道路交通安全風險辨識與分析方法綜述*

寇 敏 張萌萌▲ 趙軍學 謝清民 李 鑫 張榮林

（1. 山東交通學院交通與物流工程學院 濟南 250357；2. 山東省公安廳交通管理局 濟南 250000；3. 山東高速交通建設集團股份有限公司 濟南 250101；4. 水發技術集團有限公司 濟南 250100）

0 引 言

隨著社會經濟快速發展，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性、源頭性問題不斷累積，道路交通安全形勢日益嚴峻。盡管近年來道路交通事故率、傷亡率已有所下降，但每年的事故量依然居高不下。事故的發生實際上是風險因素失控的結果。風險是某一特定危險情況發生的可能性和后果的組合，其具有客觀性、不確定性、可測性等特點，有向隱患轉變的內在邏輯，而隱患是造成事故的直接原因。風險管控的失效形成隱患，而隱患的不及時治理則將造成事故的發生。因此，及時、有效的風險識別與控制是降低道路交通事故發生概率的關鍵第一步。

為提高交通管理效率，提升交通事故預防的前瞻性、預見性、針對性及科學性，進行準確、全面、系統的道路交通安全風險辨識與分析，進而實現交通事故管理關口前移顯得尤為重要。道路交通安全風險（traffic safety risk，TSR）是指道路交通系統在將來一定時期內可能出現的不確定對象的人員傷亡或財產損失的1 種未來情景[1]。交通安全風險辨識分析是指對尚未發生的、潛在的和客觀存在的安全風險進行預測和識別，是在數據采集的基礎上，對歷史及實時交通數據進行處理分析，預測和識別未來可能出現的安全風險，是實現安全風險主動管理控制、降低交通事故風險、改善道路交通安全性的基礎和關鍵。

實現從靜態、被動的“事后”統計分析轉向動態、主動的“事前”風險識別與管控是降低交通安全風險的突破口。筆者主要對道路交通安全風險辨識研究進行綜述，梳理道路交通安全風險影響因素，歸納分析用于道路交通安全風險分析的方法或模型的研究進展、應用情況、問題與不足等，并指出未來研究發展方向。道路交通安全風險影響因素及辨識分析方法基本框架，見圖1。

圖1 道路交通安全風險影響因素及辨識分析方法框架Fig.1 Influencing factors of road traffic safety risk and identification analysis method framework

1 道路交通安全風險辨識影響因素

影響道路交通安全的風險因素繁多，可大致分為微觀和宏觀這2類。宏觀影響因素主要包括區域經濟、社會人口、路網結構等，微觀影響因素可分為駕駛人、車輛、道路、環境這4 類因素。本文主要對微觀層面影響因素的相關研究進行分析。目前國內外學者在分析各類因素對交通安全的影響時，既有針對單一因素的風險識別，也有多因素耦合情況下的分析。通過篩選細化每類影響因素中的主要風險因素，應用相關模型方法進行比較分析，實現主動識別風險、提前預警防控的目的。

1.1 駕駛人因素的風險辨識

駕駛人是影響道路交通安全的主要因素之一，其失誤或操作不當是導致道路交通事故發生的主要因素。2022 年3 月30 日、4 月11 日山東青銀高速濰坊段、濱州無棣339國道分別發生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人疲勞駕駛和分心駕駛?？梢?，駕駛人因素在交通事故中起到了決定性作用，分析駕駛人在行車過程中的風險對于提升道路交通安全尤為重要。具體來看，影響駕駛員安全駕駛的因素可分為心理因素和生理因素。

駕駛人心理過程可分為3個部分：認知過程（感覺、知覺、注意）、情感過程（情緒、情感、態度）、意志過程（人格、個性、氣質）。駕駛人心理因素對駕駛安全的影響分析，多是基于調查問卷、文獻調研等方式進行定性分析，或基于面部表情、語音、姿態等建立不良駕駛情緒判別模型。如Jones等[2]通過駕駛人與車內信息系統的語音交互，提取駕駛人聲音信號的頻率、幅度、功率譜系數等特征來識別駕駛人的高興、憤怒與悲傷等情緒。張名芳等[3]選用由生活狀態、駕駛行為、組織認同感、人格特征等要素組成的公交駕駛員心理健康狀況調查問卷，構建基于K-means聚類算法的心理疾病判別模型。

