胡立偉 張成杰 趙雪亭 劉 凡 呂一帆 薛 宇

（昆明理工大學(xué)交通工程學(xué)院 昆明 650500）

0 引 言

平縱曲線組合路段（combined horizontal and vertical curves，CHVC）不僅兼具了平曲線和豎曲線單一要素的特點(diǎn)，還具備了二者結(jié)合后產(chǎn)生的新特點(diǎn)，是公路行車安全的瓶頸路段。相關(guān)統(tǒng)計(jì)表明，約15%的交通事故發(fā)生在CHVC[1]。因此，對(duì)CHVC的交通安全特性進(jìn)行研究，可以有效提高該路段的行車安全性。

近年來(lái)，國(guó)內(nèi)外學(xué)者深入探究人、車、路及環(huán)境與交通風(fēng)險(xiǎn)之間的關(guān)系，但多數(shù)是集中于其中某一方面展開(kāi)研究。胡立偉等[2]通過(guò)構(gòu)建高原地質(zhì)及不良?xì)庀蟓h(huán)境下的交通風(fēng)險(xiǎn)致因耦合模型，對(duì)危險(xiǎn)程度進(jìn)行量化，分析出公路交通風(fēng)險(xiǎn)值與各風(fēng)險(xiǎn)因素的關(guān)聯(lián)性。Aliaksei 等[3]基于駕駛行為數(shù)據(jù)建立了1種評(píng)估交通風(fēng)險(xiǎn)等級(jí)的框架模型。張存保等[4]分析霧天高速公路交通事故數(shù)據(jù)得出霧天會(huì)增加交通風(fēng)險(xiǎn)?？琢铄P[5]從人的角度出發(fā)研究了高速公路發(fā)生交通事故的原因，指出新駕駛員和疲勞駕駛等人為因素是影響交通風(fēng)險(xiǎn)的主要原因。溫惠英等[6]將風(fēng)險(xiǎn)要素與脆弱性結(jié)合，構(gòu)建了1 種多因素風(fēng)險(xiǎn)綜合分析模型，對(duì)山區(qū)公路的交通風(fēng)險(xiǎn)進(jìn)行了量化。Abdel-Aty等[7]基于道路交通事故數(shù)據(jù)分析了霧天不良天氣對(duì)交通風(fēng)險(xiǎn)的影響。Penmetsa 等[8]通過(guò)分析道路線形與事故嚴(yán)重程度的關(guān)系，構(gòu)建出影響度模型并通過(guò)調(diào)整模型參數(shù)提出改善措施。上述研究均可為CHVC 的交通風(fēng)險(xiǎn)評(píng)估指標(biāo)選取提供理論依據(jù)，但對(duì)于CHVC 來(lái)說(shuō)，因不同路段的特征存在顯著差異，故已有影響交通風(fēng)險(xiǎn)的評(píng)估指標(biāo)并不能直接應(yīng)用于CHVC，應(yīng)結(jié)合路段實(shí)際特征，從駕駛員、道路、交通環(huán)境及其他因素的角度出發(fā)綜合考慮選取交通風(fēng)險(xiǎn)評(píng)估指標(biāo)，構(gòu)建1 個(gè)更全面的交通風(fēng)險(xiǎn)評(píng)估指標(biāo)體系。

此外，國(guó)內(nèi)外學(xué)者對(duì)CHVC 的研究已從多個(gè)角度展開(kāi)。戢曉峰等[1]通過(guò)分析CHVC 事故嚴(yán)重程度致因及影響價(jià)值，構(gòu)建平縱曲線組合路段事故嚴(yán)重程度致因辨識(shí)的2 階段模型。得出7 個(gè)對(duì)交通事故有正效應(yīng)和3 個(gè)對(duì)交通事故有負(fù)效應(yīng)的影響因素。Moreno等[9]基于平均行駛速度和行駛時(shí)間百分比展開(kāi)研究，分析了以曲率變化率為特征的公路水平線形以及以梯度變化率為特征的公路縱面線形與交通安全之間的關(guān)系。豐明潔等[10]利用駕駛模擬器模擬了不同的高速公路駕駛場(chǎng)景，研究了不同線形指標(biāo)與橫向加速度的關(guān)系，并將CHVC 的安全性劃分為“GOOD”“FAIR”“POOR”這3 個(gè)等級(jí)。高建平等[11]基于駕駛員動(dòng)態(tài)視覺(jué)參數(shù)變化規(guī)律，為長(zhǎng)大連續(xù)下坡路段縱坡組合及CHVC 提出了設(shè)計(jì)方法。岳雷等[12]以車輛穩(wěn)定性分析為基礎(chǔ)，建立了長(zhǎng)下坡路段、急彎路段以彎坡組合路段的車輛行駛安全模型。陳亦新等[13]從道路線形的角度出發(fā)，探究了CHVC 與相鄰路段線形對(duì)車道偏離的影響。上述研究多數(shù)是從單一方面的角度考慮對(duì)CHVC 交通風(fēng)險(xiǎn)的影響，較少會(huì)綜合考慮各方面對(duì)CHVC 交通風(fēng)險(xiǎn)的影響，且綜合考慮各方面因素的相關(guān)研究基礎(chǔ)較為薄弱。

