基于交通安全主動防范機制的道路風險評價與數據庫研究

課題項目：廈門理工學院橫向科研課題——翔安區發展現代服務業政策研究（編號：SKHZ24006）。

摘要：針對西南地區在道路環境風險安全方面所面臨的挑戰，本文對道路環境因素進行深入分析，并將對交通安全風險有顯著影響的因素賦予權重，制定一套道路環境風險評價體系，以此作為構建交通安全主動預防機制的基礎。文章旨在通過大數據、云計算、人工智能、IOT等新一代信息技術手段，基于Hadoop集群，創建道路環境風險聯動數據庫，構建道路環境風險預警模型，為提升交通安全而構建并實施主動預防機制的技術支撐，改善道路運行條件和環境，探索形成道路交通安全主動防范機制。

關鍵詞：道路環境風險；交通安全；道路交通數據庫

引言

隨著交通運輸的快速擴展，道路的運行狀況和環境因素所導致的交通安全問題變得越來越顯著。尤其西南地區的地形以山地為主，擁有眾多河流，形成了復雜的地形結構。這些地理特征，以及高比例的橋梁和隧道、陡峭的坡道和急轉彎、炎熱的氣候、潮濕多雨的天氣，都導致該地區的道路交通安全風險顯著高于全國其他地區[1]。廣西地處西南地區，有著國家建設西部陸海新通道的核心地位，承載著國家發展戰略的重要任務。因此，結合《公路項目安全性評價規范》（JTG B05-2015）[2]等相關國家行業標準規范，面向道路運輸條件和環境，建立基于交通安全主動防范機制的道路環境風險評價體系與風險聯運數據庫非常必要。

1. 研究現狀及水平

近年來，世界各國對道路交通安全問題非常重視。道路交通安全是全民安全出行的關鍵保障，關乎全區域經濟的發展，也是促進城市與鄉鎮經濟共同發展的根本[3]。探究交通安全影響因素的核心工作，涉及對多元維度的深入剖析，包括人的因素（如駕駛人和行人）、物的因素（如車輛）、環境因素（如交通道路條件和自然狀況），以及管理方面的因素。

多位學者研究了駕駛員的駕駛經驗、違章駕駛等人的不安全行為，并深入分析了這些行為如何對交通安全事故產生潛在影響。同時，學者們還探討了在不同環境和道路條件下，汽車速度如何影響事故的發生概率及其嚴重程度，并通過應用貝葉斯網絡方法，對道路交通安全事故進行了全面而綜合的分析[4]。例如，王乾等人改進物元可拓學模型，提出可定量分析安全風險的評價模型[5]。余豪等使用AMOS20.0軟件進行計算分析，通過城市道路交通安全評價模型對城市道路交通安全狀況進行評價[6]。張曉博等人改進灰色關聯評價模型，并對安徽省城市道路交通安全風險進行評價[7]。范東凱等人采用PCA（主成分分析法）并運用SPSS數據分析軟件進行風險評價[8]。李雪等人提出云模型安全風險評價方法，針對某城市進行了道路交通安全影響因素的詳盡剖析[9]。

2. 研究目標

針對西南地區特殊的地理環境，結合《公路項目安全性評價規范》（JTG B05-2015）等相關國家行業標準規范，面向道路運輸條件和環境，運用大數據、云計算、人工智能、IOT等新一代信息技術，建立基于交通安全主動防范機制的道路環境風險評價體系與風險聯運數據庫。具體實現目標如下：（1）研究與分析道路交通安全環境風險分類及影響因素。（2）構建與設計道路交通安全環境風險聯動數據庫。（3）建立與構造道路交通安全環境風險等級評估指標體系及預警模型。（4）搭建與開發道路交通安全風險主動防范機制平臺。

3. 研究內容

3.1 研究道路交通安全環境風險分類及影響因素

3.1.1 道路交通安全環境風險源分類

根據《公路項目安全性評價規范》（JTG B05-2015）的道路安全性評價研究，道路交通風險源通常可以從危險路段、路側干擾、自然條件三個方面篩選道路交通安全環境風險的影響因素。危險路段包括懸崖、深谷、深溝、江河、湖泊等；路側干擾包括村鎮、居民區、牧區、林區等；自然條件包括降雨、冰凍、積雪、霧、側風等。

3.1.2 道路交通安全環境影響因素研究

根據影響道路交通安全風險源分類，結合《公路項目安全性評價規范》（JTG B05-2015）的道路安全性評價方法，主要從自然氣象條件、路側危險路段、地形地質條件、路網設備設施、技術標準規范、交通流量狀況、交叉工程項目等七方面，深入剖析影響道路交通安全的核心要素與關鍵因素。

