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、源頭性問題不斷累積，道路交通安全形勢日益嚴(yán)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(fā)生實(shí)際上是風(fēng)險因素失控的結(jié)果。風(fēng)險是某一特定危險情況發(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(fā)生。因此，及時、有效的風(fēng)險識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)見性、針對性及科學(xué)性，進(jìn)行準(zhǔn)確、全面、系統(tǒng)的道路交通安全風(fēng)險辨識與分析，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（traffic safety risk，TSR）是指道路交通系統(tǒng)在將來一定時期內(nèi)可能出現(xiàn)的不確定對象的人員傷亡或財產(chǎn)損失的1 種未來情景[1]。交通安全風(fēng)險辨識分析是指對尚未發(fā)生的、潛在的和客觀存在的安全風(fēng)險進(jìn)行預(yù)測和識別，是在數(shù)據(jù)采集的基礎(chǔ)上，對歷史及實(shí)時交通數(shù)據(jù)進(jìn)行處理分析，預(yù)測和識別未來可能出現(xiàn)的安全風(fēng)險，是實(shí)現(xiàn)安全風(fēng)險主動管理控制、降低交通事故風(fēng)險、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)、被動的“事后”統(tǒng)計分析轉(zhuǎn)向動態(tài)、主動的“事前”風(fēng)險識別與管控是降低交通安全風(fēng)險的突破口。筆者主要對道路交通安全風(fēng)險辨識研究進(jìn)行綜述，梳理道路交通安全風(fēng)險影響因素，歸納分析用于道路交通安全風(fēng)險分析的方法或模型的研究進(jìn)展、應(yīng)用情況、問題與不足等，并指出未來研究發(fā)展方向。道路交通安全風(fēng)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(fēng)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(fēng)險辨識影響因素

影響道路交通安全的風(fēng)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(qū)域經(jīng)濟(jì)、社會人口、路網(wǎng)結(jié)構(gòu)等，微觀影響因素可分為駕駛?cè)恕④囕v、道路、環(huán)境這4 類因素。本文主要對微觀層面影響因素的相關(guān)研究進(jìn)行分析。目前國內(nèi)外學(xué)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(fēng)險識別，也有多因素耦合情況下的分析。通過篩選細(xì)化每類影響因素中的主要風(fēng)險因素，應(yīng)用相關(guān)模型方法進(jìn)行比較分析，實(shí)現(xiàn)主動識別風(fēng)險、提前預(yù)警防控的目的。

1.1 駕駛?cè)艘蛩氐娘L(fēng)險辨識

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、濱州無棣339國道分別發(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。可見，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)嗽谛熊囘^程中的風(fēng)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?cè)诵睦磉^程可分為3個部分：認(rèn)知過程（感覺、知覺、注意）、情感過程（情緒、情感、態(tài)度）、意志過程（人格、個性、氣質(zhì)）。駕駛?cè)诵睦硪蛩貙︸{駛安全的影響分析，多是基于調(diào)查問卷、文獻(xiàn)調(diào)研等方式進(jìn)行定性分析，或基于面部表情、語音、姿態(tài)等建立不良駕駛情緒判別模型。如Jones等[2]通過駕駛?cè)伺c車內(nèi)信息系統(tǒng)的語音交互，提取駕駛?cè)寺曇粜盘柕念l率、幅度、功率譜系數(shù)等特征來識別駕駛?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)查問卷，構(gòu)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?cè)松硪蛩兀ㄈ缒挲g、視覺狀態(tài)、疲勞狀態(tài)等）對駕駛行為風(fēng)險產(chǎn)生影響的辨識研究更為豐富。一部分是基于駕駛模擬器或?qū)嵻囆颖緶y試數(shù)據(jù)等，采集視頻、心電、眼動等數(shù)據(jù)，通過圖像處理算法、競爭學(xué)習(xí)算法及機(jī)器學(xué)習(xí)算法等進(jìn)行危險駕駛行為識別。黃晶等[4]通過駕駛模擬實(shí)驗，采集駕駛志愿者的心電、腦電、皮電信號等測量數(shù)據(jù)，基于置信學(xué)習(xí)的方法，對駕駛?cè)说木褙?fù)荷進(jìn)行檢測評價。馬玉珍等[5]通過采集城市軌道交通駕駛?cè)笋{駛模擬實(shí)驗中眼動特征及心電信號數(shù)據(jù)，構(gòu)建支持向量機(jī)疲勞識別模型。

