趙曉華，楊海益，姚 瑩，郭 淼，亓 航，戴義博，蘇岳龍

（1.北京工業(yè)大學(xué)城市建設(shè)學(xué)部，北京 100124；2.高德軟件有限公司，北京 102299）

相對高速公路的普通路段、隧道、服務(wù)區(qū)等，橋梁路段因其所處位置特殊性、外部環(huán)境復(fù)雜性，故其發(fā)生的交通事故嚴(yán)重性也最高［1］。作為高速公路交通安全治理的重要路段，有必要對其安全風(fēng)險(xiǎn)要素開展深入分析，以識別高風(fēng)險(xiǎn)區(qū)域及其誘發(fā)因素，為提升高速公路橋梁路段的安全水平提供指導(dǎo)。

當(dāng)前，面向橋梁路段交通安全風(fēng)險(xiǎn)相關(guān)研究，國內(nèi)外學(xué)者主要關(guān)注由橋梁結(jié)構(gòu)特征所產(chǎn)生的風(fēng)險(xiǎn)，例如陳豐等［2］通過駕駛模擬實(shí)驗(yàn)研究橋上側(cè)風(fēng)對于行車穩(wěn)定性的影響；周晉冬等［3］采用自然駕駛數(shù)據(jù)，論證當(dāng)橋頭沉降差較大時，橋頭跳車會增加駕駛員生理、心理上的負(fù)擔(dān)；此外，也有學(xué)者圍繞車-橋耦合振動、極端外力條件等對橋上行車安全性的影響作用開展了相關(guān)研究［4］。而交通流（如流量、速度、擁堵指數(shù)）、道路屬性（如跨河橋上、下游過渡區(qū)）及外部環(huán)境（如天氣條件、風(fēng)力等級等）要素及其耦合作用作為影響橋梁交通運(yùn)行安全風(fēng)險(xiǎn)的關(guān)鍵，由于其位置的特殊性及數(shù)據(jù)采集的困難，相關(guān)研究受到制約。隨著車載導(dǎo)航等智能移動終端的廣泛使用，通過GPS（全球定位系統(tǒng)）衛(wèi)星定位及陀螺儀等內(nèi)置傳感器能夠精準(zhǔn)采集駕駛?cè)孙L(fēng)險(xiǎn)駕駛行為（如急加速、急減速、急轉(zhuǎn)彎等）、流量、速度、擁堵指數(shù)等參數(shù)，一方面為從風(fēng)險(xiǎn)駕駛行為角度評價(jià)橋梁路段的安全性風(fēng)險(xiǎn)提供了可能，另一方面也為交通安全風(fēng)險(xiǎn)影響要素的深度解析提供了機(jī)遇。

針對交通安全風(fēng)險(xiǎn)評估問題，其解決方法主要以事故數(shù)據(jù)為因變量構(gòu)建其與人、車、路、環(huán)境間的關(guān)聯(lián)關(guān)系模型。例如You等［5］基于支持向量機(jī)建立事故預(yù)測模型，分析速度標(biāo)準(zhǔn)差、流量等因素對事故發(fā)生頻次的影響；馬聰?shù)龋?］通過建立基于負(fù)二項(xiàng)和非線性負(fù)二項(xiàng)回歸模型的交通事故次數(shù)預(yù)測模型，指出道路濕滑、起霧是造成交通事故主要原因。事實(shí)上，受制于交通事故小概率、偶發(fā)性、滯后性的特點(diǎn)，近年來，也有研究開始關(guān)注駕駛行為、速度波動等變量與交通事故間的關(guān)聯(lián)關(guān)系，并以風(fēng)險(xiǎn)駕駛行為和速度差等風(fēng)險(xiǎn)替代指標(biāo)評估交通風(fēng)險(xiǎn)，挖掘其與影響要素的關(guān)系［7］，以期將交通安全風(fēng)險(xiǎn)的防控從事后分析轉(zhuǎn)向事前預(yù)防，這些研究均取得一定的進(jìn)展。由于基于事前替代指標(biāo)的安全風(fēng)險(xiǎn)評價(jià)可實(shí)現(xiàn)全域的實(shí)時評估與診斷，突破事故數(shù)據(jù)的制約，以替代指標(biāo)為核心的安全評價(jià)與關(guān)聯(lián)要素挖掘研究已受到學(xué)者們的廣泛關(guān)注［8］，其具有良好的借鑒價(jià)值。

