道路交通安全风险辨识与分析方法综述*

2022-03-23张萌萌赵军学谢清民张荣林

交通信息与安全 2022年6期

寇敏张萌萌▲ 赵军学谢清民李鑫张荣林

（1. 山东交通学院交通与物流工程学院济南 250357；2. 山东省公安厅交通管理局济南 250000；3. 山东高速交通建设集团股份有限公司济南 250101；4. 水发技术集团有限公司济南 250100）

0 引言

随着社会经济快速发展，道路交通诸要素之间的矛盾日趋凸显，影响道路交通安全的基础性、源头性问题不断累积，道路交通安全形势日益严峻。尽管近年来道路交通事故率、伤亡率已有所下降，但每年的事故量依然居高不下。事故的发生实际上是风险因素失控的结果。风险是某一特定危险情况发生的可能性和后果的组合，其具有客观性、不确定性、可测性等特点，有向隐患转变的内在逻辑，而隐患是造成事故的直接原因。风险管控的失效形成隐患，而隐患的不及时治理则将造成事故的发生。因此，及时、有效的风险识别与控制是降低道路交通事故发生概率的关键第一步。

为提高交通管理效率，提升交通事故预防的前瞻性、预见性、针对性及科学性，进行准确、全面、系统的道路交通安全风险辨识与分析，进而实现交通事故管理关口前移显得尤为重要。道路交通安全风险（traffic safety risk，TSR）是指道路交通系统在将来一定时期内可能出现的不确定对象的人员伤亡或财产损失的1 种未来情景[1]。交通安全风险辨识分析是指对尚未发生的、潜在的和客观存在的安全风险进行预测和识别，是在数据采集的基础上，对历史及实时交通数据进行处理分析，预测和识别未来可能出现的安全风险，是实现安全风险主动管理控制、降低交通事故风险、改善道路交通安全性的基础和关键。

实现从静态、被动的“事后”统计分析转向动态、主动的“事前”风险识别与管控是降低交通安全风险的突破口。笔者主要对道路交通安全风险辨识研究进行综述，梳理道路交通安全风险影响因素，归纳分析用于道路交通安全风险分析的方法或模型的研究进展、应用情况、问题与不足等，并指出未来研究发展方向。道路交通安全风险影响因素及辨识分析方法基本框架，见图1。

图1 道路交通安全风险影响因素及辨识分析方法框架Fig.1 Influencing factors of road traffic safety risk and identification analysis method framework

1 道路交通安全风险辨识影响因素

影响道路交通安全的风险因素繁多，可大致分为微观和宏观这2类。宏观影响因素主要包括区域经济、社会人口、路网结构等，微观影响因素可分为驾驶人、车辆、道路、环境这4 类因素。本文主要对微观层面影响因素的相关研究进行分析。目前国内外学者在分析各类因素对交通安全的影响时，既有针对单一因素的风险识别，也有多因素耦合情况下的分析。通过筛选细化每类影响因素中的主要风险因素，应用相关模型方法进行比较分析，实现主动识别风险、提前预警防控的目的。

1.1 驾驶人因素的风险辨识

驾驶人是影响道路交通安全的主要因素之一，其失误或操作不当是导致道路交通事故发生的主要因素。2022 年3 月30 日、4 月11 日山东青银高速潍坊段、滨州无棣339国道分别发生1起造成5人死亡的较大道路交通事故，其主要原因分别是驾驶人疲劳驾驶和分心驾驶。可见，驾驶人因素在交通事故中起到了决定性作用，分析驾驶人在行车过程中的风险对于提升道路交通安全尤为重要。具体来看，影响驾驶员安全驾驶的因素可分为心理因素和生理因素。

驾驶人心理过程可分为3个部分：认知过程（感觉、知觉、注意）、情感过程（情绪、情感、态度）、意志过程（人格、个性、气质）。驾驶人心理因素对驾驶安全的影响分析，多是基于调查问卷、文献调研等方式进行定性分析，或基于面部表情、语音、姿态等建立不良驾驶情绪判别模型。如Jones等[2]通过驾驶人与车内信息系统的语音交互，提取驾驶人声音信号的频率、幅度、功率谱系数等特征来识别驾驶人的高兴、愤怒与悲伤等情绪。张名芳等[3]选用由生活状态、驾驶行为、组织认同感、人格特征等要素组成的公交驾驶员心理健康状况调查问卷，构建基于K-means聚类算法的心理疾病判别模型。