除了針對駕駛?cè)松?、心理因素單一的分析，通過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?、心理特征變化關(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)搜蹌印⑿穆?、速度知覺等生理、心理指標(biāo)，對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]通過對比分析老年與中青年駕駛?cè)说难蹌?、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)、車載和導(dǎo)航等數(shù)據(jù)，基于駕駛行為特征參數(shù)建模，對危險事件識別研究成為熱點(diǎn)。如Dozza 等[8]利用圖像處理算法,對自然駕駛數(shù)據(jù)中駕駛員面部視頻進(jìn)行處理，以對危險駕駛行為進(jìn)行分類。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 種用于檢測車道級異常駕駛行為的方法。翟俊達(dá)等[10]探索在城市交叉口場景下，車輛網(wǎng)聯(lián)信息的存在和內(nèi)容對駕駛?cè)斯ぷ髫?fù)荷和操縱行為的影響。

綜合來看，多源、實(shí)時、精確的交通數(shù)據(jù)能夠為風(fēng)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(fā)交通事故的風(fēng)險隱患進(jìn)行深度分析和精準(zhǔn)識別。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、路、環(huán)境等其他因素對交通安全的影響大都通過作用于駕駛?cè)撕蠖g接引發(fā)的交通事故來體現(xiàn)，因此現(xiàn)有針對駕駛?cè)诵袨樘卣鞯娘L(fēng)險辨識分析較為豐富，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怼⑿睦碇笜?biāo)變化相比，通過駕駛?cè)诵袨樘卣鞯淖兓瘉碜R別風(fēng)險的研究更為科學(xué)。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(xué)者逐漸關(guān)注到個體駕駛行為風(fēng)險特征，以提升個體差異影響下的危險行為辨識精度。駕駛?cè)藸顟B(tài)會隨著駕駛時間及環(huán)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(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、場景變化等）對分析結(jié)果的影響方面尚有欠缺，需對多源信息融合下的駕駛?cè)藸顟B(tài)動態(tài)監(jiān)測加以關(guān)注。

1.2 車輛因素的風(fēng)險辨識

車輛因素的風(fēng)險可分別從狹義（車輛自身故障風(fēng)險）和廣義（車輛運(yùn)行安全風(fēng)險）2 個維度進(jìn)行研究。從狹義車輛風(fēng)險來看，車輛是交通事故的載體，機(jī)動車自身的運(yùn)行狀況（安全性能、技術(shù)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(zhuǎn)向失效、照明與信號裝置失效、爆胎等風(fēng)險，都會影響行車安全。對于此類靜態(tài)風(fēng)險的辨識，通過車載診斷系統(tǒng)（on-board diagnostic，OBD）診斷接口，讀取如剎車失靈、胎壓不足和發(fā)動機(jī)負(fù)荷等機(jī)動車運(yùn)行故障碼，實(shí)時監(jiān)控車輛發(fā)動運(yùn)行狀況及車輛工作狀態(tài)，及時發(fā)現(xiàn)車輛自身的隱患。隨著汽車電子及互聯(lián)網(wǎng)技術(shù)的發(fā)展，自動駕駛車輛發(fā)展備受關(guān)注，相比于傳統(tǒng)車輛，自動駕駛車輛對風(fēng)險感知、邏輯決策及功能執(zhí)行等方面有更高的要求。眾多學(xué)者也針對車輛故障風(fēng)險展開了系統(tǒng)研究，如周洪亮等[11]設(shè)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(shí)時診斷車輛驅(qū)動系統(tǒng)電機(jī)故障。彭能嶺等[12]設(shè)計了1 種采用螢火蟲算法的自動駕駛車輛故障診斷系統(tǒng)，以應(yīng)對由于車輛故障導(dǎo)致的車輛失控、碰撞等安全問題。

