高速公路隧道交通风险评估及影响因素关联分析

Highway tunnel traffic risk assessment and correlation analysis of influencing factors

摘要

基于同济道路轨迹数据平台TJRD TS提取车辆微观参数。考虑激进驾驶行为、车辆交互风险以及速度变异性，构建交通风险指数TRI，提出了一种基于CRITIC-熵权法的高速公路隧道交通综合风险评估方法，并通过Apriori关联算法，探究路段、时段、宏观交通参数、微观速度参数与交通风险等级之间的关联关系。研究结果表明：在接近段、入口段、过渡段、出口段的激进驾驶行为、交通冲突、速度变异性风险均有不同体现。白天过渡段、入口段、接近段TRI处于较高风险以上的比例分别为53.49%、50.56%、43.11%。夜间过渡段、驶离段TRI处于较高风险以上的比例分别为40.99%、37.62%。较高风险等级的道路单元与过渡段、速度差大、速度相对稳定等条件存在强关联规则。在关联规则分析中，当前项包含速度不稳定、速度差过大两类特征时，与高风险、较高风险等级均存在强关联关系。

Abstract

The vehicle micro-parameters are extracted based on TJRD TS （Tongji Road Trajectory Sharing Platform）. The traffic risk index TRI （traffic risk index） was constructed based on aggressive driving behaviors， vehicle interaction risk， and speed variability analysis. A comprehensive risk assessment method for highway tunnel traffic based on the CRITIC-entropy weight method was proposed to explore the risk characteristics of different locations in the tunnel. Finally， the Apriori association algorithm was used to explore the association relationship between road sections， time periods， macro traffic parameters， micro speed parameters， and traffic risk levels. The results showed that aggressive driving behavior， traffic conflicts， and speed variability risk were differently manifested in the approach， entrance， transition， and exit segments. The proportion of the transition section， entrance section and approach section with TRI above higher risk during daytime is 53.49%， 50.56%， and 43.11% respectively. At night， the proportion of the transition section and departure section with TRI above higher risk is 40.99% and 37.62% respectively. The correlation analysis of the TRI levels and influencing factors revealed that being at higher risk has a strong correlation rule with the transition section， large speed difference， and more stable speed. In the association rule analysis， when the antecedents include two characteristics of unstable speed and excessive speed difference， there is a strong correlation with the high-risk and relatively high-risk levels.

Graphical abstract

关键词

交通运输安全工程 / 高速公路隧道 / 交通风险识别 / CRITIC权重 / 熵权法 / 关联规则挖掘

Key words

engineering of communications and transportation safety / highway tunnel / traffic risk identification / CRITIC empowerment / entropy weight method / association rule mining

0 引 言

隧道是高速公路的特殊构造物，具有较高的封闭性，隧道内、外的亮度及交通空间差异等行车环境的变化均会对交通安全造成严重影响。驾驶员在隧道不同位置的驾驶行为具有较大差异，因此车辆在隧道的行驶安全性也不断变化。隧道每公里交通事故次数高于普通路段，且事故死亡率高达25%^［1］。隧道及其影响区段的交通安全防控是高速公路运营管理的重中之重。深入理解掌握隧道不同路段的交通风险特征对实现隧道智慧管控、提高运行效率和保障行车安全具有重要作用。

国内外学者通过实车试验^［2-4］、驾驶模拟器试验^［5］、交通仿真^［6，7］采集隧道环境下的驾驶行为及驾驶员心、生理数据，并通过微观指标（如车速、跟驰距离、心率增长律等）分析隧道行车风险。胡立伟等^［2］以加速度和跟车距离为变量构建了高原特长隧道行车危险评价模型。吴玲等^［3］基于安全车速差分析了高速公路隧道出入口段驾驶人行为风险变化特性。张驰等^［8］将交通冲突率作为风险评价指标，通过事故树拟合进行路段行车安全风险评价。此外，也有部分学者从宏观的人-车-路-环境方面选取分析指标进行交通风险评价。方松等^［9］引入风险分析和决策理论，对构成驾驶行为决策风险的主观、客观影响因素进行数学建模，量化城市隧道路段驾驶行为综合风险。芮红睿等^［10］筛选驾驶员、道路条件、交通条件、环境条件作为行车风险评价指标，建立了山区高速公路隧道入口过渡段行车风险可拓云评价模型。

考虑不同的数据结构、变量和样本特征，现有研究多使用离散选择模型^{［11，12］}、机器学习^［13］、关联规则^［14］等方法对交通事故致因进行深入分析。但事故具有偶发性、局部性等特点，难以展开道路全域的动态分析。此外，基于实车实验、驾驶模拟或仿真的统计分析样本量偏低，难以准确表征现实车辆在隧道全路段的运行状态。车辆行驶轨迹数据可提取出微观驾驶行为、宏观交通状态等参数，在行车特性分析、冲突识别、风险评估等方面得到广泛应用^{［15，16］}，这也为交通安全评价提供了新的机遇。

