nèi)其他車輛的速度穩(wěn)定性，極大增加了交通安全風險。

隨著交通數(shù)據(jù)精度的提升，研究通過識別交通沖突度量公交車在混合機動車中的風險系數(shù)。例如，Goh 等[6-7]為了研究公交優(yōu)先策略是否能降低公交行車風險，通過微觀仿真的方法計算公交車的沖突頻次等指標研究不同狀態(tài)下的安全風險，并通過公交風險分析公交專用道的必要性，結果表明公交車與小汽車分離避免了公交車在交通流中的速度波動影響，減少了大部分追尾及側(cè)撞沖突。Qi等[8]和Bansal等[9]基于碰撞時間研究了公交站附近混合車流的交通沖突統(tǒng)計分布，估計區(qū)域內(nèi)的交通安全風險，該研究旨分析公交沖突的空間分布。另外，Diah 等[10]還研究了獲取公交車沖突數(shù)據(jù)的交通視頻監(jiān)控技術。

交通沖突技術[11]主要利用時間空間度量指標判別沖突，包括碰撞時間（time to collision，TTC）[12]、后侵入時間（post encroachment time，PET）[13]及碰撞時間差（time difference to collision，TDTC）[14]等。謝濟銘等[12]采用擴展TTC進行多車道交織區(qū)跟馳行為中的風險判別；Qi 等[13]利用改進的PET 預測合流區(qū)的車輛變道沖突。由于大型公交車隨出入站變道時會形成更多沖突，經(jīng)典TTC 模型難以直接應用在車輛變道、轉(zhuǎn)向行為，需要擴展異車道沖突的建模；PET模型忽略了車輛實時速度的影響，屬于沖突事后指標，公交車與小汽車速度差異較大，不考慮實時速度的模型無法對沖突過程進行預測；TDTC 模型結合了前2種方法，但所需數(shù)據(jù)精度要求較高，在應用中易存在偏差。因此，對于大型公交車與小汽車之間的交通沖突，需要結合具體的應用場景對經(jīng)典沖突模型進行改進。

目前交通沖突技術大多研究單一車輛主體的沖突識別方法及風險預測。朱順應等[11]提出，非自由流中的交通沖突存在“區(qū)域連鎖”效應，一對交通主體發(fā)生沖突后，后者采取的避險行為往往會影響到其他臨近車輛的行駛；交通事故鏈的研究[15]指出識別連續(xù)性碰撞風險能夠為阻斷多車事故提供基礎。尤其對于大型公交車來說，長車型和運動差異易干擾周圍區(qū)域內(nèi)多輛車而間接造成多個交通沖突，形成連續(xù)性安全風險。多個交通主體連鎖沖突使得部分車輛避險困難，行駛路徑不穩(wěn)定，且區(qū)域內(nèi)車輛行駛速度與方向的差異性極易使得沖突解除后形成再次沖突，造成的安全風險不斷增加。目前有部分研究關注到多個交通主體的聚集性風險分析，例如，容穎等[16]對雙車道公路劃分車輛群，提出了車輛群風險度量模型，快速定位高風險的車輛群體；梁軍等[17]和楊瀾等[18]通過建立車輛狀態(tài)網(wǎng)絡識別交通事故鏈，在車聯(lián)網(wǎng)環(huán)境下預警每個車輛的潛在交通沖突并阻斷事故鏈。以上研究未涉及多車沖突在短時間內(nèi)的連續(xù)風險，需要建立多個沖突間的因果關聯(lián)并追溯風險源頭，來實現(xiàn)城市公交車在混行交通中的聚集性風險量化分析。

在數(shù)據(jù)采集上，基于航拍車輛軌跡的方法能夠結合車輛運動信息和交通信息。趙笑月等［3］使用無人機采集濟青高速公路的視頻數(shù)據(jù)，基于特征點匹配檢測車輛以采集交通沖突數(shù)據(jù)。航拍車輛軌跡連續(xù)性好、運動參數(shù)精確，能夠在不同場景下泛用，對交通安全風險研究具有較高的應用價值。