相比于心理因素，針對駕駛人生理因素（如年齡、視覺狀態、疲勞狀態等）對駕駛行為風險產生影響的辨識研究更為豐富。一部分是基于駕駛模擬器或實車小樣本測試數據等，采集視頻、心電、眼動等數據，通過圖像處理算法、競爭學習算法及機器學習算法等進行危險駕駛行為識別。黃晶等[4]通過駕駛模擬實驗，采集駕駛志愿者的心電、腦電、皮電信號等測量數據，基于置信學習的方法，對駕駛人的精神負荷進行檢測評價。馬玉珍等[5]通過采集城市軌道交通駕駛人駕駛模擬實驗中眼動特征及心電信號數據，構建支持向量機疲勞識別模型。

除了針對駕駛人生理、心理因素單一的分析，通過篩選并綜合心理與生理指標，探究不安全、不規范的不良駕駛行為（如超速行駛、酒后駕駛等），或不同群體（如女性、老年駕駛人群體等）駕駛行為與駕駛人生理、心理特征變化關系的研究也取得了一定進展。如裴玉龍等[6]綜合駕駛人眼動、心率、速度知覺等生理、心理指標，對不同酒精攝入量下駕駛人生理心理特征的變化規律進行了研究。郭鳳香等[7]通過對比分析老年與中青年駕駛人的眼動、心率變異及皮電等心理生理行為特性，研究老年駕駛群體各類駕駛行為特性的衰退情況。

隨著交通信息技術的發展，數據類型的逐漸豐富和數據規模的不斷增加，應用自然駕駛數據、車載和導航等數據，基于駕駛行為特征參數建模，對危險事件識別研究成為熱點。如Dozza 等[8]利用圖像處理算法,對自然駕駛數據中駕駛員面部視頻進行處理，以對危險駕駛行為進行分類。Sun等[9]基于結合GPS、北斗和慣性傳感器等多種數據，提出了1 種用于檢測車道級異常駕駛行為的方法。翟俊達等[10]探索在城市交叉口場景下，車輛網聯信息的存在和內容對駕駛人工作負荷和操縱行為的影響。

綜合來看，多源、實時、精確的交通數據能夠為風險駕駛行為的識別分析提供有力支持，有利于從更微觀、客觀的角度對引發交通事故的風險隱患進行深度分析和精準識別。在引發道路交通事故的因素中，駕駛人起到了關鍵性作用，且車、路、環境等其他因素對交通安全的影響大都通過作用于駕駛人后而間接引發的交通事故來體現，因此現有針對駕駛人行為特征的風險辨識分析較為豐富，且已經取得較為豐碩的成果。另外，駕駛人內在心理狀態和生理功能之間相互影響，又共同作用于駕駛人外在駕駛行為變化，因此與單純研究駕駛人生理、心理指標變化相比，通過駕駛人行為特征的變化來識別風險的研究更為科學。在駕駛行為研究中，多是以群體分類為主的危險駕駛行為辨識，隨著對微觀駕駛行為特性研究的重視，眾多學者逐漸關注到個體駕駛行為風險特征，以提升個體差異影響下的危險行為辨識精度。駕駛人狀態會隨著駕駛時間及環境的變化而變化，目前研究多是針對單一場景或特定駕駛行為下的數據采集和建模分析，在綜合考慮其他不確定性因素（如天氣、場景變化等）對分析結果的影響方面尚有欠缺，需對多源信息融合下的駕駛人狀態動態監測加以關注。

1.2 車輛因素的風險辨識

車輛因素的風險可分別從狹義（車輛自身故障風險）和廣義（車輛運行安全風險）2 個維度進行研究。從狹義車輛風險來看，車輛是交通事故的載體，機動車自身的運行狀況（安全性能、技術狀況等）是影響車輛行駛安全的重要因素，如車輛制動失效、轉向失效、照明與信號裝置失效、爆胎等風險，都會影響行車安全。對于此類靜態風險的辨識，通過車載診斷系統（on-board diagnostic，OBD）診斷接口，讀取如剎車失靈、胎壓不足和發動機負荷等機動車運行故障碼，實時監控車輛發動運行狀況及車輛工作狀態，及時發現車輛自身的隱患。隨著汽車電子及互聯網技術的發展，自動駕駛車輛發展備受關注，相比于傳統車輛，自動駕駛車輛對風險感知、邏輯決策及功能執行等方面有更高的要求。眾多學者也針對車輛故障風險展開了系統研究，如周洪亮等[11]設計了基于車載傳感器和無跡卡爾曼濾波器的容錯控制方法，可實時診斷車輛驅動系統電機故障。彭能嶺等[12]設計了1 種采用螢火蟲算法的自動駕駛車輛故障診斷系統，以應對由于車輛故障導致的車輛失控、碰撞等安全問題。

