《东南大学学报（自然科学版）》：道路交通网络安全风险辨识研究进展（东南大学：陆建、程泽阳）

第49卷第2期 东南大学学报(自然科学版) VoL 49 No. 2 2019年3月 JOURNAL OF SOUTHEAST UNIVERSITY( Natural Science Edition) Mar.2019 DOI:10.3969/j.issn.1001-0505.2019.02.029 道路交通网络安全风险辨识研究进展苗游 陆建程泽阳 (东南大学城市智能交通江苏省重点实验室,南京21189 (东南大学现代交通技术江苏高校协同创新中心,南京21189) (东南大学交通学院,南京21189) 摘要:道路交通网络安全风险辨识是交通安全管理的重要环节.从多源异构交通信息采集与处 理、交通动态演化规律辨识与态势分析、交通风险评估及预警3个层面对道路网络安全风险辨识 领堿的研究方法、模型及存在不足进行概括,并进行了实地调査.总结发现:多源交通信息采集主 要以2种或3种交通传感器数据为主,信息覆盖面低;交通态势发展分析仍局限在短时交通状态 预测和估计上,缺少对广域时间尺度上的研究;多数安全风险评估建立在事故数据分析的基础 上,对事故前的风险点辨识及定量评估有待提升.另外,国内城市道路交通结构复杂,机非冲突 人非冲突现象普遍存在,一定程度上阻碍了交通安全风险的有效辨识.最后,结合国内外最新技 术提出了未来的研究发展方向 关键词:安全风险辨识;态勢分析;交通网络;风险评估;预警 中图分类号:U491文献标志码:A文章编号:1001-0505(2019)02040409 Research and development of road traffic network security risk identification Lu Jian Cheng Zeyang Jiangsu Key Laboratory of Urban ITS, Southeast University, Nanjing 211189, China) (Jiangsu Province Collaborative Innovation Center of Modern Urban Traffic Technologies, Southeast University, Nanjing 211189, China) School of Transportation, Southeast University, Nanjing 211189, China) Abstract The security risk identification in road traffic network is the key of traffic safety manage- ment. The research methods models and deficiencies that related to road network risk identification were summarized from three levels: multi-source traffic information acquisition and processing; dy namic traffic evolution pattern identification and traffic state analysis traffic risk assessment and ear ly warning. Then, the corresponding investigation and analysis was also conducted. The results show that the multi-source traffic information acquisition is primarily based on two or three kinds of sensor data, and the information coverage is lower; the traffic state operating analysis is still limited to short-term traffic state prediction and estimation, and the research on wide-area time scales is no- tably absent; most safety risk evaluations are based on accident data analysis, and the identification and the quantitative evaluation of pre-accident risks need to be supplemented. In addition, the com plexity of the urban road traffic network, such as the serious conflict between vehicles and bicycles and between vehicles and people, brings difficulties to the identification of traffic safety risks. Final ly, future research and development direction is pointed out combined with the latest technology. Key words: security risk identification; state analysis; traffic network; risk assessment; warning 收稿日期:201809-12.作者简介:陆建(1972—),男,博土教授,博士生导师,lujian_1972@seu.edu.cn. 基金项目:国家自然科学基金资助项目(51478110)、江苏省科技计划资助项目(BY2016076405) 引用本文:陆建,程泽阳道路交通网络安全风险辨识研究进展[J]东南大学学报(自然科学版),2019,49(2):404-412.DO:10.3969 sn.1001-0505.2019.02.029

第 ４９卷第 ２期 ２０１９年 ３月 东 南 大 学 学 报 （自 然 科 学 版 ） ＪＯＵＲＮＡＬＯＦＳＯＵＴＨＥＡＳＴＵＮＩＶＥＲＳＩＴＹ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ） Ｖｏｌ．４９ Ｎｏ．２ Ｍａｒ．２０１９ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－０５０５．２０１９．０２．０２９ 道路交通网络安全风险辨识研究进展 陆 建 程泽阳 （东南大学城市智能交通江苏省重点实验室，南京 ２１１１８９） （东南大学现代交通技术江苏高校协同创新中心，南京 ２１１１８９） （东南大学交通学院，南京 ２１１１８９） 摘要：道路交通网络安全风险辨识是交通安全管理的重要环节．从多源异构交通信息采集与处 理、交通动态演化规律辨识与态势分析、交通风险评估及预警 ３个层面对道路网络安全风险辨识 领域的研究方法、模型及存在不足进行概括，并进行了实地调查．总结发现：多源交通信息采集主 要以 ２种或 ３种交通传感器数据为主，信息覆盖面低；交通态势发展分析仍局限在短时交通状态 预测和估计上，缺少对广域时间尺度上的研究；多数安全风险评估建立在事故数据分析的基础 上，对事故前的风险点辨识及定量评估有待提升．另外，国内城市道路交通结构复杂，机非冲突、 人非冲突现象普遍存在，一定程度上阻碍了交通安全风险的有效辨识．最后，结合国内外最新技 术提出了未来的研究发展方向． 关键词：安全风险辨识；态势分析；交通网络；风险评估；预警 中图分类号：Ｕ４９１ 文献标志码：Ａ 文章编号：１００１－０５０５（２０１９）０２０４０４０９ Ｒｅｓｅａｒｃｈａｎｄｄｅｖｅｌｏｐｍｅｎｔｏｆｒｏａｄｔｒａｆｆｉｃｎｅｔｗｏｒｋ ｓｅｃｕｒｉｔｙｒｉｓｋｉｄｅｎｔｉｆｉｃａｔｉｏｎ ＬｕＪｉａｎ ＣｈｅｎｇＺｅｙａｎｇ （ＪｉａｎｇｓｕＫｅｙＬａｂｏｒａｔｏｒｙｏｆＵｒｂａｎＩＴＳ，ＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１１１８９，Ｃｈｉｎａ） （ＪｉａｎｇｓｕＰｒｏｖｉｎｃｅＣｏｌｌａｂｏｒａｔｉｖｅＩｎｎｏｖａｔｉｏｎＣｅｎｔｅｒｏｆＭｏｄｅｒｎＵｒｂａｎＴｒａｆｆｉｃＴｅｃｈｎｏｌｏｇｉｅｓ，ＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１１１８９，Ｃｈｉｎａ） （ＳｃｈｏｏｌｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎ，ＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１１１８９，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅｓｅｃｕｒｉｔｙｒｉｓｋｉｄｅｎｔｉｆｉｃａｔｉｏｎｉｎｒｏａｄｔｒａｆｆｉｃｎｅｔｗｏｒｋｉｓｔｈｅｋｅｙｏｆｔｒａｆｆｉｃｓａｆｅｔｙｍａｎａｇｅ ｍｅｎｔ．Ｔｈｅｒｅｓｅａｒｃｈｍｅｔｈｏｄｓ，ｍｏｄｅｌｓ，ａｎｄｄｅｆｉｃｉｅｎｃｉｅｓｔｈａｔｒｅｌａｔｅｄｔｏｒｏａｄｎｅｔｗｏｒｋｒｉｓｋｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｗｅｒｅｓｕｍｍａｒｉｚｅｄｆｒｏｍｔｈｒｅｅｌｅｖｅｌｓ：ｍｕｌｔｉｓｏｕｒｃｅｔｒａｆｆｉｃｉｎｆｏｒｍａｔｉｏｎａｃｑｕｉｓｉｔｉｏｎａｎｄｐｒｏｃｅｓｓｉｎｇ；ｄｙ ｎａｍｉｃｔｒａｆｆｉｃｅｖｏｌｕｔｉｏｎｐａｔｔｅｒｎｉｄｅｎｔｉｆｉｃａｔｉｏｎａｎｄｔｒａｆｆｉｃｓｔａｔｅａｎａｌｙｓｉｓ；ｔｒａｆｆｉｃｒｉｓｋａｓｓｅｓｓｍｅｎｔａｎｄｅａｒ ｌｙｗａｒｎｉｎｇ．Ｔｈｅｎ，ｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇｉｎｖｅｓｔｉｇａｔｉｏｎａｎｄａｎａｌｙｓｉｓｗａｓａｌｓｏｃｏｎｄｕｃｔｅｄ．Ｔｈｅｒｅｓｕｌｔｓ ｓｈｏｗｔｈａｔｔｈｅｍｕｌｔｉｓｏｕｒｃｅｔｒａｆｆｉｃｉｎｆｏｒｍａｔｉｏｎａｃｑｕｉｓｉｔｉｏｎｉｓｐｒｉｍａｒｉｌｙｂａｓｅｄｏｎｔｗｏｏｒｔｈｒｅｅｋｉｎｄｓｏｆ ｓｅｎｓｏｒｄａｔａ，ａｎｄｔｈｅｉｎｆｏｒｍａｔｉｏｎｃｏｖｅｒａｇｅｉｓｌｏｗｅｒ；ｔｈｅｔｒａｆｆｉｃｓｔａｔｅｏｐｅｒａｔｉｎｇａｎａｌｙｓｉｓｉｓｓｔｉｌｌｌｉｍｉｔｅｄ ｔｏｓｈｏｒｔｔｅｒｍｔｒａｆｆｉｃｓｔａｔｅｐｒｅｄｉｃｔｉｏｎａｎｄｅｓｔｉｍａｔｉｏｎ，ａｎｄｔｈｅｒｅｓｅａｒｃｈｏｎｗｉｄｅａｒｅａｔｉｍｅｓｃａｌｅｓｉｓｎｏ ｔａｂｌｙａｂｓｅｎｔ；ｍｏｓｔｓａｆｅｔｙｒｉｓｋｅｖａｌｕａｔｉｏｎｓａｒｅｂａｓｅｄｏｎａｃｃｉｄｅｎｔｄａｔａａｎａｌｙｓｉｓ，ａｎｄｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄｔｈｅｑｕａｎｔｉｔａｔｉｖｅｅｖａｌｕａｔｉｏｎｏｆｐｒｅａｃｃｉｄｅｎｔｒｉｓｋｓｎｅｅｄｔｏｂｅｓｕｐｐｌｅｍｅｎｔｅｄ．Ｉｎａｄｄｉｔｉｏｎ，ｔｈｅｃｏｍ ｐｌｅｘｉｔｙｏｆｔｈｅｕｒｂａｎｒｏａｄｔｒａｆｆｉｃｎｅｔｗｏｒｋ，ｓｕｃｈａｓｔｈｅｓｅｒｉｏｕｓｃｏｎｆｌｉｃｔｂｅｔｗｅｅｎｖｅｈｉｃｌｅｓａｎｄｂｉｃｙｃｌｅｓ， ａｎｄｂｅｔｗｅｅｎｖｅｈｉｃｌｅｓａｎｄｐｅｏｐｌｅ，ｂｒｉｎｇｓｄｉｆｆｉｃｕｌｔｉｅｓｔｏｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｔｒａｆｆｉｃｓａｆｅｔｙｒｉｓｋｓ．Ｆｉｎａｌ ｌｙ，ｆｕｔｕｒｅｒｅｓｅａｒｃｈａｎｄｄｅｖｅｌｏｐｍｅｎｔｄｉｒｅｃｔｉｏｎｉｓｐｏｉｎｔｅｄｏｕｔｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｌａｔｅｓｔｔｅｃｈｎｏｌｏｇｙ． Ｋｅｙｗｏｒｄｓ：ｓｅｃｕｒｉｔｙｒｉｓｋｉｄｅｎｔｉｆｉｃａｔｉｏｎ；ｓｔａｔｅａｎａｌｙｓｉｓ；ｔｒａｆｆｉｃｎｅｔｗｏｒｋ；ｒｉｓｋａｓｓｅｓｓｍｅｎｔ；ｗａｒｎｉｎｇ 收稿日期：２０１８０９１２． 作者简介：陆建（１９７２—），男，博士，教授，博士生导师，ｌｕｊｉａｎ＿１９７２＠ｓｅｕ．ｅｄｕ．ｃｎ． 基金项目：国家自然科学基金资助项目（５１４７８１１０）、江苏省科技计划资助项目（ＢＹ２０１６０７６０５）． 引用本文：陆建，程泽阳．道路交通网络安全风险辨识研究进展［Ｊ］．东南大学学报（自然科学版），２０１９，４９（２）：４０４ ４１２．ＤＯＩ：１０．３９６９／ｊ． ｉｓｓｎ．１００１－０５０５．２０１９．０２．０２９．

第2期 陆建,等:道路交通网络安全风险辨识研究进展 405 近几年,我国机动车数量持续增长,小汽车保未来的研究发展方向 有量已经跃居世界第一,道路交通网络基础设施建 设也呈现出了快速发展的趋势.与此同时,道路交 1道路交通网络安全风险辨识框架 通网络运营的安全风险问题也日益加剧,诸如道路 作为道路交通安全管理研究的热点之一,道路 网络突发性事件、群死群伤的重特大交通事故等频交通网络安全风险辨识主要是对影响道路安全的 繁发生,严重影响了道路使用者的生命、财产安全 系列因素进行深入分析和有效识别,在此基础上 因此,对道路交通网络安全风险的相关内容展开研对交通安全态势进行综合评估,并对安全风险进行 究尤为重要 早期预警,从而达到保障道路交通安全、平稳运行 如何有效融合现有的交通信息采集方法对道的目的 路交通网络演化规律及运行态势进行实时分析,并 本研究主要内容包括多源异构交通信息采集 准确评估和预测交通网络安全风险,是道路交通安与处理、道路交通网络演化规律辨识及态势分 全领域的重点研究课题.道路交通网络安全风险的析、道路交通网络安全风险评估及预警,通过对 有效辨识是降低交通安全风险的突破口.本文主要这些领域的最新进展进行分析,以期有效识别路 以道路交通运输系统为研究对象,对道路交通安全网中存在的安全风险,并有针对性地做出风险预 风险辨识领域的国内外相关进展进行了梳理,并对报.图1为道路交通网络安全风险辨识研究基本 当前研究成果存在的不足进行了讨论,最后指出了框架 道路交通网络安全风险辨识 1|多源异构交通信息 道路交通网络动态演化 道路交通网络安全 采集与处理 规律辨识及态势分析 风险评估及预警1 数据支撑 道路 4络 交通 态势 安全 分析 平估 预警 技术支撑 决策支撑 图1道路交通网络安全风险辨识研究框架 2多源异构交通信息采集与处理 这些数据采集方法虽然可以用于某些特定目的的 研究,但缺少了对空间交通行为的分析,基于此, 2.1单源交通信息采集与处理 Faouzi等指出车联网数据采集、自动车辆标签等 传统的交通信息采集方式包括地感线圈、视频新兴的交通数据采集技术可以有效弥补这一不足 检测、微波检测、地磁检测等,其中地感线圈通过电随着移动通信和图像处理技术的发展,更多的信息 感器件与车辆检测器构成协调电子系统,当有车辆采集方法得到研究,如 Rehrl等9提出了一种基于 经过时,会改变线圈电感量并激发电路产生输出,智能手机技术的浮动车数据采集方法; Dozza 从而检测车辆;视频检测通过实时分析输入的图等0研究了驾驶员视频数据的自动处理方法,并 像,判断图像中划定的运动目标,获得所需的数据;将其应用于交通事件的分类.以上研究进展表明在 微波检测通过发射器向检测区域发射微波,车辆通单源交通信息采集方面,传统的交通信息采集方式 过时,多普勒效应反射波以不同的频率返回,通过(如线圈检测、地磁检测、微波检测等)与新兴的交 反射波的频率检测是否有车辆通过 通数据处理技术(如车联网数据采集、视频图像处 已有的研究涵盖了线圈检测器21、微波检测理等)已经日趋成熟 器、地磁检测器(、摄像机检测法(、浮动车采2.2多源异构交通信息采集与处理 集法[6、手机采集法等多种交通信息采集方式 单源交通信息采集方法存在成本低技术成熟 http://journal.seu.edu.cn