綜上，目前對城市公交車行車風險的研究尚存在難以識別異車道風險、多車沖突關系未建立、安全風險分析不夠量化等問題。因此，筆者基于廣州市廣州大橋路段車輛軌跡數(shù)據(jù)，建立擴展二維TTC 模型和時序性沖突樹模型，形成城市公交車在區(qū)域混合車流中的安全風險量化分析方法。

1 研究方法

圖1 為本研究的方法框架。在數(shù)據(jù)采集階段，基于航拍交通視頻的采集與車輛檢測獲取帶有精細屬性的車輛軌跡數(shù)據(jù)；在沖突識別與關聯(lián)建立階段，通過二維TTC 模型識別跟馳與變道沖突，并基于沖突樹模型建立連鎖沖突關聯(lián)；最后量化分析公交車帶來的交通安全風險。

圖1 方法框架Fig.1 Method framework

1.1 車輛軌跡數(shù)據(jù)提取

車輛信息提取的精度直接影響了交通沖突識別的準確性，筆者采取了基于深度卷積神經(jīng)網(wǎng)絡的車輛提取與跟蹤算法，保證車輛軌跡的精確度。在車輛檢測階段，采用YOLOv4算法[19]提取車輛目標，該算法在提高準確度的同時保持了實時檢測速度。為更好地表達航拍視頻中的小目標車輛特征，采用航拍交通數(shù)據(jù)集VisDrone2019[20]訓練網(wǎng)絡特征權重，識別公交車（bus）和小汽車（car）這2類機動車。

在實際的航拍場景中的測試結果見表1，利用圖像檢測中的AP（average precision）和mAP（mean average precision）指標評價檢測效果[21]。其中，AP值衡量某一類別的平均精度，其值為precision-recall曲線與坐標軸圍成的面積；mAP值為所有類別的AP平均值。測試結果中mAP值達到90.82%，car 類型和bus類型的AP值分別達到99.25%和82.39%。

表1 車輛檢測測試結果Tab.1 Test result of vehicle detection

采用DeepSORT 跟蹤算法[22]對提取到的車輛目標進行軌跡跟蹤，并進行圖像像素與實際距離的比例換算，形成每1 輛車完整的行駛軌跡數(shù)據(jù)。同時提取車輛的其他精細屬性，包括：x軸與y軸行駛速度、車輛實時所屬車道及跟馳車輛ID 信息，其中x軸為圖像中沿車道行駛方向軸，y軸為圖像中車輛橫向方向軸。帶屬性的車輛軌跡數(shù)據(jù)樣例見表2，其時間精度為0.1 s，空間精度約為0.08 m/px。

表2 車輛軌跡數(shù)據(jù)樣例Tab.2 Examples of vehicle trajectory data

1.2 二維TTC模型

對比較為成熟的沖突模型，碰撞時間是同時考慮車輛間速度差與距離的過程量，所需要的數(shù)據(jù)參數(shù)易于準確提取，相比于其他模型擁有較為廣泛的實際應用。其定義為道路上的前后車輛若保持當前速度行駛將發(fā)生碰撞的時間，計算見式（1）。

式中：xi與xj分別為后車i與前車j的車頭位置，m；x?i與x?j分別為它們的行駛速度，km/h；li為車輛i的車長，m。

TTC模型的條件中擬定了車輛均沿同車道方向行駛，只有跟馳中的前后車輛有發(fā)生沖突碰撞的可能性，因此在實際使用中無法預估變道與轉(zhuǎn)向沖突。而實際中大型公交車常因行駛中變道而影響異車道多車輛正常行駛，為了保證沖突數(shù)據(jù)的完整性，需要提取精確的跟馳沖突與橫向沖突支撐后續(xù)的分析。

基于經(jīng)典TTC 模型，筆者提出能夠同時識別縱向與橫向沖突的二維TTC 模型。模型沿用了TTC的計算公式，縱向沖突即為經(jīng)典TTC 識別的跟馳沖突，同時通過車輛軌跡中的橫向位移與橫向速度，識別橫向沖突（包括側(cè)面刮擦與變道沖突）。二維TTC計算見式（2）～（3）。

式中：i與j為前后車輛對；xi與xj分別為它們的x軸車頭位置，m；lj為車長，m；x?i與x?j為x軸行駛速度，km/h；m與n為橫向車輛對；ym與yn分別為它們的y軸右側(cè)車輛位置，m；wm為車寬，m；y?m與y?n為y軸行駛速度，km/h。當TTCx小于閾值時出現(xiàn)跟馳沖突，TTCy小于閾值時出現(xiàn)橫向沖突。