從廣義車輛風險來看，車輛在運行過程中的異?；虿话踩珷顩r將作用于駕駛人，而駕駛人在感知風險后的駕駛行為變化調整將又由車輛體現，因此通過獲取車輛運動學參數（如車輛速度、加速度、車體偏航率、轉向盤旋轉率以及制動力度等），以實現車輛安全風險的動態辨識。Kluger等[13]將離散傅里葉變換與k 均值聚類法結合，提出利用車輛縱向加速度識別危險事件的方法。王雪松等[14]基于自然駕駛數據，通過對車輛動態學參數設定閾值，從原始數據中提取可能的危險事件，用閾值法進行初步過濾后納入機器學習方法進行深度篩選。

對于車輛的安全性研究，經歷了從關注車輛耐撞性、乘員保護裝置等被動安全性能的提升，發展到與被動安全技術相輔的車輛行駛風險實時預警、主動避撞控制，是從重視被動安全到關注與被動安全結合的主動安全的演變。相比于傳統車輛，將駕駛員從駕駛過程中分離出的自動駕駛車輛的故障識別與安全性能保障仍是未來研究的熱點和重點。另外，與車輛故障風險識別研究相比，利用車輛運動學參數建立數學模型，對駕駛人、車輛等因素交互作用下的風險識別研究相對更為豐富。而未來道路交通中人工駕駛車輛和自動駕駛車輛混行，以及現存機非混行、人非混行等交通組織混亂問題等將對車輛運行過程中的風險識別與控制造成干擾，且這種不確定性和隨機性難以被準確量化、預估，這使得理論研究與實際問題解決存在一定偏差，風險識別的精度和準確度有待進一步提升。

1.3 道路因素的風險辨識

道路因素由道路幾何線形（平面線形、縱斷線形等）、交通條件（交通安全設施等）、道路結構物（橫斷面、交叉口、路面等）等因素組成。良好的道路條件對有利于預防道路交通事故的發生，而不良的道路條件對誘發道路交通事故亦有相應的影響作用。在2022 年3 月11 日青海海北州發生的1 起7 人死亡、2人受傷的較大道路交通事故中，由于長下坡連續彎道路段車輛需頻繁制動，最終導致制動失效，車輛失控。

針對道路因素的風險識別，已有研究主要集中于應用回歸分析法、層次分析法等，研究交通事故率、事故嚴重性等交通事故情況或駕駛人駕駛行為與道路要素（如平面線形、縱坡坡度、車道寬度、車道數等）之間的關系，為降低道路條件不良帶來的事故風險及優化道路設計提供借鑒和指導。如Zou等[15]研究了各種道路和障礙情景下可能發生的各種類型碰撞風險，發現設立中央分隔帶和護欄能夠降低車輛對向碰撞風險。Rusli等[16]應用隨機參數負二項模型，研究了山區公路的道路幾何線形、橫斷面、路肩等因素對單車事故的影響。

道路因素風險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系外，眾多學者在單一分析道路因素的基礎上，將交通條件、環境屬性等因素作為判別變量或影響因子，引入模糊評價法、貝葉斯模型、聚類模型（空間聚類法、Q 型聚類法）、神經網絡法等，實現對事故多發的危險路段的識別。陳昭明等[17]通過引入隨機參數建模方法，探究事故數與公路線形、路面性能間及交通特性的關系，進一步挖掘各因素對事故風險的交互影響。寧航等[18]分別使用機器學習方法和經典數學建模方法，建立了以道路線形技術指標為輸入的神經網絡模型和多元數學模型，對交通事故多發路段進行預測。

綜合來看，道路因素對交通安全的影響主要通過約束和作用于駕駛人的駕駛行為來間接體現，其風險的表征和認定較為模糊和間接，而這也是與直接分析駕駛人、車輛等因素的風險相比，道路因素的風險主動識別研究略顯單一的原因。除了影響行車安全的道路顯性缺陷（如兩側護欄缺失、路面損壞等）可以被直接發現并整改，隱性的道路風險大多需要通過交通事故情況并結合其他要素（交通量、氣候環境等）來進行辨識。而道路因素與交通事故風險及交通流特性之間的復雜關聯關系及交互作用存在明顯的時空異質性，部分道路因素（如車道數、道路橫斷面指標及路面性能等）對事故的影響效果及作用機理尚未形成統一的定論，后續仍需進一步深入探索。