ｈｔｔｐ：／／ｊｏｕｒｎａｌ．ｓｅｕ．ｅｄｕ．ｃｎ 近几年，我国机动车数量持续增长，小汽车保 有量已经跃居世界第一，道路交通网络基础设施建 设也呈现出了快速发展的趋势．与此同时，道路交 通网络运营的安全风险问题也日益加剧，诸如道路 网络突发性事件、群死群伤的重特大交通事故等频 繁发生，严重影响了道路使用者的生命、财产安全． 因此，对道路交通网络安全风险的相关内容展开研 究尤为重要． 如何有效融合现有的交通信息采集方法对道 路交通网络演化规律及运行态势进行实时分析，并 准确评估和预测交通网络安全风险，是道路交通安 全领域的重点研究课题．道路交通网络安全风险的 有效辨识是降低交通安全风险的突破口．本文主要 以道路交通运输系统为研究对象，对道路交通安全 风险辨识领域的国内外相关进展进行了梳理，并对 当前研究成果存在的不足进行了讨论，最后指出了 未来的研究发展方向． １ 道路交通网络安全风险辨识框架 作为道路交通安全管理研究的热点之一，道路 交通网络安全风险辨识主要是对影响道路安全的 一系列因素进行深入分析和有效识别，在此基础上 对交通安全态势进行综合评估，并对安全风险进行 早期预警，从而达到保障道路交通安全、平稳运行 的目的． 本研究主要内容包括多源异构交通信息采集 与处理、道路交通网络演化规律辨识及态势分 析、道路交通网络安全风险评估及预警，通过对 这些领域的最新进展进行分析，以期有效识别路 网中存在的安全风险，并有针对性地做出风险预 报．图 １为道路交通网络安全风险辨识研究基本 框架． 图 １ 道路交通网络安全风险辨识研究框架 ２ 多源异构交通信息采集与处理 ２．１ 单源交通信息采集与处理 传统的交通信息采集方式包括地感线圈、视频 检测、微波检测、地磁检测等，其中地感线圈通过电 感器件与车辆检测器构成协调电子系统，当有车辆 经过时，会改变线圈电感量并激发电路产生输出， 从而检测车辆；视频检测通过实时分析输入的图 像，判断图像中划定的运动目标，获得所需的数据； 微波检测通过发射器向检测区域发射微波，车辆通 过时，多普勒效应反射波以不同的频率返回，通过 反射波的频率检测是否有车辆通过． 已有的研究涵盖了线圈检测器［１２］ 、微波检测 器［３］ 、地磁检测器［４］ 、摄像机检测法［５］ 、浮动车采 集法［６］ 、手机采集法［７］ 等多种交通信息采集方式． 这些数据采集方法虽然可以用于某些特定目的的 研究，但缺少了对空间交通行为的分析，基于此， Ｆａｏｕｚｉ等［８］ 指出车联网数据采集、自动车辆标签等 新兴的交通数据采集技术可以有效弥补这一不足． 随着移动通信和图像处理技术的发展，更多的信息 采集方法得到研究，如 Ｒｅｈｒｌ等［９］ 提出了一种基于 智能手 机 技 术 的 浮 动 车 数 据 采 集 方 法；Ｄｏｚｚａ 等［１０］ 研究了驾驶员视频数据的自动处理方法，并 将其应用于交通事件的分类．以上研究进展表明在 单源交通信息采集方面，传统的交通信息采集方式 （如线圈检测、地磁检测、微波检测等）与新兴的交 通数据处理技术（如车联网数据采集、视频图像处 理等）已经日趋成熟． ２．２ 多源异构交通信息采集与处理 单源交通信息采集方法存在成本低、技术成熟 第 ２期 陆建，等：道路交通网络安全风险辨识研究进展 ４０５

406 东南大学学报(自然科学版) 第49卷 的优点,但其内在的局限性如数据结构单一、信息该模型对某一公路交通动态演化特性进行了研究 完整度低、采集设备易损坏等决定了这些信息采集随后,又有众多学者对该模型进行了不同改进,并 方式不能有效反映广泛和准确的道路网络信息.随将其应用到单一道路动态交通流演化的研究 着大数据分析和车联网技术的发展,单一的数据采中123.基本图模型也经常被用来分析单一道路 集方式越来越无法满足更高精度的交通数据采集网络层面交通流的演变规律, Musolino等x1利用 需求,因此需要对多源异构交通大数据进行融合分网络基本图的知识对交通规律的演化过程进行了 析为此,更加准确综合的交通信息采集与处理方分析.随着复杂网络的发展,一些学者开始利用复 法开始得到广泛研究和应用 杂网络的相关理论对道路网络交通演化规律进行 多源异构交通信息采集与处理是将不同检测研究,主要包括道路网络拓扑结构的形成、网络特 方式获得的数据进行融合处理,使数据更具有应用性的动态变化等2,这些研究在单一道路层面 性近年来,张量模型作为一种全新的数据融合方的基础上进一步对道路交通网络的复杂特性进行 法,吸引了国内外学者的注意Ran等和Han了拓展在网络失效性方面,刘新全在模拟的道 等口分别利用张量完成法和张量分解法对稀疏浮路交通网络条件下通过贝叶斯网络推理研究了道 动车数据进行了补充和分析,结果证明张量方法可路网络级联失效的演变机理 Danczyk等则根 以对缺失数据进行有效修补,弥补了数据不足的缺据实际道路网络建立了感知-成本模型,并结合具 陷.许多学者对2种交通传感器数据的融合进行了体案例分析了意外事件发生后交通流的变化特性, 研究,提出了不同数据源之间的融合方法31.随全面揭示了密西西比河大桥及附近区域交通网络 后3种交通数据采集方法的融合处理开始得到广中断情况下的道路交通演变规律,在该研究中,感 泛研究:Coue等将激光、雷达和视频传感器数知-成本模型是通过一个假设的指数衰减函数构建 据进行融合,并将其应用到先进的辅助驾驶中,这的,是否适用于其他复杂条件下的交通状况还有待 使车辆的行驶满足了更复杂的交通环境.Zeng证明.另外,地理信息技术在道路网络交通流演化 等对环形线圈数据、AⅥI观测数据和浮动车数分析中也得到了一定的应用,部分研究从时间序 据进行了融合分析,完成了交通事件的自动检测列、空间自相关、时空模式挖掘33等角度 丁宏飞等将微波检测器、视频检测器和浮动车分别分析了交通拥堵的形成原因和交通事故的演 数据进行了有机结合,从而进行了快速路交通事件变机理 的检测 Nantes等集成了环形线圈、手机蓝牙和 总体而言,现有道路交通流演化规律辨识涉及 GPS观测等多种数据源,并对城市道路交通状态单一道路层面和道路网络层面.在单一道路层面 进行了估计 元胞自动机模型、基本图模型已经取得了长足的发 根据研究目的和应用场景的不同,多源异构交展,并得到了广泛研究.在道路网络层面,复杂网络 通信息采集与处理的研究也有所不同,在多源交通分析技术已日趋成熟,基于地理信息技术的道路网 信息完整性方面,大部分研究只涉及到2种或3种络交通流演化分析也开始得到应用 交通数据源的融合,较少涉及4种及以上交通信息3.2道路交通网络态势分析 的融合.在多源交通数据应用方面,研究较多侧重 道路交通网络态势分析主要分为道路网络交 于历史交通事件的检测和用于辅助驾驶决策. 通流估计、道路网络交通状态预测和道路网络交通 状态感知3个过程.交通状态感知是态势分析的基 3道路交通网络动态演化规律辨识础,是指对交通态势要素的提取和分析,收集影响 与态势分析 交通态势的因素,并对其进行分析.交通状态预测 道路交通网络具有时空特性、自组织特性和随和估计主要是在数据采集的基础上,对历史及实时 机特性.分析道路交通网络动态演化规律及交通运交通数据进行分析,根据当前获取的交通发展态 行态势有助于全面了解道路网络的复杂特性,并能势,预测和估计未来可能岀现的变化趋势. 有效掌握交通瓶颈及交通事故的形成机理,为进一 道路网络交通流估计和交通状态预测在以往 步评估道路交通网络安全风险提供技术支撑 的研究中涉及较多3-1),多数的研究都是短时 3.1道路交通网络动态演化规律辨识 (15min以下)交通流状态估计和预测.在交通状 元胞自动机是分析单一道路层面交通流演化态感知方面,Zhu等考虑到基本交通流参数的 规律的一种基础模型, Daganzo于1994年利用影响,提出了车联网环境下基于驾驶员感知的交通 http://journal.seu.edu.cn

ｈｔｔｐ：／／ｊｏｕｒｎａｌ．ｓｅｕ．ｅｄｕ．ｃｎ 的优点，但其内在的局限性如数据结构单一、信息 完整度低、采集设备易损坏等决定了这些信息采集 方式不能有效反映广泛和准确的道路网络信息．随 着大数据分析和车联网技术的发展，单一的数据采 集方式越来越无法满足更高精度的交通数据采集 需求，因此需要对多源异构交通大数据进行融合分 析．为此，更加准确、综合的交通信息采集与处理方 法开始得到广泛研究和应用． 多源异构交通信息采集与处理是将不同检测 方式获得的数据进行融合处理，使数据更具有应用 性．近年来，张量模型作为一种全新的数据融合方 法，吸引了国内外学者的注意．Ｒａｎ等［１１］和 Ｈａｎ 等［１２］ 分别利用张量完成法和张量分解法对稀疏浮 动车数据进行了补充和分析，结果证明张量方法可 以对缺失数据进行有效修补，弥补了数据不足的缺 陷．许多学者对 ２种交通传感器数据的融合进行了 研究，提出了不同数据源之间的融合方法［１３１６］ ．随 后 ３种交通数据采集方法的融合处理开始得到广 泛研究：Ｃｏｕｅ等［１７］将激光、雷达和视频传感器数 据进行融合，并将其应用到先进的辅助驾驶中，这 使车辆的行驶满足了更复杂的交通环境．Ｚｅｎｇ 等［１８］ 对环形线圈数据、ＡＶＩ观测数据和浮动车数 据进行了融合分析，完成了交通事件的自动检测． 丁宏飞等［１９］ 将微波检测器、视频检测器和浮动车 数据进行了有机结合，从而进行了快速路交通事件 的检测．Ｎａｎｔｅｓ等［２０］ 集成了环形线圈、手机蓝牙和 ＧＰＳ观测等多种数据源，并对城市道路交通状态 进行了估计． 根据研究目的和应用场景的不同，多源异构交 通信息采集与处理的研究也有所不同，在多源交通 信息完整性方面，大部分研究只涉及到 ２种或 ３种 交通数据源的融合，较少涉及 ４种及以上交通信息 的融合．在多源交通数据应用方面，研究较多侧重 于历史交通事件的检测和用于辅助驾驶决策． ３ 道路交通网络动态演化规律辨识 与态势分析 道路交通网络具有时空特性、自组织特性和随 机特性．分析道路交通网络动态演化规律及交通运 行态势有助于全面了解道路网络的复杂特性，并能 有效掌握交通瓶颈及交通事故的形成机理，为进一 步评估道路交通网络安全风险提供技术支撑． ３．１ 道路交通网络动态演化规律辨识 元胞自动机是分析单一道路层面交通流演化 规律的一种基础模型，Ｄａｇａｎｚｏ［２１］于 １９９４年利用 该模型对某一公路交通动态演化特性进行了研究． 随后，又有众多学者对该模型进行了不同改进，并 将其应用到单一道路动态交通流演化的研究 中［２２２５］ ．基本图模型也经常被用来分析单一道路 网络层面交通流的演变规律，Ｍｕｓｏｌｉｎｏ等［２６］利用 网络基本图的知识对交通规律的演化过程进行了 分析．随着复杂网络的发展，一些学者开始利用复 杂网络的相关理论对道路网络交通演化规律进行 研究，主要包括道路网络拓扑结构的形成、网络特 性的动态变化等［２７２８］ ，这些研究在单一道路层面 的基础上进一步对道路交通网络的复杂特性进行 了拓展．在网络失效性方面，刘新全［２９］ 在模拟的道 路交通网络条件下通过贝叶斯网络推理研究了道 路网络级联失效的演变机理．Ｄａｎｃｚｙｋ等［３０］则根 据实际道路网络建立了感知 成本模型，并结合具 体案例分析了意外事件发生后交通流的变化特性， 全面揭示了密西西比河大桥及附近区域交通网络 中断情况下的道路交通演变规律，在该研究中，感 知 成本模型是通过一个假设的指数衰减函数构建 的，是否适用于其他复杂条件下的交通状况还有待 证明．另外，地理信息技术在道路网络交通流演化 分析中也得到了一定的应用，部分研究从时间序 列［３１］ 、空间自相关［３２］ 、时空模式挖掘［３３３４］等角度 分别分析了交通拥堵的形成原因和交通事故的演 变机理． 总体而言，现有道路交通流演化规律辨识涉及 单一道路层面和道路网络层面．在单一道路层面， 元胞自动机模型、基本图模型已经取得了长足的发 展，并得到了广泛研究．在道路网络层面，复杂网络 分析技术已日趋成熟，基于地理信息技术的道路网 络交通流演化分析也开始得到应用． ３．２ 道路交通网络态势分析 道路交通网络态势分析主要分为道路网络交 通流估计、道路网络交通状态预测和道路网络交通 状态感知 ３个过程．交通状态感知是态势分析的基 础，是指对交通态势要素的提取和分析，收集影响 交通态势的因素，并对其进行分析．交通状态预测 和估计主要是在数据采集的基础上，对历史及实时 交通数据进行分析，根据当前获取的交通发展态 势，预测和估计未来可能出现的变化趋势． 道路网络交通流估计和交通状态预测在以往 的研究中涉及较多［３５４１］ ，多数的研究都是短时 （１５ｍｉｎ以下）交通流状态估计和预测．在交通状 态感知方面，Ｚｈｕ等［４２］考虑到基本交通流参数的 影响，提出了车联网环境下基于驾驶员感知的交通 ４０６ 东南大学学报（自然科学版） 第 ４９卷