现有关于交通风险及其影响因素的研究大多依赖实验模拟和理论建模方法开展，鲜有综合考虑驾驶员在隧道行车过程中的激进驾驶行为，以及与其他车辆的交互。针对以上问题，本文提出了一种基于车辆轨迹数据的高速公路隧道交通风险评估方法。提取车辆微观参数，基于激进驾驶行为、交通冲突、速度变异指数3方面的7项指标构建高速公路隧道交通风险评估模型。利用Apriori关联算法揭示隧道交通风险与路段、时段、宏观交通参数、微观速度参数之间相互组合对风险的影响。研究成果可为隧道管理部门风险防控提供有效支撑，对降低隧道行车安全隐患、实现隧道主动安全治理、智能化决策等方面具有重要意义。

1 数据及初步处理

1.1　数据介绍

本文数据源自同济大学道路轨迹数据平台（Tongji road trajectory sharing platform，TJRD TS）^［17］。通过毫米波雷达和激光雷达采集原始数据，由于数据丢失、定位故障等原因存在轨迹数据缺失和异常，该平台基于多目标检测跟踪、轨迹拼接和边缘计算等技术，对全部原始车辆轨迹数据进行清洗处理后，提供准确、低延时的车辆连续轨迹，数据间距为100 ms。

山西五盂智慧高速为双向四车道高速公路，设计速度为80 km/h，包括2个车道，宽度均为3.75 m，1个应急车道，宽度为3.5 m。基于车辆连续轨迹智能感知的示范路段桩号K347+600-K352+690，以其中的五盂高速下细腰隧道（K349+919-K351+426）为研究对象。隧道全长1507 m，为单向隧道，隧道限速为80 km/h。数据时间为2023年10月26日至2023年10月28日共计72 h数据。考虑隧道外影响区的行车环境过渡，参考《公路隧道照明设计细则》（JTGT D702-01—2014）中不同照明段的长度要求进行划分，分析路段示意如图1所示。

1.2　数据处理

五盂高速下细腰隧道车辆连续轨迹为雷达原始车辆位置数据清洗处理后的数据，在此基础上，进行缺失值填补及数据平滑处理。对于每辆车，其自驶入到驶离隧道，所产生的数据应该在连续若干帧数据中存在。以100 ms为间距，使用线性插值方法填补缺失帧的字段。

在指标提取计算过程中，细微的误差都会被放大数倍。车辆运行状态、车辆间的相关关系（如加速度、速度差、车头时距等）参数均需要根据速度计算得出。为降低数据误差所造成的负面影响，采用局部加权散点平滑法（Locally weighted smoothing scatterplots，LOWESS）对车辆纵向速度进行初步平滑处理，去除数据噪声。以单个车辆的行驶速度为例，平滑处理前、后的单车速度曲线示例如图2所示。

1.3　参数提取及指标计算

驾驶员个体行为、车辆间交互以及交通流平均速度的离散程度对交通风险的形成和演变起着至关重要的作用^［18］。个体行为主要是指驾驶人在行车过程中表现出的各种行为特征。驾驶人在隧道行车过程中受明暗光线及环境变化，会观察前车的运行状态及行车环境，判断是否满足其行车需求，并通过加减速操作等改变驾驶车辆的行车状态。驾驶过程中有意识或者无意识的不安全行为是引发交通事故的主要因素，驾驶行为的改变和调整同时也会对交通系统中的其他车辆产生干扰，导致周围车辆相互影响，进而造成车辆状态的异常波动，影响整个道路的交通安全。在分析驾驶员个体行为时，考虑超速行驶、低速行驶、急加速、急减速4类激进驾驶行为。

车辆间的交互是指驾驶人与其他交通参与者之间的相互作用。隧道行车过程中道路交通环境复杂多变，交通参与者各自的行为模式和意图难以预测，使得车辆间的交通冲突变得更加不确定。交通冲突与交通事故之间存在单向转化关系，一旦发生交通冲突，若能及时采取避险行为则可以消除冲突，否则可能会导致交通事故。通过冲突度量指标判定行车过程中的潜在风险是道路交通安全分析的有效手段。

当交通流处于稳定状态时，车辆间的相对位置和速度保持一定的关系，交通流呈现有序特征。当交通流稳定性较低时，车辆之间的相对速度和位置变化较大，增加了因距离过近或速度差异较大而导致的碰撞风险。研究表明^［19］，高风险水平及较高的事故频次与交通流平均速度离散程度、速度变异系数（Coefficient of speed variation，CSV）显著相关。变异系数越大，表明车辆速度离散程度越大，交通运行状态越不稳定，碰撞风险越大。

基于以上分析，本文从激进驾驶行为、交通冲突、速度变异指数3个方面进行隧道交通风险评估。原始轨迹数据中包含车辆的时间、坐标、速度特征等。通过Python3.8.8提取并计算车辆速度、加速度、与前方车辆的速度差、跟车距离等微观参数，并以此计算得出各指标值。

1.3.1　激进驾驶行为

参考《基于车辆轨迹数据的汽车驾驶人驾驶行为安全性评价规范》（TCITSA 03-2020），加、减速度分别超出2.0、-1.5 m/s²时为急加速、急减速状态。以各类激进驾驶行为发生频率衡量风险：