1.4 環境因素的風險辨識

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

不利氣象條件不僅會降低道路通行效率，更易引發重特大交通事故，造成嚴重人員傷亡和大范圍交通擁堵。2018 年12 月8 日，二廣高速湖南益陽段因受小雨低溫天氣影響，路面冰滑濕凍，接連發生4起多車相撞交通事故，共涉及23 輛車，造成8 死11傷。因此，研究不利天氣條件下的交通風險對于保障公路行車安全和運營效率具有重要意義。針對氣象環境的影響分析，多是基于不利天氣條件下多源交通事故數據或宏觀交通流數據，結合氣象監測設備采集的氣象數據，應用人工智能法、機器學習、隨機建模法等開展。Yuan 等[19]整合了實時交通流、天氣，以及自適應信號控制數據，采用貝葉斯條件邏輯回歸模型研究了城市主道實時事故風險，利用機器學習提高風險模型的預測精度。徐鋮鋮等[20]采用Logistic 模型建立了基于交通流數據和氣象數據的高速公路事故風險預測模型，將惡劣天氣條件對實時事故風險的影響量化，提高實時事故風險預測精度。

針對交通環境的安全風險辨識，主要集中在不同交通組成、交通流等環境條件下，通過貝葉斯模型、Logistic回歸模型、BP神經網絡等，對交通沖突、交通事故風險進行主動預測。如胡立偉等[21]選取換道頻次、車型比例、擁塞時長等11個風險因子，采用改進的BP神經網絡，建立了城市交通擁塞環境下車輛運行風險識別模型。方雪洋[22]結合Logistic 回歸模型理論，量化特征指標和相關交通沖突的關系，進而構建干線公路混合交通車速離散背景下的交通沖突預測模型。

復雜環境因素影響下的交通安全風險辨識已成為提升交通安全性的理論研究熱點和實踐難題。不利天氣條件、交通環境與交通事故之間存在復雜、動態的影響關系，且受到時間、地域差異影響，其特征參數、模型形式及作用強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用。不利天氣條件、混合復雜交通環境下的實際數據采集也制約了交通安全風險的有效甄別。研究環境因素對交通安全的微觀影響機理及動態變化過程，探索基礎模型的時空隨動機制，有助于進一步提升風險識別精度和實踐應用價值。

1.5 多因素耦合風險辨識

風險耦合指的是系統活動過程中一類個別風險的發生及其影響力依賴于其他風險的程度和影響其他風險發生及影響力的程度，這種風險間的依賴和影響關系稱之為風險耦合[23]。道路交通安全事故的產生是涉及“人、車、路、環境”等多要素風險源耦合的復雜動態過程，事故的發生往往是多個要素共同作用影響下的結果，因此交通安全風險辨識不僅需要針對單要素的風險辨識，還需要考慮駕駛人-車輛、駕駛人-車輛-環境，或駕駛人-車輛-道路等多要素之間的耦合關聯分析。

Abdel-Aty 等[24]基于某地主干道事故數據，采用負二項建模技術，對年平均日交通量、水平彎度、車道、路肩及人口學特征（年齡和性別）等因素對事故發生頻率的影響作了研究。張樹林等[25]分析事故風險子系統內和子系統間各因素耦合關系，應用非線性動力學原理，構建重特大交通事故人-車-路風險耦合模型。Wu等[26]綜合考慮經濟發展、人口特征及道路網絡等27個潛在影響因素，運用梯度提升決策樹模型，定量評價各宏觀因素對道路交通事故各指標的影響作用。

另外，交通事故嚴重程度研究主要圍繞影響因素展開，也是綜合考慮多因素影響下的交通安全風險辨識研究的表征之一。分析方法主要分為離散選擇模型（如Logistic 模型、probit 模型等）和數據挖掘方法[27]，進行不同因素組合下的交通事故致因分析，探究交通事故嚴重程度影響因素及作用機理，以降低事故危害性。郭璘等[28]基于手機APP采集的事故數據，建立改進的K-means聚類算法，分析交通事故時間、空間特征，對引發交通事故的多因素進行辨識。袁振洲等[29]利用XGB-Apriori 算法提取老年行人交通事故的內在機理，對老年行人交通事故進行風險識別和嚴重程度預測研究。