第2期 陆建,等:道路交通网络安全风险辨识研究进展 407 态势分析模型,分析了驾驶员对某一交通态势的感析在实际事故数据分析方面, Dingus等对道路 知情况,并进行了仿真验证Xu等研究了真实网络中的905件历史事故数据进行了分析,结果发 数据缺失下的交通状态评估问题,提出了一种压缩现90%的碰撞是由驾驶员因素引起的.此外, 感知理论方法用以弥补缺失数据,并验证了该方法 Lefevre等还对智能车辆碰撞风险预测模型进 的可行性,但其结果与实际情况仍存在偏差,因为行了研究,然而该模型缺乏对车辆之间交互作用的 些关键道路信息的缺失会影响交通状态感知的高层次推理,同时缺少对数据和模型不确定性的考 准确性;赵新勇等分析了突发事件下实际道路虑以上关于道路网络碰撞风险的研究一般侧重机 网络的交通态势,建立了基于路网抗毁可靠度的交动车之间的碰撞,较少涉及行人及非机动车,基于 通突发事件态势感知模型,在该研究中,突发事件此, Pulugurtha等。评价了道路网络特征对自行车 态势感知指标体系及相关指标权重的确定较为主骑行者风险的影响,但研究中忽略了天气及环境的 观,与实际情况存在偏差 影响 短时交通流状态的预测与估计在过去已经取 以往的研究多是建立在交通事故仿真或交通 得了长久的进展,受预测精度及其他不确定性因素事故数据基础上的事后分析和定性评估,如突发事 的影响,广域时间尺度(如15min以上)的交通状件或极端天气下的道路网络风险影响因素评估、道 态预测和估计还未形成完整的研究体系在道路交路网络脆弱性评估、车辆碰撞风险因素预测等.而 通状态感知方面,一些新兴的信息技术如车联网、对事前多因素安全风险影响因素难以及时发现 新一代车辆电子标签(RFD)等逐渐兴起,能实现4.2道路交通网络安全风险预警 更广范围的交通数据采集与分析,为道路安全风险 对道路交通网络安全风险预警问题, Goles- 预警提供更全面的评估指标 tan等6和 Gokulakrishnan等基于车载自组织 4道路交通网络安全风险评估及预警建立了相关预警模型和算法,分别通过评估车 辆发生碰撞的概率和预测车辆状态,实时发布预警 道路交通网络安全风险评估及预警是对路网信息在车辆碰撞率预测方面,孙剑等6和Naaf 中的风险进行准确辨识、有效评估并提前预警的过等分别运用贝叶斯网络模型和模糊逻辑推理系 程,是道路交通网络风险辨识的核心环节.研究主统对道路交通网络的安全主动风险及光滑路面上 要从道路网络安全风险评估和道路网络安全风险的车辆碰撞率进行了预测.在换道预警模型方面, 预警2个方面进行总结 王世明等针对已有模型中存在的不足,从车辆 4.1道路交通网络安全风险评估 运动学角度对高速公路安全换道预警模型进行了 Young等41对道路交通安全仿真领域的发展研究,但受制于道路安全性的影响,车辆的换道操 进行了回顾,对现有的道路交通安全模拟模作只能在仿真场景中进行.在事件预测方面, 型“进行了总结,指出道路安全仿真模型是一 Steenbruggen等提出了一种基于移动手机数据 种有效的道路网络安全风险评估方法.Yu等分别的道路网络交通事件检测方法,并指出手机数据可 通过一种优化的可变限速系统和支持向量机方以进行交通事件的预警在预警系统研究方面,赵 法对高速公路交通网络安全风险进行了评估 学刚明建立了城市道路交通安全综合风险控制系 并进行了仿真验证 Zhang等和 Collins等评统,借助系统预警控制运行管理体系,能够实现对 估了突发事件发生时,应急疏散情况下的道路网络风险的系统动态控制; Milanes等建立了包含碰 安全风险,并分析了影响道路风险的因素. Nogal撞预警系统和碰撞躲避系统在内的2种模糊控制 等考虑了天气变量及道路网络的实际情况,提器用以分析车辆的碰撞风险和对危险信息的预警 出一种新的概率方法用以评估极端天气下的道路 Martin等则提出了一种基于无线传感器网络的 网络恢复力.在道路网络脆弱性研究方面,Li施工区道路网络入侵警报系统,该系统可以覆盖整 等]、杨露萍等和李成兵等对道路交通网络个施工区道路网络并可向施工人员发布预警信息 的脆弱性进行了分析,并通过相关案例对交通网络在预警准确度优化问题上,张登宏提出了一种 安全风险进行了有效评估.在二次碰撞风险评估方基于物联网技术的交通网络安全预警方案,但该研 面,Ⅺu等实时估计了高速公路二次碰撞风险的究以随机的方式进行仿真分析,忽略了对客观情况 可能性,并通过速度等高线图确定二次事故,该研的反映另外,Wu等通过一种可视化网络的方 究虽使用了大量事故数据,但缺乏对数据质量的分法,对地图上的潜在风险节点进行了早期预警,该方 http://journal.seu.edu.cn

ｈｔｔｐ：／／ｊｏｕｒｎａｌ．ｓｅｕ．ｅｄｕ．ｃｎ 态势分析模型，分析了驾驶员对某一交通态势的感 知情况，并进行了仿真验证．Ｘｕ等［４３］研究了真实 数据缺失下的交通状态评估问题，提出了一种压缩 感知理论方法用以弥补缺失数据，并验证了该方法 的可行性，但其结果与实际情况仍存在偏差，因为 一些关键道路信息的缺失会影响交通状态感知的 准确性；赵新勇等［４４］分析了突发事件下实际道路 网络的交通态势，建立了基于路网抗毁可靠度的交 通突发事件态势感知模型，在该研究中，突发事件 态势感知指标体系及相关指标权重的确定较为主 观，与实际情况存在偏差． 短时交通流状态的预测与估计在过去已经取 得了长久的进展，受预测精度及其他不确定性因素 的影响，广域时间尺度（如 １５ｍｉｎ以上）的交通状 态预测和估计还未形成完整的研究体系．在道路交 通状态感知方面，一些新兴的信息技术如车联网、 新一代车辆电子标签（ＲＦＩＤ）等逐渐兴起，能实现 更广范围的交通数据采集与分析，为道路安全风险 预警提供更全面的评估指标． ４ 道路交通网络安全风险评估及预警 道路交通网络安全风险评估及预警是对路网 中的风险进行准确辨识、有效评估并提前预警的过 程，是道路交通网络风险辨识的核心环节．研究主 要从道路网络安全风险评估和道路网络安全风险 预警 ２个方面进行总结． ４．１ 道路交通网络安全风险评估 Ｙｏｕｎｇ等［４５］ 对道路交通安全仿真领域的发展 进行 了 回 顾，对 现 有 的 道 路 交 通 安 全 模 拟 模 型［４６５０］ 进行了总结，指出道路安全仿真模型是一 种有效的道路网络安全风险评估方法．Ｙｕ等分别 通过一种优化的可变限速系统［５１］ 和支持向量机方 法［５２］ 对高速公路交通网络安全风险进行了评估， 并进行了仿真验证．Ｚｈａｎｇ等［５３］ 和 Ｃｏｌｌｉｎｓ等［５４］ 评 估了突发事件发生时，应急疏散情况下的道路网络 安全风险，并分析了影响道路风险的因素．Ｎｏｇａｌ 等［５５］ 考虑了天气变量及道路网络的实际情况，提 出一种新的概率方法用以评估极端天气下的道路 网络恢复力．在道路网络脆弱性研究方面，Ｌｉｕ 等［５６］ 、杨露萍等［５７］ 和李成兵等［５８］ 对道路交通网络 的脆弱性进行了分析，并通过相关案例对交通网络 安全风险进行了有效评估．在二次碰撞风险评估方 面，Ｘｕ等［５９］ 实时估计了高速公路二次碰撞风险的 可能性，并通过速度等高线图确定二次事故，该研 究虽使用了大量事故数据，但缺乏对数据质量的分 析．在实际事故数据分析方面，Ｄｉｎｇｕｓ等［６０］ 对道路 网络中的 ９０５件历史事故数据进行了分析，结果发 现 ９０％ 的碰撞是由驾驶员因素 引 起 的．此 外， Ｌｅｆèｖｒｅ等［６１］ 还对智能车辆碰撞风险预测模型进 行了研究，然而该模型缺乏对车辆之间交互作用的 高层次推理，同时缺少对数据和模型不确定性的考 虑．以上关于道路网络碰撞风险的研究一般侧重机 动车之间的碰撞，较少涉及行人及非机动车，基于 此，Ｐｕｌｕｇｕｒｔｈａ等［６２］ 评价了道路网络特征对自行车 骑行者风险的影响，但研究中忽略了天气及环境的 影响． 以往的研究多是建立在交通事故仿真或交通 事故数据基础上的事后分析和定性评估，如突发事 件或极端天气下的道路网络风险影响因素评估、道 路网络脆弱性评估、车辆碰撞风险因素预测等．而 对事前多因素安全风险影响因素难以及时发现． ４．２ 道路交通网络安全风险预警 针对道路交通网络安全风险预警问题，Ｇｏｌｅｓ ｔａｎ等［６３］和 Ｇｏｋｕｌａｋｒｉｓｈｎａｎ等［６４］基于车载自组织 网络建立了相关预警模型和算法，分别通过评估车 辆发生碰撞的概率和预测车辆状态，实时发布预警 信息．在车辆碰撞率预测方面，孙剑等［６５］和 Ｎａｊａｆｉ 等［６６］ 分别运用贝叶斯网络模型和模糊逻辑推理系 统对道路交通网络的安全主动风险及光滑路面上 的车辆碰撞率进行了预测．在换道预警模型方面， 王世明等［６７］ 针对已有模型中存在的不足，从车辆 运动学角度对高速公路安全换道预警模型进行了 研究，但受制于道路安全性的影响，车辆的换道操 作只能 在 仿 真 场 景 中 进 行．在 事 件 预 测 方 面， Ｓｔｅｅｎｂｒｕｇｇｅｎ等［６８］ 提出了一种基于移动手机数据 的道路网络交通事件检测方法，并指出手机数据可 以进行交通事件的预警．在预警系统研究方面，赵 学刚［６９］ 建立了城市道路交通安全综合风险控制系 统，借助系统预警控制运行管理体系，能够实现对 风险的系统动态控制；Ｍｉｌａｎéｓ等［７０］建立了包含碰 撞预警系统和碰撞躲避系统在内的 ２种模糊控制 器用以分析车辆的碰撞风险和对危险信息的预警； Ｍａｒｔｉｎ等［７１］ 则提出了一种基于无线传感器网络的 施工区道路网络入侵警报系统，该系统可以覆盖整 个施工区道路网络并可向施工人员发布预警信息． 在预警准确度优化问题上，张登宏［７２］提出了一种 基于物联网技术的交通网络安全预警方案，但该研 究以随机的方式进行仿真分析，忽略了对客观情况 的反映．另外，Ｗｕ等［７３］通过一种可视化网络的方 法，对地图上的潜在风险节点进行了早期预警，该方 第 ２期 陆建，等：道路交通网络安全风险辨识研究进展 ４０７

408 东南大学学报(自然科学版) 第49卷 法与传统方法相比有易于应用和扩展的优势,同时险的定量评估是突破道路运输网络风险辨识的关键 更容易直观识别各因素对交通事故的影响道路交技术另外,笔者还就国内某一城市部分道路交通网 通网络安全风险预警的相关研究在车辆碰撞概率预络安全现状进行了调查分析,结果发现:该城市道路 测、车辆换道预警模型、危险信息预报等方面已经取交通事故黑点、交通违法热点等安全风险特征的变 得了大量的研究成果,并逐步走向市场应用 化存在一定的时空规律,有效掌握这些规律对于识 5讨论 别道路安全风险具有重要作用;交警部门在一些路 段及路口设置了违法交通行为(如套牌车辆等)的 通过对道路交通网络安全风险辨识相关研究缉查布控系统,可对经过布控区域的违法车辆进行 的梳理可知,现有的研究虽取得了阶段性的成果,实时监测及预警,但该系统只在极少路段布设,未做 并可一定程度应用于城市及高速公路路网的交通到大区域的覆盖.调查还发现其他不确定因素如天 状态判别、交通安全风险评估及风险预警等方面.气、驾驶员个体差异等显著影响道路安全风险的有 但随着近几年大数据分析和车联网等先进技术的效辨识.同时,在该城市道路交通网络中,存在严重 发展,已有的数据采集技术及交通安全态势评估及的机非混行、人非混行等交通组织混乱问题,一定程 预警方法等已经无法满足更精细化的交通安全管度上制约了交通网络风险的识别和预警.以上调查 理需求,一定程度上制约了道路交通网络风险的有中发现的问题在国内城市道路网络中普遍存在,因 效甄别本研究通过总结已有成果,认为现有研究此,在未来的研究中应予以重视 在以下方面存在不足 1)在交通信息采集方面.已有大量研究是基 结论与展望 于仿真路网层面的交通数据采集与处理,大多针对 1)在交通数据采集方面针对当前交通信息种 单源种或3种交通传感器数据进行分析.随着类、来源逐渐丰富的趋势,不断发展的信息技术能有 道路网络复杂性及对数据需求全面性的提升,基于效更新数据采集的手段,可对海量多源数据(如4种 实际混合道路网络的泛在性信息采集是当前道路以上不同来源数据)进行融合处理,并拓宽数据的应 交通信息采集研究的关键技术和难点未来的交通用领域.针对多源交通数据采集的安全性及便利性 信息采集要求不仅能应用于交通事件的自动检测未来可运用区块链技术进行数据的共享和流通,提 和辅助驾驶决策,更能实现广域混合交通网络安全升数据采集融合的效率.同时大数据的快速发展可 风险的辨识与预报.多模式交通信息的有效获取及弥补传统数据采集与处理的不足,使道路交通泛在 处理方面仍面临困难,多源交通数据的提取往往涉信息的实现成为可能大数据也能有效监测车辆的 及多个部门,部门之间信息共享机制欠缺,因此获运行轨迹并应用于事故隐患点的交通发展规律辨 取全面综合的交通数据困难重重 识,从而有效服务于交通安全风险相关研究 2)在道路交通网络动态演变规律辨识及态势 2)在道路交通网络演化规律辨识及态势分析 分析方面.已有的交通流演化规律模型及理论如元方面.在多源交通数据采集与处理的基础上,描述 胞自动机模型、基本图模型、复杂网络理论等在单交通参与者的出行行为,并构建混合交通网络下的 道路网络层面的研究已趋于成熟.未来在单一道交通动态演化规律模型及交通行为特征谱库,实现 路网络研究的基础上可进一步探索多模式交通运交通行为特征快速识别,为安全风险的早期预判奠 输网络演化规律.多模式交通运输网络是一个集多定基础.人工智能相关技术,如机器学习、深度学习 类型道路网络(如高速公路、城市快速路、乡村公等算法的提出可对获得的海量交通数据进行更有 路等)为一体的复杂交通大系统,其研究的关键点效的分析,并应用于更广域时间上的交通安全风险 在于如何建立在不同道路层面都适用的指标,用以分类与预测 定量衡量综合运输网络的整体运行情况.另外,在 3)在交通网络安全风险评估及预警方面应 交通网络态势分析方面,突破短时交通流状态的预重点对事故潜在发生点、交通违法热点等开展瞬时 测与估计,实现广域时间范围内的交通状态感知与风险评估,根据不同路段的风险特征,明确需要采 态势分析是目前面临的瓶颈. 集的交通信息特征及采集方式,并分析交通风险原 3)在道路交通网络安全风险评估及预警方面.因,建立合理的交通安全风险评估指标体系,提出 已有的部分研究是建立在事故数据分析基础上的事明确的风险等级划分标准等.借助于自动驾驶、车 后管理和评价,而基于事故前的交通隐患识别与风联网等新兴技术真正意义上实现车车之间的互通 http://journal.seu.edu.cn