模型中跟馳中的前后車關系依靠車道線即可建立，橫向沖突中的車輛對關系的建立卻沒有明確的界線。如圖2 所示，通過車輛在x軸位置建立橫向沖突的車輛對關系。2 車發(fā)生橫向沖突必須滿足的位置條件有：①車輛在行駛過程中存在某一時刻，它們并列行駛且橫向TTC小于沖突閾值；②若保持同樣的橫向速度行駛，車輛將發(fā)生碰撞，此時它們?nèi)詾椴⒘行旭?。因此，當相鄰車?車滿足以下關系，則能夠建立車輛對關系。

圖2 橫向車輛對關系建立條件Fig.2 Conditions to establish lateral vehicle pairs

1.3 連鎖沖突識別方法

混合機動車流中常出現(xiàn)多個沖突連續(xù)發(fā)生，其危險性比沖突逐一發(fā)生更大，因此需要建立考慮多車輛沖突的風險模型。

由圖3（a）～（b）可見：已有研究中建立了車輛群模型[16]和事故鏈模型[17-18]。其中，車輛群模型利用車輛位置及車間距將多車道車輛分為多個群體，并以群內(nèi)平均TTC和PET評估車輛群風險度。該方法將具有潛在關系的多車輛劃分為群塊結構，實現(xiàn)了風險區(qū)域的快速識別，但未量化群內(nèi)個體間的沖突相互影響。事故鏈模型則將每個車輛與附近車輛建立狀態(tài)網(wǎng)絡，依據(jù)車輛行駛狀態(tài)與外界狀態(tài)（天氣等）計算每個鏈條的狀態(tài)危險度，危險度等級高的多個相鄰車輛形成事故鏈。該方法能夠識別車輛間互相關聯(lián)的潛在風險，對阻斷連續(xù)碰撞風險有較好的應用價值。

圖3 不同方法的模型結構對比Fig.3 Model structure comparison of different methods

為了實現(xiàn)短時間內(nèi)聚集區(qū)域行車連續(xù)風險的識別與量化，筆者根據(jù)車輛沖突時的避險反應，建立沖突樹模型，見圖3（c），將沖突的連鎖過程轉(zhuǎn)化為樹結構的動態(tài)生成。相比較其他方法，這種結構通過上下結點關系易于建立車輛之間的沖突作用關系并分析連續(xù)風險的致因。

圖4 連鎖沖突的刺激-反應過程Fig.4 The stimulus-response process of chained conflict

將連鎖沖突效應視為樹模型的建立，其根結點為造成連鎖沖突的主因車輛，樹模型中該車輛直接造成的沖突為直接沖突，其他為連鎖沖突，沖突樹中的沖突個數(shù)體現(xiàn)了該連鎖沖突效應的嚴重性。對于某觀測時段中按時間排列的所有沖突(p=1,2,…,N)建立沖突樹的關系結構。

2 實驗與分析

2.1 數(shù)據(jù)采集

使用DJI Phantom 4 型號無人機于廣州市廣州大橋路段進行數(shù)據(jù)采集，所拍攝路段總長約1 100 m，設計速度為60 km/h，包含了廣州大橋北公交站的2 個站臺?？奎c，共于7 個場景拍攝了約20 h 的航拍視頻，部分場景見圖5。從該路段數(shù)據(jù)中提取了66 559條車輛軌跡，包括2 571條公交車的軌跡。

圖5 數(shù)據(jù)采集部分場景Fig.5 Parts of data collection scenes

采用二維TTC模型計算每輛車在行駛過程中與其他車輛的碰撞時間，定義車輛i與車輛j行駛中在一定時間范圍Δt內(nèi)僅可能發(fā)生1 次沖突，當2 輛車出現(xiàn)某一段時間的碰撞時間小于閾值t*時出現(xiàn)交通沖突，且TTCij為該過程中的最小碰撞時間。實驗中Δt設為10 s，依據(jù)經(jīng)驗將閾值t*設為3 s[23]，對碰撞時間小于3 s內(nèi)的沖突數(shù)據(jù)進行分析。以此標準，共識別得到92 398 條沖突數(shù)據(jù)，其中包括63 848 條跟馳沖突和28 550 條橫向沖突，每條沖突數(shù)據(jù)包括的全部屬性見表3。