根據研究需求，學者們綜合人、車、路、環境等要素數據，對影響道路交通安全的風險開展多維度辨識。多因素耦合條件下的風險識別更具科學性、綜合性優勢，有助于發現影響交通安全的各風險因素間相互影響、相互作用的規律，挖掘引發交通事故的內在因素及作用機理，有利于及時有效預防和控制風險隱患，將是未來熱點研究方向。但由于數據可得性、可用性等的限制，多源數據多因素耦合作用下的風險辨識研究成果及實際應用相對較少，針對風險因素的耦合作用機理及耦合度量方面的理論研究有待進一步完善，且以往的研究多是建立在交通事故、交通流數據等基礎上的事后分析和評價，而對事前多因素安全風險的定量判別不足。

2 道路交通安全風險辨識分析方法

為提高道路交通安全風險辨識的系統性、全面性，國內外學者進行了深入研究，形成了一系列具有不同特點和適用范圍的分析方法，應用較為廣泛的有安全風險理論分析法、系統安全分析法、大數據與人工智能分析方法等。

2.1 安全風險理論分析法

道路交通安全風險分析研究所應用的主要理論基礎為安全風險理論。安全風險理論分析法的基本思想是通過縝密地辨識系統中各種潛在的危險源，并且科學地分析危險源的安全風險水平，達到了解、掌握風險的目的，然后采取有效的控制措施，消除或降低危險源的風險，將系統的安全風險水平控制在可接受范圍之內，從而實現系統安全的目標。將安全風險理論與交通理論相結合首先出現在鐵路與航空交通領域，隨后進入了道路交通領域。如20世紀60 年代，美國空軍第一次提出了“彈道導彈系統安全工程”，制定了軍標MIL-STD-882B“系統安全程序要求”。日本鐵道技術研究所組織了一批經驗豐富的安全技術專家，于1996 年制定了《列車安全控制系統的安全性技術指南》，用于評估各鐵路公司的列控系統設備等[30]。

中國開展系統安全風險理論的研究及應用工作起步較晚，早期文獻很少。陳庚等[31]運用風險理論分別從人、車、路和環境等方面對道路交通風險進行了分類辨識，并針對風險辨識的結果提出簡要的風險減緩措施。趙學剛[32]應用交通安全風險、系統控制和管理控制等理論，構建城市道路交通安全綜合風險控制系統，進一步拓展了安全風險理論分析法應用的綜合性和全面性。張樹林[1]運用風險管理理論，從時間、專業、邏輯3 個維度對“營運駕駛人、不良駕駛行為、‘人-車-路-環境’耦合”的風險源識別等進行系統設計，進一步促進了多因素風險的動態、全程防控。

道路交通安全與風險理論的結合為道路交通安全風險的進一步深入研究奠定了理論基礎，在建立交通安全風險防控一體化體系等方面得到廣泛應用，有助于對交通安全風險進行系統、全面的梳理，細化具體風險源。但由于其僅是定性的理論分析的局限性，學者們通常在應用風險理論進行風險系統層次劃分的基礎上，結合其他方法或模型進行定量的風險識別分析，或用于構建交通安全綜合風險預警、防控系統的基礎。

2.2 系統安全分析法

系統安全分析方法種類較多，在煤礦生產、化工生產、建筑施工等領域得到廣泛應用并取得顯著成果，在交通安全領域應用較為廣泛的方法主要有專家經驗分析法、因果分析圖法、事故樹分析法（fault tree analysis,FTA）等。

2.2.1 專家經驗分析法

專家經驗分析法主要以危險與可操作性分析法（hazard and operability analysis,HAZOP）、預先危險性分析法（piminary hazard analysis,PHA）為代表。

危險與可操作性分析法起源于化工裝置的危險性分析，主要適用于連續性生產系統的安全分析與控制，此方法結構化程度較高，具有系統化的辨識流程，但不適用于復雜控制系統的安全風險識別[33]。預先危險性分析法是1種應用較為廣泛的定性評價方法，是對系統存在的各種危險因素的類別、分布、出現條件和事故可能的后果進行初步分析的1種分析方法，一般用于項目發展的初期階段，避免因考慮不周造成損失，但不足之處是對于潛在的安全問題無經驗可以借鑒[34]。李麗芬[35]依據風險理論，應用安全檢查表法和預先危險性分析法對道路交通風險進行定性分類、等級劃分。張亞東[30]圍繞高速鐵路列車運行控制系統安全風險辨識及分析的關鍵問題，基于故障樹和事件樹的概率安全風險分析方法，結合HAZOP技術展開研究。