ｈｔｔｐ：／／ｊｏｕｒｎａｌ．ｓｅｕ．ｅｄｕ．ｃｎ 法与传统方法相比有易于应用和扩展的优势，同时 更容易直观识别各因素对交通事故的影响．道路交 通网络安全风险预警的相关研究在车辆碰撞概率预 测、车辆换道预警模型、危险信息预报等方面已经取 得了大量的研究成果，并逐步走向市场应用． ５ 讨论 通过对道路交通网络安全风险辨识相关研究 的梳理可知，现有的研究虽取得了阶段性的成果， 并可一定程度应用于城市及高速公路路网的交通 状态判别、交通安全风险评估及风险预警等方面． 但随着近几年大数据分析和车联网等先进技术的 发展，已有的数据采集技术及交通安全态势评估及 预警方法等已经无法满足更精细化的交通安全管 理需求，一定程度上制约了道路交通网络风险的有 效甄别．本研究通过总结已有成果，认为现有研究 在以下方面存在不足： １）在交通信息采集方面．已有大量研究是基 于仿真路网层面的交通数据采集与处理，大多针对 单源、２种或 ３种交通传感器数据进行分析．随着 道路网络复杂性及对数据需求全面性的提升，基于 实际混合道路网络的泛在性信息采集是当前道路 交通信息采集研究的关键技术和难点．未来的交通 信息采集要求不仅能应用于交通事件的自动检测 和辅助驾驶决策，更能实现广域混合交通网络安全 风险的辨识与预报．多模式交通信息的有效获取及 处理方面仍面临困难，多源交通数据的提取往往涉 及多个部门，部门之间信息共享机制欠缺，因此获 取全面综合的交通数据困难重重． ２）在道路交通网络动态演变规律辨识及态势 分析方面．已有的交通流演化规律模型及理论如元 胞自动机模型、基本图模型、复杂网络理论等在单 一道路网络层面的研究已趋于成熟．未来在单一道 路网络研究的基础上可进一步探索多模式交通运 输网络演化规律．多模式交通运输网络是一个集多 类型道路网络（如高速公路、城市快速路、乡村公 路等）为一体的复杂交通大系统，其研究的关键点 在于如何建立在不同道路层面都适用的指标，用以 定量衡量综合运输网络的整体运行情况．另外，在 交通网络态势分析方面，突破短时交通流状态的预 测与估计，实现广域时间范围内的交通状态感知与 态势分析是目前面临的瓶颈． ３）在道路交通网络安全风险评估及预警方面． 已有的部分研究是建立在事故数据分析基础上的事 后管理和评价，而基于事故前的交通隐患识别与风 险的定量评估是突破道路运输网络风险辨识的关键 技术．另外，笔者还就国内某一城市部分道路交通网 络安全现状进行了调查分析，结果发现：该城市道路 交通事故黑点、交通违法热点等安全风险特征的变 化存在一定的时空规律，有效掌握这些规律对于识 别道路安全风险具有重要作用；交警部门在一些路 段及路口设置了违法交通行为（如套牌车辆等）的 缉查布控系统，可对经过布控区域的违法车辆进行 实时监测及预警，但该系统只在极少路段布设，未做 到大区域的覆盖．调查还发现其他不确定因素如天 气、驾驶员个体差异等显著影响道路安全风险的有 效辨识．同时，在该城市道路交通网络中，存在严重 的机非混行、人非混行等交通组织混乱问题，一定程 度上制约了交通网络风险的识别和预警．以上调查 中发现的问题在国内城市道路网络中普遍存在，因 此，在未来的研究中应予以重视． ６ 结论与展望 １）在交通数据采集方面．针对当前交通信息种 类、来源逐渐丰富的趋势，不断发展的信息技术能有 效更新数据采集的手段，可对海量多源数据（如 ４种 以上不同来源数据）进行融合处理，并拓宽数据的应 用领域．针对多源交通数据采集的安全性及便利性， 未来可运用区块链技术进行数据的共享和流通，提 升数据采集融合的效率．同时大数据的快速发展可 弥补传统数据采集与处理的不足，使道路交通泛在 信息的实现成为可能．大数据也能有效监测车辆的 运行轨迹并应用于事故隐患点的交通发展规律辨 识，从而有效服务于交通安全风险相关研究． ２）在道路交通网络演化规律辨识及态势分析 方面．在多源交通数据采集与处理的基础上，描述 交通参与者的出行行为，并构建混合交通网络下的 交通动态演化规律模型及交通行为特征谱库，实现 交通行为特征快速识别，为安全风险的早期预判奠 定基础．人工智能相关技术，如机器学习、深度学习 等算法的提出可对获得的海量交通数据进行更有 效的分析，并应用于更广域时间上的交通安全风险 分类与预测． ３）在交通网络安全风险评估及预警方面．应 重点对事故潜在发生点、交通违法热点等开展瞬时 风险评估，根据不同路段的风险特征，明确需要采 集的交通信息特征及采集方式，并分析交通风险原 因，建立合理的交通安全风险评估指标体系，提出 明确的风险等级划分标准等．借助于自动驾驶、车 联网等新兴技术真正意义上实现车车之间的互通 ４０８ 东南大学学报（自然科学版） 第 ４９卷

第2期 陆建,等:道路交通网络安全风险辨识研究进展 409 信及车路之间的智能感知,为车辆之间的碰撞风险[6] Messelodi s, Modena c m, Zanin m,etal. Intelligent 提供实时预警,并有效评估网联汽车和常规汽车混 extended floating car data collection[J]. Expert Systems 合运行环境下的交通运输网络安全风险 th Applications, 2009, 36(3):4213-4227. DOI 1016/ 1. eswa.2008.04.008. 总结可知,目前国内道路交通安全形势依然严[7] Pan X,LuJG,DiS,etal. Cellular-based data-ex 峻,相关的研究进展仍需完善.另外,国内城市道路 tracting method for trip distribution[J]. Transportation 交通网络结构复杂,机非混行、交通违法等一定程 al of the Transportation Re 度上阻碍了道路交通网络安全风险的有效识别和 search board,2006,1945(1):33-39.Dol:10 预警;而目前兴起的自动驾驶技术虽在一定程度缓 1177/0361198106194500105 解了车辆之间的冲突,但对于人车冲突的改善及其 [8 Faouzi N EE, Leung H, Kurian A. Data fusion inin- telligent transportation systems: Progress and challen- 法律层面的保护仍需提高.同时,由于不同模式交 ges-A survey [J]. Information Fusion, 2011, 12(1) 通数据获取较为困难,如何高效获取不同来源的交 通信息,并建立合法的数据共享机制,打破不同部[9] Rehrl K, Brunauer r, Grochenig S. Collecting floating 门之间的数据孤岛,真正实现多源异构交通数据的 car data with smartphones: Results from a field trial in 互联互通仍需要很长的路要走 Austria[ J]. Journal of Location Based Services, 2016 10(1):16-30.DOI:10.1080/17489725.2016. 当然,道路交通网络安全风险辨识领域的相关 1169323 进展远不止本研究所述由于篇幅和作者研究领域[10o] Dozza m, Gonzalez p. Recognising safety critical 的局限性,有关驾驶人不良驾驶行为、道路参与者 events: Can automatic video processing improve natu- 社会心理因素等所带来的风险及其他相关方面尚 ralistic data analyses? [J]. Accident Analysis &Pre- 未涉及但随着研究的深入和研究手段的不断进 vention,2013,60:298-304.DOI:10.1016/j.aap. 013.02.014 步,以上问题会得到有效解决,届时有关道路交通 [11 Ran B, Song L, Zhang J, et al. Using tensor comple- 网络安全风险辨识的相关研究成果必将在未来得 tion method to achieving better coverage of traffic state 到更广泛的应用,并产生深远的影响 estimation from sparse floating car data [J]. PLos One,2016,11(7):c0157420.DOl:10.1371/jour 参考文献( References) nal pone. 0157420 [1] Wang Y B, Coppola P, Tzimitsi A, et al. Real-time [12 Han Y F, Moutarde F. Analysis of large-scale traffic freeway network traffic surveillance: Large-scale field- dynamics in an urban transportation network using non- testing results in southern Italy[ J]. IEEE Transactions negative tensor factorization[J]. International Journal on Intelligent Transportation Systems, 2011, 12(2) of Intelligent Transportation Systems Research, 2016 14(1):36-49.DOI:10.1007/s131770140099-7 548-562.DOl:10.1109/tits.2011.2107901 [2 Kong Q J, Li Z P, Chen Y K, et al. An approach to [13 Leduc G. Road traffic data: Collection methods and urban traffic state estimation by fusing multisource in- applications[ J]. Working Papers on Energy, Trans- port and Climate Change, 2008, 1(55): JRC 47967 formation[ J]. IEEE Transactions on Intelligent Trans- [14 Bachmann C, Abdulhai B, Roorda M J, et al. A com- portation Systems, 2009, 10(3): 499-511. DOI: 10 parative assessment of multi-sensor data fusion tech- 1109/uts.2009.2026308 niques for freeway traffic speed estimation using micro- [3 Ma X L, Tao Z M, Wang Y H, et al. Long short-term imulation modeling[J]. Transportation Research Part memory neural network for traffic speed prediction C: Emerging Technologies, 2013, 26: 33-48. DOI using remote microwave sensor data[J]. Transportation 10.1016/jtre.2012.07.003 Research Part C: Emerging Technologies, 2015, 54 [15 He S L, Zhang J, Cheng Y, et al 187-197.Dol:10.1016/j.urc.2015.03.014. sor data fusion approach integrating data from cell [4 Kwong K, Kavaler R, Rajagopal R, et al. Real-time phone probes and fixed sensors [J]. Joumal of Sen measurement of link vehicle count and travel time in a sors,2016,2016:1-13.DOl:10.1155/2016/ oad network [J]. IEEE Transactions on intelligent 7269382 DOI:10.1109/its.2010.2050881 公路站间旅行时间[J].交通运输系统工程与信息, [5 Cheng H Y, Hsu S H. Intelligent highway traffic sur 2016,16(1):52-57.DOI:10.3969/ J. Issn.100 veillance with self-diagnosis abilities[ J]. IEEE Trans- 6744.2016.01.009 oJD,ⅪuFF, Zhang K, (4):1462-1472.DOl:10.1109/tits.2011.2160171 time prediction based on multi-source data fusion[J] http://journal.seu.edu.cn