從廣義車輛風(fēng)險來看，車輛在運(yùn)行過程中的異常或不安全狀況將作用于駕駛?cè)?，而駕駛?cè)嗽诟兄L(fēng)險后的駕駛行為變化調(diào)整將又由車輛體現(xiàn)，因此通過獲取車輛運(yùn)動學(xué)參數(shù)（如車輛速度、加速度、車體偏航率、轉(zhuǎn)向盤旋轉(zhuǎn)率以及制動力度等），以實(shí)現(xiàn)車輛安全風(fēng)險的動態(tài)辨識。Kluger等[13]將離散傅里葉變換與k 均值聚類法結(jié)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(shù)據(jù)，通過對車輛動態(tài)學(xué)參數(shù)設(shè)定閾值，從原始數(shù)據(jù)中提取可能的危險事件，用閾值法進(jìn)行初步過濾后納入機(jī)器學(xué)習(xí)方法進(jìn)行深度篩選。

對于車輛的安全性研究，經(jīng)歷了從關(guān)注車輛耐撞性、乘員保護(hù)裝置等被動安全性能的提升，發(fā)展到與被動安全技術(shù)相輔的車輛行駛風(fēng)險實(shí)時預(yù)警、主動避撞控制，是從重視被動安全到關(guān)注與被動安全結(jié)合的主動安全的演變。相比于傳統(tǒng)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(diǎn)和重點(diǎn)。另外，與車輛故障風(fēng)險識別研究相比，利用車輛運(yùn)動學(xué)參數(shù)建立數(shù)學(xué)模型，對駕駛?cè)?、車輛等因素交互作用下的風(fēng)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(xiàn)存機(jī)非混行、人非混行等交通組織混亂問題等將對車輛運(yùn)行過程中的風(fēng)險識別與控制造成干擾，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)際問題解決存在一定偏差，風(fēng)險識別的精度和準(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(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，由于長下坡連續(xù)彎道路段車輛需頻繁制動，最終導(dǎo)致制動失效，車輛失控。

針對道路因素的風(fēng)險識別，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、車道寬度、車道數(shù)等）之間的關(guān)系，為降低道路條件不良帶來的事故風(fēng)險及優(yōu)化道路設(shè)計提供借鑒和指導(dǎo)。如Zou等[15]研究了各種道路和障礙情景下可能發(fā)生的各種類型碰撞風(fēng)險，發(fā)現(xiàn)設(shè)立中央分隔帶和護(hù)欄能夠降低車輛對向碰撞風(fēng)險。Rusli等[16]應(yīng)用隨機(jī)參數(shù)負(fù)二項模型，研究了山區(qū)公路的道路幾何線形、橫斷面、路肩等因素對單車事故的影響。

道路因素風(fēng)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(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，引入模糊評價法、貝葉斯模型、聚類模型（空間聚類法、Q 型聚類法）、神經(jīng)網(wǎng)絡(luò)法等，實(shí)現(xiàn)對事故多發(fā)的危險路段的識別。陳昭明等[17]通過引入隨機(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)一步挖掘各因素對事故風(fēng)險的交互影響。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，對交通事故多發(fā)路段進(jìn)行預(yù)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?cè)说鸟{駛行為來間接體現(xiàn)，其風(fēng)險的表征和認(rèn)定較為模糊和間接，而這也是與直接分析駕駛?cè)?、車輛等因素的風(fēng)險相比，道路因素的風(fēng)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(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)險大多需要通過交通事故情況并結(jié)合其他要素（交通量、氣候環(huán)境等）來進(jìn)行辨識。而道路因素與交通事故風(fēng)險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空異質(zhì)性，部分道路因素（如車道數(shù)、道路橫斷面指標(biāo)及路面性能等）對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)險辨識

環(huán)境因素對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(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(fēng)險對于保障公路行車安全和運(yùn)營效率具有重要意義。針對氣象環(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)建模法等開展。Yuan 等[19]整合了實(shí)時交通流、天氣，以及自適應(yīng)信號控制數(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)時事故風(fēng)險，利用機(jī)器學(xué)習(xí)提高風(fēng)險模型的預(yù)測精度。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)險預(yù)測模型，將惡劣天氣條件對實(shí)時事故風(fēng)險的影響量化，提高實(shí)時事故風(fēng)險預(yù)測精度。

針對交通環(huán)境的安全風(fēng)險辨識，主要集中在不同交通組成、交通流等環(huán)境條件下，通過貝葉斯模型、Logistic回歸模型、BP神經(jīng)網(wǎng)絡(luò)等，對交通沖突、交通事故風(fēng)險進(jìn)行主動預(yù)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(fēng)險因子，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)境下車輛運(yùn)行風(fēng)險識別模型。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速離散背景下的交通沖突預(yù)測模型。