專家經驗分析法有利于充分發揮集體的經驗和智慧優勢，較適用于系統設計、生產等領域，對于缺乏歷史事故數據的新系統的安全風險辨識同樣適用。但整個分析過程需有1 個系統的規則、按一定的程序進行，易受分析人員的認知、經驗、態度等主觀因素的影響較大，導致分析結果的不準確、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骨，也稱魚骨圖，是將事故發生原因進行歸納、分析，并用簡明的文字和線條羅列，分類、分層進行分析的過程。但此方法屬于定性分析方法，不能進行嚴格的邏輯推理和數學定量計算，在實際應用中，常結合層次分析法等展開研究，以實現定量與定性分析相結合的目的。許海華[36]將因果分析圖和層次分析法相結合，應用于翻車事故成因研究分析。

因果分析圖常用于交通事故成因分析，具有直觀、邏輯性強、因果關系明確等特點，但存在只能定性分析的不足，不能進行嚴格的邏輯推理和數學定量計算，需與其他定量分析方法（層次分析法最為常用）相結合。

2.2.3 事故樹分析法

事故樹分析法又被稱為故障樹分析法，是由結果分析原因的逆向邏輯推理過程，是1 種應用領域較為廣泛的系統安全分析方法。孟祥海[37]依據多事件鏈原理，應用故障樹方法來建立山區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生途經及概率。鄭來等[38]融合T-S 模糊故障樹與貝葉斯網絡的方法，提高了重特大交通事故成因分析結果的準確性和可靠性。事故樹分析法邏輯性強，定性與定量相結合，可與其他多種方法結合應用，具有廣泛適用性。但傳統事故樹分析法存在事件概率易被處理成精確值、事件狀態描述簡單等問題。

綜合來看，系統安全分析法以定性分析為主，多應用于對軌道交通、化工、煤礦行業等建設、運營、安全生產及管理方面的安全風險辨識，在交通安全風險分析領域常用方法主要有事故樹法、因果分析圖法、預先危險性分析法等。由于交通事故的發生是多因素影響的動態復雜過程，而大部分傳統分析方法存在只能定性分析、單點識別等局限性，現有研究多以此為基礎設計改進的方法進行深入研究。如在事故樹分析法基礎上引入貝葉斯模型、模糊理論等，克服傳統事故樹邏輯關系不準確、事故概率數據獲取難度大等缺陷；或多種方法相結合實現優勢互補，如事件樹和事故樹方法、因果分析法與層次分析法的結合，在宏觀分析的基礎上向微觀的定量分析方向拓展，進一步提升分析精度。

2.3 大數據與人工智能分析方法

隨著大數據分析和人工智能技術的發展，傳統的定性或定性定量結合的分析方法已無法滿足更精細化的交通風險防控要求，應用基于更加豐富、綜合的交通信息數據的數據挖掘及機器學習等方法來識別分析交通安全風險日益得到重視。

2.3.1 文本數據挖掘分析方法

文本數據挖掘方法可從海量文本數據中獲取更多潛在的有價值的信息，有助于提高信息識別精度和節省信息處理時間，文本數據挖掘方法包括信息抽取、自然語言處理等技術，是當前的研究熱點。交通事故報告主要是對事故發生過程、事故結果、參與方及責任認定等信息進行解讀描述，而目前對道路交通事故報告等文本數據中的風險源辨識基本為人工識別，工作量較大且易受主觀判斷影響。由于當前缺少綜合感應設備提取交通事故的全部結構化數據，而道路交通事故報告等非結構化數據信息相對較為完善和全面，因此文本數據挖掘方法為提取和挖掘交通事故等文本報告中的潛在價值提供了有力支持。

羅文慧等[39]從道路運輸安全事故歷史文本挖掘的角度出發，提出1 種能夠自動辨識道路運輸過程中安全風險源的模型-CNN 道路運輸安全風險源辨識模型。程宇航等[40]在用戶字典模式對文本數據分詞的基礎上，使用Word2vec結合Sigmoid激活函數，構建交通安全事故詞向量模型，對交通行業安全事故關鍵詞進行分類提取，并利用Gephi及Neo4j對特征關鍵詞進行可視化分析以及致因主題總結，對事故時空特征及致因關鍵因素進行深入挖掘。