傳統(tǒng)的評(píng)估方法常因評(píng)估過(guò)程中無(wú)法兼顧部分指標(biāo)邊界模糊性而導(dǎo)致部分信息缺失的問(wèn)題[14]。因此，筆者綜合考慮各方面因素的影響，從駕駛員、道路、交通環(huán)境，以及其他因素的角度出發(fā)，構(gòu)建了更為全面的風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，利用可拓云風(fēng)險(xiǎn)評(píng)估模型，將定性指標(biāo)的邊界模糊性考慮在內(nèi)，完成定性指標(biāo)的定量化，解決傳統(tǒng)評(píng)估方法存在的不足，為綜合評(píng)估CHVC 交通風(fēng)險(xiǎn)提供1 種方法。以云南省3條高速公路路段為例進(jìn)行研究，驗(yàn)證該模型在風(fēng)險(xiǎn)評(píng)估中的適用性。

1 研究構(gòu)架

目前主要通過(guò)主、客觀賦權(quán)法確定指標(biāo)權(quán)重。主觀賦權(quán)法依據(jù)實(shí)踐經(jīng)驗(yàn)賦予評(píng)估指標(biāo)權(quán)重，一般比較切合實(shí)際，但存在主觀隨意性的問(wèn)題?？陀^賦權(quán)法對(duì)評(píng)估指標(biāo)進(jìn)行定量分析，結(jié)論客觀準(zhǔn)確，但忽略了決策者對(duì)不同指標(biāo)的重視程度。因此，為了使評(píng)估結(jié)果更具科學(xué)性和準(zhǔn)確性，本文利用理想點(diǎn)法將層次分析法（analytic hierarchy process，AHP）和熵權(quán)法（entropy weight method，EWM）確定的權(quán)重相結(jié)合，彌補(bǔ)單一賦權(quán)方法存在的不足，最后通過(guò)理想點(diǎn)法確定評(píng)估指標(biāo)的組合權(quán)重。

本文將組合賦權(quán)法和可拓云模型相結(jié)合，最終得出CHVC交通風(fēng)險(xiǎn)評(píng)估結(jié)果。評(píng)估流程圖見(jiàn)圖1，具體步驟如下。

圖1 CHVC交通風(fēng)險(xiǎn)評(píng)估流程Fig.1 Traffic risk assessment process for CHVC

步驟1?；诂F(xiàn)有對(duì)CHVC 的研究成果及相關(guān)交通事故數(shù)據(jù)建立風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，并參照相關(guān)規(guī)范和文獻(xiàn)完成對(duì)評(píng)估指標(biāo)的等級(jí)劃分。

步驟2。確定評(píng)估指標(biāo)正態(tài)云模型。計(jì)算正態(tài)云模型期望值Ex，熵值En及超熵He。

步驟3。利用AHP、EWM 分別確定主、客觀權(quán)重，再運(yùn)用理想點(diǎn)法求得組合權(quán)重。

步驟4。確定各評(píng)估指標(biāo)風(fēng)險(xiǎn)等級(jí)隸屬度。將各風(fēng)險(xiǎn)評(píng)估指標(biāo)參數(shù)代入可拓云模型，運(yùn)用Matlab計(jì)算并輸出各評(píng)估指標(biāo)的風(fēng)險(xiǎn)等級(jí)隸屬度及風(fēng)險(xiǎn)等級(jí)云圖。

步驟5。確定CHVC 風(fēng)險(xiǎn)等級(jí)。將組合權(quán)重與隸屬度相乘計(jì)算出綜合評(píng)判向量B，依據(jù)最大隸屬度原則確定最終風(fēng)險(xiǎn)等級(jí)。

2 風(fēng)險(xiǎn)評(píng)估模型與方法

2.1 構(gòu)建風(fēng)險(xiǎn)評(píng)估指標(biāo)體系

考慮到多種因素對(duì)CHVC 交通風(fēng)險(xiǎn)的影響，參考已有文獻(xiàn)資料[15-16]和事故數(shù)據(jù)，從駕駛員、道路、交通環(huán)境，以及其他因素4 個(gè)方面構(gòu)建的風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，見(jiàn)圖2。