相比于心理因素，针对驾驶人生理因素（如年龄、视觉状态、疲劳状态等）对驾驶行为风险产生影响的辨识研究更为丰富。一部分是基于驾驶模拟器或实车小样本测试数据等，采集视频、心电、眼动等数据，通过图像处理算法、竞争学习算法及机器学习算法等进行危险驾驶行为识别。黄晶等[4]通过驾驶模拟实验，采集驾驶志愿者的心电、脑电、皮电信号等测量数据，基于置信学习的方法，对驾驶人的精神负荷进行检测评价。马玉珍等[5]通过采集城市轨道交通驾驶人驾驶模拟实验中眼动特征及心电信号数据，构建支持向量机疲劳识别模型。

除了针对驾驶人生理、心理因素单一的分析，通过筛选并综合心理与生理指标，探究不安全、不规范的不良驾驶行为（如超速行驶、酒后驾驶等），或不同群体（如女性、老年驾驶人群体等）驾驶行为与驾驶人生理、心理特征变化关系的研究也取得了一定进展。如裴玉龙等[6]综合驾驶人眼动、心率、速度知觉等生理、心理指标，对不同酒精摄入量下驾驶人生理心理特征的变化规律进行了研究。郭凤香等[7]通过对比分析老年与中青年驾驶人的眼动、心率变异及皮电等心理生理行为特性，研究老年驾驶群体各类驾驶行为特性的衰退情况。

随着交通信息技术的发展，数据类型的逐渐丰富和数据规模的不断增加，应用自然驾驶数据、车载和导航等数据，基于驾驶行为特征参数建模，对危险事件识别研究成为热点。如Dozza 等[8]利用图像处理算法,对自然驾驶数据中驾驶员面部视频进行处理，以对危险驾驶行为进行分类。Sun等[9]基于结合GPS、北斗和惯性传感器等多种数据，提出了1 种用于检测车道级异常驾驶行为的方法。翟俊达等[10]探索在城市交叉口场景下，车辆网联信息的存在和内容对驾驶人工作负荷和操纵行为的影响。

综合来看，多源、实时、精确的交通数据能够为风险驾驶行为的识别分析提供有力支持，有利于从更微观、客观的角度对引发交通事故的风险隐患进行深度分析和精准识别。在引发道路交通事故的因素中，驾驶人起到了关键性作用，且车、路、环境等其他因素对交通安全的影响大都通过作用于驾驶人后而间接引发的交通事故来体现，因此现有针对驾驶人行为特征的风险辨识分析较为丰富，且已经取得较为丰硕的成果。另外，驾驶人内在心理状态和生理功能之间相互影响，又共同作用于驾驶人外在驾驶行为变化，因此与单纯研究驾驶人生理、心理指标变化相比，通过驾驶人行为特征的变化来识别风险的研究更为科学。在驾驶行为研究中，多是以群体分类为主的危险驾驶行为辨识，随着对微观驾驶行为特性研究的重视，众多学者逐渐关注到个体驾驶行为风险特征，以提升个体差异影响下的危险行为辨识精度。驾驶人状态会随着驾驶时间及环境的变化而变化，目前研究多是针对单一场景或特定驾驶行为下的数据采集和建模分析，在综合考虑其他不确定性因素（如天气、场景变化等）对分析结果的影响方面尚有欠缺，需对多源信息融合下的驾驶人状态动态监测加以关注。

1.2 车辆因素的风险辨识

车辆因素的风险可分别从狭义（车辆自身故障风险）和广义（车辆运行安全风险）2 个维度进行研究。从狭义车辆风险来看，车辆是交通事故的载体，机动车自身的运行状况（安全性能、技术状况等）是影响车辆行驶安全的重要因素，如车辆制动失效、转向失效、照明与信号装置失效、爆胎等风险，都会影响行车安全。对于此类静态风险的辨识，通过车载诊断系统（on-board diagnostic，OBD）诊断接口，读取如刹车失灵、胎压不足和发动机负荷等机动车运行故障码，实时监控车辆发动运行状况及车辆工作状态，及时发现车辆自身的隐患。随着汽车电子及互联网技术的发展，自动驾驶车辆发展备受关注，相比于传统车辆，自动驾驶车辆对风险感知、逻辑决策及功能执行等方面有更高的要求。众多学者也针对车辆故障风险展开了系统研究，如周洪亮等[11]设计了基于车载传感器和无迹卡尔曼滤波器的容错控制方法，可实时诊断车辆驱动系统电机故障。彭能岭等[12]设计了1 种采用萤火虫算法的自动驾驶车辆故障诊断系统，以应对由于车辆故障导致的车辆失控、碰撞等安全问题。