基于交通事故歷史文本數據的風險分析模型可對事故報告內含有的風險源因素進行高效提取，有助于彌補宏觀交通事故數據只能表達交通安全狀況發展趨勢、難以刻畫具體交通安全特征的不足之處，解決交通事故致因分析、風險辨識不全等問題。但非結構化信息的提取需要對應事故信息的標準化描述，依賴樣本數量的程度較高，模型結果的優劣和文本預處理的關聯性較大，在專業術語和字典、文本數據的積累等方面普遍存在不足之處。

2.3.2 多源動態駕駛數據融合與分析方法

多源動態駕駛數據融合與分析方法主要是綜合駕駛人因素、車輛行駛狀態、道路通行環境等各類信息，對車輛在行駛過程中可能出現的安全風險進行檢測、分析和識別預警，應用較為廣泛的模型如安全距離模型、神經網絡、深度學習算法等，以提前識別和控制行車過程中的風險。

傳統的分析方法主要基于單一因素（車間安全距離、車道偏離等），通過分析相鄰車輛運行狀態下的安全行車距離或時距，判斷行車過程中潛在的碰撞風險，如行車安全距離模型。行車安全距離模型是利用車間的相對位置關系推導出安全車距或時距，使得車輛在保證一定通行效率的前提下不出現追尾等危險事件。Vogel[41]基于車間時距模型研究了不同交通流密度下的駕駛風險態勢，進而對現有模型的不足之處進行了展望。潘勇等[42]考慮駕駛人駕駛特性以及路面附著特性，建立了車車協同下的車輛縱向避撞系統的安全距離模型，提高車輛縱向避撞系統的性能。安全距離模型有利于在行車過程中降低追尾碰撞事故風險，同時保證道路通行能力，但存在關鍵參數難以獲取、主要適用于單方位的汽車沖突風險辨識等問題，且對駕駛員狀態、道路交通環境及車況等因素的統籌考慮有所欠缺，應用交通場景尚顯單一。

隨著車路協同技術的不斷發展，車車、車路動態實時信息交互得以實現，信息融合和態勢評估的相關理論與方法被引入到基于“人-車-路”多源信息的行車沖突風險辨識研究中，支持向量機、神經網絡等機器學習算法，以及在神經網絡基礎上延伸出的深度學習算法（如卷積神經網絡、循環神經網絡）等人工智能技術的應用，為準確判斷行車安全狀態、識別車輛運行過程中的風險提供了條件。Katrakazas等[43]在交互感知運動模型和動態貝葉斯網絡的聯合框架下，提出1 種將網絡級碰撞估計與車輛實時風險判斷相結合的風險評估體系，實現對碰撞概率的實時預測。趙瑋等[44]建立了深度置信網絡向量機（DBN-SVM）算法與分類分析方法的新型危險變道量化判別模型，以解決車輛變道過程不可被量化分析及準確判別的問題?；诙嘣葱畔⒌奈ｋU態勢感知，能綜合考慮多項行車安全影響因素進行分析，有效輔助駕駛系統安全。與傳統單一因素判別行車安全風險相比，應用的交通場景更為豐富，但存在推理過程復雜且計算量較大、實時性易受影響等問題。為了平衡模型表現與運算速度，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用，如Shi等[45]設計了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風險水平之間的關聯，更加有效地評估車輛駕駛水平和預測風險水平。

綜上所述，基于實時交通數據信息或歷史文本數據的大數據與人工智能分析方法，有利于實現對交通安全風險的動態、全程識別，分析結果較為準確、客觀，是當前較為主流的研究方向。文本數據挖掘技術為利用非結構化數據進行事故風險和致因研究提供了支撐，解決了傳統事故分析中數據格式局限性的問題。但此方法還普遍存在易受文本信息結構、特征屬性界定、字典庫全面性等因素影響的問題。多源動態駕駛數據融合與分析方法促進了車輛主、被動安全技術的有機結合，特別是車路協同環境下的危險態勢感知，是電子信息、人工智能等技術的整合應用。而深度學習、神經網絡等機器學習算法除了在車路協同場景下的應用，其在路面病害及濕滑狀態智能識別、交通流運行風險評估等道路交通安全風險、事故預測方面也有著廣泛的應用。但此類方法分析過程需要基礎數據的完備性，數學模型建立過程復雜，且單一算法難以兼顧事故多屬性間的關聯耦合分析和權重合理分配，充分結合不同算法的優勢以提高風險識別、預判的精準性成為熱點。智能化、集成化、復雜化將是未來交通運行風險識別發展方向，綜合運用機器學習、人工智能、無線傳感網等多學科交叉融合的先進技術值得關注。