復(fù)雜環(huán)境因素影響下的交通安全風(fēng)險辨識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、動態(tài)的影響關(guān)系，且受到時間、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)險的有效甄別。研究環(huán)境因素對交通安全的微觀影響機(jī)理及動態(tài)變化過程，探索基礎(chǔ)模型的時空隨動機(jī)制，有助于進(jìn)一步提升風(fēng)險識別精度和實(shí)踐應(yīng)用價值。

1.5 多因素耦合風(fēng)險辨識

風(fēng)險耦合指的是系統(tǒng)活動過程中一類個別風(fēng)險的發(fā)生及其影響力依賴于其他風(fēng)險的程度和影響其他風(fēng)險發(fā)生及影響力的程度，這種風(fēng)險間的依賴和影響關(guān)系稱之為風(fēng)險耦合[23]。道路交通安全事故的產(chǎn)生是涉及“人、車、路、環(huán)境”等多要素風(fēng)險源耦合的復(fù)雜動態(tài)過程，事故的發(fā)生往往是多個要素共同作用影響下的結(jié)果，因此交通安全風(fēng)險辨識不僅需要針對單要素的風(fēng)險辨識，還需要考慮駕駛?cè)?車輛、駕駛?cè)?車輛-環(huán)境，或駕駛?cè)?車輛-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)二項建模技術(shù)，對年平均日交通量、水平彎度、車道、路肩及人口學(xué)特征（年齡和性別）等因素對事故發(fā)生頻率的影響作了研究。張樹林等[25]分析事故風(fēng)險子系統(tǒng)內(nèi)和子系統(tǒng)間各因素耦合關(guān)系，應(yīng)用非線性動力學(xué)原理，構(gòu)建重特大交通事故人-車-路風(fēng)險耦合模型。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個潛在影響因素，運(yùn)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(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，也是綜合考慮多因素影響下的交通安全風(fēng)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(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聚類算法，分析交通事故時間、空間特征，對引發(fā)交通事故的多因素進(jìn)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(nèi)在機(jī)理，對老年行人交通事故進(jìn)行風(fēng)險識別和嚴(yán)重程度預(yù)測研究。

根據(jù)研究需求，學(xué)者們綜合人、車、路、環(huán)境等要素數(shù)據(jù)，對影響道路交通安全的風(fēng)險開展多維度辨識。多因素耦合條件下的風(fēng)險識別更具科學(xué)性、綜合性優(yōu)勢，有助于發(fā)現(xiàn)影響交通安全的各風(fēng)險因素間相互影響、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，有利于及時有效預(yù)防和控制風(fēng)險隱患，將是未來熱點(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)險辨識研究成果及實(shí)際應(yīng)用相對較少，針對風(fēng)險因素的耦合作用機(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)上的事后分析和評價，而對事前多因素安全風(fēng)險的定量判別不足。

2 道路交通安全風(fēng)險辨識分析方法

為提高道路交通安全風(fēng)險辨識的系統(tǒng)性、全面性，國內(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)險理論分析法

道路交通安全風(fēng)險分析研究所應(yīng)用的主要理論基礎(chǔ)為安全風(fēng)險理論。安全風(fēng)險理論分析法的基本思想是通過縝密地辨識系統(tǒng)中各種潛在的危險源，并且科學(xué)地分析危險源的安全風(fēng)險水平，達(dá)到了解、掌握風(fēng)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(fēng)險，將系統(tǒng)的安全風(fēng)險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)驗豐富的安全技術(shù)專家，于1996 年制定了《列車安全控制系統(tǒng)的安全性技術(shù)指南》，用于評估各鐵路公司的列控系統(tǒng)設(shè)備等[30]。