表3 沖突數(shù)據(jù)屬性含義Tab.3 Attributes meaning of conflict data

2.2 連鎖沖突識別效果

所識別的某一連鎖沖突鏈的發(fā)生過程見圖6，圖6（a）中車輛1 705與1 713發(fā)生根沖突，車輛1 713為主因車輛，而后共6輛車形成了一串連續(xù)的沖突樹，其中圖6（b）和圖6（d）為與主因車輛1 713發(fā)生的直接沖突，圖6（c）與圖6（e）為主因車輛1 713 造成的連鎖沖突。

圖6 連鎖沖突識別示例Fig.6 Examples of chained conflict identification

連鎖沖突中車輛的速度變化見圖7，分析該沖突樹中車輛行駛速度變化可知，根沖突（a）由車輛1 713變道行為引起，并對車輛1 705產(chǎn)生刺激；車輛1 705于222.3 s發(fā)生減速避險反應，從而形成了沖突（c），并對車輛1 720產(chǎn)生刺激；車輛1 720于223.4 s發(fā)生減速避險反應，從而形成了沖突（e）。可視化及車輛速度分析驗證了沖突樹模型對連鎖沖突的識別效果。

圖7 連鎖沖突中車輛的速度變化Fig.7 Speed changes of vehicles in chained conflicts

2.3 公交車沖突頻率分析

為了研究城市公交車帶來的交通安全風險程度，并在不同路段交通狀態(tài)下進行量化對比，筆者將采集路段數(shù)據(jù)分為4個交通狀態(tài)分析公交車形成交通沖突的頻率。4個交通狀態(tài)分別為：①交通處于擁堵流，平均車速小于10 km/h；②交通處于擁堵強制流，平均車速為10～20 km/h；③交通處于非擁堵不穩(wěn)定流，平均車速為20～30 km/h；④交通處于暢通狀態(tài)，平均車速大于30 km/h。將數(shù)據(jù)按照1 min 的時間間隔劃分為若干樣本，共得到614個有效樣本，并提取每個樣本內(nèi)公交車與小汽車的沖突數(shù)據(jù)，按照式分別計算平均每輛車1 min內(nèi)的沖突次數(shù)，即為第z個樣本的沖突頻率。

式中：cl為car 或bus；為第z個樣本中cl類型車輛發(fā)生的沖突數(shù)；為第z個樣本中cl類型車輛的數(shù)量。

不同交通狀態(tài)下2類車輛的沖突頻率累積頻率圖見圖8。由圖8 可見：①相比較小汽車，公交車的平均沖突頻率分布普遍后移，且交通狀態(tài)越擁堵，2種車輛的沖突頻率分布差異越明顯；②在Vˉ＜10 km/h的狀態(tài)下，30%以上的樣本中公交車的沖突頻率超過9次/（veh·min）（最高的樣本中達23次/（veh·min）），城市公交車在擁堵流中對交通安全風險影響極高。

圖8 2類車輛的沖突頻率累積頻率圖Fig.8 Cumulative frequency diagrams of conflict frequency of the 2 types vehicle

2.4 公交車沖突嚴重性分析

車輛對之間的碰撞時間越小，留給車輛的反應時間越短，發(fā)生碰撞的概率越大，因此TTC的數(shù)值大小在一定程度上能夠衡量交通沖突的嚴重性。在4 種交通狀態(tài)下，分析采集的沖突數(shù)據(jù)中TTC的分布，見圖9。從TTC分布上可以看出，對于小汽車來說，其沖突碰撞時間在前3個狀態(tài)分布幾乎不變，交通暢通狀態(tài)下TTC更集中于中部；對于公交車來說，在越擁堵的狀態(tài)下其沖突碰撞時間分布越靠近小區(qū)間，沖突嚴重性越高。從累積頻率上可以看出，公交車與小汽車的沖突嚴重性在擁堵流與強制流狀態(tài)下差異最大，且差異集中在0～0.6區(qū)間，該區(qū)間內(nèi)公交車沖突分布高于小汽車1倍以上。