圖2 CHVC交通風(fēng)險(xiǎn)評(píng)估指標(biāo)體系Fig.2 Traffic risk assessment indicators system for CHVC

相關(guān)研究表明：眨眼次數(shù)與駕駛?cè)艘暺诔潭却嬖谙鄳?yīng)關(guān)系，一定程度上，眨眼次數(shù)越少，駕駛?cè)俗⒁饬υ郊?，越容易產(chǎn)生視疲勞[17]。因此，本文選用眨眼頻率作為視覺(jué)特性的評(píng)估指標(biāo)。

心率指標(biāo)能夠反映出駕駛?cè)说男睦碡?fù)荷和情緒波動(dòng)狀況。經(jīng)研究發(fā)現(xiàn)駕駛?cè)说男穆首儺愋裕℉RV）指標(biāo)測(cè)試方便且可信度高，能夠直觀地反映駕駛?cè)说男睦怼⑸頎顟B(tài)變化[18]。因此，本文選擇心率變異性作為駕駛?cè)说男睦?、生理特性的評(píng)估指標(biāo)。

2.2 評(píng)估指標(biāo)風(fēng)險(xiǎn)等級(jí)劃分依據(jù)

依據(jù)路線設(shè)計(jì)標(biāo)準(zhǔn)規(guī)范中對(duì)相關(guān)評(píng)估指標(biāo)的要求，參考國(guó)內(nèi)學(xué)者對(duì)各評(píng)估指標(biāo)的等級(jí)劃分研究[15-16]，對(duì)CHVC 風(fēng)險(xiǎn)評(píng)估指標(biāo)進(jìn)行分級(jí)，劃分依據(jù)見(jiàn)表1。

表1 各評(píng)估指標(biāo)風(fēng)險(xiǎn)等級(jí)劃分依據(jù)Tab.1 Basis for the classification of risk levels of each assessment indicator

2.3 可拓云風(fēng)險(xiǎn)評(píng)估模型

2.3.1 可拓云理論

可拓理論用事物名稱N，事物特征C，事物特征值V來(lái)描述事物的基本元，記物元R=(N,C,V)。正態(tài)云模型用(Ex,En,He)3個(gè)特征值來(lái)表示：期望值Ex表示云滴對(duì)應(yīng)于隸屬云的中心值，反映屬性概念的點(diǎn)值；熵En是對(duì)屬性概念不確定性的度量，反映屬性概念數(shù)值范圍；超熵He是對(duì)熵En不確定性的度量，反映云滴離散程度。

可拓云模型利用正態(tài)云模型的(Ex,En,He)取代可拓理論中的事物特征值V，實(shí)現(xiàn)評(píng)估過(guò)程中對(duì)不確定性和模糊性的定量描述，見(jiàn)式（1）。

式中：R為風(fēng)險(xiǎn)評(píng)估指標(biāo)劃分的等級(jí)；N為待評(píng)估路段；Ci為風(fēng)險(xiǎn)評(píng)估指標(biāo)；(Ex,En,He)是對(duì)Ci的正態(tài)云描述。

2.3.2 標(biāo)準(zhǔn)正態(tài)云模型

參照已有文獻(xiàn)[16]將CHVC風(fēng)險(xiǎn)水平由低到高劃分為A級(jí)、B級(jí)、C級(jí)、D級(jí)和E級(jí)這5個(gè)等級(jí)，各等級(jí)分?jǐn)?shù)分別為[80，100]，[60，80），[40，60），[20，40），[0，20）。因部分指標(biāo)等級(jí)界限劃分存在模糊性，為定量評(píng)估指標(biāo)風(fēng)險(xiǎn)等級(jí)，將其值域轉(zhuǎn)化為百分制，各指標(biāo)等級(jí)界限劃分見(jiàn)表2。

表2 風(fēng)險(xiǎn)評(píng)估指標(biāo)等級(jí)界限劃分Tab.2 Classification of risk assessment indicators levels

對(duì)風(fēng)險(xiǎn)等級(jí)值域進(jìn)行雙約束空間處理[Jmin,Jmax]，計(jì)算出正態(tài)云模型的3 個(gè)特征值，見(jiàn)式（2）～（4）。