中國開展系統(tǒng)安全風(fēng)險理論的研究及應(yīng)用工作起步較晚，早期文獻(xiàn)很少。陳庚等[31]運(yùn)用風(fēng)險理論分別從人、車、路和環(huán)境等方面對道路交通風(fēng)險進(jìn)行了分類辨識，并針對風(fēng)險辨識的結(jié)果提出簡要的風(fēng)險減緩措施。趙學(xué)剛[32]應(yīng)用交通安全風(fēng)險、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)險控制系統(tǒng)，進(jìn)一步拓展了安全風(fēng)險理論分析法應(yīng)用的綜合性和全面性。張樹林[1]運(yùn)用風(fēng)險管理理論，從時間、專業(yè)、邏輯3 個維度對“營運(yùn)駕駛?cè)恕⒉涣捡{駛行為、‘人-車-路-環(huán)境’耦合”的風(fēng)險源識別等進(jìn)行系統(tǒng)設(shè)計，進(jìn)一步促進(jìn)了多因素風(fēng)險的動態(tài)、全程防控。

道路交通安全與風(fēng)險理論的結(jié)合為道路交通安全風(fēng)險的進(jìn)一步深入研究奠定了理論基礎(chǔ)，在建立交通安全風(fēng)險防控一體化體系等方面得到廣泛應(yīng)用，有助于對交通安全風(fēng)險進(jìn)行系統(tǒng)、全面的梳理，細(xì)化具體風(fēng)險源。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)險理論進(jìn)行風(fēng)險系統(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)險識別分析，或用于構(gòu)建交通安全綜合風(fēng)險預(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家經(jīng)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(jīng)驗分析法

專家經(jīng)驗分析法主要以危險與可操作性分析法（hazard and operability analysis,HAZOP）、預(yù)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(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)化的辨識流程，但不適用于復(fù)雜控制系統(tǒng)的安全風(fēng)險識別[33]。預(yù)先危險性分析法是1種應(yīng)用較為廣泛的定性評價方法，是對系統(tǒng)存在的各種危險因素的類別、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，但不足之處是對于潛在的安全問題無經(jīng)驗可以借鑒[34]。李麗芬[35]依據(jù)風(fēng)險理論，應(yīng)用安全檢查表法和預(yù)先危險性分析法對道路交通風(fēng)險進(jìn)行定性分類、等級劃分。張亞東[30]圍繞高速鐵路列車運(yùn)行控制系統(tǒng)安全風(fēng)險辨識及分析的關(guān)鍵問題，基于故障樹和事件樹的概率安全風(fēng)險分析方法，結(jié)合HAZOP技術(shù)展開研究。

專家經(jīng)驗分析法有利于充分發(fā)揮集體的經(jīng)驗和智慧優(yōu)勢，較適用于系統(tǒng)設(shè)計、生產(chǎn)等領(lǐng)域，對于缺乏歷史事故數(shù)據(jù)的新系統(tǒng)的安全風(fēng)險辨識同樣適用。但整個分析過程需有1 個系統(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、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骨，也稱魚骨圖，是將事故發(fā)生原因進(jìn)行歸納、分析，并用簡明的文字和線條羅列，分類、分層進(jìn)行分析的過程。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)定量計算，在實(shí)際應(yīng)用中，常結(jié)合層次分析法等展開研究，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 事故樹分析法

事故樹分析法又被稱為故障樹分析法，是由結(jié)果分析原因的逆向邏輯推理過程，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)用故障樹方法來建立山區(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。鄭來等[38]融合T-S 模糊故障樹與貝葉斯網(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)描述簡單等問題。

綜合來看，系統(tǒng)安全分析法以定性分析為主，多應(yīng)用于對軌道交通、化工、煤礦行業(yè)等建設(shè)、運(yùn)營、安全生產(chǎn)及管理方面的安全風(fēng)險辨識，在交通安全風(fēng)險分析領(lǐng)域常用方法主要有事故樹法、因果分析圖法、預(yù)先危險性分析法等。由于交通事故的發(fā)生是多因素影響的動態(tài)復(fù)雜過程，而大部分傳統(tǒng)分析方法存在只能定性分析、單點(diǎn)識別等局限性，現(xiàn)有研究多以此為基礎(chǔ)設(shè)計改進(jìn)的方法進(jìn)行深入研究。如在事故樹分析法基礎(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)勢互補(bǔ)，如事件樹和事故樹方法、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)合的分析方法已無法滿足更精細(xì)化的交通風(fēng)險防控要求，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)等方法來識別分析交通安全風(fēng)險日益得到重視。