圖9 2類車輛的沖突TTC累積頻率圖Fig.9 Cumulative frequency diagrams of conflict TTC of the 2 types vehicle

為量化交通沖突的嚴重性，按照累積頻率的方法[24]劃分嚴重性等級，將所有沖突樣本的TTC按照從小到大排列，以前15%為嚴重沖突閾值，50%為中度沖突閾值，85%為輕微沖突閾值，得到嚴重沖突閾值為0.44 s，中度沖突閾值為1.20 s，輕微沖突閾值為2.18 s。3種等級的沖突統(tǒng)計結果見表4，公交車的嚴重沖突率達33.39%，該比例是小汽車的2倍。

表4 不同嚴重性等級的沖突統(tǒng)計結果Tab.4 Conflict statistics of different severity levels

針對不同交通狀態(tài)下的沖突嚴重性，依據(jù)3 個沖突等級進行分析。采集數(shù)據(jù)中4個狀態(tài)下的公交車比例分別為4.00%，3.66%，3.65%，4.17%，為進行等量對比，均折算為4.00%。表5為不同狀態(tài)下的沖突嚴重性分析結果，包括對2種車輛的嚴重/中度/輕微沖突率、沖突頻率和折算公交車沖突比例的分析。由表5可見：①在擁堵狀態(tài)下，公交車的嚴重沖突率高達40.71%，平均每輛公交車每分鐘形成2.63個嚴重沖突，該狀態(tài)下公交車的安全風險影響極高；②在暢通狀態(tài)下，當平均車速達到30 km/h 以上，小汽車的沖突頻率大幅度降低，嚴重沖突率僅為11.37%，相應地，公交車的指標降幅較小，嚴重沖突率仍達到24.01%，此時比例最高的中度沖突率達47.91%；③在沖突頻率上，在所有交通狀態(tài)下公交車沖突頻率均為小汽車的1.5～2 倍，其中嚴重沖突高達2.5～5 倍，遠遠高于交通研究中常用的大型車折算系數(shù)（平地上為1.5）；④對比折算公交車沖突比例與折算公交車數(shù)量比例（4.00%）可知，公交車沖突比例遠遠高于其車輛數(shù)比例，擁堵狀態(tài)下超過10%的嚴重沖突均由公交車形成，而暢通狀態(tài)下17.25%的嚴重沖突由公交車形成。

表5 沖突嚴重性分析結果Tab.5 Analysis result of conflict severity

2.5 公交車沖突聚集性分析

考慮到連鎖沖突會造成區(qū)域內(nèi)多個沖突不斷聚集，多個車輛行駛速度與方向發(fā)生變化，車輛難以即時采取措施避免碰撞，這種情況下更易造成交通事故。

將1.3 節(jié)所介紹的多車沖突模型與連鎖沖突樹進行實例對比分析，間隔10 s記錄2個時刻聚集性風險的識別結果，包括每種方法識別出的聚集性風險數(shù)量以及每個風險內(nèi)部涉及到的車輛數(shù)和風險程度指標，見表6。以時刻1為例，3種方法識別出的聚集風險數(shù)分別為11，3，3；11個車輛群內(nèi)涉及的車輛數(shù)分別為12，2，2，2，3，7，2，2，3，6，2，按照該模型計算得到的各群體行車風險度分別為0.167，0，0.5，0，0，0.286，0，0，0，0.333，0；3個事故鏈內(nèi)涉及的車輛數(shù)分別為4，5，3，其中高危險的鏈條數(shù)分別為2，3，2；3個沖突樹內(nèi)涉及的車輛數(shù)分別為4，7，3，其中樹內(nèi)關聯(lián)的沖突數(shù)量分別為3，7，2，以及各沖突樹中每個沖突形成的時間分別為[0.4，0.7，1.6]，[1.9，3.2，3.2，3.2，4.8，4.9，6.2]，[0.2，2.5]，整個沖突樹的持續(xù)時間分別為1.2，4.3，2.3 s，第1個造成連續(xù)性沖突的車輛類型為car、bus和bus。

表6 不同方法量化聚集性交通風險的結果對比Tab.6 Comparison of the results from different methods to quantify gathered traffic risks