式中：Jmin，Jmax為等級(jí)劃分邊界值；s為常數(shù)，可根據(jù)評(píng)估指標(biāo)的模糊閥度進(jìn)行相應(yīng)調(diào)整。通過(guò)查閱相關(guān)文獻(xiàn)[19-20]，本文取s=En/10。利用上述方法得出各風(fēng)險(xiǎn)評(píng)估指標(biāo)的標(biāo)準(zhǔn)正態(tài)云模型，見(jiàn)表3；這里僅給出視覺(jué)特性標(biāo)準(zhǔn)云圖，見(jiàn)圖3。

圖3 視覺(jué)特性標(biāo)準(zhǔn)云圖Fig.3 Standard cloud map of visual characteristics

表3 標(biāo)準(zhǔn)正態(tài)云模型Tab.3 Standard normal cloud model

2.4 評(píng)估指標(biāo)權(quán)重計(jì)算

考慮到單一賦權(quán)方法存在的不足，本文采用AHP 確定主觀權(quán)重，EWM確定客觀權(quán)重，再通過(guò)理想點(diǎn)法對(duì)2種權(quán)重進(jìn)行組合確定最終權(quán)重。

2.4.1 確定客觀權(quán)重

確定客觀權(quán)重的過(guò)程見(jiàn)式（5）～（10）。

正向指標(biāo)標(biāo)準(zhǔn)化

逆向指標(biāo)標(biāo)準(zhǔn)化

式中：dij為指標(biāo)標(biāo)準(zhǔn)化后的值；fij為第i個(gè)對(duì)象的第j個(gè)評(píng)估指標(biāo)值；為第j個(gè)評(píng)估指標(biāo)等級(jí)區(qū)間劃分的最大值；為第j個(gè)評(píng)估指標(biāo)等級(jí)區(qū)間劃分的最小值。

式中：pij為對(duì)象i的第j個(gè)評(píng)估指標(biāo)在整個(gè)評(píng)估系統(tǒng)中的占比；Hj為評(píng)估指標(biāo)j的熵值；Gj為評(píng)估指標(biāo)j的信息效用值；Wj為各評(píng)估指標(biāo)的客觀權(quán)重。

2.4.2 理想點(diǎn)法確定組合權(quán)重

常見(jiàn)的組合賦權(quán)方法有乘法歸一化、線性加權(quán)法等方法，但乘法歸一化法適用于指標(biāo)間權(quán)重分配均勻的情況，線性加權(quán)法中參數(shù)選取具有一定主觀性。因此，為權(quán)衡主、客觀因素對(duì)指標(biāo)權(quán)重的影響，本文采用理想點(diǎn)法進(jìn)行組合賦權(quán)。理想點(diǎn)法的基本思想是[21]盡可能縮減向量目標(biāo)函數(shù)與所考慮的問(wèn)題之間的偏差，縮小主、客觀權(quán)重與理想點(diǎn)間的差異，計(jì)算見(jiàn)式（11）～（12）。

式中：wj為第j個(gè)評(píng)估指標(biāo)的主觀權(quán)重；Wj為第j個(gè)評(píng)估指標(biāo)的客觀權(quán)重；kj為未經(jīng)過(guò)歸一化處理的組合權(quán)重；Kj為歸一化處理后的最終權(quán)重。以上各式中i,j=1，2，…，n。

2.5 確定可拓云模型云隸屬度

2.5.1 隸屬度計(jì)算

各評(píng)估指標(biāo)與風(fēng)險(xiǎn)等級(jí)之間的隸屬度ρ計(jì)算方法見(jiàn)式（13）。

式中：x為某評(píng)估指標(biāo)值；En'為服從正態(tài)分布的隨機(jī)數(shù)。

2.5.2 隸屬度評(píng)判矩陣

由式（13）的計(jì)算結(jié)果構(gòu)成隸屬度評(píng)判矩陣Z，見(jiàn)式（14）。

式中：ρij為評(píng)估指標(biāo)Ci與風(fēng)險(xiǎn)等級(jí)j之間的隸屬度；i=1,2,…,n；n為評(píng)估指標(biāo)數(shù)；j=1,2,3,4,5，對(duì)應(yīng)5個(gè)不同的風(fēng)險(xiǎn)等級(jí)。

2.6 確定風(fēng)險(xiǎn)評(píng)估等級(jí)

2.6.1 計(jì)算綜合評(píng)判向量B

依據(jù)最大隸屬度原則確定最終風(fēng)險(xiǎn)等級(jí)，見(jiàn)式（15）。

式中：K為組合權(quán)重向量；Z為隸屬度評(píng)判矩陣。

2.6.2 評(píng)估結(jié)果檢驗(yàn)

1）計(jì)算綜合評(píng)判模糊等級(jí)特征值r，見(jiàn)式（16）。

式中：bi為向量B對(duì)應(yīng)的分量；fi為分量對(duì)應(yīng)的等級(jí)取值，風(fēng)險(xiǎn)等級(jí)A～E級(jí)依次取值為5，4，3，2，1。