針對風(fēng)險(xiǎn)關(guān)聯(lián)要素挖掘問題，相較傳統(tǒng)統(tǒng)計(jì)模型、線性模型和因果推斷模型，基于樹模型的機(jī)器學(xué)習(xí)算法雖具有更強(qiáng)大的非線性分類和自學(xué)習(xí)能力，在識別多源要素耦合作用下的交通安全風(fēng)險(xiǎn)更具優(yōu)勢［9］，但可解釋性的匱乏是阻礙其應(yīng)用的重要因素。而部分依賴圖（partial dependence plots，PDP）技術(shù)作為一種新的機(jī)器學(xué)習(xí)模型解析方法，可定量化描述樹模型的特征變量對交通安全風(fēng)險(xiǎn)的影響作用，為交通風(fēng)險(xiǎn)影響要素挖掘提供新的途徑，也為交通管理部門及政策制定者開展精準(zhǔn)的道路風(fēng)險(xiǎn)研判提供依據(jù)。

綜上所述，本文針對高速公路橋梁路段的安全評價(jià)及關(guān)聯(lián)因素挖掘問題開展研究，論文以風(fēng)險(xiǎn)駕駛行為及交通運(yùn)行狀態(tài)為核心形成交通秩序指數(shù)以評價(jià)交通安全風(fēng)險(xiǎn)，突破交通事故數(shù)據(jù)不均衡的限制，及對于潛在的交通安全風(fēng)險(xiǎn)影響要素深度挖掘問題，分別建立基于機(jī)器學(xué)習(xí)模型（隨機(jī)森林、梯度提升決策樹）的高速公路橋梁路段風(fēng)險(xiǎn)識別模型，并通過個體條件期望圖挖掘交通流特征、路段屬性、外部環(huán)境條件、時間屬性與高速公路橋梁路段風(fēng)險(xiǎn)等級間的量化關(guān)系，以期實(shí)現(xiàn)對多因素安全風(fēng)險(xiǎn)間耦合作用的深度挖掘，消除基于部分依賴圖的影響要素解析中由數(shù)據(jù)異質(zhì)性及非均勻效應(yīng)的影響。研究結(jié)果為解決高速公路橋梁路段安全問題提供了新的視角，為主動安全防控和靶向治理方案提供理論支持。

1 數(shù)據(jù)來源與指標(biāo)提取

本研究以鄂東長江大橋?yàn)檠芯繉ο螅涫侵袊笔【硟?nèi)連接黃石市和黃岡市的重要過江通道。論文所選數(shù)據(jù)來源于高德導(dǎo)航軟件的浮動車軌跡數(shù)據(jù)和當(dāng)?shù)亟煌ü芾聿块T的事故調(diào)查數(shù)據(jù)。高德導(dǎo)航軟件數(shù)據(jù)集包含路段編號、交通流運(yùn)行狀態(tài)、外部環(huán)境及駕駛行為。事故調(diào)查數(shù)據(jù)集包含事故發(fā)生時間及所處的道路樁號。

1.1 路段單元劃分

研究以同質(zhì)性為劃分原則，將鄂東長江大橋劃分為6個區(qū)域，分別為高速公路路基直線段、高速公路路基曲線段、跨河橋上游過渡段、跨河橋下游過渡段、跨河橋段、跨線橋段。但由于跨河橋上、下游過渡區(qū)分別連接圓曲線和互通立交匝道，而部分學(xué)者已證明圓曲線和互通立交匝道對駕駛行為有較大負(fù)面影響［10-11］。為防止這兩個特殊區(qū)域?qū)︼L(fēng)險(xiǎn)識別模型的影響，根據(jù)美國道路通行能力手冊，入口匝道的影響緩沖區(qū)設(shè)置為450 m［11］。不同路段的起終點(diǎn)樁號范圍、路段長度詳見表1。