从广义车辆风险来看，车辆在运行过程中的异常或不安全状况将作用于驾驶人，而驾驶人在感知风险后的驾驶行为变化调整将又由车辆体现，因此通过获取车辆运动学参数（如车辆速度、加速度、车体偏航率、转向盘旋转率以及制动力度等），以实现车辆安全风险的动态辨识。Kluger等[13]将离散傅里叶变换与k 均值聚类法结合，提出利用车辆纵向加速度识别危险事件的方法。王雪松等[14]基于自然驾驶数据，通过对车辆动态学参数设定阈值，从原始数据中提取可能的危险事件，用阈值法进行初步过滤后纳入机器学习方法进行深度筛选。

对于车辆的安全性研究，经历了从关注车辆耐撞性、乘员保护装置等被动安全性能的提升，发展到与被动安全技术相辅的车辆行驶风险实时预警、主动避撞控制，是从重视被动安全到关注与被动安全结合的主动安全的演变。相比于传统车辆，将驾驶员从驾驶过程中分离出的自动驾驶车辆的故障识别与安全性能保障仍是未来研究的热点和重点。另外，与车辆故障风险识别研究相比，利用车辆运动学参数建立数学模型，对驾驶人、车辆等因素交互作用下的风险识别研究相对更为丰富。而未来道路交通中人工驾驶车辆和自动驾驶车辆混行，以及现存机非混行、人非混行等交通组织混乱问题等将对车辆运行过程中的风险识别与控制造成干扰，且这种不确定性和随机性难以被准确量化、预估，这使得理论研究与实际问题解决存在一定偏差，风险识别的精度和准确度有待进一步提升。

1.3 道路因素的风险辨识

道路因素由道路几何线形（平面线形、纵断线形等）、交通条件（交通安全设施等）、道路结构物（横断面、交叉口、路面等）等因素组成。良好的道路条件对有利于预防道路交通事故的发生，而不良的道路条件对诱发道路交通事故亦有相应的影响作用。在2022 年3 月11 日青海海北州发生的1 起7 人死亡、2人受伤的较大道路交通事故中，由于长下坡连续弯道路段车辆需频繁制动，最终导致制动失效，车辆失控。

针对道路因素的风险识别，已有研究主要集中于应用回归分析法、层次分析法等，研究交通事故率、事故严重性等交通事故情况或驾驶人驾驶行为与道路要素（如平面线形、纵坡坡度、车道宽度、车道数等）之间的关系，为降低道路条件不良带来的事故风险及优化道路设计提供借鉴和指导。如Zou等[15]研究了各种道路和障碍情景下可能发生的各种类型碰撞风险，发现设立中央分隔带和护栏能够降低车辆对向碰撞风险。Rusli等[16]应用随机参数负二项模型，研究了山区公路的道路几何线形、横断面、路肩等因素对单车事故的影响。

道路因素风险研究除了宏观的定性分析和考虑道路因素与事故率之间的关系外，众多学者在单一分析道路因素的基础上，将交通条件、环境属性等因素作为判别变量或影响因子，引入模糊评价法、贝叶斯模型、聚类模型（空间聚类法、Q 型聚类法）、神经网络法等，实现对事故多发的危险路段的识别。陈昭明等[17]通过引入随机参数建模方法，探究事故数与公路线形、路面性能间及交通特性的关系，进一步挖掘各因素对事故风险的交互影响。宁航等[18]分别使用机器学习方法和经典数学建模方法，建立了以道路线形技术指标为输入的神经网络模型和多元数学模型，对交通事故多发路段进行预测。