2）因式（13）在求解過(guò)程中存在隨機(jī)性，故需多次求解以降低隨機(jī)性對(duì)結(jié)果產(chǎn)生的影響。綜合評(píng)判模糊等級(jí)特征值r的期望值Exr和熵值Enr的計(jì)算見(jiàn)式（17）～（18）。

式中：ri為第i次計(jì)算得到的綜合評(píng)判模糊等級(jí)特征值，t為運(yùn)算次數(shù)，本文取值為1 000。

3）應(yīng)用置信度因子θ定量檢驗(yàn)評(píng)估結(jié)果的可信度，見(jiàn)式（19）。θ值越大表示可信度越低；反之可信度越高。

3 數(shù)據(jù)采集及處理

3.1 試驗(yàn)路段

本文將云南省境內(nèi)的汕昆高速（陽(yáng)宗收費(fèi)站—草甸收費(fèi)站）、杭瑞高速（彩云收費(fèi)站—恐龍谷收費(fèi)站）及杭瑞高速（舊縣收費(fèi)站—馬龍收費(fèi)站）3條路段作為試驗(yàn)路段，各路段均包含豐富的平縱曲線組合形式。各路段概況見(jiàn)表4。

表4 試驗(yàn)路段概況Tab.4 Overview of test section

3.2 基礎(chǔ)數(shù)據(jù)來(lái)源

為評(píng)估CHVC交通風(fēng)險(xiǎn)，需獲取駕駛員、道路線形、交通流及其他方面的數(shù)據(jù)。駕駛員相關(guān)數(shù)據(jù)由實(shí)車試驗(yàn)獲取；道路線形及超載數(shù)據(jù)由云南省相關(guān)交通管理部門提供；交通流數(shù)據(jù)經(jīng)征得當(dāng)?shù)亟煌ü芾聿块T許可后由5名研究人員在試驗(yàn)路段利用Axle-Light RLU/3路側(cè)激光技術(shù)交通調(diào)查儀實(shí)地采集；天氣數(shù)據(jù)由研究人員對(duì)各路段近6個(gè)月的天氣數(shù)據(jù)進(jìn)行統(tǒng)計(jì)整理獲取。

3.3 試驗(yàn)設(shè)計(jì)

為采集相關(guān)數(shù)據(jù)，組織相關(guān)人員開(kāi)展實(shí)車試驗(yàn)?？紤]到試驗(yàn)路段復(fù)雜的地理環(huán)境和試驗(yàn)開(kāi)展的難度，試驗(yàn)共招募5 名性別、年齡，以及駕齡不同的駕駛員（其中男性3名，女性2名，平均年齡32周歲，駕齡均在3 年以上）。為確保試驗(yàn)數(shù)據(jù)的有效性及可靠性，要求被試駕駛員在試驗(yàn)開(kāi)展前保證充足睡眠，保證試驗(yàn)當(dāng)天各項(xiàng)生理狀況良好。

為確保試驗(yàn)數(shù)據(jù)的普適性，試驗(yàn)選取別克君威2012款作為試驗(yàn)車。為減少其他因素對(duì)試驗(yàn)結(jié)果的影響，將采集時(shí)間選定為天氣晴朗的工作日，試驗(yàn)時(shí)間為2021年7月12日—14日，7月12日沿陽(yáng)宗收費(fèi)站—草甸收費(fèi)站開(kāi)展試驗(yàn)，7 月13 日沿彩云收費(fèi)站—恐龍谷收費(fèi)站開(kāi)展試驗(yàn)，7 月14 日沿舊縣收費(fèi)站—馬龍收費(fèi)站開(kāi)展試驗(yàn)，試驗(yàn)過(guò)程中每位駕駛員沿各路段往返行駛2趟。

3.4 數(shù)據(jù)采集

試驗(yàn)過(guò)程中，駕駛員自由駕駛，將iView XTM HED4 眼動(dòng)儀的采集頻率設(shè)置為200 Hz/s 記錄駕駛員的眨眼頻率；利用Biofeedback2 000 X-pert型生物反饋儀記錄并輸出駕駛員的心率變異性LF值；利用AxleLight RLU/3 路側(cè)激光技術(shù)交通調(diào)查儀在各路段完成6 h交通流數(shù)據(jù)的采集。