ｈｔｔｐ：／／ｊｏｕｒｎａｌ．ｓｅｕ．ｅｄｕ．ｃｎ 信及车路之间的智能感知，为车辆之间的碰撞风险 提供实时预警，并有效评估网联汽车和常规汽车混 合运行环境下的交通运输网络安全风险． 总结可知，目前国内道路交通安全形势依然严 峻，相关的研究进展仍需完善．另外，国内城市道路 交通网络结构复杂，机非混行、交通违法等一定程 度上阻碍了道路交通网络安全风险的有效识别和 预警；而目前兴起的自动驾驶技术虽在一定程度缓 解了车辆之间的冲突，但对于人车冲突的改善及其 法律层面的保护仍需提高．同时，由于不同模式交 通数据获取较为困难，如何高效获取不同来源的交 通信息，并建立合法的数据共享机制，打破不同部 门之间的数据孤岛，真正实现多源异构交通数据的 互联互通仍需要很长的路要走． 当然，道路交通网络安全风险辨识领域的相关 进展远不止本研究所述．由于篇幅和作者研究领域 的局限性，有关驾驶人不良驾驶行为、道路参与者 社会心理因素等所带来的风险及其他相关方面尚 未涉及．但随着研究的深入和研究手段的不断进 步，以上问题会得到有效解决，届时有关道路交通 网络安全风险辨识的相关研究成果必将在未来得 到更广泛的应用，并产生深远的影响． 参考文献 （Ｒｅｆｅｒｅｎｃｅｓ） ［１］ ＷａｎｇＹＢ，ＣｏｐｐｏｌａＰ，ＴｚｉｍｉｔｓｉＡ，ｅｔａｌ．Ｒｅａｌｔｉｍｅ ｆｒｅｅｗａｙｎｅｔｗｏｒｋｔｒａｆｆｉｃｓｕｒｖｅｉｌｌａｎｃｅ：Ｌａｒｇｅｓｃａｌｅｆｉｅｌｄ ｔｅｓｔｉｎｇｒｅｓｕｌｔｓｉｎｓｏｕｔｈｅｒｎＩｔａｌｙ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ，２０１１，１２（２）： ５４８ ５６２．ＤＯＩ：１０．１１０９／ｔｉｔｓ．２０１１．２１０７９０１． ［２］ＫｏｎｇＱＪ，ＬｉＺＰ，ＣｈｅｎＹＫ，ｅｔａｌ．Ａｎａｐｐｒｏａｃｈｔｏ ｕｒｂａｎｔｒａｆｆｉｃｓｔａｔｅｅｓｔｉｍａｔｉｏｎｂｙｆｕｓｉｎｇｍｕｌｔｉｓｏｕｒｃｅｉｎ ｆｏｒｍａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓ ｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ，２００９，１０（３）：４９９ ５１１．ＤＯＩ：１０． １１０９／ｔｉｔｓ．２００９．２０２６３０８． ［３］ＭａＸＬ，ＴａｏＺＭ，ＷａｎｇＹＨ，ｅｔａｌ．Ｌｏｎｇｓｈｏｒｔｔｅｒｍ ｍｅｍｏｒｙ ｎｅｕｒａｌｎｅｔｗｏｒｋ ｆｏｒｔｒａｆｆｉｃｓｐｅｅｄ ｐｒｅｄｉｃｔｉｏｎ ｕｓｉｎｇｒｅｍｏｔｅｍｉｃｒｏｗａｖｅｓｅｎｓｏｒｄａｔａ［Ｊ］．Ｔｒａｎｓｐｏｒｔａｔｉｏｎ ＲｅｓｅａｒｃｈＰａｒｔＣ：ＥｍｅｒｇｉｎｇＴｅｃｈｎｏｌｏｇｉｅｓ，２０１５，５４： １８７ １９７．ＤＯＩ：１０．１０１６／ｊ．ｔｒｃ．２０１５．０３．０１４． ［４］ＫｗｏｎｇＫ，ＫａｖａｌｅｒＲ，ＲａｊａｇｏｐａｌＲ，ｅｔａｌ．Ｒｅａｌｔｉｍｅ ｍｅａｓｕｒｅｍｅｎｔｏｆｌｉｎｋｖｅｈｉｃｌｅｃｏｕｎｔａｎｄｔｒａｖｅｌｔｉｍｅｉｎａ ｒｏａｄｎｅｔｗｏｒｋ［Ｊ］．ＩＥＥＥ ＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔ ＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ，２０１０，１１（４）：８１４ ８２５． ＤＯＩ：１０．１１０９／ｔｉｔｓ．２０１０．２０５０８８１． ［５］ ＣｈｅｎｇＨＹ，ＨｓｕＳＨ．Ｉｎｔｅｌｌｉｇｅｎｔｈｉｇｈｗａｙｔｒａｆｆｉｃｓｕｒ ｖｅｉｌｌａｎｃｅｗｉｔｈｓｅｌｆｄｉａｇｎｏｓｉｓａｂｉｌｉｔｉｅｓ［Ｊ］．ＩＥＥＥＴｒａｎｓ ａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ，２０１１，１２ （４）：１４６２ １４７２．ＤＯＩ：１０．１１０９／ｔｉｔｓ．２０１１．２１６０１７１． ［６］ＭｅｓｓｅｌｏｄｉＳ，ＭｏｄｅｎａＣＭ，ＺａｎｉｎＭ，ｅｔａｌ．Ｉｎｔｅｌｌｉｇｅｎｔ ｅｘｔｅｎｄｅｄｆｌｏａｔｉｎｇｃａｒｄａｔａｃｏｌｌｅｃｔｉｏｎ［Ｊ］．ＥｘｐｅｒｔＳｙｓｔｅｍｓ ｗｉｔｈＡｐｐｌｉｃａｔｉｏｎｓ，２００９，３６（３）：４２１３ ４２２７．ＤＯＩ： １０．１０１６／ｊ．ｅｓｗａ．２００８．０４．００８． ［７］ＰａｎＣＸ，ＬｕＪＧ，ＤｉＳ，ｅｔａｌ．Ｃｅｌｌｕｌａｒｂａｓｅｄｄａｔａｅｘ ｔｒａｃｔｉｎｇｍｅｔｈｏｄｆｏｒｔｒｉｐｄｉｓｔｒｉｂｕｔｉｏｎ［Ｊ］．Ｔｒａｎｓｐｏｒｔａｔｉｏｎ ＲｅｓｅａｒｃｈＲｅｃｏｒｄ：ＪｏｕｒｎａｌｏｆｔｈｅＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅ ｓｅａｒｃｈＢｏａｒｄ，２００６，１９４５（１）：３３ ３９．ＤＯＩ：１０． １１７７／０３６１１９８１０６１９４５００１０５． ［８］ＦａｏｕｚｉＮＥＥ，ＬｅｕｎｇＨ，ＫｕｒｉａｎＡ．Ｄａｔａｆｕｓｉｏｎｉｎｉｎ ｔｅｌｌｉｇｅｎｔｔｒａｎｓｐｏｒｔａｔｉｏｎｓｙｓｔｅｍｓ：Ｐｒｏｇｒｅｓｓａｎｄｃｈａｌｌｅｎ ｇｅｓ—Ａｓｕｒｖｅｙ［Ｊ］．ＩｎｆｏｒｍａｔｉｏｎＦｕｓｉｏｎ，２０１１，１２（１）： ４ １０．ＤＯＩ：１０．１０１６／ｊ．ｉｎｆｆｕｓ．２０１０．０６．００１． ［９］ＲｅｈｒｌＫ，ＢｒｕｎａｕｅｒＲ，ＧｒｃｈｅｎｉｇＳ．Ｃｏｌｌｅｃｔｉｎｇｆｌｏａｔｉｎｇ ｃａｒｄａｔａｗｉｔｈｓｍａｒｔｐｈｏｎｅｓ：Ｒｅｓｕｌｔｓｆｒｏｍ ａｆｉｅｌｄｔｒｉａｌｉｎ Ａｕｓｔｒｉａ［Ｊ］．ＪｏｕｒｎａｌｏｆＬｏｃａｔｉｏｎＢａｓｅｄＳｅｒｖｉｃｅｓ，２０１６， １０（１）：１６ ３０．ＤＯＩ：１０．１０８０／１７４８９７２５．２０１６． １１６９３２３． ［１０］ＤｏｚｚａＭ，ＧｏｎｚáｌｅｚＮ Ｐ．Ｒｅｃｏｇｎｉｓｉｎｇｓａｆｅｔｙｃｒｉｔｉｃａｌ ｅｖｅｎｔｓ：Ｃａｎａｕｔｏｍａｔｉｃｖｉｄｅｏｐｒｏｃｅｓｓｉｎｇｉｍｐｒｏｖｅｎａｔｕ ｒａｌｉｓｔｉｃｄａｔａａｎａｌｙｓｅｓ？［Ｊ］．ＡｃｃｉｄｅｎｔＡｎａｌｙｓｉｓ＆Ｐｒｅ ｖｅｎｔｉｏｎ，２０１３，６０：２９８ ３０４．ＤＯＩ：１０．１０１６／ｊ．ａａｐ． ２０１３．０２．０１４． ［１１］ＲａｎＢ，ＳｏｎｇＬ，ＺｈａｎｇＪ，ｅｔａｌ．Ｕｓｉｎｇｔｅｎｓｏｒｃｏｍｐｌｅ ｔｉｏｎｍｅｔｈｏｄｔｏａｃｈｉｅｖｉｎｇｂｅｔｔｅｒｃｏｖｅｒａｇｅｏｆｔｒａｆｆｉｃｓｔａｔｅ ｅｓｔｉｍａｔｉｏｎｆｒｏｍ ｓｐａｒｓｅｆｌｏａｔｉｎｇｃａｒｄａｔａ［Ｊ］．ＰＬｏＳ Ｏｎｅ，２０１６，１１（７）：ｅ０１５７４２０．ＤＯＩ：１０．１３７１／ｊｏｕｒ ｎａｌ．ｐｏｎｅ．０１５７４２０． ［１２］ＨａｎＹＦ，ＭｏｕｔａｒｄｅＦ．Ａｎａｌｙｓｉｓｏｆｌａｒｇｅｓｃａｌｅｔｒａｆｆｉｃ ｄｙｎａｍｉｃｓｉｎａｎｕｒｂａｎｔｒａｎｓｐｏｒｔａｔｉｏｎｎｅｔｗｏｒｋｕｓｉｎｇｎｏｎ ｎｅｇａｔｉｖｅｔｅｎｓｏｒｆａｃｔｏｒｉｚａｔｉｏｎ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌ ｏｆＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓＲｅｓｅａｒｃｈ，２０１６， １４（１）：３６ ４９．ＤＯＩ：１０．１００７／ｓ１３１７７０１４００９９７． ［１３］ ＬｅｄｕｃＧ．Ｒｏａｄｔｒａｆｆｉｃｄａｔａ：Ｃｏｌｌｅｃｔｉｏｎｍｅｔｈｏｄｓａｎｄ ａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．ＷｏｒｋｉｎｇＰａｐｅｒｓｏｎＥｎｅｒｇｙ，Ｔｒａｎｓ ｐｏｒｔａｎｄＣｌｉｍａｔｅＣｈａｎｇｅ，２００８，１（５５）：ＪＲＣ４７９６７． ［１４］ＢａｃｈｍａｎｎＣ，ＡｂｄｕｌｈａｉＢ，ＲｏｏｒｄａＭ Ｊ，ｅｔａｌ．Ａｃｏｍ ｐａｒａｔｉｖｅａｓｓｅｓｓｍｅｎｔｏｆｍｕｌｔｉｓｅｎｓｏｒｄａｔａｆｕｓｉｏｎｔｅｃｈ ｎｉｑｕｅｓｆｏｒｆｒｅｅｗａｙｔｒａｆｆｉｃｓｐｅｅｄｅｓｔｉｍａｔｉｏｎｕｓｉｎｇｍｉｃｒｏ ｓｉｍｕｌａｔｉｏｎｍｏｄｅｌｉｎｇ［Ｊ］．ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＰａｒｔ Ｃ：ＥｍｅｒｇｉｎｇＴｅｃｈｎｏｌｏｇｉｅｓ，２０１３，２６：３３ ４８．ＤＯＩ： １０．１０１６／ｊ．ｔｒｃ．２０１２．０７．００３． ［１５］ＨｅＳＬ，ＺｈａｎｇＪ，ＣｈｅｎｇＹ，ｅｔａｌ．Ｆｒｅｅｗａｙｍｕｌｔｉｓｅｎ ｓｏｒｄａｔａｆｕｓｉｏｎａｐｐｒｏａｃｈｉｎｔｅｇｒａｔｉｎｇｄａｔａｆｒｏｍ ｃｅｌｌ ｐｈｏｎｅｐｒｏｂｅｓａｎｄｆｉｘｅｄｓｅｎｓｏｒｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｅｎ ｓｏｒｓ，２０１６，２０１６：１ １３． ＤＯＩ：１０．１１５５／２０１６／ ７２６９３８２． ［１６］赵建东，徐菲菲，张琨，等．融合多源数据预测高速 公路站间旅行时间［Ｊ］．交通运输系统工程与信息， ２０１６，１６（１）：５２ ５７．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００９ ６７４４．２０１６．０１．００９． ＺｈａｏＪＤ，ＸｕＦＦ，ＺｈａｎｇＫ，ｅｔａｌ．Ｈｉｇｈｗａｙｔｒａｖｅｌ ｔｉｍｅｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｍｕｌｔｉｓｏｕｒｃｅｄａｔａｆｕｓｉｏｎ［Ｊ］． 第 ２期 陆建，等：道路交通网络安全风险辨识研究进展 ４０９

410 东南大学学报(自然科学版) 第49卷 formation Technology,2016,16(1):52-57.DO1:[27]高自友,吴建军,毛保华,等.交通运输网络复杂性 10.3969/ 1. Issn.10096744.2016.01.009.( in Chi 及其相关问题的研究[J].交通运输系统工程与信 息,2005,5(2):79-84.DOl:10.3969/jisn.1009 [17 Coue C, Fraichard T, Bessiere P, et al. Multi-sensor 6744.2005.02.013. data fusion using Bayesian programming: An automo- Gao ZY, Wu J J, Mao B H, et al. Study on the com tive application [C]//Intelligent Vehicle Symposium plexity of traffic networks and related problems [J] IEEE. Versailles. France. 2002. 442-447. DOI.10 Journal of Transportation Systems Engineering and In 1109/IVS.2002.1187989 formation Technology, 2005, 5(2): 79-84. DOl: 10. [18 Zeng D H, Xu J M, Xu G. Data fusion for traffic in- 3969/j.isn.10096744.2005.02.013.( in Chinese) cident detector using D-s evidence theory with probab [28 Li S B, Li Y, Fu BB, et al. Study on simulation op- istic SVMs[J]. Journal of Computers, 2008, 3(10) timization of dynamic traffic signal based on complex 36-43.DOl:10.4304/jcp.3.10.36-43 networks[J]. Procedia Engineering, 2016, 137:1 [19]丁宏飞,秦政,李演洪,等.融合多源数据的ABC 10.DOI:10.1016/ J- proeng.2016.01.228 sVM快速路交通事件检测[冂。中国安全科学学报,[29]刘新全.基于贝叶斯网络推理的道路网络级联失效 015,25(6):162-166.DOl:10.16265/j.cnki 仿真[冂].交通运输系统工程与信息,2015,15(2): issn1003-3033.2015.06.027 210-215,22.DOl:10.3969/.issn.10096744 Ding H F, Qin Z, Li Y H, et al. Urban expressways 2015.02.032 traffic incident detection based on multi-source Liu X Q. Cascading failures simulation of road net fused by ABC-SVM[J. China Safety Science works based on bayesian network inference [J].Jour- l,2015,25(6):162 DOI:10.16265/j nal of Transportation Systems Engineering and info cnki. issn1003-3033. 2015. 06 027.( in Chinese) mation Technology, 2015, 15(2): 210-215, 222 [20 Nantes A, Ngoduy D, Bhaskar A, et al. Real-time DOI:10.3969/jisn.100946744.2015.02.032.(in traffic state estimation in urban corridors from hetero geneous data[ J]. Transportation Research Part C: E- [30] Danczyk A, Di X, Liu HX, et al. Unexpected versus merging Technologies, 2016, 66 l18.DOl:10 expected network disruption: Effects on travel behavior 1016/j.tre.2015.07.005 [J]. Transport Policy, 2017, 57: 68-78. DOI: 10 [21] Daganzo C F. The cell transmission model: A dynamic l016/ j. tranpol2017.02.00 representation of highway traffic consistent with the hy- [31 Wang L F, Chen H, Li Y. Transition characteristic a- drodynamic theory J]. Transportation Research Part nalysis of traffic evolution process for urban traffic net- B: Methodological, 1994, 28(4): 269-287. DOI work[J]. The Scientific World Joumal, 2014, 2014 10.1016/0191-2615(94)90002-7 1-9.DOl:10.1155/2014/603274 [22 Munoz L, Sun X T, Horowitz R, et al. Traffic density [32 Soltani A, Askari S. Exploring spatial autocorrelation stimation with the cell transmission model[ C]//Pro- of traffic crashes based on severity [J]. Injury, 2017 dings of the 2003 American Control Conference 48(3):637-647.DOl:10.1016/j. InJury.2017.01 Denver,CO,USA,2003:3750-3755.DOl:10 1109/ACC.2003.1240418 [33 Kang Y, Cho N, Son S. Spatiotemporal characteristics [23 Horowtiz R, Munoz L, Sun X. Modeling, estimation of elderly populations traffic accidents in Seoul using and control of freeway traffic [R]. Evanston, USA space-time cube and space-time kernel density estima tion[J]. PLoS One, 2018, 13(5): c0196845. DOI [24 Gomes G, Horowitz R. Optimal freeway ramp mete- 10.137l/ journal. pone.0196845 ring using the asymmetric cell transmission model[ J]. [34 Fan Y X, Zhu X Y, She B, et al. Network-constrain- Transportation Research Part C: Emerging Technolo ed spatio-temporal clustering analysis of traffic colli- gies,2006,14(4):244-262.DOl:10.1016/jtre sions in Jianghan District of Wuhan, China[ J]. PLos 2006.08.001 One,2018,13(4):c0195093.DOl:10.1371/jour [25 Boel R, Mihaylova L. A compositional stochastic mod- el for real time freeway traffic simulation[J]. Trans- [35 Nanthawichit C, Nakatsuji T, Suzuki H. Application portation Research Part B: Methodological, 2006, 40 of probe-vehicle data for real-time traffic-state estima (4):319-334.DOl:10.1016/j.tb.2005.05.001. tion and short-term travel-time prediction on a freewa [26 Musolino G, Vitetta A. Estimation of the network fun- [J]. Transportation Research Record: Journal of the damental diagram( NFD): An urban application in e Transportation Research Board, 2003, 1855(1): 49 59.DOI:10.3141/1855-06 Procedia,2014,3:205-213. DOI: 10. 1016/j. trpro. [36 Min W L, Wynter L. Real-time road traffic prediction http://journal.seu.edu.cn