综合来看，道路因素对交通安全的影响主要通过约束和作用于驾驶人的驾驶行为来间接体现，其风险的表征和认定较为模糊和间接，而这也是与直接分析驾驶人、车辆等因素的风险相比，道路因素的风险主动识别研究略显单一的原因。除了影响行车安全的道路显性缺陷（如两侧护栏缺失、路面损坏等）可以被直接发现并整改，隐性的道路风险大多需要通过交通事故情况并结合其他要素（交通量、气候环境等）来进行辨识。而道路因素与交通事故风险及交通流特性之间的复杂关联关系及交互作用存在明显的时空异质性，部分道路因素（如车道数、道路横断面指标及路面性能等）对事故的影响效果及作用机理尚未形成统一的定论，后续仍需进一步深入探索。

1.4 环境因素的风险辨识

环境因素对交通安全的影响可大致分为气象环境影响和交通环境影响，气象环境主要是指不利气象条件（雾、雨、雪、大风等）对交通出行造成的负面影响，交通环境影响主要包括交通管理措施、交通组成（交通流中的车型比例）等对交通安全的影响。

不利气象条件不仅会降低道路通行效率，更易引发重特大交通事故，造成严重人员伤亡和大范围交通拥堵。2018 年12 月8 日，二广高速湖南益阳段因受小雨低温天气影响，路面冰滑湿冻，接连发生4起多车相撞交通事故，共涉及23 辆车，造成8 死11伤。因此，研究不利天气条件下的交通风险对于保障公路行车安全和运营效率具有重要意义。针对气象环境的影响分析，多是基于不利天气条件下多源交通事故数据或宏观交通流数据，结合气象监测设备采集的气象数据，应用人工智能法、机器学习、随机建模法等开展。Yuan 等[19]整合了实时交通流、天气，以及自适应信号控制数据，采用贝叶斯条件逻辑回归模型研究了城市主道实时事故风险，利用机器学习提高风险模型的预测精度。徐铖铖等[20]采用Logistic 模型建立了基于交通流数据和气象数据的高速公路事故风险预测模型，将恶劣天气条件对实时事故风险的影响量化，提高实时事故风险预测精度。

针对交通环境的安全风险辨识，主要集中在不同交通组成、交通流等环境条件下，通过贝叶斯模型、Logistic回归模型、BP神经网络等，对交通冲突、交通事故风险进行主动预测。如胡立伟等[21]选取换道频次、车型比例、拥塞时长等11个风险因子，采用改进的BP神经网络，建立了城市交通拥塞环境下车辆运行风险识别模型。方雪洋[22]结合Logistic 回归模型理论，量化特征指标和相关交通冲突的关系，进而构建干线公路混合交通车速离散背景下的交通冲突预测模型。

复杂环境因素影响下的交通安全风险辨识已成为提升交通安全性的理论研究热点和实践难题。不利天气条件、交通环境与交通事故之间存在复杂、动态的影响关系，且受到时间、地域差异影响，其特征参数、模型形式及作用强度或方向具有不确定性，这限制了研究成果的精度提升和移植应用。不利天气条件、混合复杂交通环境下的实际数据采集也制约了交通安全风险的有效甄别。研究环境因素对交通安全的微观影响机理及动态变化过程，探索基础模型的时空随动机制，有助于进一步提升风险识别精度和实践应用价值。

1.5 多因素耦合风险辨识

风险耦合指的是系统活动过程中一类个别风险的发生及其影响力依赖于其他风险的程度和影响其他风险发生及影响力的程度，这种风险间的依赖和影响关系称之为风险耦合[23]。道路交通安全事故的产生是涉及“人、车、路、环境”等多要素风险源耦合的复杂动态过程，事故的发生往往是多个要素共同作用影响下的结果，因此交通安全风险辨识不仅需要针对单要素的风险辨识，还需要考虑驾驶人-车辆、驾驶人-车辆-环境，或驾驶人-车辆-道路等多要素之间的耦合关联分析。

Abdel-Aty 等[24]基于某地主干道事故数据，采用负二项建模技术，对年平均日交通量、水平弯度、车道、路肩及人口学特征（年龄和性别）等因素对事故发生频率的影响作了研究。张树林等[25]分析事故风险子系统内和子系统间各因素耦合关系，应用非线性动力学原理，构建重特大交通事故人-车-路风险耦合模型。Wu等[26]综合考虑经济发展、人口特征及道路网络等27个潜在影响因素，运用梯度提升决策树模型，定量评价各宏观因素对道路交通事故各指标的影响作用。