P_{\mathrm{A}\mathrm{D}ij}=\frac{N_{\mathrm{e}\mathrm{v}\mathrm{e}\mathrm{n}\mathrm{t}\left(ij\right)}}{N{V}_i}（1）

式中：P_{\mathrm{A}\mathrm{D}ij}、N_{\mathrm{e}\mathrm{v}\mathrm{e}\mathrm{n}\mathrm{t}\left(ij\right)}分别为道路单元i第j类激进驾驶行为发生频率和次数；N{V}_i为i道路单元的统计车辆个数。

1.3.2　交通冲突

选取两个常用的冲突度量指标：碰撞时间（Time to collision，TTC）和避免碰撞所需减速度（Deceleration rate to avoid a crash，DRAC）表征隧道行车过程中的交互行为，其计算公式分别如下：

\mathrm{T}\mathrm{T}\mathrm{C}=\frac{x_{l,t}-x_{f,t}-l}{v_{f,t}-v_{l,t}}=(D-l)/\mathrm{\Delta }v（2）

\mathrm{D}\mathrm{R}\mathrm{A}\mathrm{C}=\frac{(v_{f,t}-v_{l,t}{)}^{\mathrm{2}}}{\mathrm{2}(x_{l,t}-x_{f,t}-l)}（3）

式中：x_{f,t}、x_{l,t}分别为t时刻跟驰车辆和前方车辆的纵向位置坐标；v_{f,t}、v_{l,t}分别为t时刻跟驰车辆和前方车辆的地点速度；l为前方车辆的长度；D为跟驰车辆与前方车辆的位置差；Δv为跟驰车辆与前方车辆的速度差。

以TTC、DRAC所表征的冲突频率衡量风险：

P_{\mathrm{T}\mathrm{C}ik}=N_{eventik}/N{V}_i（4）

式中：P_{\mathrm{T}\mathrm{C}ik}为i道路单元第k类交通冲突发生频率；N_{\mathrm{e}\mathrm{v}\mathrm{e}\mathrm{n}\mathrm{t}ik}为i道路单元第k类交通冲突发生次数。

1.3.3　速度变异系数

以速度变异系数CSV _i 衡量风险：

\mathrm{C}\mathrm{S}{\mathrm{V}}_i={\sigma }_i/{\overline{v}}_i（5）

式中：{\sigma }_i为i道路单元车辆速度标准差；{\overline{v}}_i为i道路单元车辆速度平均值。

2 本文方法

2.1　基于CRITIC-熵权法的高速公路隧道交通风险动态评估

传统CRITIC法通过标准差、相关系数衡量评价指标间的对比强度和指标之间的冲突性；熵权法根据指标值的离散程度确定指标权重。将CRITIC法与熵权法相结合，确定各指标客观权重。

2.1.1　指标计算

将分析路段每10 m进行划分，共划分为m个道路单元，X_{\mathrm{1}},X_{\mathrm{2}},\dots ,X_n为n个风险评价指标，其中X_i=\left\{x_{\mathrm{1}},x_{\mathrm{2}},\dots ,x_m\right\}。对各指标进行归一化处理，正向指标、负项指标归一化计算公式分别如下：

z_{ij}^{+}=\frac{x_{ij}-\mathrm{m}\mathrm{i}\mathrm{n}(X_i)}{\mathrm{m}\mathrm{a}\mathrm{x}(X_i)-\mathrm{m}\mathrm{i}\mathrm{n}(X_i)}（6）

z_{ij}^{-}=\frac{\mathrm{m}\mathrm{a}\mathrm{x}(X_i)-x_{ij}}{\mathrm{m}\mathrm{a}\mathrm{x}(X_i)-\mathrm{m}\mathrm{i}\mathrm{n}(X_i)}（7）

式中：z_{ij}^{+}、z_{ij}^{-}分别为正向、负向指标归一化计算结果；x_{ij}为第i个道路单元第j个风险评价指标值；\mathrm{m}\mathrm{a}\mathrm{x}(X_i)、\mathrm{m}\mathrm{i}\mathrm{n}(X_i)分别为第i个风险指标的最大值、最小值。

2.1.2　权重计算

（1）计算指标熵权

计算各道路单元的指标值在该指标中所占比重p_{ij}，根据信息论中信息熵的定义，计算各指标的信息熵e_j及熵权u_j，分别如下所示：

p_{ij}=z_{ij}/{\displaystyle \sum _{i=\mathrm{1}}^n}{z}_{ij}（8）

e_j=-\mathrm{l}\mathrm{n}{(n)}^{-\mathrm{1}}{\displaystyle \sum _{i=\mathrm{1}}^n}{p}_{ij}\mathrm{l}\mathrm{n}pij（9）

u_j=\frac{\mathrm{1}-e_j}{m-{\displaystyle \sum _{j=\mathrm{1}}^n}{e}_j}（10）

式中：z_{ij}为第i个道路单元第j个风险评价指标归一化处理后的取值。

（2）计算CRITIC权重

使用标准差S表示各指标变异性，标准差越大，表示指标本身的评价强度越强。

S=\sqrt[]{\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}(z_{ij}-{\overline{z}}_j{)}^{\mathrm{2}}}{n-\mathrm{1}}}（11）