ｈｔｔｐ：／／ｊｏｕｒｎａｌ．ｓｅｕ．ｅｄｕ．ｃｎ ＪｏｕｒｎａｌｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＩｎ ｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，２０１６，１６（１）：５２ ５７．ＤＯＩ： １０．３９６９／ｊ．ｉｓｓｎ．１００９６７４４．２０１６．０１．００９．（ｉｎＣｈｉ ｎｅｓｅ） ［１７］ＣｏｕｅＣ，ＦｒａｉｃｈａｒｄＴ，ＢｅｓｓｉｅｒｅＰ，ｅｔａｌ．Ｍｕｌｔｉｓｅｎｓｏｒ ｄａｔａｆｕｓｉｏｎｕｓｉｎｇＢａｙｅｓｉａｎｐｒｏｇｒａｍｍｉｎｇ：Ａｎａｕｔｏｍｏ ｔｉｖｅａｐｐｌｉｃａｔｉｏｎ［Ｃ］／／ＩｎｔｅｌｌｉｇｅｎｔＶｅｈｉｃｌｅＳｙｍｐｏｓｉｕｍ， ＩＥＥＥ．Ｖｅｒｓａｉｌｌｅｓ，Ｆｒａｎｃｅ，２００２：４４２ ４４７．ＤＯＩ：１０． １１０９／ＩＶＳ．２００２．１１８７９８９． ［１８］ＺｅｎｇＤＨ，ＸｕＪＭ，ＸｕＧ．Ｄａｔａｆｕｓｉｏｎｆｏｒｔｒａｆｆｉｃｉｎ ｃｉｄｅｎｔｄｅｔｅｃｔｏｒｕｓｉｎｇＤｓｅｖｉｄｅｎｃｅｔｈｅｏｒｙｗｉｔｈｐｒｏｂａｂｉ ｌｉｓｔｉｃＳＶＭｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒｓ，２００８，３（１０）： ３６ ４３．ＤＯＩ：１０．４３０４／ｊｃｐ．３．１０．３６４３． ［１９］丁宏飞，秦政，李演洪，等．融合多源数据的 ＡＢＣ ＳＶＭ快速路交通事件检测［Ｊ］．中国安全科学学报， ２０１５，２５（６）：１６２ １６６．ＤＯＩ：１０．１６２６５／ｊ．ｃｎｋｉ． ｉｓｓｎ１００３３０３３．２０１５．０６．０２７． ＤｉｎｇＨＦ，ＱｉｎＺ，ＬｉＹＨ，ｅｔａｌ．Ｕｒｂａｎｅｘｐｒｅｓｓｗａｙｓ ｔｒａｆｆｉｃｉｎｃｉｄｅｎｔｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｍｕｌｔｉｓｏｕｒｃｅｄａｔａ ｆｕｓｅｄｂｙＡＢＣＳＶＭ［Ｊ］．ＣｈｉｎａＳａｆｅｔｙＳｃｉｅｎｃｅＪｏｕｒ ｎａｌ，２０１５，２５（６）：１６２ １６６．ＤＯＩ：１０．１６２６５／ｊ． ｃｎｋｉ．ｉｓｓｎ１００３３０３３．２０１５．０６．０２７．（ｉｎＣｈｉｎｅｓｅ） ［２０］ ＮａｎｔｅｓＡ，ＮｇｏｄｕｙＤ，ＢｈａｓｋａｒＡ，ｅｔａｌ．Ｒｅａｌｔｉｍｅ ｔｒａｆｆｉｃｓｔａｔｅｅｓｔｉｍａｔｉｏｎｉｎｕｒｂａｎｃｏｒｒｉｄｏｒｓｆｒｏｍ ｈｅｔｅｒｏ ｇｅｎｅｏｕｓｄａｔａ［Ｊ］．ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＰａｒｔＣ：Ｅ ｍｅｒｇｉｎｇＴｅｃｈｎｏｌｏｇｉｅｓ，２０１６，６６：９９ １１８．ＤＯＩ：１０． １０１６／ｊ．ｔｒｃ．２０１５．０７．００５． ［２１］ＤａｇａｎｚｏＣＦ．Ｔｈｅｃｅｌｌｔｒａｎｓｍｉｓｓｉｏｎｍｏｄｅｌ：Ａｄｙｎａｍｉｃ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｏｆｈｉｇｈｗａｙｔｒａｆｆｉｃｃｏｎｓｉｓｔｅｎｔｗｉｔｈｔｈｅｈｙ ｄｒｏｄｙｎａｍｉｃｔｈｅｏｒｙ［Ｊ］．ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＰａｒｔ Ｂ：Ｍｅｔｈｏｄｏｌｏｇｉｃａｌ，１９９４，２８（４）：２６９ ２８７．ＤＯＩ： １０．１０１６／０１９１２６１５（９４）９０００２７． ［２２］ＭｕｎｏｚＬ，ＳｕｎＸＴ，ＨｏｒｏｗｉｔｚＲ，ｅｔａｌ．Ｔｒａｆｆｉｃｄｅｎｓｉｔｙ ｅｓｔｉｍａｔｉｏｎｗｉｔｈｔｈｅｃｅｌｌｔｒａｎｓｍｉｓｓｉｏｎｍｏｄｅｌ［Ｃ］／／Ｐｒｏ ｃｅｅｄｉｎｇｓｏｆｔｈｅ２００３ＡｍｅｒｉｃａｎＣｏｎｔｒｏｌＣｏｎｆｅｒｅｎｃｅ． Ｄｅｎｖｅｒ，ＣＯ，ＵＳＡ，２００３：３７５０ ３７５５．ＤＯＩ：１０． １１０９／ＡＣＣ．２００３．１２４０４１８． ［２３］ＨｏｒｏｗｔｉｚＲ，ＭｕｎｏｚＬ，ＳｕｎＸ．Ｍｏｄｅｌｉｎｇ，ｅｓｔｉｍａｔｉｏｎ， ａｎｄｃｏｎｔｒｏｌｏｆｆｒｅｅｗａｙｔｒａｆｆｉｃ［Ｒ］．Ｅｖａｎｓｔｏｎ，ＵＳＡ： ＮｏｒｔｈｗｅｓｔｅｒｎＵｎｉｖｅｒｓｉｔｙ，２００５． ［２４］ＧｏｍｅｓＧ，ＨｏｒｏｗｉｔｚＲ．Ｏｐｔｉｍａｌｆｒｅｅｗａｙｒａｍｐｍｅｔｅ ｒｉｎｇｕｓｉｎｇｔｈｅａｓｙｍｍｅｔｒｉｃｃｅｌｌｔｒａｎｓｍｉｓｓｉｏｎｍｏｄｅｌ［Ｊ］． ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＰａｒｔＣ：ＥｍｅｒｇｉｎｇＴｅｃｈｎｏｌｏ ｇｉｅｓ，２００６，１４（４）：２４４ ２６２．ＤＯＩ：１０．１０１６／ｊ．ｔｒｃ． ２００６．０８．００１． ［２５］ＢｏｅｌＲ，ＭｉｈａｙｌｏｖａＬ．Ａｃｏｍｐｏｓｉｔｉｏｎａｌｓｔｏｃｈａｓｔｉｃｍｏｄ ｅｌｆｏｒｒｅａｌｔｉｍｅｆｒｅｅｗａｙｔｒａｆｆｉｃｓｉｍｕｌａｔｉｏｎ［Ｊ］．Ｔｒａｎｓ ｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＰａｒｔＢ：Ｍｅｔｈｏｄｏｌｏｇｉｃａｌ，２００６，４０ （４）：３１９ ３３４．ＤＯＩ：１０．１０１６／ｊ．ｔｒｂ．２００５．０５．００１． ［２６］ＭｕｓｏｌｉｎｏＧ，ＶｉｔｅｔｔａＡ．Ｅｓｔｉｍａｔｉｏｎｏｆｔｈｅｎｅｔｗｏｒｋｆｕｎ ｄａｍｅｎｔａｌｄｉａｇｒａｍ（ＮＦＤ）：Ａｎｕｒｂａｎａｐｐｌｉｃａｔｉｏｎｉｎｅ ｍｅｒｇｅｎｃｙｃｏｎｄｉｔｉｏｎｓ［Ｊ］． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｐｒｏｃｅｄｉａ，２０１４，３：２０５ ２１３．ＤＯＩ：１０．１０１６／ｊ．ｔｒｐｒｏ． ２０１４．１０．１０６． ［２７］高自友，吴建军，毛保华，等．交通运输网络复杂性 及其相关问题的研究［Ｊ］．交通运输系统工程与信 息，２００５，５（２）：７９ ８４．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００９ ６７４４．２００５．０２．０１３． ＧａｏＺＹ，ＷｕＪＪ，ＭａｏＢＨ，ｅｔａｌ．Ｓｔｕｄｙｏｎｔｈｅｃｏｍ ｐｌｅｘｉｔｙｏｆｔｒａｆｆｉｃｎｅｔｗｏｒｋｓａｎｄｒｅｌａｔｅｄｐｒｏｂｌｅｍｓ［Ｊ］． ＪｏｕｒｎａｌｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＩｎ ｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，２００５，５（２）：７９ ８４．ＤＯＩ：１０． ３９６９／ｊ．ｉｓｓｎ．１００９６７４４．２００５．０２．０１３．（ｉｎＣｈｉｎｅｓｅ） ［２８］ＬｉＳＢ，ＬｉＹ，ＦｕＢＢ，ｅｔａｌ．Ｓｔｕｄｙｏｎｓｉｍｕｌａｔｉｏｎｏｐ ｔｉｍｉｚａｔｉｏｎｏｆｄｙｎａｍｉｃｔｒａｆｆｉｃｓｉｇｎａｌｂａｓｅｄｏｎｃｏｍｐｌｅｘ ｎｅｔｗｏｒｋｓ［Ｊ］．ＰｒｏｃｅｄｉａＥｎｇｉｎｅｅｒｉｎｇ，２０１６，１３７：１ １０．ＤＯＩ：１０．１０１６／ｊ．ｐｒｏｅｎｇ．２０１６．０１．２２８． ［２９］刘新全．基于贝叶斯网络推理的道路网络级联失效 仿真［Ｊ］．交通运输系统工程与信息，２０１５，１５（２）： ２１０ ２１５，２２２．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００９６７４４． ２０１５．０２．０３２． ＬｉｕＸ Ｑ．Ｃａｓｃａｄｉｎｇｆａｉｌｕｒｅｓｓｉｍｕｌａｔｉｏｎｏｆｒｏａｄｎｅｔ ｗｏｒｋｓｂａｓｅｄｏｎｂａｙｅｓｉａｎｎｅｔｗｏｒｋｉｎｆｅｒｅｎｃｅ［Ｊ］．Ｊｏｕｒ ｎａｌｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＩｎｆｏｒ ｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，２０１５，１５（２）：２１０ ２１５，２２２． ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００９６７４４．２０１５．０２．０３２．（ｉｎ Ｃｈｉｎｅｓｅ） ［３０］ＤａｎｃｚｙｋＡ，ＤｉＸ，ＬｉｕＨＸ，ｅｔａｌ．Ｕｎｅｘｐｅｃｔｅｄｖｅｒｓｕｓ ｅｘｐｅｃｔｅｄｎｅｔｗｏｒｋｄｉｓｒｕｐｔｉｏｎ：Ｅｆｆｅｃｔｓｏｎｔｒａｖｅｌｂｅｈａｖｉｏｒ ［Ｊ］．ＴｒａｎｓｐｏｒｔＰｏｌｉｃｙ，２０１７，５７：６８ ７８．ＤＯＩ：１０． １０１６／ｊ．ｔｒａｎｐｏｌ．２０１７．０２．００２． ［３１］ＷａｎｇＬＦ，ＣｈｅｎＨ，ＬｉＹ．Ｔｒａｎｓｉｔｉｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃａ ｎａｌｙｓｉｓｏｆｔｒａｆｆｉｃｅｖｏｌｕｔｉｏｎｐｒｏｃｅｓｓｆｏｒｕｒｂａｎｔｒａｆｆｉｃｎｅｔ ｗｏｒｋ［Ｊ］．ＴｈｅＳｃｉｅｎｔｉｆｉｃＷｏｒｌｄＪｏｕｒｎａｌ，２０１４，２０１４： １ ９．ＤＯＩ：１０．１１５５／２０１４／６０３２７４． ［３２］ＳｏｌｔａｎｉＡ，ＡｓｋａｒｉＳ．Ｅｘｐｌｏｒｉｎｇｓｐａｔｉａｌａｕｔｏｃｏｒｒｅｌａｔｉｏｎ ｏｆｔｒａｆｆｉｃｃｒａｓｈｅｓｂａｓｅｄｏｎｓｅｖｅｒｉｔｙ［Ｊ］．Ｉｎｊｕｒｙ，２０１７， ４８（３）：６３７ ６４７．ＤＯＩ：１０．１０１６／ｊ．ｉｎｊｕｒｙ．２０１７．０１． ０３２． ［３３］ＫａｎｇＹ，ＣｈｏＮ，ＳｏｎＳ．Ｓｐａｔｉｏｔｅｍｐｏｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆｅｌｄｅｒｌｙｐｏｐｕｌａｔｉｏｎ’ｓｔｒａｆｆｉｃａｃｃｉｄｅｎｔｓｉｎＳｅｏｕｌｕｓｉｎｇ ｓｐａｃｅｔｉｍｅｃｕｂｅａｎｄｓｐａｃｅｔｉｍｅｋｅｒｎｅｌｄｅｎｓｉｔｙｅｓｔｉｍａ ｔｉｏｎ［Ｊ］．ＰＬｏＳＯｎｅ，２０１８，１３（５）：ｅ０１９６８４５．ＤＯＩ： １０．１３７１／ｊｏｕｒｎａｌ．ｐｏｎｅ．０１９６８４５． ［３４］ＦａｎＹＸ，ＺｈｕＸＹ，ＳｈｅＢ，ｅｔａｌ．Ｎｅｔｗｏｒｋｃｏｎｓｔｒａｉｎ ｅｄｓｐａｔｉｏｔｅｍｐｏｒａｌｃｌｕｓｔｅｒｉｎｇａｎａｌｙｓｉｓｏｆｔｒａｆｆｉｃｃｏｌｌｉ ｓｉｏｎｓｉｎＪｉａｎｇｈａｎＤｉｓｔｒｉｃｔｏｆＷｕｈａｎ，Ｃｈｉｎａ［Ｊ］．ＰＬｏＳ Ｏｎｅ，２０１８，１３（４）：ｅ０１９５０９３．ＤＯＩ：１０．１３７１／ｊｏｕｒ ｎａｌ．ｐｏｎｅ．０１９５０９３． ［３５］ＮａｎｔｈａｗｉｃｈｉｔＣ，ＮａｋａｔｓｕｊｉＴ，ＳｕｚｕｋｉＨ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆｐｒｏｂｅｖｅｈｉｃｌｅｄａｔａｆｏｒｒｅａｌｔｉｍｅｔｒａｆｆｉｃｓｔａｔｅｅｓｔｉｍａ ｔｉｏｎａｎｄｓｈｏｒｔｔｅｒｍｔｒａｖｅｌｔｉｍｅｐｒｅｄｉｃｔｉｏｎｏｎａｆｒｅｅｗａｙ ［Ｊ］．ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＲｅｃｏｒｄ：Ｊｏｕｒｎａｌｏｆｔｈｅ ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＢｏａｒｄ，２００３，１８５５（１）：４９ ５９．ＤＯＩ：１０．３１４１／１８５５０６． ［３６］ＭｉｎＷ Ｌ，ＷｙｎｔｅｒＬ．Ｒｅａｌｔｉｍｅｒｏａｄｔｒａｆｆｉｃｐｒｅｄｉｃｔｉｏｎ ４１０ 东南大学学报（自然科学版） 第 ４９卷

第2期 陆建,等:道路交通网络安全风险辨识研究进展 411 with spatio-temporal correlations [J]. Transportation network[J]. Transportation Research Part C: Emer- Research Part C: Emerging Technologies, 2011, 19 ging Technologies, 2013, 32: 103-115. DOI: 10 (4):606-616.DO1:10.1016/jtre.2010.10.002 l016/jtrc.2012.10.008 tion [47 Dijkstra A, Marchesini P, Bijleveld F, et al. Do cal- and estimation of the state of a road network [J] culated conflicts in microsimulation model predict num- Transportation Research Part C: Emerging Technolo ber of crashes? [J]. Transportation Research Record gies,2012,2l(1):163-180.DOl:10.1016/jtre Journal of the Transportation Research Board, 2010 2011.08.007. 147(1):105-112.DOl:10.3141/2147-13 [38 Pan T L, Sumalee A, ZhongRX, et al. Short-term [48 Elvik R. Operational criteria of causality for observa- -Spatial corre- tional road safety evaluation studies [J]. Transporta lation[J]. IEEE Transactions on Intelligent Transpor- tion Research Record Journal of the transportation tation Systems,2013,14(3):1242-1254.DOl:10 Research board, 2007, 2019(1): 74-81. DOI: 10 109/tits.2013.225891 [39 Jenelius E, Koutsopoulos H N. Travel time estimation [49 Hauer E. Cause, effect and regression in road safety urban road networks using low frequency probe ve A case study [J]. Accident Analysis &Prevention icle data[ J]. Transportation Research Part B: Meth- 2010,42(4):1128-1135.DOl:10.1016/jaap ecological,2013,53:64-81.DOl:10.1016/j.tb 2009.12.02 2013.03.008 [50] Laureshyn A, Svensson I, Hyden C. Evaluation of [40 Kong Q J, Zhao Q K, Wei C, et al. Efficient traffic traffic safety, based on micro-level behavioural data state estimation for large-scale urban road networks Theoretical framework and first implementation[J] J]. IEEE Transactions on Intelligent Transportation Accident Analysis Prevention, 2010, 42(6): 1637- Systems,2013,14(1):398-407.DO1:10.1109/ tits.2012.2218237 )1646.Do1:0.016/ap.2010.03.02 [51 Yu R J, Abdel-Aty M. An optimal variable speed lim- [41 Li L, Chen X Q, Zhang L. Multimodel ensemble for its system to ameliorate traffic safety risk[J].Trans- freeway traffic state estimations [J]. IEEE Transac- portation Research Part C: Emerging Technologies tions on Intelligent Transportation Systems, 2014, 15 014,46:235-246.DOl:10.1016/jtrc.2014.05. (3):1323-1336.DO1:10.1109/tits.2014.299542 016. [42 Zhu G Y, Lu G N, Yang C G, et al. Research on the [52] Yu R J, Abdel-Aty M. Utilizing support vector ma- with drivers perception under the vehicle networking Analysis Prevention. 2013. 51. 252-259. DOI. 10 J]. Personal and Ubiquitous Computing, 2014, 18 1016/j.aap.2012.11.027 (8):1955-1961.DOl:10.1007/9007790140801 [53] Zhang N, Huang H, Su BN, et al. Analysis of dynam- ic road risk for pedestrian evacuation[J]. Physica A [43] Xu D W, Wang Y D, Li H J, et al. The measurement Statistical Mechanics and its Applications, 2015, 430 of road traffic states under high data loss rate [J] Measurement,2015,69:134-145.DOl:10.l016 [54 Collins A J, Robinson R M, Foytik P, et al. Integrating measurement 2015.. 020 a simple traffic incident model for rapid evacuation analy [4]赵新勇,安实,丛浩哲.基于路网抗毁可靠度的交通 [J]. International Journal of Transportation, 2016, 4 突发事件态势分析[J].交通运输系统工程与信息, (3):15-32.DOl:10.14257/jt2016.4.3.0. 2013, 13(5): 79-85. DOI: 10. 3969/j. issn 1009. [55] Nogal M, O'Connor A, Martinez-Pastor B, et al. 6744.2013.05.01 Novel probabilistic resilience assessment framework of Zhao X Y. An S. Cong h Z. traffic incident situation transportation networks against extreme weather events evaluation based on road network reliability of inval- [J]. ASCE- ASME Journal of Risk and Uncertainty in nerability [J]. Journal of Transportation Systems Engi Engineering Systems, Part A Civil Engineering neering and Information Technology, 2013, 13(5) 2017,3(3):04017004.DOI:10.1061/ arpad 79-85.DOl:10.3969/j.issn.100946744.2013.05 012.(in Chinese) [56 Liu M, Agarwal J, Blockley D. Vulnerability of road [45 Young W, Sobhani A, Lenne M G, et al.Simulation networks[J]. Civil Engineering and Environmenta of safety: A review of the state of the art in road safety Systems,2016,33(2):147-175.DOl:10.1080/ simulation modelling[J]. Accident Analysis Preven- 10286608.2016.1148142 tion,2014,66:89-103.DO1:10.l016/jaap.2014.[57]杨露萍,钱大琳.道路交通网络脆弱性研究[J].交 01.008 通运输系统工程与信息,2012,12(1):105-110 [46 Dijkstra A. Assessing the safety of routes in a regional DOI:10.3969/.issn.10096744.2012.01.016 http://journal.seu.edu.cn