另外，交通事故严重程度研究主要围绕影响因素展开，也是综合考虑多因素影响下的交通安全风险辨识研究的表征之一。分析方法主要分为离散选择模型（如Logistic 模型、probit 模型等）和数据挖掘方法[27]，进行不同因素组合下的交通事故致因分析，探究交通事故严重程度影响因素及作用机理，以降低事故危害性。郭璘等[28]基于手机APP采集的事故数据，建立改进的K-means聚类算法，分析交通事故时间、空间特征，对引发交通事故的多因素进行辨识。袁振洲等[29]利用XGB-Apriori 算法提取老年行人交通事故的内在机理，对老年行人交通事故进行风险识别和严重程度预测研究。

根据研究需求，学者们综合人、车、路、环境等要素数据，对影响道路交通安全的风险开展多维度辨识。多因素耦合条件下的风险识别更具科学性、综合性优势，有助于发现影响交通安全的各风险因素间相互影响、相互作用的规律，挖掘引发交通事故的内在因素及作用机理，有利于及时有效预防和控制风险隐患，将是未来热点研究方向。但由于数据可得性、可用性等的限制，多源数据多因素耦合作用下的风险辨识研究成果及实际应用相对较少，针对风险因素的耦合作用机理及耦合度量方面的理论研究有待进一步完善，且以往的研究多是建立在交通事故、交通流数据等基础上的事后分析和评价，而对事前多因素安全风险的定量判别不足。

2 道路交通安全风险辨识分析方法

为提高道路交通安全风险辨识的系统性、全面性，国内外学者进行了深入研究，形成了一系列具有不同特点和适用范围的分析方法，应用较为广泛的有安全风险理论分析法、系统安全分析法、大数据与人工智能分析方法等。

2.1 安全风险理论分析法

道路交通安全风险分析研究所应用的主要理论基础为安全风险理论。安全风险理论分析法的基本思想是通过缜密地辨识系统中各种潜在的危险源，并且科学地分析危险源的安全风险水平，达到了解、掌握风险的目的，然后采取有效的控制措施，消除或降低危险源的风险，将系统的安全风险水平控制在可接受范围之内，从而实现系统安全的目标。将安全风险理论与交通理论相结合首先出现在铁路与航空交通领域，随后进入了道路交通领域。如20世纪60 年代，美国空军第一次提出了“弹道导弹系统安全工程”，制定了军标MIL-STD-882B“系统安全程序要求”。日本铁道技术研究所组织了一批经验丰富的安全技术专家，于1996 年制定了《列车安全控制系统的安全性技术指南》，用于评估各铁路公司的列控系统设备等[30]。

中国开展系统安全风险理论的研究及应用工作起步较晚，早期文献很少。陈庚等[31]运用风险理论分别从人、车、路和环境等方面对道路交通风险进行了分类辨识，并针对风险辨识的结果提出简要的风险减缓措施。赵学刚[32]应用交通安全风险、系统控制和管理控制等理论，构建城市道路交通安全综合风险控制系统，进一步拓展了安全风险理论分析法应用的综合性和全面性。张树林[1]运用风险管理理论，从时间、专业、逻辑3 个维度对“营运驾驶人、不良驾驶行为、‘人-车-路-环境’耦合”的风险源识别等进行系统设计，进一步促进了多因素风险的动态、全程防控。

道路交通安全与风险理论的结合为道路交通安全风险的进一步深入研究奠定了理论基础，在建立交通安全风险防控一体化体系等方面得到广泛应用，有助于对交通安全风险进行系统、全面的梳理，细化具体风险源。但由于其仅是定性的理论分析的局限性，学者们通常在应用风险理论进行风险系统层次划分的基础上，结合其他方法或模型进行定量的风险识别分析，或用于构建交通安全综合风险预警、防控系统的基础。

2.2 系统安全分析法

系统安全分析方法种类较多，在煤矿生产、化工生产、建筑施工等领域得到广泛应用并取得显著成果，在交通安全领域应用较为广泛的方法主要有专家经验分析法、因果分析图法、事故树分析法（fault tree analysis,FTA）等。

2.2.1 专家经验分析法

专家经验分析法主要以危险与可操作性分析法（hazard and operability analysis,HAZOP）、预先危险性分析法（piminary hazard analysis,PHA）为代表。