式中：{\overline{z}}_j为第j个风险评价指标的平均值。

使用相关系数表示指标间的冲突性。与其他指标的相关性越强，表明该指标与其他指标的冲突性越小，所体现的评价内容重复性越高。各指标间的相关系数p_j计算公式如下：

p_j=\frac{{\displaystyle \sum _{j,k=\mathrm{1}}^n}(z_{ij}-{\overline{z}}_j)(z_{jk}-{\overline{z}}_k)}{\sqrt[]{{\displaystyle \sum _{j=\mathrm{1}}^n}(z_{ij}-{\overline{z}}_j{)}^{\mathrm{2}}{\displaystyle \sum _{k=\mathrm{1}}^n}(z_{ik}-{\overline{z}}_k{)}^{\mathrm{2}}}}（12）

结合指标变异性及指标冲突性，计算信息量V_j，信息量越大，表明该指标在整个评价体系中的作用越大。依据指标信息量，计算得出CRITIC权重v_j。

V_j=S_j{\displaystyle \sum _{j=\mathrm{1}}^n}\left(\mathrm{1}-|p_j|\right)（13）

v_j=V_j/{\displaystyle \sum _{j=\mathrm{1}}^n}{u}_j（14）

（3）综合权重计算

结合熵权法、CRITIC法分别确定的权重u_j、v_j，计算各指标的综合权重{\omega }_j：

{\omega }_j=\frac{\sqrt[]{u_j{v}_j}}{{\displaystyle \sum _{j=\mathrm{1}}^n}\sqrt[]{u_j{v}_j}}（15）

2.1.3　交通综合风险评估

基于激进驾驶行为和速度变化特性，Yao等^［18］提出交通安全风险替代指标——交通秩序指数（Traffic order index，TOI）用于评价道路的安全性和顺畅性。交通事故数多且事故持续时间长的路段交通秩序指数较低。在此基础上，本文综合考虑激进驾驶行为、交通冲突及速度变异性，提出交通风险指数（Traffic risk index，TRI），以此进行交通风险评估。此外，随分析时段变化的动态权重可以较好地反映相关指标特征，依据式（6）~（15）计算各时间周期内的指标权重，该周期下各道路单元交通风险指数TRI计算公式如下：

\begin{array}{l}\mathrm{T}\mathrm{R}{\mathrm{I}}_i=\mathrm{T}\mathrm{R}{\mathrm{I}}_{\mathrm{A}\mathrm{D}i}+\mathrm{T}\mathrm{R}{\mathrm{I}}_{\mathrm{T}\mathrm{C}i}+\mathrm{T}\mathrm{R}{\mathrm{I}}_{\mathrm{C}\mathrm{S}\mathrm{V}i}=\\ {\omega }_{\mathrm{A}\mathrm{D}ij}{S}_{\mathrm{A}\mathrm{D}ij}+{\omega }_{\mathrm{T}\mathrm{C}ik}{S}_{\mathrm{T}\mathrm{C}ik}+{\omega }_{\mathrm{C}\mathrm{S}\mathrm{V}i}{S}_{\mathrm{C}\mathrm{S}\mathrm{V}i}\end{array}（16）

式中：\mathrm{T}\mathrm{R}{\mathrm{I}}_i为i道路单元交通风险指数；\mathrm{T}\mathrm{R}{\mathrm{I}}_{\mathrm{A}\mathrm{D}i}、\mathrm{T}\mathrm{R}{\mathrm{I}}_{\mathrm{T}\mathrm{C}i}、\mathrm{T}\mathrm{R}{\mathrm{I}}_{\mathrm{C}\mathrm{S}\mathrm{V}i}分别为i道路单元激进驾驶行为、交通冲突、速度变异性风险指数；S_{\mathrm{A}\mathrm{D}ij}、S_{\mathrm{T}\mathrm{C}ik}分别为i道路单元第j个激进驾驶行为风险、第k个交通冲突风险评分；S_{\mathrm{C}\mathrm{S}\mathrm{V}i}为i道路单元速度变异性风险评分；{\omega }_{\mathrm{A}\mathrm{D}ij}\mathrm{、}{\omega }_{\mathrm{T}\mathrm{C}ik}\mathrm{、}{\omega }_{\mathrm{C}\mathrm{S}\mathrm{V}i}均为对应的指标权重。

2.2　基于Apriori的交通综合风险影响因素关联挖掘

关联规则是数据挖掘中的重要概念，单一的统计指标难以充分描述事物的发生规律，通过关联算法可以揭示数据中的隐藏关系。Apriori关联算法是最经典的关联规则算法，其核心是通过多次迭代得到数据中所有满足最小支持度的频繁项集，再利用生成的频繁项集构造满足最小置信度和提升度的关联规则。与其他算法相比，Apriori算法具有较低的计算复杂度和较高的准确性，可用于研究平均速度、车头时距等影响因素与潜在交通风险间的关联性。