3.5 數(shù)據(jù)處理及分析

在數(shù)據(jù)處理前先剔除受主、客觀因素影響生成的異常數(shù)據(jù)，將處理后的數(shù)據(jù)分別按樁號(hào)和時(shí)間進(jìn)行分組。按樁號(hào)分組時(shí)，基于該路段事故資料篩選出事故多發(fā)路段，將各路段按同質(zhì)法劃分為9 種線形單元（見(jiàn)表5），對(duì)照行車記錄儀和道路線形資料，確定通過(guò)各線形單元的時(shí)間，進(jìn)而提取通過(guò)各組合形式的眨眼頻率數(shù)據(jù)資料；按時(shí)間分組時(shí)，每間隔30 s提取1組心率變異性LF值數(shù)據(jù)，將其均值作為該時(shí)段的平均值，進(jìn)而提取心率變異性數(shù)據(jù)資料。

1）眨眼頻率。各路段不同平縱曲線組合形式下的眨眼頻率變化見(jiàn)圖4。Y 路段緩和曲線2 種組合形式下的平均眨眼頻率最高（3.1次/10 s），為直線2 種組合形式的1.30 倍，為圓曲線2 種組合形式的1.46倍；C路段緩和曲線2種組合形式下的平均眨眼頻率最高（2.91次/10 s），分別為直線和圓曲線2種組合形式的1.32倍和1.49倍；Y路段緩和曲線2種組合形式下的平均眨眼頻率最高（2.71 次/10 s），分別為直線和圓曲線2 種組合形式的1.29 倍和1.37 倍；發(fā)現(xiàn)圓曲線組合形式下的眨眼頻率低于其他組合形式，說(shuō)明駕駛?cè)诵旭傇趫A曲線組合形式的路段時(shí)，精神負(fù)荷相對(duì)其他組合形式較大；通過(guò)對(duì)比各路段不同組合形式下的均值，從眨眼頻率的角度反映出各組合形式的安全性排序?yàn)椋壕徍颓€和直坡＞緩和曲線和豎曲線＞直線和直坡＞直線和豎曲線＞圓曲線和豎曲線＞圓曲線和直坡。

2）心率變異性。對(duì)5 名被試駕駛員進(jìn)行編號(hào)，基本信息見(jiàn)表6，各駕駛員在不同路段的LF值變化見(jiàn)圖5。

圖5 不同駕駛員心率變異性變化圖Fig.5 Variation chart of heart rate variability among different drivers

表6 駕駛員信息Tab.6 Driver information

LF值的下降反映出駕駛員的壓力和緊張程度增加，LF值越低精神負(fù)荷越高[22-23]。對(duì)比分析各路段每位駕駛員LF值變化，駕齡10 年以上的在Y 路段LF值標(biāo)準(zhǔn)差平均值為66.60 ms2，駕齡小于10 年的標(biāo)準(zhǔn)差平均值為91.00 ms2；C 路段駕齡10 年以上的LF標(biāo)準(zhǔn)差平均值為87.75 ms2，駕齡小于10 年的LF標(biāo)準(zhǔn)差平均值為112.20 ms2；H 路段駕齡10 年以上的LF標(biāo)準(zhǔn)差平均值為73.36 ms2，駕齡小于10 年的LF標(biāo)準(zhǔn)差平均值為102.30 ms2。駕齡在10 年以上的駕駛員在各路段的LF值標(biāo)準(zhǔn)差平均值均比其他駕駛員小，說(shuō)明相同路況下，駕齡長(zhǎng)的駕駛員比駕齡短的駕駛員LF值變化幅度小，精神負(fù)荷更穩(wěn)定。此外，通過(guò)對(duì)比各路段LF平均值，發(fā)現(xiàn)H路段平均值最小，表明駕駛員在該路段的精神負(fù)荷最高。

4 應(yīng)用研究

4.1 研究路段概況

本文將汕昆高速（陽(yáng)宗收費(fèi)站—草甸收費(fèi)站）中的陽(yáng)宗坡路段（Y路段）、杭瑞高速（彩云收費(fèi)站—恐龍谷收費(fèi)站）中的彩云路段（C路段）和杭瑞高速（舊縣收費(fèi)站—馬龍收費(fèi)站）中的紅軍哨路段（H 路段）作為研究路段，對(duì)其進(jìn)行風(fēng)險(xiǎn)評(píng)估，各路段基本情況見(jiàn)表7。

表7 路段概況及相關(guān)數(shù)據(jù)Tab.7 Road profile and related data

基于各路段試驗(yàn)采集結(jié)果，將各路段按同質(zhì)法完成劃分后，提取平直路段單元眨眼頻率，并以其均值2.63次/10 s為基準(zhǔn)（100分），對(duì)各路段的眨眼頻率進(jìn)行測(cè)算并量化。