3.2 構建道路交通安全環境風險聯動數據庫

目前，道路交通安全數據來自道路管理維護部門、交通運輸行業管理部門的信息管理中心數據庫，以及交警部門的道路運輸監管平臺等。針對原始數據結構不一致、數據源多元化等特點，采用Hive工具設計數據倉庫，利用DWD層對ODS層中收集的業務系統數據進行異常檢測與清洗處理，隨后依據數據的不同維度進行分類存儲。之后，通過DWM層對這些明細數據進行初步聚合，基于常用的分析維度進行匯總整理。通過Hive載體，將數據存儲到HDFS和HBASE。再通過“DMHS”的技術手段實現相關數據的同步共享，并通過云計算技術部署MyCat數據庫中間件服務，構建讀寫分離的數據庫集群，加快數據同步、讀取，加強數據安全保障。

3.3 建立道路交通安全環境風險等級評估指標體系及預警模型

3.3.1 分類建立一階評估指標體系和預警模型

在第一階段完成數據采集和影響因素分類遴選的基礎上，從自然氣象條件、路側危險路段、地形地質條件、路網設備設施、技術標準規范、交通流量狀況、交叉工程項目等七個因素值，通過三部曲“定權重、構指標、建模型”，歸類構建一階評估指標體系和預警模型。

3.3.2 構建二階評估指標體系和預警模型

運用定量統計方法和專家評定法，并結合七個一階評估指標體系和預警模型，構建了一個基于灰類評價法的二階道路交通安全風險評估指標體系。此外，還建立了一個基于邏輯回歸優化算法的二階道路交通安全風險預警模型。

4. 擬解決的關鍵問題

4.1 搭建道路交通安全環境風險主動防范機制平臺和預警模型

針對當前道路交通安全風險主動防范的問題，結合《公路項目安全性評價規范》（JTG B05-2015）的道路安全性評價方法，從自然氣象條件、路側危險路段、地形地質條件、路網設備設施、技術標準規范、交通流量狀況、交叉工程項目等七方面，梳理影響道路交通安全環境風險的主要因素。通過整合人工智能、云計算、大數據等新一代信息技術，創建風險聯動數據庫，開發了一個高性能、即時反應、精確度高、人性化好的道路交通安全環境風險主動防范機制平臺。同時，開發了一個道路交通安全環境風險預警模型，實現數據可視化展示，并融入智能化決策支持，從而提升管理效率與精準度。

4.2 建立網絡化、智能化的道路交通安全環境風險動態評價體系

建立包含自然氣象條件、路側危險路段、地形地質條件、路網設備設施、技術標準規范、交通流量狀況、交叉工程項目七個一級指標的道路交通安全環境風險評價指標，并依托道路交通安全環境風險主動防范機制平臺，建立網絡化、智能化的道路交通安全環境風險動態評價體系。

4.3 打造“預警指導+數據聯動”雙重交通安全主動防范機制

結合七個一級道路交通安全環境風險預警模型，建立科學的數字化評價體系，運用大數據和人工智能技術實現道路交通安全環境風險預警，提供用戶指導道路運行條件和環境改善。同時，運用Hadoop分布式集群搭載分布式數據庫，完成與道路環境因素的全方面聯動數據采集和存儲。

5. 研究方法

5.1 交通安全環境風險因素分類及遴選

針對當前道路交通安全風險主動防范的現存問題，根據西南地區地形地貌和氣候環境特點，結合《公路項目安全性評價規范》（JTG B05-2015）的道路安全性評價方法，從自然氣象條件、路側危險路段、地形地質條件、路網設備設施、技術標準規范、交通流量狀況、交叉工程項目等七方面，梳理影響道路交通安全風險的主要因素。

5.2 建立評估指標體系和預警模型

搭建高性能、即時反應、精確度高、人性化好的道路交通安全環境風險主動防范機制平臺，通過“采數據、找因素、賦權重、建指標、建模型”五個步驟，建立以邏輯回歸優化算法為基礎的道路交通安全環境風險等級評價指標體系和預警模型。

5.3 形成雙重交通安全主動防范機制

綜合七個道路交通安全環境風險預警模型，建立科學的數字化評價體系，運用大數據和人工智能技術，實現道路交通安全環境風險預警。同時，運用Hadoop分布式集群搭載分布式數據庫，完成與道路環境因素的全方面聯動數據采集和存儲，建立“預警指導+數據聯動”雙重主動防范機制平臺。

6. 技術路線

整體框架分為數據層、技術層、采集層、計算層、應用層五層。數據層運用Hadoop分布式集群搭載分布式數據庫，完成與道路環境因素的全方面聯動數據采集和存儲；技術層采用大數據、云計算、人工智能等新一代信息技術做保障；采集層分為自動采集和人工采集兩種方式；計算層使用sigmoid函數構建基于邏輯回歸的初始模型，再通過MLE對損失函數模型進行優化，利用梯度下降法來調整最優參數，建立道路交通安全環境風險預警的模型；最后通過應用層的用戶不斷輸送數據，充實平臺的數據量，完善體系指標。