表1 各路段單元的樁號范圍Tab.1 Stake number of each unit partition

1.2 關(guān)鍵參數(shù)提取

在原始數(shù)據(jù)集中，部分變量可直接用于風(fēng)險(xiǎn)影響因素解析，例如路段限速值、能見度等。其余變量需在原始數(shù)據(jù)的基礎(chǔ)上提取獲得新的特征變量，例如速度變異系數(shù)、延誤系數(shù)等。具體定義如下。

1.2.1 激進(jìn)駕駛行為頻次

激進(jìn)駕駛行為事件主要包含急加速、急減速、急左并道、急右并道、急左轉(zhuǎn)和急右轉(zhuǎn)。激進(jìn)駕駛行為數(shù)據(jù)是由手機(jī)傳感器采集，其可精準(zhǔn)辨識用戶在行車過程中實(shí)時發(fā)生的激進(jìn)駕駛行為事件，并記錄事件發(fā)生的時間和經(jīng)緯度。而受用戶隱私保護(hù)協(xié)議的限制，具體的判定算法無法給出。此外，因不同道路長度和某時段內(nèi)導(dǎo)航軟件用戶數(shù)量的差異，原始數(shù)據(jù)無法在同一尺度下衡量路段風(fēng)險(xiǎn)程度。故需將原始激進(jìn)駕駛行為發(fā)生的次數(shù)轉(zhuǎn)化為集計(jì)數(shù)據(jù)后再開展分析，集計(jì)激進(jìn)駕駛行為頻次FEijk的計(jì)算方法如下：

式中：i與j分別表示某天和某時（i=1，2，3，…，62，j=0，1，2，…，23）；k表示路段編號；FEijk為i日j時k路段發(fā)生的駕駛行為事件頻次；sum(eventijk)為i日j時k路段發(fā)生的激進(jìn)駕駛行為次數(shù)之和；lk表示路段長度；UPijk為i日j時k路段的導(dǎo)航軟件實(shí)際用戶量。

1.2.2 速度變異指數(shù)

相關(guān)研究表明，高風(fēng)險(xiǎn)和較高的事故頻次與某路段內(nèi)交通流平均速度的離散程度和速度變異系數(shù)（coefficient of speed variation，CSV）有顯著關(guān)聯(lián)［12］。速度變異系數(shù)是評價(jià)交通流速度離散程度的指標(biāo)。速度變異系數(shù)越大，則表明交通流速度的分布越離散，交通運(yùn)行狀態(tài)越混亂，交通安全風(fēng)險(xiǎn)越大。速度變異系數(shù)CSVijk的計(jì)算公式如下：

式中：σvijk為i日j時k路段的交通流速度標(biāo)準(zhǔn)差；vˉijk為i日j時k路段的交通流速度平均值。

1.2.3 延誤系數(shù)

擁堵會對交通安全產(chǎn)生負(fù)面影響［12］。延誤系數(shù)可有效衡量路段內(nèi)的擁堵程度。延誤系數(shù)CIijk的計(jì)算公式如下：

式中：vk表示k路段的自由流速度。

1.2.4 交通流量等級

為了表征交通流量在不同時段的差異性，使用K均值聚類算法，將導(dǎo)航軟件的用戶量離散化為三類，分別為低峰期、平峰期、高峰期，并以聚類后各類的最大值、最小值設(shè)定區(qū)間劃分閾值，具體定義如下所示。交通流量等級是一種狀態(tài)參量，而非具體量值。

低峰期：UPijk∈［0，343）

平峰期：UPijk∈［343，757）

高峰期：UPijk∈［757，+∞)

1.3 交通秩序指數(shù)