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值的信息，有助于提高信息識別精度和節(jié)省信息處理時間，文本數(shù)據(jù)挖掘方法包括信息抽取、自然語言處理等技術(shù)，是當(dāng)前的研究熱點(diǎn)。交通事故報告主要是對事故發(fā)生過程、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，而目前對道路交通事故報告等文本數(shù)據(jù)中的風(fēng)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(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)，而道路交通事故報告等非結(jié)構(gòu)化數(shù)據(jù)信息相對較為完善和全面，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告中的潛在價值提供了有力支持。

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 種能夠自動辨識道路運(yùn)輸過程中安全風(fēng)險源的模型-CNN 道路運(yùn)輸安全風(fēng)險源辨識模型。程宇航等[40]在用戶字典模式對文本數(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，對交通行業(yè)安全事故關(guān)鍵詞進(jìn)行分類提取，并利用Gephi及Neo4j對特征關(guān)鍵詞進(jìn)行可視化分析以及致因主題總結(jié)，對事故時空特征及致因關(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)險分析模型可對事故報告內(nèi)含有的風(fēng)險源因素進(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、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(fēng)險辨識不全等問題。但非結(jié)構(gòu)化信息的提取需要對應(yīng)事故信息的標(biāo)準(zhǔn)化描述，依賴樣本數(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，在專業(yè)術(shù)語和字典、文本數(shù)據(jù)的積累等方面普遍存在不足之處。

2.3.2 多源動態(tài)駕駛數(shù)據(jù)融合與分析方法

多源動態(tài)駕駛數(shù)據(jù)融合與分析方法主要是綜合駕駛?cè)艘蛩?、車輛行駛狀態(tài)、道路通行環(huán)境等各類信息，對車輛在行駛過程中可能出現(xiàn)的安全風(fēng)險進(jìn)行檢測、分析和識別預(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，以提前識別和控制行車過程中的風(fēng)險。

傳統(tǒng)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(yùn)行狀態(tài)下的安全行車距離或時距，判斷行車過程中潛在的碰撞風(fēng)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(guān)系推導(dǎo)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(xiàn)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(fēng)險態(tài)勢，進(jìn)而對現(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，建立了車車協(xié)同下的車輛縱向避撞系統(tǒng)的安全距離模型，提高車輛縱向避撞系統(tǒng)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(fēng)險，同時保證道路通行能力，但存在關(guān)鍵參數(shù)難以獲取、主要適用于單方位的汽車沖突風(fēng)險辨識等問題，且對駕駛員狀態(tài)、道路交通環(huán)境及車況等因素的統(tǒng)籌考慮有所欠缺，應(yīng)用交通場景尚顯單一。

隨著車路協(xié)同技術(shù)的不斷發(fā)展，車車、車路動態(tài)實(shí)時信息交互得以實(shí)現(xiàn)，信息融合和態(tài)勢評估的相關(guān)理論與方法被引入到基于“人-車-路”多源信息的行車沖突風(fēng)險辨識研究中，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)確判斷行車安全狀態(tài)、識別車輛運(yùn)行過程中的風(fēng)險提供了條件。Katrakazas等[43]在交互感知運(yùn)動模型和動態(tài)貝葉斯網(wǎng)絡(luò)的聯(lián)合框架下，提出1 種將網(wǎng)絡(luò)級碰撞估計與車輛實(shí)時風(fēng)險判斷相結(jié)合的風(fēng)險評估體系，實(shí)現(xiàn)對碰撞概率的實(shí)時預(yù)測。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(zhǔn)確判別的問題?；诙嘣葱畔⒌奈ｋU態(tài)勢感知，能綜合考慮多項行車安全影響因素進(jìn)行分析，有效輔助駕駛系統(tǒng)安全。與傳統(tǒng)單一因素判別行車安全風(fēng)險相比，應(yīng)用的交通場景更為豐富，但存在推理過程復(fù)雜且計算量較大、實(shí)時性易受影響等問題。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)險水平之間的關(guān)聯(lián)，更加有效地評估車輛駕駛水平和預(yù)測風(fēng)險水平。