由支持度、置信度和提升度３个指标表征关联规则的普遍性、可信性和有效性。支持度越高，表示规则的代表性越强；置信度越高，表示规则的可信性越强；提升度越高，表示规则前项对后项的影响越大。计算公式分别如下：

\mathrm{s}\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{o}\mathrm{r}\mathrm{t}(X)=P(X)=\frac{\mathrm{n}\mathrm{u}\mathrm{m}\mathrm{b}\mathrm{e}\mathrm{r}(X)}{\mathrm{n}\mathrm{u}\mathrm{m}\mathrm{b}\mathrm{e}\mathrm{r}(N)}（17）

式中：\mathrm{s}\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{o}\mathrm{r}\mathrm{t}(X)为特征X的支持度；P(X)为特征X出现的概率；\mathrm{n}\mathrm{u}\mathrm{m}\mathrm{b}\mathrm{e}\mathrm{r}(X)为特征X的频数； \mathrm{n}\mathrm{u}\mathrm{m}\mathrm{b}\mathrm{e}\mathrm{r}(N)为总数据量。

\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{f}\mathrm{i}\mathrm{d}\mathrm{e}\mathrm{n}\mathrm{t}(X\to Y)=p(Y\left|X)\right.=\frac{p(XY)}{p(X)}（18）

式中：\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{f}\mathrm{i}\mathrm{d}\mathrm{e}\mathrm{n}\mathrm{t}(X\to Y)为由特征X造成特征Ｙ的置信度；p(Y\left|X)\right.为在特征X的前提下，特征Y的概率；p(XY)为同时出现Ｘ、Ｙ的概率；p(X)为Ｘ的概率。

\mathrm{l}\mathrm{i}\mathrm{f}\mathrm{t}(X\to Y)=\frac{\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{f}\mathrm{i}\mathrm{d}\mathrm{e}\mathrm{n}\mathrm{t}(X\to Y)}{\mathrm{s}\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{o}\mathrm{r}\mathrm{t}(Y)}（19）

式中：\mathrm{l}\mathrm{i}\mathrm{f}\mathrm{t}(X\to Y)为特征Ｘ造成特征Ｙ发生的提升度；\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{f}\mathrm{i}\mathrm{d}\mathrm{e}\mathrm{n}\mathrm{t}(X\to Y)为由特征Ｘ造成特征Ｙ的置信度征；\mathrm{s}\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{o}\mathrm{r}\mathrm{t}(Y)为出现Ｙ的支持度。

3 高速公路隧道交通风险动态评估及影响因素分析

3.1　高速公路隧道风险分析

临近隧道出入口时驾驶人会采取加速或制动措施，通过调整车速以适应隧道内外的环境变化。统计时段内各道路单元不同类型激进驾驶行为的比例变化如图3所示，交通冲突比例及速度变异指数变化如图4所示。

在隧道出入口处超速、低速行驶车辆比例出现较为明显的变化。由图3可以看出：隧道入口处至入口后100 m范围内，超速比例在40%~50%内波动，随后超速比例逐渐减小，在隧道入口后600 m处降低至20%，随后超速比例处于小幅度波动状态。在隧道入口内100~300 m内，低速行驶车辆比例最高，并且在隧道入口前200~150 m以及入口后100 m内，车辆急减速比例明显增加，达到7%以上。此外，在隧道入口内150~250 m内的路段，急加速比例最高，在隧道入口内200 m处急加速车辆比例达到最大，为9.75%。

由图4中TTC表征的冲突比例可以看出：在隧道入口后100 m、出口前250 m范围内冲突比例较高，约为5%；在隧道出口前200 m范围内，TTC均值低于3.3 s，表明临近出口范围内的车辆出现冲突频率较高，并且在发生冲突时驾驶员需要在短时间内采取制动措施以避免碰撞。由图4中DRAC表征的冲突比例可知，隧道入口前250 m处冲突比例逐渐增加，在隧道入口内40 m处达到最大值15.4%，随后冲突比例呈逐渐减小的趋势。同时，隧道入口前300~100 m处，DRAC均值较高，表明车辆发生冲突时驾驶员需要更大的减速度以避免碰撞发生。隧道入口前200 m处速度变异指数逐渐增大，在隧道入口内240 m处达到最大值0.33，随后逐渐降低。

3.2　高速公路隧道交通风险评估

基于3.1节分析可知，接近段、入口段、过渡段、出口段激进驾驶行为、交通冲突、速度变异性均存在较大差别。以15 min为评估周期，计算各路段不同评估周期内的指标权重。依据式（16）计算得出各道路单元不同评估周期内的激进驾驶行为风险指数\mathrm{T}\mathrm{R}{\mathrm{I}}_{\mathrm{A}\mathrm{D}i}、交通冲突风险指数\mathrm{T}\mathrm{R}{\mathrm{I}}_{\mathrm{T}\mathrm{C}i}、速度变异性风险指数\mathrm{T}\mathrm{R}{\mathrm{I}}_{\mathrm{C}\mathrm{S}\mathrm{V}i}及交通风险指数TRI。图5为\mathrm{T}\mathrm{R}{\mathrm{I}}_{\mathrm{A}\mathrm{D}i}、\mathrm{T}\mathrm{R}{\mathrm{I}}_{\mathrm{T}\mathrm{C}i}、\mathrm{T}\mathrm{R}{\mathrm{I}}_{\mathrm{C}\mathrm{S}\mathrm{V}i}三者的关系图。