ｈｔｔｐ：／／ｊｏｕｒｎａｌ．ｓｅｕ．ｅｄｕ．ｃｎ ｗｉｔｈｓｐａｔｉｏｔｅｍｐｏｒａｌｃｏｒｒｅｌａｔｉｏｎｓ［Ｊ］．Ｔｒａｎｓｐｏｒｔａｔｉｏｎ ＲｅｓｅａｒｃｈＰａｒｔＣ：ＥｍｅｒｇｉｎｇＴｅｃｈｎｏｌｏｇｉｅｓ，２０１１，１９ （４）：６０６ ６１６．ＤＯＩ：１０．１０１６／ｊ．ｔｒｃ．２０１０．１０．００２． ［３７］ ＫｕｒｚｈａｎｓｋｉｙＡ Ａ，ＶａｒａｉｙａＰ．Ｇｕａｒａｎｔｅｅｄｐｒｅｄｉｃｔｉｏｎ ａｎｄｅｓｔｉｍａｔｉｏｎｏｆｔｈｅｓｔａｔｅｏｆａｒｏａｄｎｅｔｗｏｒｋ［Ｊ］． ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＰａｒｔＣ：ＥｍｅｒｇｉｎｇＴｅｃｈｎｏｌｏ ｇｉｅｓ，２０１２，２１（１）：１６３ １８０．ＤＯＩ：１０．１０１６／ｊ．ｔｒｃ． ２０１１．０８．００７． ［３８］ＰａｎＴＬ，ＳｕｍａｌｅｅＡ，ＺｈｏｎｇＲＸ，ｅｔａｌ．Ｓｈｏｒｔｔｅｒｍ ｔｒａｆｆｉｃｓｔａｔｅｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎＴｅｍｐｏｒａｌＳｐａｔｉａｌｃｏｒｒｅ ｌａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒ ｔａｔｉｏｎＳｙｓｔｅｍｓ，２０１３，１４（３）：１２４２ １２５４．ＤＯＩ：１０． １１０９／ｔｉｔｓ．２０１３．２２５８９１６． ［３９］ＪｅｎｅｌｉｕｓＥ，ＫｏｕｔｓｏｐｏｕｌｏｓＨＮ．Ｔｒａｖｅｌｔｉｍｅｅｓｔｉｍａｔｉｏｎ ｆｏｒｕｒｂａｎｒｏａｄｎｅｔｗｏｒｋｓｕｓｉｎｇｌｏｗｆｒｅｑｕｅｎｃｙｐｒｏｂｅｖｅ ｈｉｃｌｅｄａｔａ［Ｊ］．ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＰａｒｔＢ：Ｍｅｔｈ ｏｄｏｌｏｇｉｃａｌ，２０１３，５３：６４ ８１．ＤＯＩ：１０．１０１６／ｊ．ｔｒｂ． ２０１３．０３．００８． ［４０］ＫｏｎｇＱＪ，ＺｈａｏＱＫ，ＷｅｉＣ，ｅｔａｌ．Ｅｆｆｉｃｉｅｎｔｔｒａｆｆｉｃ ｓｔａｔｅｅｓｔｉｍａｔｉｏｎｆｏｒｌａｒｇｅｓｃａｌｅｕｒｂａｎｒｏａｄｎｅｔｗｏｒｋｓ ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍｓ，２０１３，１４（１）：３９８ ４０７．ＤＯＩ：１０．１１０９／ ｔｉｔｓ．２０１２．２２１８２３７． ［４１］ＬｉＬ，ＣｈｅｎＸＱ，ＺｈａｎｇＬ．Ｍｕｌｔｉｍｏｄｅｌｅｎｓｅｍｂｌｅｆｏｒ ｆｒｅｅｗａｙｔｒａｆｆｉｃｓｔａｔｅｅｓｔｉｍａｔｉｏｎｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃ ｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ，２０１４，１５ （３）：１３２３ １３３６．ＤＯＩ：１０．１１０９／ｔｉｔｓ．２０１４．２２９９５４２． ［４２］ＺｈｕＧＹ，ＬｕＧＮ，ＹａｎｇＣＧ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｔｈｅ ｃｏｍｐｒｅｈｅｎｓｉｖｅｔｒａｆｆｉｃｓｔａｔｅｅｖａｌｕａｔｉｏｎ ｍｏｄｅｌｌｉｎｋｅｄ ｗｉｔｈｄｒｉｖｅｒｓ’ｐｅｒｃｅｐｔｉｏｎｕｎｄｅｒｔｈｅｖｅｈｉｃｌｅｎｅｔｗｏｒｋｉｎｇ ［Ｊ］．ＰｅｒｓｏｎａｌａｎｄＵｂｉｑｕｉｔｏｕｓＣｏｍｐｕｔｉｎｇ，２０１４，１８ （８）：１９５５ １９６１．ＤＯＩ：１０．１００７／ｓ００７７９０１４０８０１ ４． ［４３］ＸｕＤＷ，ＷａｎｇＹＤ，ＬｉＨＪ，ｅｔａｌ．Ｔｈｅｍｅａｓｕｒｅｍｅｎｔ ｏｆｒｏａｄｔｒａｆｆｉｃｓｔａｔｅｓｕｎｄｅｒｈｉｇｈｄａｔａｌｏｓｓｒａｔｅ［Ｊ］． Ｍｅａｓｕｒｅｍｅｎｔ，２０１５，６９：１３４ １４５．ＤＯＩ：１０．１０１６／ｊ． ｍｅａｓｕｒｅｍｅｎｔ．２０１５．０３．０２０． ［４４］赵新勇，安实，丛浩哲．基于路网抗毁可靠度的交通 突发事件态势分析［Ｊ］．交通运输系统工程与信息， ２０１３，１３（５）：７９ ８５．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００９ ６７４４．２０１３．０５．０１２． ＺｈａｏＸＹ，ＡｎＳ，ＣｏｎｇＨＺ．Ｔｒａｆｆｉｃｉｎｃｉｄｅｎｔｓｉｔｕａｔｉｏｎ ｅｖａｌｕａｔｉｏｎｂａｓｅｄｏｎｒｏａｄｎｅｔｗｏｒｋｒｅｌｉａｂｉｌｉｔｙｏｆｉｎｖｕｌ ｎｅｒａｂｉｌｉｔｙ［Ｊ］．ＪｏｕｒｎａｌｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓＥｎｇｉ ｎｅｅｒｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，２０１３，１３（５）： ７９ ８５．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００９６７４４．２０１３．０５． ０１２．（ｉｎＣｈｉｎｅｓｅ） ［４５］ＹｏｕｎｇＷ，ＳｏｂｈａｎｉＡ，ＬｅｎｎéＭ Ｇ，ｅｔａｌ．Ｓｉｍｕｌａｔｉｏｎ ｏｆｓａｆｅｔｙ：Ａｒｅｖｉｅｗｏｆｔｈｅｓｔａｔｅｏｆｔｈｅａｒｔｉｎｒｏａｄｓａｆｅｔｙ ｓｉｍｕｌａｔｉｏｎｍｏｄｅｌｌｉｎｇ［Ｊ］．ＡｃｃｉｄｅｎｔＡｎａｌｙｓｉｓ＆Ｐｒｅｖｅｎ ｔｉｏｎ，２０１４，６６：８９ １０３．ＤＯＩ：１０．１０１６／ｊ．ａａｐ．２０１４． ０１．００８． ［４６］ＤｉｊｋｓｔｒａＡ．Ａｓｓｅｓｓｉｎｇｔｈｅｓａｆｅｔｙｏｆｒｏｕｔｅｓｉｎａｒｅｇｉｏｎａｌ ｎｅｔｗｏｒｋ［Ｊ］．ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＰａｒｔＣ：Ｅｍｅｒ ｇｉｎｇＴｅｃｈｎｏｌｏｇｉｅｓ，２０１３，３２：１０３ １１５．ＤＯＩ：１０． １０１６／ｊ．ｔｒｃ．２０１２．１０．００８． ［４７］ＤｉｊｋｓｔｒａＡ，ＭａｒｃｈｅｓｉｎｉＰ，ＢｉｊｌｅｖｅｌｄＦ，ｅｔａｌ．Ｄｏｃａｌ ｃｕｌａｔｅｄｃｏｎｆｌｉｃｔｓｉｎｍｉｃｒｏｓｉｍｕｌａｔｉｏｎｍｏｄｅｌｐｒｅｄｉｃｔｎｕｍ ｂｅｒｏｆｃｒａｓｈｅｓ？［Ｊ］．ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＲｅｃｏｒｄ： ＪｏｕｒｎａｌｏｆｔｈｅＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＢｏａｒｄ，２０１０， ２１４７（１）：１０５ １１２．ＤＯＩ：１０．３１４１／２１４７１３． ［４８］ＥｌｖｉｋＲ．Ｏｐｅｒａｔｉｏｎａｌｃｒｉｔｅｒｉａｏｆｃａｕｓａｌｉｔｙｆｏｒｏｂｓｅｒｖａ ｔｉｏｎａｌｒｏａｄｓａｆｅｔｙｅｖａｌｕａｔｉｏｎｓｔｕｄｉｅｓ［Ｊ］．Ｔｒａｎｓｐｏｒｔａ ｔｉｏｎＲｅｓｅａｒｃｈＲｅｃｏｒｄ：ＪｏｕｒｎａｌｏｆｔｈｅＴｒａｎｓｐｏｒｔａｔｉｏｎ ＲｅｓｅａｒｃｈＢｏａｒｄ，２００７，２０１９（１）：７４ ８１．ＤＯＩ：１０． ３１４１／２０１９１０． ［４９］ＨａｕｅｒＥ．Ｃａｕｓｅ，ｅｆｆｅｃｔａｎｄｒｅｇｒｅｓｓｉｏｎｉｎｒｏａｄｓａｆｅｔｙ： Ａ ｃａｓｅｓｔｕｄｙ［Ｊ］．ＡｃｃｉｄｅｎｔＡｎａｌｙｓｉｓ＆Ｐｒｅｖｅｎｔｉｏｎ， ２０１０，４２（４）：１１２８ １１３５．ＤＯＩ：１０．１０１６／ｊ．ａａｐ． ２００９．１２．０２７． ［５０］ ＬａｕｒｅｓｈｙｎＡ，Ｓｖｅｎｓｓｏｎ￾，ＨｙｄéｎＣ．Ｅｖａｌｕａｔｉｏｎｏｆ ｔｒａｆｆｉｃｓａｆｅｔｙ，ｂａｓｅｄｏｎｍｉｃｒｏｌｅｖｅｌｂｅｈａｖｉｏｕｒａｌｄａｔａ： Ｔｈｅｏｒｅｔｉｃａｌｆｒａｍｅｗｏｒｋａｎｄｆｉｒｓｔｉｍｐｌｅｍｅｎｔａｔｉｏｎ［Ｊ］． ＡｃｃｉｄｅｎｔＡｎａｌｙｓｉｓ＆Ｐｒｅｖｅｎｔｉｏｎ，２０１０，４２（６）：１６３７ １６４６．ＤＯＩ：１０．１０１６／ｊ．ａａｐ．２０１０．０３．０２１． ［５１］ＹｕＲＪ，ＡｂｄｅｌＡｔｙＭ．Ａｎｏｐｔｉｍａｌｖａｒｉａｂｌｅｓｐｅｅｄｌｉｍ ｉｔｓｓｙｓｔｅｍｔｏａｍｅｌｉｏｒａｔｅｔｒａｆｆｉｃｓａｆｅｔｙｒｉｓｋ［Ｊ］．Ｔｒａｎｓ ｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＰａｒｔＣ：ＥｍｅｒｇｉｎｇＴｅｃｈｎｏｌｏｇｉｅｓ， ２０１４，４６：２３５ ２４６．ＤＯＩ：１０．１０１６／ｊ．ｔｒｃ．２０１４．０５． ０１６． ［５２］ ＹｕＲＪ，ＡｂｄｅｌＡｔｙＭ．Ｕｔｉｌｉｚｉｎｇｓｕｐｐｏｒｔｖｅｃｔｏｒｍａ ｃｈｉｎｅｉｎｒｅａｌｔｉｍｅｃｒａｓｈｒｉｓｋｅｖａｌｕａｔｉｏｎ［Ｊ］．Ａｃｃｉｄｅｎｔ Ａｎａｌｙｓｉｓ＆Ｐｒｅｖｅｎｔｉｏｎ，２０１３，５１：２５２ ２５９．ＤＯＩ：１０． １０１６／ｊ．ａａｐ．２０１２．１１．０２７． ［５３］ＺｈａｎｇＮ，ＨｕａｎｇＨ，ＳｕＢＮ，ｅｔａｌ．Ａｎａｌｙｓｉｓｏｆｄｙｎａｍ ｉｃｒｏａｄｒｉｓｋｆｏｒｐｅｄｅｓｔｒｉａｎｅｖａｃｕａｔｉｏｎ［Ｊ］．ＰｈｙｓｉｃａＡ： ＳｔａｔｉｓｔｉｃａｌＭｅｃｈａｎｉｃｓａｎｄｉｔｓＡｐｐｌｉｃａｔｉｏｎｓ，２０１５，４３０： １７１ １８３．ＤＯＩ：１０．１０１６／ｊ．ｐｈｙｓａ．２０１５．０２．０８２． ［５４］ＣｏｌｌｉｎｓＡＪ，ＲｏｂｉｎｓｏｎＲＭ，ＦｏｙｔｉｋＰ，ｅｔａｌ．Ｉｎｔｅｇｒａｔｉｎｇ ａｓｉｍｐｌｅｔｒａｆｆｉｃｉｎｃｉｄｅｎｔｍｏｄｅｌｆｏｒｒａｐｉｄｅｖａｃｕａｔｉｏｎａｎａｌｙ ｓｉｓ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎ，２０１６，４ （３）：１５ ３２．ＤＯＩ：１０．１４２５７／ｉｊｔ．２０１６．４．３．０２． ［５５］ ＮｏｇａｌＭ，Ｏ’ＣｏｎｎｏｒＡ，ＭａｒｔｉｎｅｚＰａｓｔｏｒＢ，ｅｔａｌ． Ｎｏｖｅｌｐｒｏｂａｂｉｌｉｓｔｉｃｒｅｓｉｌｉｅｎｃｅａｓｓｅｓｓｍｅｎｔｆｒａｍｅｗｏｒｋｏｆ ｔｒａｎｓｐｏｒｔａｔｉｏｎｎｅｔｗｏｒｋｓａｇａｉｎｓｔｅｘｔｒｅｍｅｗｅａｔｈｅｒｅｖｅｎｔｓ ［Ｊ］．ＡＳＣＥＡＳＭＥＪｏｕｒｎａｌｏｆＲｉｓｋａｎｄＵｎｃｅｒｔａｉｎｔｙｉｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｓｙｓｔｅｍｓ， ＰａｒｔＡ： ＣｉｖｉｌＥｎｇｉｎｅｅｒｉｎｇ， ２０１７，３（３）： ０４０１７００４． ＤＯＩ：１０．１０６１／ａｊｒｕａ６． ００００９０８． ［５６］ＬｉｕＭ，ＡｇａｒｗａｌＪ，ＢｌｏｃｋｌｅｙＤ．Ｖｕｌｎｅｒａｂｉｌｉｔｙｏｆｒｏａｄ ｎｅｔｗｏｒｋｓ［Ｊ］．ＣｉｖｉｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌ Ｓｙｓｔｅｍｓ，２０１６，３３（２）：１４７ １７５．ＤＯＩ：１０．１０８０／ １０２８６６０８．２０１６．１１４８１４２． ［５７］杨露萍，钱大琳．道路交通网络脆弱性研究［Ｊ］．交 通运输系统工程与信息，２０１２，１２（１）：１０５ １１０． ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００９６７４４．２０１２．０１．０１６． 第 ２期 陆建，等：道路交通网络安全风险辨识研究进展 ４１１