HRV 頻域分析指標(biāo)中的低頻值（LF）可以較好的反映個(gè)體的負(fù)荷程度，且LF與負(fù)荷程度成反比關(guān)系。利用LF值表征駕駛?cè)藨?yīng)激狀態(tài)下的HRV。LF正常范圍為（1 170±416）ms2，本文以1 586 ms2為基準(zhǔn)（100分），對(duì)各路段的HRV進(jìn)行測(cè)算并量化。

此外，文中將乘坐人數(shù)≥20人（含駕駛員）或車身長(zhǎng)度≥6 m 的大型客車以及車身長(zhǎng)度≥6 m 或總質(zhì)量≥45 000 kg的重型、中型貨車歸納為大車。地區(qū)不良?xì)夂虬ù箪F、大風(fēng)、暴雨及大雪等。

研究路段道路線形參數(shù)及其他指標(biāo)取值見(jiàn)表8。

表8 各路段評(píng)估指標(biāo)值Tab.8 Assessment indicators value of each road section

4.2 確定評(píng)估指標(biāo)權(quán)重

選擇10 名道路交通安全方面的專家對(duì)風(fēng)險(xiǎn)評(píng)估指標(biāo)風(fēng)險(xiǎn)程度進(jìn)行量化處理，專家的可信度從職稱、學(xué)位、工齡和經(jīng)歷這4 個(gè)方面綜合評(píng)判，具體評(píng)判標(biāo)準(zhǔn)見(jiàn)表9。

表9 專家可信度評(píng)判標(biāo)準(zhǔn)Tab.9 Expert credibility assessment standard

專家可信度O的計(jì)算見(jiàn)式（20）。

式中：l為專家所占權(quán)重；i為專家評(píng)判因素；q為結(jié)合專家在4個(gè)方面的實(shí)際情況取值。例如，1位正高級(jí)道路交通安全博士，55歲，工齡30年，有類似評(píng)估經(jīng)歷，則其可信度見(jiàn)式（21）。

將各專家的評(píng)定結(jié)果與對(duì)應(yīng)的可信度結(jié)合[24]，利用AHP 確定各評(píng)估指標(biāo)主觀權(quán)重，依據(jù)式（5）～（10）確定客觀權(quán)重，式（11）～（12）確定組合權(quán)重，計(jì)算得到各評(píng)估指標(biāo)的權(quán)重，見(jiàn)表10。

表10 各評(píng)估指標(biāo)權(quán)重Tab.10 Weighting of each assessment indicator

4.3 評(píng)估指標(biāo)隸屬度計(jì)算

將式（13）～（14）進(jìn)行Matlab 編程并運(yùn)算，得出各評(píng)估指標(biāo)與不同風(fēng)險(xiǎn)等級(jí)之間的隸屬度及隸屬風(fēng)險(xiǎn)等級(jí)云圖。因篇幅有限，本文僅展示以Y 路段為例的隸屬度計(jì)算結(jié)果，見(jiàn)表11；且Y路段以視覺(jué)特性為例的隸屬風(fēng)險(xiǎn)等級(jí)云圖見(jiàn)圖6，紅色散點(diǎn)為綜合評(píng)判模糊等級(jí)特征值代入Matlab 模型運(yùn)算1 000 次的結(jié)果，可表征各評(píng)估指標(biāo)與各風(fēng)險(xiǎn)等級(jí)之間的隸屬關(guān)系。

表11Y 路段各評(píng)估指標(biāo)隸屬度評(píng)判矩陣Tab.11 Assessment matrix of membership degree of each assessment indicator in Section Y

圖6 Y路段視覺(jué)特性風(fēng)險(xiǎn)等級(jí)云圖Fig.6 Cloud map of risk level of visual characteristics of Section Y

4.4 風(fēng)險(xiǎn)等級(jí)確定

將上文的計(jì)算結(jié)果代入式（15）確定綜合評(píng)判向量B，并依據(jù)最大隸屬度原則確定最終風(fēng)險(xiǎn)等級(jí)，評(píng)判向量計(jì)算結(jié)果見(jiàn)表12。

表12 各路段交通風(fēng)險(xiǎn)綜合評(píng)判向量Tab.12 Comprehensive assessment vector of traffic risk for each road section

4.5 風(fēng)險(xiǎn)評(píng)估結(jié)果分析

對(duì)各路段評(píng)估指標(biāo)風(fēng)險(xiǎn)等級(jí)隸屬度計(jì)算結(jié)果進(jìn)行整理，結(jié)果見(jiàn)圖7。

圖7 各路段評(píng)估指標(biāo)隸屬風(fēng)險(xiǎn)等級(jí)圖Fig.7 Assessment indicators of each road section belong to the risk level map