采用TRI的50%、85%、95%分位数将风险划分为4个等级：安全（0，0.15］、一般（0.15， 0.19］、较高风险（0.19，0.22］、高风险（0.22， 0.34］。以2023年10月28日0：00~24：00数据为例，交通风险指数TRI如图6所示。由图6可看出，在入口段、过渡段处于较高风险、高风险的路段较多，此路段内的平均风险为其余路段的1.16倍。此外，在8：00~14：00时段内，平均风险为其他时段的1.13倍，与该时段较大的交通量特征相一致。在以上时段内，隧道入口段、过渡段处于较高风险以上等级的比例高达44.7%。

时间、路段特征与隧道交通风险密切相关。各路段在白天、夜晚的TRI分布及等级比例如图7所示。由图7（a）可知：白天85%位TRI由高到低依次为入口段、过渡段、接近段、出口段、驶离段、中间段。过渡段TRI平均值最高为0.186，该路段较高风险以上的比例为53.49%。入口段、接近段平均TRI分别为0.184、0.169，较高风险以上的比例分别为50.56%、43.11%。由图7（b）可知：夜间过渡段、驶离段TRI平均值较高，分别为0.163、0.153，较高风险以上的比例分别为40.99%、37.62%。

对图6和图7可知：隧道入口段、过渡段各类风险指标存在明显变化，为了进一步探究隧道不同路段的风险致因，对比分析各路段指标均值与处于较高风险、高风险等级的指标均值差异，结果如图8所示。

分析图8可知：①接近段超速比例对隧道交通风险作用较大，白天、夜间的超速比例均值分别为11.91%、11.53%，处于较高和高风险等级的均值比该路段均值分别高4.53%、3.73%。②入口段白天急减速、TTC、CSV对风险影响较大，处于较高和高风险等级的均值比该路段均值分别高7.20%、6.67%、5.86%；夜间，入口段TTC对风险影响较大。③过渡段白天超速、急加速、DRAC对风险影响较大，较高和高风险等级的均值比该路段均值分别高7.83%、6.13%、6.19%；夜间，过渡段超速、急加速对风险影响较大，较高及高风险等级的均值比该路段平均值分别高7.62%、5.82%。④出口段白天急加速、TTC、CSV对风险影响较大，较高及高风险等级均值比该路段平均值分别高4.48%、7.53%、4.80%；夜间急加速对风险影响较大。⑤驶离段白天急加速比例、CSV均值比该路段均值高6.05%、3.03%，夜间超速比例、急加速比例均值比该路段均值高6.02%、5.59%。

综上可知，接近段风险主要体现在激进驾驶行为、交通冲突方面；入口段风险在3方面均有体现；过渡段风险体现为激进驾驶行为；出口段风险主要体现在交通冲突、速度变异性方面；驶离段风险主要体现在激进驾驶行为、速度变异性方面。

3.3　交通风险影响因素关联分析

3.3.1　风险影响因素指标

宏观交通流特征（交通量、密度、平均速度）及微观特征（速度、加速度、车头时距）均会对行车风险产生一定影响。为了更加全面地分析隧道交通风险的影响因素，本文选取道路属性、时间属性、宏观交通参数、微观交通参数4方面的8项指标进行隧道交通风险影响因素分析。各指标属性说明如表1所示。最后，确定交通风险等级为安全、一般、较高和高风险的TRI分别为（0，0.15］、（0.15，0.19］、（0.19，0.22］、（0.22，0.34］。

3.3.2　关联分析

经过人工调试，设定最小支持度为0.02，最小置信度为0.2，提升度为1。采用Apriori算法进行关联规则挖掘，分析隧道交通风险各影响因素相互之间的耦合机理。关联规则的支持度越高，表征对应频繁项集的发生频率越高。在高速公路隧道交通风险分析中，对于高支持度关联规则，关注和控制先导项（致因）有助于提高行车安全。以风险等级中较高风险、高风险为后项、其他变量为前项，得到37条关联规则。最终选取支持度和置信度较高、前项较多的8条关联规则，见表2。

由表2可知，发生高速公路隧道较高和高风险的关联分析主要涉及到过渡段、白天、速度差大、速度不稳定等因素，具体分析如下。

（1）过渡段处于高风险等级的比例为各路段最高（见图7），同时通过3.1节分析可知，该路段急加速车辆比例最高，超速车辆比例较高。由过渡段、速度差大、速度较稳定关联的高风险是强关联规则之一（编号1），支持度为0.052，提升度为3.405，表示过渡段由速度差大、速度较稳定而导致的高风险占总数的5.2%，并且该因素使得高风险可能性提高了3.405倍。过渡段应重点关注对车速的管控，降低与前车的车速差，预防事故的发生。