當(dāng)前，交通安全分析主要以事故作為評價(jià)指標(biāo)，但交通事故具有偶發(fā)性、局部性、滯后性等特質(zhì)，無法覆蓋全時空域的風(fēng)險(xiǎn)場景，易忽略事故發(fā)生時的潛在風(fēng)險(xiǎn)要素，實(shí)際應(yīng)用過程中，難以開展全局動態(tài)交通安全評估與辨識。此外，由于事故數(shù)據(jù)數(shù)量和質(zhì)量的限制，傳統(tǒng)統(tǒng)計(jì)分析及大數(shù)據(jù)機(jī)器學(xué)習(xí)算法均難以發(fā)揮真正效能，導(dǎo)致影響因素解析能力不足。借助導(dǎo)航軟件，依托海量駕駛行為及交通流狀態(tài)數(shù)據(jù)，為提出以風(fēng)險(xiǎn)替代指標(biāo)為核心的交通安全風(fēng)險(xiǎn)評價(jià)方法提供了新的機(jī)遇。Yao等［13］提出了交通秩序指數(shù)（traffic order index，TOI），并通過交通秩序指數(shù)評價(jià)城市道路的安全性和順暢性。交通秩序指數(shù)是一種基于激進(jìn)駕駛行為和速度變化特性的交通安全風(fēng)險(xiǎn)替代指標(biāo)。Yao等［13］通過關(guān)聯(lián)交通秩序指數(shù)與事故數(shù)間的關(guān)系發(fā)現(xiàn)，交通事故數(shù)多且事故持續(xù)時長較長的路段，交通秩序指數(shù)較低。總之，當(dāng)路段內(nèi)激進(jìn)駕駛行為頻發(fā)，且交通流紊亂時，其交通秩序指數(shù)較低，交通安全風(fēng)險(xiǎn)較高，秩序指數(shù)代表風(fēng)險(xiǎn)發(fā)生的概率，其計(jì)算方法詳見文獻(xiàn)［13］，簡要計(jì)算流程如下所述。

交通秩序指數(shù)是由優(yōu)劣解距離法（technique for order preference by similarity to an ideal solution,TOPSIS）及熵權(quán)法等算法將多類激進(jìn)駕駛行為與速度變異系數(shù)加權(quán)而得。交通秩序指數(shù)的計(jì)算方法如式（4）所示。

式中：TOIijk為i日j時k路段的交通秩序指數(shù)；Sdbijk、SCSVijk表示激進(jìn)駕駛行為和車流速度波動的風(fēng)險(xiǎn)評分；wk為激進(jìn)駕駛行為和速度波動風(fēng)險(xiǎn)評分在交通秩序指數(shù)中所占的權(quán)重，k={db，CSV}。

激進(jìn)駕駛行為風(fēng)險(xiǎn)評分Sdbijk是由TOPSIS算法綜合急加速、急減速、急左轉(zhuǎn)等激進(jìn)駕駛行為頻次計(jì)算而得。TOPSIS算法是一種多目標(biāo)決策分析中常用的有效方法，其已在交通安全分析領(lǐng)域獲得廣泛應(yīng)用。而速度波動風(fēng)險(xiǎn)評分SCSVijk的計(jì)算方法如公式（5）所示：

激進(jìn)駕駛行為和速度波動風(fēng)險(xiǎn)評分在交通秩序指數(shù)中所占的權(quán)重wk由式（6）求得：

式中：σk表示激進(jìn)駕駛行為或車流速度波動風(fēng)險(xiǎn)評分的樣本標(biāo)準(zhǔn)差。

交通秩序指數(shù)是綜合評判道路秩序程度的指標(biāo)，為了使其能研判路段內(nèi)的風(fēng)險(xiǎn)水平，故采用K-均值聚類方法將TOIijk劃為三個風(fēng)險(xiǎn)等級，并以聚類后各類別的最大值、最小值設(shè)定區(qū)間劃分閾值，具體定義如下：

高風(fēng)險(xiǎn)道路：交通秩序較差，風(fēng)險(xiǎn)較高：TOIijk∈［0，0.359 8）

中風(fēng)險(xiǎn)道路：交通秩序良好，風(fēng)險(xiǎn)適中：TOIijk∈［0.359 8，0.410 7）

低風(fēng)險(xiǎn)道路：交通秩序較好，風(fēng)險(xiǎn)較低：TOIijk∈［0.410 7，+∞)

1.4 數(shù)據(jù)庫構(gòu)建

以橋梁路段單元及時間戳為基礎(chǔ)搭建時空網(wǎng)格，并匹配所有類型數(shù)據(jù)，構(gòu)建橋梁路段安全分析數(shù)據(jù)庫，共計(jì)17 856條（6個路段類型×2個方向×62 d×24 h）數(shù)據(jù)，刪除空缺及異常數(shù)據(jù)后，共計(jì)17 160條數(shù)據(jù)。數(shù)據(jù)庫中各變量的統(tǒng)計(jì)性描述如表2及表3所示。