危险与可操作性分析法起源于化工装置的危险性分析，主要适用于连续性生产系统的安全分析与控制，此方法结构化程度较高，具有系统化的辨识流程，但不适用于复杂控制系统的安全风险识别[33]。预先危险性分析法是1种应用较为广泛的定性评价方法，是对系统存在的各种危险因素的类别、分布、出现条件和事故可能的后果进行初步分析的1种分析方法，一般用于项目发展的初期阶段，避免因考虑不周造成损失，但不足之处是对于潜在的安全问题无经验可以借鉴[34]。李丽芬[35]依据风险理论，应用安全检查表法和预先危险性分析法对道路交通风险进行定性分类、等级划分。张亚东[30]围绕高速铁路列车运行控制系统安全风险辨识及分析的关键问题，基于故障树和事件树的概率安全风险分析方法，结合HAZOP技术展开研究。

专家经验分析法有利于充分发挥集体的经验和智慧优势，较适用于系统设计、生产等领域，对于缺乏历史事故数据的新系统的安全风险辨识同样适用。但整个分析过程需有1 个系统的规则、按一定的程序进行，易受分析人员的认知、经验、态度等主观因素的影响较大，导致分析结果的不准确、不全面、不客观。

2.2.2 因果分析图法

因果分析图由于其形状如鱼骨，也称鱼骨图，是将事故发生原因进行归纳、分析，并用简明的文字和线条罗列，分类、分层进行分析的过程。但此方法属于定性分析方法，不能进行严格的逻辑推理和数学定量计算，在实际应用中，常结合层次分析法等展开研究，以实现定量与定性分析相结合的目的。许海华[36]将因果分析图和层次分析法相结合，应用于翻车事故成因研究分析。

因果分析图常用于交通事故成因分析，具有直观、逻辑性强、因果关系明确等特点，但存在只能定性分析的不足，不能进行严格的逻辑推理和数学定量计算，需与其他定量分析方法（层次分析法最为常用）相结合。

2.2.3 事故树分析法

事故树分析法又被称为故障树分析法，是由结果分析原因的逆向逻辑推理过程，是1 种应用领域较为广泛的系统安全分析方法。孟祥海[37]依据多事件链原理，应用故障树方法来建立山区高速公路伤亡事故的成因分析模型，用以确定各种可能的事故发生途经及概率。郑来等[38]融合T-S 模糊故障树与贝叶斯网络的方法，提高了重特大交通事故成因分析结果的准确性和可靠性。事故树分析法逻辑性强，定性与定量相结合，可与其他多种方法结合应用，具有广泛适用性。但传统事故树分析法存在事件概率易被处理成精确值、事件状态描述简单等问题。

综合来看，系统安全分析法以定性分析为主，多应用于对轨道交通、化工、煤矿行业等建设、运营、安全生产及管理方面的安全风险辨识，在交通安全风险分析领域常用方法主要有事故树法、因果分析图法、预先危险性分析法等。由于交通事故的发生是多因素影响的动态复杂过程，而大部分传统分析方法存在只能定性分析、单点识别等局限性，现有研究多以此为基础设计改进的方法进行深入研究。如在事故树分析法基础上引入贝叶斯模型、模糊理论等，克服传统事故树逻辑关系不准确、事故概率数据获取难度大等缺陷；或多种方法相结合实现优势互补，如事件树和事故树方法、因果分析法与层次分析法的结合，在宏观分析的基础上向微观的定量分析方向拓展，进一步提升分析精度。

2.3 大数据与人工智能分析方法

随着大数据分析和人工智能技术的发展，传统的定性或定性定量结合的分析方法已无法满足更精细化的交通风险防控要求，应用基于更加丰富、综合的交通信息数据的数据挖掘及机器学习等方法来识别分析交通安全风险日益得到重视。

2.3.1 文本数据挖掘分析方法

文本数据挖掘方法可从海量文本数据中获取更多潜在的有价值的信息，有助于提高信息识别精度和节省信息处理时间，文本数据挖掘方法包括信息抽取、自然语言处理等技术，是当前的研究热点。交通事故报告主要是对事故发生过程、事故结果、参与方及责任认定等信息进行解读描述，而目前对道路交通事故报告等文本数据中的风险源辨识基本为人工识别，工作量较大且易受主观判断影响。由于当前缺少综合感应设备提取交通事故的全部结构化数据，而道路交通事故报告等非结构化数据信息相对较为完善和全面，因此文本数据挖掘方法为提取和挖掘交通事故等文本报告中的潜在价值提供了有力支持。