（2）后项为高风险时，前项包含速度不稳定（速度标准差大）的情况下，随着速度差大、夜间、与上游速度差大的前项变换，提升度和置信度有明显增加（编号4、3、2），高风险的可能性分别提高了2.59、3.28、3.31倍。此外，由速度差大、平均速度较低与高风险等级有较强的关联性（编号5），两项因素使得高风险可能性提高了1.72倍。当车辆速度标准差较大时，意味着车辆之间的速度差异较大，紧急情况下，驾驶员的反应时间和刹停距离都会相应增加，特别是在高速公路隧道，速度差异大的车辆之间更容易发生追尾事故。当与上游车辆的平均速度差较大时，这种速度差异可能导致车辆之间的相对位置变化，从而增加了交通风险。

（3）白天、速度差大与较高风险等级有较强的关联性（编号6、7）。白天、速度差大而导致的较高风险占总数的6.3%，使较得高风险可能性提高了1.474倍，此外白天、速度差大、速度不稳定使较得高风险可能性提高了1.898倍。

（4）交通量较大、时距小与较高风险等级有较强的关联性（编号8），使较高风险可能性提高了1.378，所引发的较高风险占总数的6.5%。车头时距小意味着后车紧跟前车，当交通量大且车头时距小时，车辆之间紧急制动或避让的空间和时间都受到严重限制，一旦前车出现紧急情况，后车通常来不及反应，容易发生追尾事故。

4 结束语

本文提出了交通风险指数TRI，并基于CIRTIC-熵权法进行隧道不同路段交通综合风险评估。通过车辆轨迹数据进行参数提取计算，分析隧道行车过程中的各类风险，揭示了高速公路隧道风险变化规律。基于Apriori关联算法提取内在机理，挖掘分析高速公路隧道潜在交通风险与各影响因素间的关联规则规律。研究结果表明：①CIRTIC-熵权法综合考虑个体驾驶员在行车过程中的激进驾驶行为、交通冲突、速度变异性，结合指标间的标准差、相关系数以及指标值的离散程度进行指标赋权，更加科学合理。②隧道入口段、过渡段各类风险指标与其余路段存在明显变化。白天过渡段、入口段TRI平均值最高，分别为0.186、0.184，较高风险以上的比例分别为53.49%、50.56%。夜间过渡段、驶离段TRI平均值较高，分别为0.163、0.153。③过渡段、速度差大、速度较稳定关联的高风险是最具有代表性的强关联规则。前项包含速度不稳定或是速度差大时，风险等级为较高风险、高风险的可能性较高。在考虑隧道交通风险防控时，应尽可能减少或阻止先导项发生。本文研究成果可为隧道不同路段的综合风险致因制定针对性管控措施，提醒驾驶员控制车速、保持车距或加强对行车环境的观察，为隧道内不同位置的行车风险主动安全预警和防护提供新思路，以实现隧道的精准化管控，极大提升行车安全性以及隧道运营管理的有效性。

参考文献

[1] 赵飞, 李洋洋, 韩晖. 基于交通事故数据的高速公路隧道路段安全性分析[J]. 北方交通, 2021(11): 83-86.

[2] Zhao Fei, Li Yang-yang, Han Hui. Safety analysis of expressway tunnel section based on traffic accident data[J]. Northern Communications, 2021(11): 83-86.

[3] 胡立伟, 陈政, 张婷. 基于高原地区高速公路特长隧道路段的跟车特征与安全性研究[J]. 公路交通科技, 2018, 35(1): 112-120.

[4] Hu Li-wei, Chen Zheng, Zhang Ting. Study on car-following characteristics and safety based on extra-long expressway tunnel section in plateau area[J]. Journal of Highway and Transportation Research and Development, 2018, 35(1):112-120.

[5] 吴玲, 胡昊, 赵炜华, 等. 基于安全车速差的高速公路特长隧道环境驾驶人行为风险特性研究[J]. 隧道建设, 2019, 39(10): 1636-1646.

[6] Wu Ling, Hu Hao, Zhao Wei-hua, et al. Behavior risk characteristics of drivers in extra-long higuway tunnel based on safe speed difference[J]. Tunnel Construction, 2019, 39(10): 1636-1646.

[7] 胡立伟, 尹宇, 刘泽, 等. 基于速度特性的高速公路隧道入口过渡段行车安全性分析[J]. 安全与环境学报, 2021, 21(6): 2407-2414.

[8] Hu Li-wei, Yin Yu, Liu Ze, et al. Safety analysis of expressway tunnel entrance transition section based on speed characteristics[J]. Journal of Safety and Environment, 2021, 21(6): 2407-2414.

[9] 王朝杰. 基于模拟驾驶法的金家庄特长螺旋隧道行车安全性分析[J]. 北方交通, 2021(8): 79-81.

[10] Wang Chao-jie. Analysis on traffic safety of jinjiazhuang super long spiral tunnel based on simulated driving method[J]. Northern Communications, 2021(8): 79-81.

[11] 李嘉, 龚瑞铭, 李洁, 等. 基于交通仿真的高速公路桥隧结合段交通安全评价方法[J]. 长安大学学报: 自然科学版, 2023, 43(4): 82-94.

