基于跟驰行为谱的跟驰风险状态预测

汪 敏，涂辉招，李 浩

（同济大学道路与交通工程教育部重点实验室，上海201804）

公安部交通管理局统计［1］结果表明，我国道路交通事故中，跟驰碰撞事故数约占总事故数的1/3，特别是城市道路和高速公路，经常出现连环追尾碰撞事故［2-3］，不仅造成生命财产损失，还严重影响交通有序运行。量化并实时预测车辆跟驰行驶过程中的危险程度，即跟驰风险状态，可提前预警跟驰事故，对降低跟驰事故发生概率有重要意义。

跟驰风险状态预测，常用的方法是结合实际的交通事故数据或者交通冲突数据进行致因解析，寻找对跟驰风险有显著影响的因素，再利用统计分析、机器学习等方法进行跟驰风险状态预测［2，4-6］。但是实际的事故数据往往难以获取，并且数据质量难以得到保证。也有研究结合客观分析和主观评价，通过问卷调查、专家打分、层次分析模型评定跟驰风险状态［7-8］。然而，问卷调查的方式存在较大的主观性，受打分专家的风险偏好和经验影响较大，且难以结合车端采集的数据，对跟驰风险状态进行实时动态预测。部分学者通过仿真实验进行事故模拟，进而研究跟驰风险状态［9-12］。事故仿真实验往往和实际交通情况有较大的差别，风险量化和预测的结果难以得到有效的验证。

一些能反映跟驰风险状态的跟驰风险状态指标被提出，如车头时距（time headway，THW）、碰撞时间（time to collision，TTC）、避免碰撞减速率（deceleration rate to avoid crash，DRAC）等［3，13-14］。根据这些指标从特定角度对跟驰风险状态进行量化表征、划分等级，然后利用隐马尔科夫模型［15］、机器学习模型［16-17］、时间序列模型［15-16］等进行跟驰风险状态预测。……