表2 分類變量的定義與統(tǒng)計(jì)Tab.2 Definition and statistics of categorical variables量

表3 連續(xù)變量的定義與統(tǒng)計(jì)Tab.3 Definition and statistics of continuous variables

2 安全分析方法

2.1 高速公路橋梁路段安全風(fēng)險(xiǎn)識別模型

隨機(jī)森林是一種以決策樹為基礎(chǔ)的算法，在訓(xùn)練模型的過程中引入隨機(jī)屬性選擇，并采用引導(dǎo)聚集方法，最終結(jié)合多個弱分類器形成強(qiáng)分類器。由于隨機(jī)森林模型結(jié)合了多個弱分類器的預(yù)測結(jié)果，故隨機(jī)森林模型可以較好地控制過擬合問題。此外，隨機(jī)森林模型相較于人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等，其在小樣本集上擁有更加出色的分類識別能力［14］。基于此，隨機(jī)森林模型更適于數(shù)據(jù)量較小、數(shù)據(jù)可能存在異質(zhì)性等情況。簡易過程如下：

在已知訓(xùn)練集{(x1，y1)，…，(xn，yn)}，模型將隨機(jī)重復(fù)采樣B次，獲得b=1，…，B的不同訓(xùn)練集x'用以訓(xùn)練弱分類器fb。訓(xùn)練后的模型通過計(jì)算B個弱分類器的類別概率均值，獲得最終的分類結(jié)果，如式（7）所示：

本文選擇梯度提升決策樹模型為風(fēng)險(xiǎn)等級識別性能的對比模型。與隨機(jī)森林模型不同在于，隨機(jī)森林是一種引導(dǎo)聚集算法，該類算法會對樣本重采樣，預(yù)測結(jié)果是各個分類器的平均值。而梯度提升決策樹模型是一種提升算法，基于上次迭代后預(yù)測器的分類結(jié)果更新樣本權(quán)值和分類器權(quán)值，因此隨著模型迭代次數(shù)的增加，模型的預(yù)測偏差會降低。這兩種模型都可有效控制過擬合問題，且在不同的應(yīng)用場景和數(shù)據(jù)特質(zhì)下有不同的性能表現(xiàn)。

此外，在建立高速公路橋梁路段安全風(fēng)險(xiǎn)識別模型時，均需要完成以下步驟：

（1）基于隨機(jī)分布原則按7：3的比例將數(shù)據(jù)集劃分為訓(xùn)練集和測試集，訓(xùn)練集用于訓(xùn)練識別模型，測試集用于評估模型的分類性能；

（2）訓(xùn)練模型時，采用十折交叉驗(yàn)證方法將訓(xùn)練集的數(shù)據(jù)隨機(jī)切分為10份，每次訓(xùn)練會以9個子樣本結(jié)合1個子樣本驗(yàn)證的形式進(jìn)行；

（3）本文使用網(wǎng)格搜索方式進(jìn)行參數(shù)調(diào)優(yōu)，實(shí)現(xiàn)指定參數(shù)值的窮舉式搜索。

2.2 模型評價(jià)指標(biāo)

為了評估安全風(fēng)險(xiǎn)識別模型的性能，以機(jī)器學(xué)習(xí)模型中常用的分類評價(jià)指標(biāo)準(zhǔn)確率、召回率、精確率和F1·Score作為模型評價(jià)指標(biāo)。

對于多分類預(yù)測，以各類別所占樣本集的比例為權(quán)重，計(jì)算各類別中每個評價(jià)指標(biāo)的加權(quán)平均值。召回率（Recall）、精確率（Precision）、F1·Score的相關(guān)定義如下：

式中：i表示交通風(fēng)險(xiǎn)等級的類別編號（i=1，2，3）；M為交通風(fēng)險(xiǎn)等級的總類別數(shù)，即M=3，wi為第i類在全樣本集所占的比例；TPi、FNi、FPi、TNi的相關(guān)定義請見表4。