3 種方法均可以識別某一時刻聚集的高風險車輛，其中車輛群模型劃分出的群體數(shù)最多，但有多數(shù)行車風險度為0；事故鏈模型與沖突樹模型識別出的聚集風險相似，但事故鏈模型的危險鏈數(shù)比鏈內(nèi)車輛數(shù)少30%～50%，這是由于事故鏈內(nèi)車輛并未在該時刻全部由危險鏈關聯(lián)；而沖突樹還能識別多車風險在短時間內(nèi)造成的其他關聯(lián)沖突，因此樹內(nèi)所含沖突數(shù)量更多。相比其他方法，沖突樹模型能夠借助連鎖沖突跟蹤該聚集性高風險的持續(xù)發(fā)展，并能夠追溯主因車輛類型。

因此對比不同交通狀態(tài)下的沖突連鎖效應，以量化公交車沖突聚集性。采用沖突連鎖效應比例衡量沖突聚集性概率，其定義為某種車輛群體在一段時間內(nèi)參與到連鎖沖突中的沖突數(shù)比例；采用平均沖突樹長度衡量沖突聚集范圍大小，其定義為平均每個沖突樹中的沖突次數(shù)。

采集嚴重與中度沖突數(shù)據(jù)進行分析，連鎖沖突識別結果見表7，14.67%的小汽車沖突形成了連鎖沖突，平均沖突樹長度為3.18次；30.75%的公交車沖突形成了連鎖沖突，平均沖突樹長度為4.23次。

表7 連鎖沖突識別結果Tab.7 Results of chained conflict recognition

沖突連鎖效應比例見圖10。擁堵狀態(tài)下35%以上的公交車交通沖突形成了連鎖效應，比起小汽車高出1倍，公交車為連鎖沖突形成的重要主體；暢通狀態(tài)下該比例則大幅度減少，在平均速度大于30 km/h的狀態(tài)下幾乎不存在沖突連鎖效應。平均沖突數(shù)長度分析結果見圖11。擁堵狀態(tài)下公交車引起的沖突樹長度平均比小汽車高出1 次沖突，沖突聚集范圍更廣；暢通狀態(tài)下則相對較低。

圖10 沖突連鎖效應比例結果Fig.10 Results of the conflicts chain effect proportion

圖11 平均沖突樹長度分析結果Fig.11 Results of average conflict tree length analysis

3 結束語

1）筆者將經(jīng)典的碰撞時間擴展為二維TTC 模型，構建了跟馳沖突與橫向沖突數(shù)據(jù)；根據(jù)車輛行駛刺激-反應理論建立沖突之間的關聯(lián)，將區(qū)域連鎖沖突抽象為含時序性的沖突樹并實現(xiàn)識別；同時將所提出的沖突技術應用在實際數(shù)據(jù)中，提供了1種研究城市公交車在區(qū)域混合交通中的沖突風險量化方法。

2）沖突樹模型能夠有效地依據(jù)連鎖沖突量化聚集性交通風險，并實現(xiàn)連鎖過程的微觀重構和主因車輛的追溯。在實例分析中：擁堵流中公交車的沖突頻率極高，30%的公交車沖突超過9 次/min；公交車的嚴重沖突率為小汽車的2.5～5 倍，擁堵狀態(tài)下達40%；公交車造成的連鎖沖突比例為小汽車的2倍，擁堵流中該比例高達36%，影響車輛數(shù)也更多，在聚集區(qū)域內(nèi)事故風險大大提高。通過量化分析可知，任何交通狀態(tài)下公交車給混合交通帶來的安全風險都更大，尤其在擁堵狀態(tài)下公交車與小汽車的風險差異最大。

3）經(jīng)過城市公交車風險分析，可以從實際數(shù)據(jù)中得到某路段中公交車在各交通狀態(tài)下的運行風險程度，從而為安全風險防范、公交專用道規(guī)劃等措施提供理論基礎。

4）本文僅針對城市基本路段研究公交車行車風險的量化分析方法，若應用在快速路匝道、無信號燈交叉口等特殊路段，還需要驗證分析方法并補充量化指標。此外，后續(xù)研究中可以基于車路協(xié)同將連鎖沖突應用于連續(xù)行車風險的實時預警。