基于熵權云模型的高速公路交通安全風險評估研究*

張琦， 易云帆， 夏鵬

(長沙理工大學 交通運輸工程學院， 湖南 長沙 410114)

高速公路具有車速快、車輛類型復雜、封閉性強等特點，高速公路上發生的事故大都為特重大或重大人身傷亡和財產損失事故。開展高速公路交通安全風險分析，辨識風險因素，評估風險等級，進而采取相應安全提升措施，可為高速公路安全運行提供保障。李志華將高速公路風險因素分為主觀因素和客觀因素，從道路線形、交通安全設施、路面狀況、交通環境和路側危險物等方面分析了客觀因素對高速公路安全的影響；劉曉從山區天氣狀況、道路線形、道路安全防護措施、交通安全管理等方面對重慶高速公路交通安全進行了評價；羅勇等建立遞階層次結構，綜合評估了高速公路隧道運營安全風險；高建偉探討了道路條件對行車安全的影響，并提出了相關設計改善方法；雷桂榮等探討了道路線形和交通流指標對高速公路交通安全的影響。

交通安全評價方法主要包括故障樹分析法、模糊層次分析法、灰色模糊理論法及神經網絡法等，由于存在一定主觀性或需要大量樣本進行訓練，評價的實用性和可信性有所降低，需進行改進。熵權法能客觀確定指標權重，云模型能實現定量與定性概念之間的不確定性轉換，充分考慮其隨機性，可減小主觀因素的影響。徐征捷等采用云模型對鐵路控制中心限速功能進行了風險評估；沈進昌等提出了基于云模型的模糊綜合評價方法；楊文東等基于云模型對邊坡進行了風險評估；劉珊珊基于云模型對高速鐵路行車調度系統的不安全事件進行了風險評估；Yang Yafeng等基于云模型對水資源與能源安全進行了風險評估。本文基于熵權云模型構建高速公路交通安全風險評估指標體系，對高速公路交通安全風險進行評價。

1 評價指標體系構建

綜合考慮影響高速公路交通安全風險的因素，從道路條件C1、氣象條件C2、交通條件C3三方面構建評價指標體系，評價指標具有獨立性、客觀性、全面性，能充分反映高速公路風險狀況。

1.1 道路條件指標

對高速公路交通安全風險影響最大的道路條件因素包括高邊坡、橋隧、長大縱坡和出入口。

(1) 高邊坡C11。由于高速公路地形地質條件復雜，邊坡穩定性問題更突出，容易出現滑坡、落石、崩塌和防護加固工程結構破壞或失效等現象。邊坡穩定性越差，風險越大。綜合考慮邊坡穩定性及邊坡失穩的破壞后果，對邊坡風險值進行量化，計算公式見式(1)。RS分數越高，邊坡風險性越大。

RS=F×IS×CS

(1)

式中：RS為邊坡安全風險分數；F為歸一化因子；IS為滑坡穩定性分數；CS為滑坡后果分數。

(2) 橋隧C12。橋隧是高速公路的特殊構造物，具有封閉性等特征，對高速公路交通安全風險有一定影響。橋隧比例越大，高速公路交通安全風險越大。橋隧評價各等級風險值見表1、表2，按照該標準進行分值確定，分值越高，風險越高，分數以累加形式計算。

表1 橋梁評價各等級風險值

表2 隧道評價各等級風險值

(3) 長大縱坡C13。在長大縱坡上行駛時，不易控制車速，極其考驗駕駛人的反應及操作速度，遇到緊急情況時頻繁踩剎車易造成剎車失靈，引起車輛失控。綜合考慮坡度與坡長，以設計速度100 km/h的高速公路為例，按表3、表4所示標準確定風險等級。

表3 縱坡評價等級劃分

表4 縱坡評價各等級風險值

(4) 出入口C14。出入口路段交通交織，車流復雜，存在頻繁減速或加速的現象，提高了交通事故危險性和交通安全風險。出入口數量越多，高速公路交通安全風險越大。出入口評價各等級風險值見表5，按照該標準進行分值確定，分值越高，風險越高。

表5 出入口評價各等級風險值

1.2 氣象條件指標

降雨量和能見度是對高速公路交通安全風險影響最大的氣象條件因素。

(1) 降雨量C21。降雨會使路面摩擦系數下降，導致車輛行駛穩定性降低、制動距離增加。降雨后高速公路路面因積水出現水膜，顯著降低路面與車輪間的附著系數，導致車輛容易打滑，增大安全風險。風險隨著降雨量的增大而增大，達到一定程度時風險降低，這是由于采取了相關管控措施或駕駛人提高了警惕性等。降雨量以降雨強度來表征，定義為一定時段內降落到地面的雨水深度(mm/h)。