表4 i類風(fēng)險(xiǎn)的混淆矩陣Tab.4 Confusion matrix of i risk level

2.3 個體條件期望圖

傳統(tǒng)的部分依賴圖可反映響應(yīng)變量和一個或多個特征間依賴關(guān)系的平均值，其可能掩蓋由特征耦合作用產(chǎn)生的異質(zhì)關(guān)系，只有當(dāng)特征間相關(guān)交互較弱時，才可客觀反映特征對自變量的影響關(guān)系。由于上述原因，Goldstein等［15］提出了一種全新的機(jī)器學(xué)習(xí)黑箱模型可視化工具——個體條件期望圖（plots of individual conditional expectation，ICE），可用于監(jiān)督學(xué)習(xí)算法的預(yù)測模型。ICE通過計(jì)算多組測試集的依賴關(guān)系以分解部分依賴值，有助于消除非均勻效應(yīng)的影響，并可通過繪制響應(yīng)變量和個別觀測特征間的函數(shù)關(guān)系細(xì)化圖形，便于深刻理解影響關(guān)系。

設(shè)S∈{1，…，P}，且C為S的補(bǔ)集。此時，S測試樣本集下，xs的依賴關(guān)系可以表達(dá)為

每個子集S都有其個體的依賴關(guān)系fs，當(dāng)特征xs固定且xC變化時，fs可給出此時xC的邊際貢獻(xiàn)dP(xc)。由于無法直接求解f和dP(xc)的值，可通過計(jì)算公式（12）推算公式（11）中的值。

式中：N為S集中樣本的個數(shù)；{xC1，…，xCN}為S集中xC的不同取值。

2.4 模型框架及流程圖

首先，論文分別構(gòu)建基于隨機(jī)森林及梯度提升決策樹的安全風(fēng)險(xiǎn)識別模型，并通過網(wǎng)格搜索調(diào)參及交叉驗(yàn)證提升識別模型的準(zhǔn)確性。基于樣本權(quán)重的召回率、精確率等指標(biāo)評估模型的識別性能，并在后續(xù)分析中保留性能最佳的模型。其次，基于基尼指數(shù)的特征重要性排序，篩選對風(fēng)險(xiǎn)等級識別結(jié)果影響最大的7個影響要素。最后，應(yīng)用個體條件期望圖解析這些變量與風(fēng)險(xiǎn)等級間的關(guān)聯(lián)關(guān)系。模型構(gòu)建及分析流程圖如圖1所示。

圖1 模型構(gòu)建及分析流程圖Fig.1 Flowchart of modeling and feature analysis

3 模型構(gòu)建與結(jié)果分析

3.1 模型性能對比

網(wǎng)格搜索優(yōu)化調(diào)參及十折交叉驗(yàn)證后，隨機(jī)森林及梯度提升決策樹模型的混淆矩陣如圖2所示。經(jīng)計(jì)算，隨機(jī)森林模型的準(zhǔn)確率、召回率、精確率及F1·Score分 別 為89.35 %、89.35 %、89.71 %、89.50%，均高于梯度提升決策樹模型的88.70%、88.70%、88.58%、88.60%。結(jié)果表明，隨機(jī)森林模型在風(fēng)險(xiǎn)等級識別方面優(yōu)于梯度提升決策樹模型，其可更好地辨識高風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)、低風(fēng)險(xiǎn)道路的特征。因此基于隨機(jī)森林的安全風(fēng)險(xiǎn)識別模型將用于下一步分析。

圖2 風(fēng)險(xiǎn)等級識別模型的混淆矩陣Fig.2 Confusion matrix of risk level identification models

3.2 特征重要性分析

特征重要性是一種衡量某特征對全局預(yù)測結(jié)果影響程度的指標(biāo)，特征重要性越高，表明該特征對風(fēng)險(xiǎn)等級的識別結(jié)果影響作用越大。由圖3所示，特征重要性由大至小依次是延誤系數(shù)、平均車流速度與限速值差、能見度、天氣狀況、交通流量等級、風(fēng)力等級、路段類型。