7. 實驗方案

7.1 采集數據

通過Hadoop分布式集群，結合大數據技術和MapReduce技術，使用Python語言設計數據處理的算法。首先，通過“北斗”或“GPS”地圖服務獲取道路狀況數據；其次，采用“DMHS”技術，實現各部門的數據同步和共享；再次通過Spark Streaming流處理框架，運用MapReduce編程設計，結合Hive數據倉庫，進行數據的清洗、整理、計算、表達和分析；最后，運用HBase建立數據倉庫并完成數據的存儲。

7.2 構建模型

設定風險預警值為Y（其中Y＜0.5代表安全，Y＞0.5表示存在安全風險），設定各類影響因素為X。從數據倉庫中選取N組樣本數據，通過sigmoid函數，運用Numpy和Matplotlib庫進行程序設計、圖形繪制以及結果預測，確定取值范圍，最終構建出邏輯回歸模型。

7.3 評估模型

通過伯努利試驗的概率假設。首先，使用MLE進行參數的初步估計，并繪制圖形；其次，通過樣本數據進行訓練，得出似然函數；最后，通過損失函數對似然函數進行取負和取對數的運算，構建出損失函數的數學模型。

7.4 優化模型

在Python環境中，采用梯度下降法對樣本數據進行持續的訓練和優化。通過迭代計算，找到最佳參數，并將這些最優參數應用于邏輯回歸模型中，獲得最優權重的道路交通安全環境風險預警模型。

7.5 搭建平臺

利用大數據和人工智能技術，運用Hadoop分布式集群搭載數據庫，同時，將道路交通安全環境風險預警數據進行分析、對比、存儲、可視化，再與道路環境因素進行全方面聯動數據采集和存儲，建立“預警指導+數據聯動”雙重主動防范機制平臺。

8. 未來展望

首先，城市道路交通安全系統受到多種相互關聯且復雜多變的不利因素的影響。現有的指標體系僅覆蓋了部分情況，對于特殊情況的評價指標，如殘障人士的安全需求、兩輪車和行人在道路上的安全措施等尚未考慮。為提高道路交通安全評價的科學性和有效性，需要綜合運用最新一代的信息技術來優化和改善現有的量化標準化指標體系。研發用于評估道路交通安全風險的計算軟件，能夠簡化計算過程，降低時間成本，進而提升評價結果的準確性，并使得評價過程更加科學和高效。

其次，隨著交通運輸領域的持續擴展，對道路交通安全風險評價的研究變得更加深入，其實際應用價值和未來發展潛力也在不斷增長。同時，一些學者開展了城市道路交通安全信息化的研究，這有助于顯著降低交通事故造成的人員傷亡和經濟損失。因此，將這些研究成果應用于環境更加復雜、條件更多樣的區域，可以進一步驗證所構建的數學模型和算法的有效性，并解決更多實際問題中的難點。

最后，我國山地城市比較多，交通問題也比較突出，山地道路交通安全涉及人、車、路、環境、管理等影響因素，由于道路交通安全風險評價系統本身的復雜性和龐大性，涉及大量的定量和定性指標。未來的研究要綜合考慮道路、交通安全設施、環境因素、人的因素和車的因素對安全風險的評價，不斷改進指標體系，優化模型算法，提高評價的科學性。

結語

本文旨在為道路交通安全環境風險因素數據分析提供指標體系、數學模型、數據庫建立、信息平臺管理等研究應用，運用大數據處理與人工智能技術，對模擬生成的數據進行深入分析與模式識別，提供決策，加強了道路交通安全環境風險場景應用的直觀性、準確性及安全性。后期需要不斷完善和長時間地探索實踐，建立持久的風險聯動數據庫，指導道路運行條件和環境改善，降低道路交通安全事故。

參考文獻：

[1]韋端，陳正振.西南地區道路運輸企業交通安全風險閉環管控機制研究[J].西部交通科技，2020（9）：179-183.

[2]中華人民共和國交通運輸部.公路項目安全性評價規范：JTG B05-2015[S].北京：人民交通出版社股份有限公司，2016.

[3]楊沙.城市道路交通安全風險評價指標體系研究與應用[D].西安：西安科技大學，2020.

[4]尚康，曾正東.高速公路隧道交通安全動態風險預警體系研究[J].黑龍江交通科技，2023，46（7）125-128.

[5]王乾，馬非，夏楊于雨，等.基于改進的可拓學模型的城市道路隧道交通安全評價[J].隧道建設（中英文），2018，38（S2）：169-175.

[6]余豪，周江紅.基于SEM的道路交通安全評價研究[J].公路與汽運，2019，33（5）：35-38.

[7]張曉博，劉朝峰，杜麗衡，等.基于改進灰色關聯法的安徽省道路交通安全評價[J].河北工業大學學報，2019，48（3）：60-66.

[8]范東凱，曹凱.基于主成分分析法的城市道路交通安全評價[J].中國安全科學學報，2010，20（10）：147-151.

[9]李雪，趙寧，鄭晅.基于云模型的道路交通安全等級評價[J].北京工業大學學報，2015（8）：1219-1224.

作者簡介：洪東，碩士研究生，副教授，1730199278@qq.com，研究方向：軟件工程和大數據技術。