(2) 能見度C22。能見度為路段的能見距離(m)，主要反映霧對高速公路交通安全的影響。能見度降低會使駕駛人分辨不清周圍或前方的狀況，同時導致駕駛人心理緊張，增加行車風險。

1.3 交通條件指標

對高速公路交通安全風險影響最大的交通條件因素包括交通量和交通組成。

(1) 交通量C31(飽和度)。安全風險隨著交通量的增大而增大。飽和度W能間接反映交通量，按式(2)計算。飽和度過低時，行車自由度較高，駕駛人由于放松警惕，車速往往很高，單車安全風險增大；飽和度過高時，引起交通堵塞，駕駛人高度警惕，安全風險反而降低。

W=V/C

(2)

式中：C為最大通行能力；V為最大交通量。

(2) 交通組成C32(大車比例)。大型客貨車(除小型轎車外的所有車輛)比例X是影響行車安全的因素之一，按式(3)計算。大車混入后誘使小車產生一系列加、減速行為，影響車流運行穩定性。

X=U/M×100

(3)

式中：U為大型客貨車數量；M為所有車輛數量。

2 熵權云模型相關理論

2.1 云模型

(1) 云的定義。設U是以精準值表示的定量論域，C是U上的定性概念，若定量值x∈U，每個x為概念C的一次具體實現，x對C的確定度μ(x)∈[0,1]是具有穩定趨勢的隨機數μ：U→[0,1]，?x∈Ux→μ(x)，那么x在U上的分布稱為云，每個x稱作一個云滴。

(2) 云的數字特征。云的數字特征能反映概念的整體性和定性知識的定量特征，對定性概念的理解具有重要意義。云一般以云期望Ex、熵En和超熵He3個數字特征來整體表征一個概念。期望Ex表示云滴在論域空間分布的中心值，是概念在論域空間的期望，是定性概念最具代表性的典型樣本。熵En度量定性概念的不確定性，由概念的隨機性和模糊性來決定。熵不僅能反映云滴的平均離散程度，是對定性概念隨機性的度量，還能表達可被定性概念接受的云滴的取值范圍，是對模糊性的度量。超熵He為熵的熵，度量熵值的不確定性，由熵的隨機性和模糊性來決定，反映代表該值全部點的不確定度的集中程度，也間接表達云滴的厚度。

(3) 云發生器。云發生器主要分為正向云發生器與逆向云發生器。正向云發生器通過云的數字特征(Ex,En,He)生成云滴，完成定性到定量的映射，它是最基礎的云計算，是能將定性信息轉換到定量的范圍及分布規律的算法，是表達定性信息最常用且最重要的工具，是前向的過程，在表達定性信息的基本語言值時尤為有用。逆向云發生器是實現從定量范圍轉換到定性概念的算法，能把一系列精確數據轉換為以數字特征(Ex,En,He)表示的定性概念。逆向云發生器以統計學為基礎原理，有使用確定度信息和不使用確定度信息兩種基本算法。

2.2 熵權法

基于熵權理論對各影響因子的權重進行修正。

(1) 設對a個評價因子進行評價，每個評價因子有b個指標，構建標準化矩陣如下：

R=(rij)a×b

(4)

(2) 定義各指標熵為：

(5)

(6)

式中：b為評價等級數量；fij為隸屬度，0≤fij≤1。

(3) 用向量wi=(wi1,wi2,…,wia)T作為各指標的權重向量，經熵權修正后權重為：

(7)

式中：0≤wij≤1。

3 基于熵權云模型的高速公路交通安全風險評估

3.1 評價假設

評價中，用一個云滴映射一次評價。按照高速公路交通安全風險評估指標體系，風險共分為5個等級，依次為極低風險(Ⅰ級)、低風險(Ⅱ級)、中等風險(Ⅲ級)、高風險(Ⅳ級)、極高風險(Ⅴ級)，每個風險評價指標隸屬于某一等級的確定度都能用一個綜合云表示。

應用云模型進行高速公路交通安全風險評價時，作以下假設：1) 將每一定量的評價等級都視為一個自然語言的概念，對應映射為一朵云；2) 觀測數據隸屬于5個等級中某一等級的確定度符合正態分布。