圖3 隨機(jī)森林模型的特征重要性排序Fig.3 Feature importance score in RF model

3.3 個體條件期望圖分析

個體條件期望值是綜合衡量全樣本集中，僅當(dāng)某單因素變化時導(dǎo)致分類結(jié)果變化程度的指標(biāo)。若某因素水平下的個體條件依賴值均值越高，則表明模型分類結(jié)果為高風(fēng)險(xiǎn)等級的概率越高。即在當(dāng)前外部條件下，交通秩序差，安全風(fēng)險(xiǎn)高。

3.3.1 交通流特征相關(guān)變量

在交通流特征類變量中，延誤系數(shù)、平均車流速度與限速值差、交通流量等級會對風(fēng)險(xiǎn)等級的識別結(jié)果有較大影響。

平均車流速度與限速值差方面，由圖4b可見，隨平均車流速度與限速值差增大，該特征對道路安全的影響呈非線性變化趨勢。在平均車流速度與限速值差增長時逐步降低，隨其進(jìn)一步增至24 km·h-1后反之上升，表明安全風(fēng)險(xiǎn)在增加。這兩種情況可通過兩種交通流狀況解釋。一方面，在平均車流速度與限速值差較小時，則說明此時平均車流速度較高，You等［17］研究得出在交通流較為順暢時，駕駛員往往會更加激進(jìn)，從而產(chǎn)生更高的追尾或側(cè)面碰撞的風(fēng)險(xiǎn)。另一方面，隨著二者速度差增加到一定限度，此時的情形與擁堵類似，過于密集的交通流會使駕駛員頻繁切換車道，安全有序性較差［18］。

圖4 交通流特征的個體條件期望圖Fig.4 Plots of individual conditional expectation of traffic flow factors

3.3.2 外部環(huán)境相關(guān)變量

在外部環(huán)境類變量中，能見度、風(fēng)力等級和天氣狀況會對風(fēng)險(xiǎn)等級的識別結(jié)果有較大影響。

圖5 外部環(huán)境及道路屬性的個體條件期望圖Fig.5 Plots of individual conditional expectation of external environment factors and road condition factors

3.3.3 道路屬性相關(guān)變量

針對跨河橋上、下游過渡段，可能造成其高風(fēng)險(xiǎn)的原因是：首先，在這兩個路段內(nèi)均存在橋梁伸縮縫。伸縮縫是一種橋梁特殊構(gòu)造物，會對行車造成負(fù)面影響，其造成的橋頭跳車可能導(dǎo)致駕駛員的心率失常、行車不舒適等［21］。其次，在跨河橋路段的限速為100 km·h-1，而跨河橋上、下游過渡段的限速分別為120、110 km·h-1，駕駛員看到限速標(biāo)志后，駕駛員會迫切改變自己的行車速度。此時，駕駛員容易產(chǎn)生急加速或急減速等激進(jìn)駕駛行為。而上下游的速度差異性也是影響交通安全的重要因素之一，Cai等［12］在研究中發(fā)現(xiàn)，當(dāng)上下游的車流平均速度差較大時，發(fā)生交通事故的概率也同步增加。

根據(jù)2016年至2019年4月內(nèi)不同路段類型的事故空間分布，如表5所示，可評估基于秩序安全分析與事故安全分析關(guān)聯(lián)結(jié)果。單位公里事故數(shù)由大至小依次為：跨河橋上游過渡段（33.989）＞跨河橋下游過渡段（21.467）＞跨線橋（19.158）＞路基直線段（13.103）＞路 基直 線段（13.063）＞跨河 橋（12.876）。結(jié)果表明，以基于導(dǎo)航數(shù)據(jù)的交通秩序指數(shù)作為風(fēng)險(xiǎn)替代指標(biāo)，可在一定程度上反映道路安全風(fēng)險(xiǎn)程度。在宏觀層面，與事故安全分析所得出的結(jié)論基本相同。但交通秩序指數(shù)與單位公里事故數(shù)間并非呈現(xiàn)線性關(guān)系，交通秩序指數(shù)更多地關(guān)注于激進(jìn)駕駛行為和速度變化特性層面的運(yùn)行風(fēng)險(xiǎn)，而非交通事故本身。未來研究中，將進(jìn)一步尋找二者間深層次的關(guān)聯(lián)關(guān)系。此外，也可拓展更多的研究對象，例如城市快速路、交叉口等，論證更多情景下交通秩序指數(shù)的有效性。