3 研究展望

在道路交通安全風險辨識分析方法研究方面，隨著新技術的發展和應用，安全風險理論分析法、系統安全分析法等宏觀、定性分析方法已無法滿足當前研究深度和精度的需要，因此目前此類理論分析方法的研究熱度有所下降，在道路交通安全風險分析領域的實際應用也相對較少。而以多源異構數據采集與融合為基礎的大數據與人工智能分析方法逐漸成為研究熱點和關注方向，而這也正是交通安全風險分析從宏觀、橫向研究發展到微觀、縱向分析的過程體現。

對于道路交通安全風險要素辨識，已有研究多集中于特定場景或單一要素下的風險辨識分析，而實際混合道路網絡下，多因素耦合對交通事故的發生會產生復雜的影響和作用，進一步探索多因素耦合、多情境影響下的事故風險特征及規律，預估交通安全變化態勢，以實現交通安全風險的早期預判預測成為當前道路交通安全風險辨識的熱點研究方向。計算機技術、人工智能相關技術，以及交通安全理論與方法等多學科的交叉融合運用可有效提升交通安全風險分析研究的深度和精度。

雖然以往研究已經取得了較為顯著的成果，但在以下方面仍需進一步深入研究。

1）多源異構數據的動態采集與融合。多源異構交通信息的采集與處理是風險辨識分析的基礎，現階段交通信息采集受到部門間信息壁壘、共享機制缺失的限制，制約了交通信息數據的融合和利用。另外，目前數據采集多基于仿真或模擬情境，而實際混合道路網絡下的泛在性信息采集也是一大難點。突破傳統數據感知方式的主觀性、片面性、維度單一等制約，促進道路條件、交通條件、設施設置與駕駛行為數據的同步互聯，實現交通信息種類及來源不斷豐富、交通數據源融合、動態獲取及更新數據等問題值得關注。未來大數據技術、區塊鏈技術等的發展或將有效解決數據更新和應用方面的不足。

2）智能網聯環境下的道路交通安全辨識。隨著智能網聯汽車、自動駕駛汽車的飛速發展，交通流組成由傳統的單一類型車輛逐漸向多種類、多模式車輛方向發展，道路交通組成及行車環境更為復雜多樣，未來研究需進一步考慮智能網聯車輛與普通車輛混合交通環境下的交通安全風險識別管控。而智能網聯環境下多元數據的連續采集和數據全過程感知為支撐研究提供了條件和機遇，在多源異構交通信息采集與處理的基礎上，構建更符合實際交通網絡下的交通參與者、車輛的交通行為特征庫，以實現對交通行為特征的快速分類和識別，為預判危險駕駛行為、預警行車危險情境奠定基礎，提升道路交通的整體安全性。

3）考慮時空異質性的可移植的道路交通安全風險識別模型研究。道路交通安全風險的呈現方式、特點及規律會因時間和空間差異而發生變化，精確數學模型難以刻畫各因素對事故風險影響的異質性，準確度和運行效率受到限制。而隨著交通數據質量的提升以及人工智能、計算機技術的逐漸成熟，探索各因素對事故風險的交互作用，隨機參數建模、混合建模思想的引入將成為道路交通事故建模領域的研究熱點。根據不同時空下的風險特征，明確需采集的交通信息特征和方式，探索多維度時空下的風險衡量指標及方法，構建綜合風險識別預測體系，進一步促進研究成果在不同時間、空間下的遷移應用。

4 結束語

本文對道路交通安全風險辨識研究對象、分析方法進行了詳細的闡述和分析。研究對象主要包括駕駛人、車輛、道路、環境等單要素風險及多要素間的耦合風險。分析方法包括以定性分析為主的安全風險理論分析法、系統安全分析法，以及基于多源信息融合的文本數據挖掘分析方法、動態駕駛數據分析等大數據與人工智能方法。

道路交通安全風險辨識是實現交通安全風險防控的第一步，要注重在實踐中檢驗風險識別結果對改善交通安全性的實際作用，動態調整交通安全管理措施及技術，實現從風險辨識-風險分析-風險控制的全流程閉環管理，實現主動預防交通事故，提升交通安全。