通過(guò)式（16）～（19）求出置信度因子θ，對(duì)評(píng)估結(jié)果進(jìn)行檢驗(yàn)并識(shí)別出各路段較危險(xiǎn)的指標(biāo)，見(jiàn)表13。不同方法評(píng)估結(jié)果見(jiàn)表14。

表13 各路段評(píng)估結(jié)果對(duì)比Tab.13 Comparison of assessment results of each road section

表14 不同方法評(píng)估結(jié)果對(duì)比Tab.14 Comparison of assessment results of different methods

3條路段的置信度均小于0.05，表明評(píng)估結(jié)果可信[25]。整合表9 和表10 評(píng)估結(jié)果可知，Y 路段風(fēng)險(xiǎn)評(píng)估為B級(jí)，P3為危險(xiǎn)指標(biāo)，處于較安全等級(jí)；C路段風(fēng)險(xiǎn)評(píng)估為C級(jí)，P3,P5為較危險(xiǎn)指標(biāo)，處于中等安全等級(jí)；H路段風(fēng)險(xiǎn)評(píng)估為D級(jí)，P3,P6,P9為較危險(xiǎn)指標(biāo)，處于較危險(xiǎn)等級(jí)。將評(píng)估結(jié)果與各路段的事故絕對(duì)數(shù)（見(jiàn)表7）進(jìn)行對(duì)比發(fā)現(xiàn)，評(píng)估結(jié)果與3條路段的實(shí)際情況相符，且評(píng)估結(jié)果與模糊綜合評(píng)價(jià)法一致，驗(yàn)證了該模型在風(fēng)險(xiǎn)評(píng)估過(guò)程中的適用性。

5 結(jié)束語(yǔ)

1）綜合考慮多種因素，確定了更為全面的交通風(fēng)險(xiǎn)評(píng)估指標(biāo)體系。通過(guò)云模型和可拓理論的結(jié)合，將可拓云模型運(yùn)用于CHVC 的交通風(fēng)險(xiǎn)評(píng)估研究中，實(shí)現(xiàn)定性指標(biāo)的定量轉(zhuǎn)化，解決了傳統(tǒng)可拓法在評(píng)估過(guò)程中無(wú)法兼顧指標(biāo)邊界模糊性的問(wèn)題。

2）與其他評(píng)估方法相比，可拓云模型的評(píng)估結(jié)果能夠提供更多的信息。期望值Exr代表各路段所處的風(fēng)險(xiǎn)等級(jí)，Y路段的期望值計(jì)算結(jié)果為3.488 0，高于C路段的3.238 4，表明Y路段比C路段更安全；同時(shí)置信度因子θ均小于0.05，驗(yàn)證了評(píng)估結(jié)果的可信度。

3）以云南省3 條高速公路路段為例，利用可拓云模型評(píng)估了各路段的風(fēng)險(xiǎn)等級(jí)，并識(shí)別出各路段危險(xiǎn)性較高的指標(biāo)。將評(píng)估結(jié)果與各路段事故絕對(duì)數(shù)和其他評(píng)估方法對(duì)比驗(yàn)證了可拓云模型在交通風(fēng)險(xiǎn)評(píng)估過(guò)程中的可行性和適用性。

4）基于眨眼頻率對(duì)不同平曲線形組合形式的安全性規(guī)律進(jìn)行分析，得出安全性排序?yàn)椋壕徍颓€和直坡＞緩和曲線和豎曲線＞直線和直坡＞直線和豎曲線＞圓曲線和豎曲線＞圓曲線和直坡；此外，基于LF值變化規(guī)律得出駕齡長(zhǎng)的駕駛員比駕齡短的駕駛員LF值變化幅度小。

5）交通風(fēng)險(xiǎn)受多種因素綜合影響，本文所構(gòu)建的風(fēng)險(xiǎn)評(píng)估指標(biāo)體系仍不夠全面，還有待在實(shí)踐中不斷檢驗(yàn)、補(bǔ)充和完善。此外，本文只是針對(duì)高速公路平縱組合路段展開(kāi)研究，對(duì)于不同等級(jí)的道路，因其各項(xiàng)指標(biāo)要求和交通環(huán)境存在較大差異，該方法的適用性有待進(jìn)一步探討。

因此，隨著交通風(fēng)險(xiǎn)課題研究的不斷深入，如何構(gòu)建1個(gè)更全面且具有普適性的平縱組合路段交通風(fēng)險(xiǎn)評(píng)估指標(biāo)體系有待進(jìn)行更詳細(xì)的研究。