表5 2016年至2019年4月不同路段類型的事故空間分布Tab.5 Spatial distribution of accidents in different road sections from January 2016 to April 2019

4 結(jié)語

論文主要依托導(dǎo)航軟件所采集的高頻、精準(zhǔn)、海量的浮動車軌跡數(shù)據(jù)，采用基于激進(jìn)駕駛行為和速度變化特性的交通秩序指數(shù)作為安全風(fēng)險(xiǎn)替代指標(biāo)，主要貢獻(xiàn)在于突破了傳統(tǒng)事故分析中偶發(fā)性、局部性、滯后性等局限，實(shí)現(xiàn)全時空域下高速公路橋梁路段的交通安全風(fēng)險(xiǎn)辨識。此外，研究應(yīng)用個體條件期望圖描述及可視化黑箱模型的內(nèi)部影響關(guān)系。相較于傳統(tǒng)的部分依賴圖，個體條件期望圖可在一定程度上避免數(shù)據(jù)異質(zhì)性及非均勻效應(yīng)的影響。所獲得的主要結(jié)論如下：

（1）道路屬性方面，跨河橋上游及下游過渡區(qū)是高速公路橋梁路段交通秩序較差的區(qū)域，存在較大的交通安全風(fēng)險(xiǎn)；

（2）交通流方面，交通擁堵的嚴(yán)重程度與安全秩序水平呈負(fù)相關(guān)關(guān)系。延誤系數(shù)每增加0.1，高風(fēng)險(xiǎn)等級的發(fā)生概率將增加8%。此外，平均車速與限速值差與安全風(fēng)險(xiǎn)間呈非線性關(guān)系，當(dāng)二者差值約為24 km·h-1時，安全風(fēng)險(xiǎn)較低；

（3）外部環(huán)境方面，在能見度較低及不良天氣情況下，交通風(fēng)險(xiǎn)較高；隨橋梁側(cè)風(fēng)作用逐步增強(qiáng)，安全風(fēng)險(xiǎn)略微上升。

本文研究結(jié)果對于橋梁路段行車安全改善工程和風(fēng)險(xiǎn)防控措施具有參考意義，特別是在主動安全防控方案的設(shè)計(jì)具有理論支撐作用。在跨河橋上游過渡區(qū)及下游過渡區(qū)路段宜統(tǒng)一限速，并設(shè)置可變信息情報(bào)板、注意橋頭跳車標(biāo)志等。在橋梁路段可增設(shè)霧天行車誘導(dǎo)燈，一定程度上緩解由于能見度較低及不良天氣條件導(dǎo)致的跟車距離難以判斷、道路輪廓模糊等駕駛風(fēng)險(xiǎn)。

高速公路橋梁路段的交通安全風(fēng)險(xiǎn)還與橋梁的跨徑、橋型、跨越對象、是否設(shè)置風(fēng)屏障等結(jié)構(gòu)特性有關(guān)，未來可采集不同類型的橋梁路段行車數(shù)據(jù)開展秩序分析，進(jìn)一步深入探究橋梁結(jié)構(gòu)因素對交通安全風(fēng)險(xiǎn)的影響。此外，本文僅簡單分析事故與交通安全風(fēng)險(xiǎn)替代指標(biāo)間的對應(yīng)結(jié)果，未來可探究二者間的深層次關(guān)聯(lián)關(guān)系。

作者貢獻(xiàn)聲明：

趙曉華：提出論點(diǎn)，文獻(xiàn)綜述，模型推導(dǎo)，初稿修改，校稿。

楊海益：方法論，模型編程實(shí)現(xiàn)及構(gòu)建，初稿撰寫。

姚瑩：論文修改，數(shù)據(jù)分析，模型調(diào)參及優(yōu)化。

郭淼：研究內(nèi)容，論文寫作與修改。

亓航：模型構(gòu)建，文獻(xiàn)總結(jié)。

戴義博：數(shù)據(jù)庫構(gòu)建，文獻(xiàn)總結(jié)。

蘇岳龍：需求調(diào)研，提供數(shù)據(jù)。