[12] Li Jia, Gong Rui-ming, Li Jie, et al. Traffic safety evaluation method of bridge tunnel junction section of expressway based on traffic simulation[J]. Journal of Chang'an University (Natural Science Edition), 2023, 43(4): 82-94.

[13] 王海晓, 李永翔, 丁旭, 等. 基于边缘智能的城市下穿隧道车辆行车安全预测[J]. 吉林大学学报: 工学版, 2022, 52(6): 1337-1343.

[14] Wang Hai-xiao, Li Yong-xiang, Ding Xu, et al. Traffic safety prediction of urban underpass tunnel vehicles based on edge intelligence[J]. Journal of Jilin University (Engineering and Technology Edition), 2022, 52(6): 1337-1343.

[15] 张驰, 王博, 杨坤, 等. 高速公路隧道与互通出入口小净距路段行车风险评价方法[J]. 安全与环境学报, 2023, 23(6): 1739-1751.

[16] Zhang Chi, Wang Bo, Yang Kun, et al. Driving risk evaluation method on the short distance section between the tunnel and interchange on freeways[J]. Journal of Safety and Environment, 2023, 23(6): 1739-1751.

[17] 方松, 马健霄. 城市隧道路段驾驶行为综合风险研究[J]. 森林工程, 2019, 35(6): 67-71.

[18] Fang Song, Ma Jian-xiao. Research on comprehensive risk of driving behavior of urban tunnel[J]. Forest Engineering, 2019, 35(6): 67-71.

[19] 芮红睿, 武加宝, 胡立伟. 基于可拓云模型的高速公路隧道入口段行车风险评价研究[J]. 交通运输工程与信息学报, 2023, 21(2): 55-65.

[20] Rui Hong-rui, Wu Jia-bao, Hu Li-wei. Driving risk assessment of highway tunnel entrances based on extended cloud model[J]. Journal of Transportation Engineering and Information, 2023, 21(2): 55-65.

[21] 胡郁葱, 韦湖, 曾强. 基于空间广义有序Probit模型的高速公路事故严重程度分析[J]. 华南理工大学学报: 自然科学版, 2023, 51(1): 114-122.

[22] Hu Yu-cong, Wei Hu, Zeng Qiang. Analysis of freeway crash severity based on spatial generalized ordered Probit model[J]. Journal of South China University of Technology (Natural Science Edition), 2023, 51(1): 114-122.

[23] 郭淼, 赵晓华, 姚莹, 等. 基于驾驶行为和交通运行状态的事故风险研究[J]. 华南理工大学学报: 自然科学版, 2022, 50(9): 29-38.

[24] Guo Miao, Zhao Xiao-hua, Yao Ying, et al. Study on accident risk based on driving behavior and traffic operating status[J]. Journal of South China University of Technology (Natural Science Edition), 2022, 50(9): 29-38.

[25] 王健宇, 陈献天, 焦朋朋, 等. 考虑建成环境的交通事故严重程度致因交互效应研究[J]. 交通运输系统工程与信息, 2024, 24(2): 272-280.

[26] Wang Jian-yu, Chen Xian-tian, Jiao Peng-peng, et al. Interactive effect on traffic accident severity considering built environment[J]. Journal of Transportation Systems Engineering and Information Technology, 2024, 24(2): 272-280.

[27] 袁振洲, 郭曼泽, 彭泳鑫, 等. 基于梯度关联规则的老年行人交通事故风险识别[J]. 交通运输系统工程与信息, 2022, 22(1): 195-208.

[28] Yuan Zhen-zhou, Guo Man-ze, Peng Yong-xin, et al. Risk recognition of older pedestrian traffic crashes based on XGB-apriori algorithm[J]. Journal of Transportation Systems Engineering and Information Technology, 2022, 22(1): 195-208.

[29] 李振江, 万利, 周世睿, 等. 基于时空Transformer网络的隧道交通运行风险动态辨识方法[J]. 吉林大学学报: 工学版, 2025, 55(4): 1336-1345.

[30] Li Zhen-jiang, Wan Li, Zhou Shi-rui, et al. Dynamic estimation of operational risk of tunnel traffic flow based on deep temporal convolutional networks[J]. Journal of Jilin University (Engineering and Technology Edition), 2025, 55(4): 1336-1345.

[31] Peibo Z, Chris L. Assessing rear-end collision risk of cars and heavy vehicles on freeways using a surrogate safety measure[J]. Accident Analysis and Prevention, 2018(13): 149-158.

[32] Wang Jun-hua, Fu Ting. TJRD TS[EB/OL].[2024-05-23].

[33] Yao Ying, Zhao Xiao-hua, Zhang Yun-long, et al. Development of urban road order index based on driving behavior and speed variation[J]. Transportation Research Board, 2019, 2673(7): No.466.

[34] Cai Qing, Abdel-Aty M, Yuan Jing-hui, et al. Real-time crash prediction on expressways using deep generative models[J]. Transportation Research Part C: Emerging Technologies, 2020, 117: No.102697.

基金资助

山东省交通运输厅交通运输行业重点科技项目(2021-ZD2-047)