罗文慧等[39]从道路运输安全事故历史文本挖掘的角度出发，提出1 种能够自动辨识道路运输过程中安全风险源的模型-CNN 道路运输安全风险源辨识模型。程宇航等[40]在用户字典模式对文本数据分词的基础上，使用Word2vec结合Sigmoid激活函数，构建交通安全事故词向量模型，对交通行业安全事故关键词进行分类提取，并利用Gephi及Neo4j对特征关键词进行可视化分析以及致因主题总结，对事故时空特征及致因关键因素进行深入挖掘。

基于交通事故历史文本数据的风险分析模型可对事故报告内含有的风险源因素进行高效提取，有助于弥补宏观交通事故数据只能表达交通安全状况发展趋势、难以刻画具体交通安全特征的不足之处，解决交通事故致因分析、风险辨识不全等问题。但非结构化信息的提取需要对应事故信息的标准化描述，依赖样本数量的程度较高，模型结果的优劣和文本预处理的关联性较大，在专业术语和字典、文本数据的积累等方面普遍存在不足之处。

2.3.2 多源动态驾驶数据融合与分析方法

多源动态驾驶数据融合与分析方法主要是综合驾驶人因素、车辆行驶状态、道路通行环境等各类信息，对车辆在行驶过程中可能出现的安全风险进行检测、分析和识别预警，应用较为广泛的模型如安全距离模型、神经网络、深度学习算法等，以提前识别和控制行车过程中的风险。

传统的分析方法主要基于单一因素（车间安全距离、车道偏离等），通过分析相邻车辆运行状态下的安全行车距离或时距，判断行车过程中潜在的碰撞风险，如行车安全距离模型。行车安全距离模型是利用车间的相对位置关系推导出安全车距或时距，使得车辆在保证一定通行效率的前提下不出现追尾等危险事件。Vogel[41]基于车间时距模型研究了不同交通流密度下的驾驶风险态势，进而对现有模型的不足之处进行了展望。潘勇等[42]考虑驾驶人驾驶特性以及路面附着特性，建立了车车协同下的车辆纵向避撞系统的安全距离模型，提高车辆纵向避撞系统的性能。安全距离模型有利于在行车过程中降低追尾碰撞事故风险，同时保证道路通行能力，但存在关键参数难以获取、主要适用于单方位的汽车冲突风险辨识等问题，且对驾驶员状态、道路交通环境及车况等因素的统筹考虑有所欠缺，应用交通场景尚显单一。

随着车路协同技术的不断发展，车车、车路动态实时信息交互得以实现，信息融合和态势评估的相关理论与方法被引入到基于“人-车-路”多源信息的行车冲突风险辨识研究中，支持向量机、神经网络等机器学习算法，以及在神经网络基础上延伸出的深度学习算法（如卷积神经网络、循环神经网络）等人工智能技术的应用，为准确判断行车安全状态、识别车辆运行过程中的风险提供了条件。Katrakazas等[43]在交互感知运动模型和动态贝叶斯网络的联合框架下，提出1 种将网络级碰撞估计与车辆实时风险判断相结合的风险评估体系，实现对碰撞概率的实时预测。赵玮等[44]建立了深度置信网络向量机（DBN-SVM）算法与分类分析方法的新型危险变道量化判别模型，以解决车辆变道过程不可被量化分析及准确判别的问题。基于多源信息的危险态势感知，能综合考虑多项行车安全影响因素进行分析，有效辅助驾驶系统安全。与传统单一因素判别行车安全风险相比，应用的交通场景更为丰富，但存在推理过程复杂且计算量较大、实时性易受影响等问题。为了平衡模型表现与运算速度，极限梯度提升（eXtreme gradient boosting，XGBoost）、轻量梯度提升（light gradient boosting machine，LightGBM）等集成算法相继被提出及应用，如Shi等[45]设计了1种驾驶行为特征提取和选择的算法，利用XGBoost 算法建立行为特征与相应风险水平之间的关联，更加有效地评估车辆驾驶水平和预测风险水平。