綜上所述，基于實(shí)時交通數(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)對交通安全風(fēng)險的動態(tài)、全程識別，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、字典庫全面性等因素影響的問題。多源動態(tài)駕駛數(shù)據(jù)融合與分析方法促進(jìn)了車輛主、被動安全技術(shù)的有機(jī)結(jié)合，特別是車路協(xié)同環(huán)境下的危險態(tài)勢感知，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)算法除了在車路協(xié)同場景下的應(yīng)用，其在路面病害及濕滑狀態(tài)智能識別、交通流運(yùn)行風(fēng)險評估等道路交通安全風(fēng)險、事故預(yù)測方面也有著廣泛的應(yīng)用。但此類方法分析過程需要基礎(chǔ)數(shù)據(jù)的完備性，數(shù)學(xué)模型建立過程復(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)勢以提高風(fēng)險識別、預(yù)判的精準(zhǔn)性成為熱點(diǎn)。智能化、集成化、復(fù)雜化將是未來交通運(yùn)行風(fēng)險識別發(fā)展方向，綜合運(yùn)用機(jī)器學(xué)習(xí)、人工智能、無線傳感網(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)險辨識分析方法研究方面，隨著新技術(shù)的發(fā)展和應(yīng)用，安全風(fēng)險理論分析法、系統(tǒng)安全分析法等宏觀、定性分析方法已無法滿足當(dāng)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(fēng)險分析領(lǐng)域的實(shí)際應(yīng)用也相對較少。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)險分析從宏觀、橫向研究發(fā)展到微觀、縱向分析的過程體現(xiàn)。

對于道路交通安全風(fēng)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(fēng)險辨識分析，而實(shí)際混合道路網(wǎng)絡(luò)下，多因素耦合對交通事故的發(fā)生會產(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)險特征及規(guī)律，預(yù)估交通安全變化態(tài)勢，以實(shí)現(xiàn)交通安全風(fēng)險的早期預(yù)判預(yù)測成為當(dāng)前道路交通安全風(fēng)險辨識的熱點(diǎn)研究方向。計算機(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)險辨識分析的基礎(chǔ)，現(xiàn)階段交通信息采集受到部門間信息壁壘、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)交通信息種類及來源不斷豐富、交通數(shù)據(jù)源融合、動態(tài)獲取及更新數(shù)據(jù)等問題值得關(guān)注。未來大數(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。隨著智能網(wǎng)聯(lián)汽車、自動駕駛汽車的飛速發(fā)展，交通流組成由傳統(tǒng)的單一類型車輛逐漸向多種類、多模式車輛方向發(fā)展，道路交通組成及行車環(huán)境更為復(fù)雜多樣，未來研究需進(jìn)一步考慮智能網(wǎng)聯(lián)車輛與普通車輛混合交通環(huán)境下的交通安全風(fēng)險識別管控。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、車輛的交通行為特征庫，以實(shí)現(xiàn)對交通行為特征的快速分類和識別，為預(yù)判危險駕駛行為、預(yù)警行車危險情境奠定基礎(chǔ)，提升道路交通的整體安全性。

3）考慮時空異質(zhì)性的可移植的道路交通安全風(fēng)險識別模型研究。道路交通安全風(fēng)險的呈現(xiàn)方式、特點(diǎn)及規(guī)律會因時間和空間差異而發(fā)生變化，精確數(shù)學(xué)模型難以刻畫各因素對事故風(fēng)險影響的異質(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、計算機(jī)技術(shù)的逐漸成熟，探索各因素對事故風(fēng)險的交互作用，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)不同時空下的風(fēng)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(fēng)險衡量指標(biāo)及方法，構(gòu)建綜合風(fēng)險識別預(yù)測體系，進(jìn)一步促進(jìn)研究成果在不同時間、空間下的遷移應(yīng)用。

4 結(jié)束語

本文對道路交通安全風(fēng)險辨識研究對象、分析方法進(jìn)行了詳細(xì)的闡述和分析。研究對象主要包括駕駛?cè)?、車輛、道路、環(huán)境等單要素風(fēng)險及多要素間的耦合風(fēng)險。分析方法包括以定性分析為主的安全風(fēng)險理論分析法、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)險辨識是實(shí)現(xiàn)交通安全風(fēng)險防控的第一步，要注重在實(shí)踐中檢驗風(fēng)險識別結(jié)果對改善交通安全性的實(shí)際作用，動態(tài)調(diào)整交通安全管理措施及技術(shù)，實(shí)現(xiàn)從風(fēng)險辨識-風(fēng)險分析-風(fēng)險控制的全流程閉環(huán)管理，實(shí)現(xiàn)主動預(yù)防交通事故，提升交通安全。