3.2 評價步驟

(1) 明確8個評價指標，將其分為5個級別并分別確定各自合理的分級指標。

(2) 針對某一評價指標Xi，根據評判標準，設定各等級分別對應的評價指標范圍(a,b)，并確定各指標權重。

(3) 確定云模型的(Ex,En,He)，由云發生器形成該評價指標分別隸屬于5個評價等級的綜合云模型。

(4) 重復步驟2、步驟3，直至每個評價指標都生成其隸屬于各自評價等級的云，共8×5朵云。

(5) 根據實際數據計算各指標隸屬于對應等級的確定度，并乘以相應的指標權重(指標權重由熵權法求出)。

(6) 對每一個確定度矩陣各列值求和，即各評價指標隸屬于某評價等級的確定度之和，風險評價結果即為確定度最大值所屬的等級。

3.3 云模型參數選取

根據評價指標及標準，通過如下方法確定云模型的3個數字特征：

(1) 對于某變量VQa，如具有上邊界Cmin、下邊界Cmax，則3個數字特征按式(8)～(10)計算。

Ex=(Cmin+Cmax)/2

(8)

En=(Cmax-Cmin)/6

(9)

He=k

(10)

式中：Cmin、Cmax分別表示變量VQa的最小和最大邊界值；k是常數，可通過自身的模糊度大小來確定。

(2) 對于只有單邊界的變量，如VQa[Cmin,+∞]或VQa[-∞,Cmax]，可先依據數據的上下限確定其缺省邊界期望值或參數，然后按式(8)～(10)計算云參數。計算所得云模型參數見表6。

表6 云模型參數

3.4 各項指標等級劃分

各項指標的分級區間見表7。

表7 各項指標等級劃分

3.5 分級指標模型

計算各評價指標在不同風險等級下的標準正態云值，結果見表8。圖1為高速公路交通安全風險評估的分級指標模型圖。

表8 各評價指標的標準正態云值

4 實例分析

以湖南省某運營高速公路為例，運用上述方法評估其交通安全風險。通過實地調查獲得指標數據，按特征值計算公式計算各評價指標的云模型特征值(Ex,En,He)，結果見表9。

圖1 分級指標模型圖

表9 各評價指標的云模型參數

計算各評價指標在各風險等級下的隸屬度，結果見表10。

表10 各指標相對各等級標準指標的隸屬度

為反映各指標對高速公路交通安全風險的影響程度，基于熵權法確定權重系數，計算結果見表11。

表11 評價指標的權重

從單一的評價指標權重來看，長大縱坡的權重最大，對風險影響最為突出。采用加權平均型模糊合成算子將確定度矩陣與權重系數矩陣相結合，得到綜合評判向量，再按最大隸屬度原則評價高速公

路道路交通安全風險等級，評價結果見表12。

從表12可以看出：該高速公路總體安全風險水平為Ⅱ級(好)，其中道路條件風險等級為Ⅲ級(一般)，氣象條件風險等級為Ⅱ級(好)，交通條件風險等級為Ⅱ級(好)。結合權重值可知，對該高速公路交通安全風險影響最大的為道路條件。后續安全改善中可結合表10中各指標的隸屬度及表11中各指標的權重值，采取針對性的防治措施，如設置交通安全設施、改善道路結構物、嚴格治理超載等，提高其安全水平。

表12 交通安全風險綜合評價結果

5 結論

為辨識高速公路交通安全風險源，建立風險評價指標體系，將高速公路安全影響因素劃分為道路條件、氣象條件和交通條件3 個一級指標及高邊坡、橋隧、長大縱坡、出入口、降雨量、能見度、交通量(飽和度)、交通組成(大車比例)8 個二級指標，把高速公路交通安全狀態劃分為極低風險、低風險、中等風險、高風險和極高風險5個等級。在此基礎上將熵權法和云模型相結合，先利用熵權法修正指標權重，然后應用云模型評價高速公路交通安全風險，得到高速公路交通安全風險等級。采用該方法進行安全風險評價，有助于提高高速公路交通安全改善措施的針對性及改善方案的有效性。但也存在一些不足，如指標選取不夠詳細；雖然云模型考慮了風險的不確定性及隨機性，盡可能地減小了主觀因素帶來的影響，但整個風險評價過程中主觀因素仍然存在。因此，還有待進行更深入的研究。