综上所述，基于实时交通数据信息或历史文本数据的大数据与人工智能分析方法，有利于实现对交通安全风险的动态、全程识别，分析结果较为准确、客观，是当前较为主流的研究方向。文本数据挖掘技术为利用非结构化数据进行事故风险和致因研究提供了支撑，解决了传统事故分析中数据格式局限性的问题。但此方法还普遍存在易受文本信息结构、特征属性界定、字典库全面性等因素影响的问题。多源动态驾驶数据融合与分析方法促进了车辆主、被动安全技术的有机结合，特别是车路协同环境下的危险态势感知，是电子信息、人工智能等技术的整合应用。而深度学习、神经网络等机器学习算法除了在车路协同场景下的应用，其在路面病害及湿滑状态智能识别、交通流运行风险评估等道路交通安全风险、事故预测方面也有着广泛的应用。但此类方法分析过程需要基础数据的完备性，数学模型建立过程复杂，且单一算法难以兼顾事故多属性间的关联耦合分析和权重合理分配，充分结合不同算法的优势以提高风险识别、预判的精准性成为热点。智能化、集成化、复杂化将是未来交通运行风险识别发展方向，综合运用机器学习、人工智能、无线传感网等多学科交叉融合的先进技术值得关注。

3 研究展望

在道路交通安全风险辨识分析方法研究方面，随着新技术的发展和应用，安全风险理论分析法、系统安全分析法等宏观、定性分析方法已无法满足当前研究深度和精度的需要，因此目前此类理论分析方法的研究热度有所下降，在道路交通安全风险分析领域的实际应用也相对较少。而以多源异构数据采集与融合为基础的大数据与人工智能分析方法逐渐成为研究热点和关注方向，而这也正是交通安全风险分析从宏观、横向研究发展到微观、纵向分析的过程体现。

对于道路交通安全风险要素辨识，已有研究多集中于特定场景或单一要素下的风险辨识分析，而实际混合道路网络下，多因素耦合对交通事故的发生会产生复杂的影响和作用，进一步探索多因素耦合、多情境影响下的事故风险特征及规律，预估交通安全变化态势，以实现交通安全风险的早期预判预测成为当前道路交通安全风险辨识的热点研究方向。计算机技术、人工智能相关技术，以及交通安全理论与方法等多学科的交叉融合运用可有效提升交通安全风险分析研究的深度和精度。

虽然以往研究已经取得了较为显著的成果，但在以下方面仍需进一步深入研究。

1）多源异构数据的动态采集与融合。多源异构交通信息的采集与处理是风险辨识分析的基础，现阶段交通信息采集受到部门间信息壁垒、共享机制缺失的限制，制约了交通信息数据的融合和利用。另外，目前数据采集多基于仿真或模拟情境，而实际混合道路网络下的泛在性信息采集也是一大难点。突破传统数据感知方式的主观性、片面性、维度单一等制约，促进道路条件、交通条件、设施设置与驾驶行为数据的同步互联，实现交通信息种类及来源不断丰富、交通数据源融合、动态获取及更新数据等问题值得关注。未来大数据技术、区块链技术等的发展或将有效解决数据更新和应用方面的不足。

2）智能网联环境下的道路交通安全辨识。随着智能网联汽车、自动驾驶汽车的飞速发展，交通流组成由传统的单一类型车辆逐渐向多种类、多模式车辆方向发展，道路交通组成及行车环境更为复杂多样，未来研究需进一步考虑智能网联车辆与普通车辆混合交通环境下的交通安全风险识别管控。而智能网联环境下多元数据的连续采集和数据全过程感知为支撑研究提供了条件和机遇，在多源异构交通信息采集与处理的基础上，构建更符合实际交通网络下的交通参与者、车辆的交通行为特征库，以实现对交通行为特征的快速分类和识别，为预判危险驾驶行为、预警行车危险情境奠定基础，提升道路交通的整体安全性。

3）考虑时空异质性的可移植的道路交通安全风险识别模型研究。道路交通安全风险的呈现方式、特点及规律会因时间和空间差异而发生变化，精确数学模型难以刻画各因素对事故风险影响的异质性，准确度和运行效率受到限制。而随着交通数据质量的提升以及人工智能、计算机技术的逐渐成熟，探索各因素对事故风险的交互作用，随机参数建模、混合建模思想的引入将成为道路交通事故建模领域的研究热点。根据不同时空下的风险特征，明确需采集的交通信息特征和方式，探索多维度时空下的风险衡量指标及方法，构建综合风险识别预测体系，进一步促进研究成果在不同时间、空间下的迁移应用。