412 东南大学学报(自然科学版) 第49卷 Yang L P, Qian D L. Vulnerability analysis of road flow accident risk on urban expressway[J]. Joumal of etworks [J]. Journal of Transportation Systems engi Tongji University( Natural Science), 2014, 42(6) eering and Information Technology, 2012, 12(1) 873-879.DOl:10.3969/ 1. Issn.0253-374x.2014.06. 105-110.DO1:10.3969/.issn.10096744.2012.01 008.( in Chinese) 016.(in Chinese) [66 Najafi S, FlintschG W, Khaleghian S. Fuzzy logic in- [58]李成兵,魏磊,李奉孝,等.基于攻击策略的城市群 ference-based Pavement Friction Management and re 复合交通网络脆弱性研究[J].公路交通科技 2017,34(3):101-109.DOl:10.3969/j.issn.1002 tud [J. Accident Analysis Prevention, 2016, 90 0268.2017.03.014 41-49.DOI:10.1016/jap.2016.02.007 LiCB,weiL,LiFX, et al. Study on vulnerability[67]王世明,徐建闽,罗强,等.面向高速公路的车辆换 of city agglomeration compound traffic network based 道安全预警模型[J].华南理工大学学报(自然科学 on attack strategy [J]. Journal of Highway and Trans- 版),2014,42(12):40-50.DO:10.3969/jisn. portation Research and Development, 2017, 34(3) 1000-565X.2014.12. 101-109.DO1:10.3969/j.issn.1002-0268.2017.03 Wang S m,ⅪuJM Q, et al. A safety warning 014.( in Chinese) model for lane changing on highway [J]. Journal of [59 Xu CC, Liu P, Yang B, et al. Real-time estimation South China University of Technology( Natural Science of secondary crash likelihood on freeways using high Edition),2014,42(12):40-50.DOl:10.3969/j issn.1000-565X.2014.12.007.( in Chinese) search Part C: Emerging Technologies, 2016, 71: [68 Steenbruggen J, Tranos E, Rietveld P. Traffic inci 406-418.DOl:10.1016/j.trc.2016.08.015 dents in motorways: An empirical proposal for incident 60 Dingus T A, Guo F, Lee S, et al. Driver crash risk factors and prevalence evaluation using naturalistic Journal of Transport Geography, 2016, 54: 81-90 driving data[ J]. Proceedings of the National Academy DOI:10.1016/j- trango.2016.05.008 of sciences,2016,13(10):2636-2641.Dol:10.[69]赵学刚、城市道路交通安全综合风险预警控制研究 1073/pnas.1513271113 [冂].中国安全科学学报,2016,26(2):158-163 [61 Lefevre S, Vasquez D, Laugier C. A survey on mo- DO:10.16265/j.cnki.issn1003-3033.2016.02.027 tion prediction and risk assessment for intelligent vehi Zhao X G. Research on integrated warning control of cles[J]. ROBOMECH Journal, 2014, 1(1):1-14 urban traffic safety risks[J]. China Safety Science DOI:10.1186/s40648-0140001-Z Jounai,2016,26(2):158-163.DO1:10.16265/j ness of on-street bicycle lane and assessing risk to bicy- [70] Milanes V, Perez J, Godoy J, et al. A fuzzy aid rear- clists in Charlotte, North Carolina[ J]. Accident Anal- end collision warning/avoidance system[J]. Expert 34-41.DOl:10.101 Systems with Applications, 2012, 39(10): 9097 9107.DOl:10.1016/jewa.2012.02.054 [63 Golestan K, Khaleghi B, Karray F, et al. Attention [71] Martin J, Rozas A, Araujo A. A WSN-based intrusion assist. A high-level information fusion framework for alarm system to improve safety in road work zones situation and threat assessment in vehicular ad hoc net- []. Journal of Sensors, 2016, 2016: 1-8. DOI works[J. IEEE Transactions on Intelligent Transpor 10.1155/2016/7048141 tation Systems,2016,17(5):1271-1285.DO1:10.[72]张登宏.基于物联网技术的交通安全预警机制研究 1109/tits.2015.2502601 [冂].计算机仿真,2011,28(11):346-349.DOI [64 Gokulakrishnan P, Ganeshkumar P. Road accident pre 10.3969/j.iss.1006-9348.2011.11.084 Zhang D H. Research on early-warning mechanism semination in vehicular ad-hoc network[ J]. PLoS basedoninternetofthingsfortrafficsafety[j.com- One,2015,10(12):c0143383.DOl:10.1371/jour puter Simulation, 2011, 28(11): 346-349. DOI: 10 nal pone. 0143383. 3969/.isn.1006-9348.2011.11.084.( in Chinese) [65]孙剑,孙杰.城市快速路实时交通流运行安全主动[73]WuJJ, Abdel-AlyM,YuRJ,etal. A novel visible 风险评估[].同济大学学报(自然科学版),2014 analysis [J] 42(6):873-879.DOI:10.3969/j.issn.0253-374x Transportation Research Part C: Emerging Technolo- 2014.06.008. gies,2013,36:72-82.DOl:10.1016/j.tre.2013 Sun j. Sun j. proactive assessment of real-time traffic 08.005 http://journal.seu.edu.cn

ｈｔｔｐ：／／ｊｏｕｒｎａｌ．ｓｅｕ．ｅｄｕ．ｃｎ ＹａｎｇＬＰ，ＱｉａｎＤ Ｌ．Ｖｕｌｎｅｒａｂｉｌｉｔｙａｎａｌｙｓｉｓｏｆｒｏａｄ ｎｅｔｗｏｒｋｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓＥｎｇｉ ｎｅｅｒｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，２０１２，１２（１）： １０５ １１０．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００９６７４４．２０１２．０１． ０１６．（ｉｎＣｈｉｎｅｓｅ） ［５８］李成兵，魏磊，李奉孝，等．基于攻击策略的城市群 复合交通 网 络 脆 弱 性 研 究 ［Ｊ］．公 路 交 通 科 技， ２０１７，３４（３）：１０１ １０９．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００２ ０２６８．２０１７．０３．０１４． ＬｉＣＢ，ＷｅｉＬ，ＬｉＦＸ，ｅｔａｌ．Ｓｔｕｄｙｏｎｖｕｌｎｅｒａｂｉｌｉｔｙ ｏｆｃｉｔｙａｇｇｌｏｍｅｒａｔｉｏｎｃｏｍｐｏｕｎｄｔｒａｆｆｉｃｎｅｔｗｏｒｋｂａｓｅｄ ｏｎａｔｔａｃｋｓｔｒａｔｅｇｙ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｉｇｈｗａｙａｎｄＴｒａｎｓ ｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔ，２０１７，３４（３）： １０１ １０９．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００２０２６８．２０１７．０３． ０１４．（ｉｎＣｈｉｎｅｓｅ） ［５９］ＸｕＣＣ，ＬｉｕＰ，ＹａｎｇＢ，ｅｔａｌ．Ｒｅａｌｔｉｍｅｅｓｔｉｍａｔｉｏｎ ｏｆｓｅｃｏｎｄａｒｙｃｒａｓｈｌｉｋｅｌｉｈｏｏｄｏｎｆｒｅｅｗａｙｓｕｓｉｎｇｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎｌｏｏｐｄｅｔｅｃｔｏｒｄａｔａ［Ｊ］．ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅ ｓｅａｒｃｈＰａｒｔＣ：ＥｍｅｒｇｉｎｇＴｅｃｈｎｏｌｏｇｉｅｓ，２０１６，７１： ４０６ ４１８．ＤＯＩ：１０．１０１６／ｊ．ｔｒｃ．２０１６．０８．０１５． ［６０］ＤｉｎｇｕｓＴＡ，ＧｕｏＦ，ＬｅｅＳ，ｅｔａｌ．Ｄｒｉｖｅｒｃｒａｓｈｒｉｓｋ ｆａｃｔｏｒｓａｎｄ ｐｒｅｖａｌｅｎｃｅ ｅｖａｌｕａｔｉｏｎ ｕｓｉｎｇ ｎａｔｕｒａｌｉｓｔｉｃ ｄｒｉｖｉｎｇｄａｔａ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＮａｔｉｏｎａｌＡｃａｄｅｍｙ ｏｆＳｃｉｅｎｃｅｓ，２０１６，１１３（１０）：２６３６ ２６４１．ＤＯＩ：１０． １０７３／ｐｎａｓ．１５１３２７１１１３． ［６１］ＬｅｆèｖｒｅＳ，ＶａｓｑｕｅｚＤ，ＬａｕｇｉｅｒＣ．Ａｓｕｒｖｅｙｏｎｍｏ ｔｉｏｎｐｒｅｄｉｃｔｉｏｎａｎｄｒｉｓｋａｓｓｅｓｓｍｅｎｔｆｏｒｉｎｔｅｌｌｉｇｅｎｔｖｅｈｉ ｃｌｅｓ［Ｊ］．ＲＯＢＯＭＥＣＨＪｏｕｒｎａｌ，２０１４，１（１）：１ １４． ＤＯＩ：１０．１１８６／ｓ４０６４８０１４０００１ｚ． ［６２］ ＰｕｌｕｇｕｒｔｈａＳＳ，ＴｈａｋｕｒＶ．Ｅｖａｌｕａｔｉｎｇｔｈｅｅｆｆｅｃｔｉｖｅ ｎｅｓｓｏｆｏｎｓｔｒｅｅｔｂｉｃｙｃｌｅｌａｎｅａｎｄａｓｓｅｓｓｉｎｇｒｉｓｋｔｏｂｉｃｙ ｃｌｉｓｔｓｉｎＣｈａｒｌｏｔｔｅ，ＮｏｒｔｈＣａｒｏｌｉｎａ［Ｊ］．ＡｃｃｉｄｅｎｔＡｎａｌ ｙｓｉｓ＆Ｐｒｅｖｅｎｔｉｏｎ，２０１５，７６：３４ ４１．ＤＯＩ：１０．１０１６／ ｊ．ａａｐ．２０１４．１２．０２０． ［６３］ＧｏｌｅｓｔａｎＫ，ＫｈａｌｅｇｈｉＢ，ＫａｒｒａｙＦ，ｅｔａｌ．Ａｔｔｅｎｔｉｏｎ ａｓｓｉｓｔ：Ａｈｉｇｈｌｅｖｅｌｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎｆｒａｍｅｗｏｒｋｆｏｒ ｓｉｔｕａｔｉｏｎａｎｄｔｈｒｅａｔａｓｓｅｓｓｍｅｎｔｉｎｖｅｈｉｃｕｌａｒａｄｈｏｃｎｅｔ ｗｏｒｋｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒ ｔａｔｉｏｎＳｙｓｔｅｍｓ，２０１６，１７（５）：１２７１ １２８５．ＤＯＩ：１０． １１０９／ｔｉｔｓ．２０１５．２５０２６０１． ［６４］ＧｏｋｕｌａｋｒｉｓｈｎａｎＰ，ＧａｎｅｓｈｋｕｍａｒＰ．Ｒｏａｄａｃｃｉｄｅｎｔｐｒｅ ｖｅｎｔｉｏｎｗｉｔｈｉｎｓｔａｎｔｅｍｅｒｇｅｎｃｙｗａｒｎｉｎｇｍｅｓｓａｇｅｄｉｓ ｓｅｍｉｎａｔｉｏｎｉｎｖｅｈｉｃｕｌａｒａｄｈｏｃｎｅｔｗｏｒｋ［Ｊ］．ＰＬｏＳ Ｏｎｅ，２０１５，１０（１２）：ｅ０１４３３８３．ＤＯＩ：１０．１３７１／ｊｏｕｒ ｎａｌ．ｐｏｎｅ．０１４３３８３． ［６５］孙剑，孙杰．城市快速路实时交通流运行安全主动 风险评估［Ｊ］．同济大学学报（自然科学版），２０１４， ４２（６）：８７３８７９．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０２５３３７４ｘ． ２０１４．０６．００８． ＳｕｎＪ，ＳｕｎＪ．Ｐｒｏａｃｔｉｖｅａｓｓｅｓｓｍｅｎｔｏｆｒｅａｌｔｉｍｅｔｒａｆｆｉｃ ｆｌｏｗａｃｃｉｄｅｎｔｒｉｓｋｏｎｕｒｂａｎｅｘｐｒｅｓｓｗａｙ［Ｊ］．Ｊｏｕｒｎａｌｏｆ ＴｏｎｇｊｉＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ），２０１４，４２（６）： ８７３ ８７９．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０２５３３７４ｘ．２０１４．０６． ００８．（ｉｎＣｈｉｎｅｓｅ） ［６６］ＮａｊａｆｉＳ，ＦｌｉｎｔｓｃｈＧＷ，ＫｈａｌｅｇｈｉａｎＳ．Ｆｕｚｚｙｌｏｇｉｃｉｎ ｆｅｒｅｎｃｅｂａｓｅｄＰａｖｅｍｅｎｔＦｒｉｃｔｉｏｎＭａｎａｇｅｍｅｎｔａｎｄｒｅａｌ ｔｉｍｅｓｌｉｐｐｅｒｙｗａｒｎｉｎｇｓｙｓｔｅｍｓ：Ａ ｐｒｏｏｆｏｆｃｏｎｃｅｐｔ ｓｔｕｄｙ［Ｊ］．ＡｃｃｉｄｅｎｔＡｎａｌｙｓｉｓ＆Ｐｒｅｖｅｎｔｉｏｎ，２０１６，９０： ４１ ４９．ＤＯＩ：１０．１０１６／ｊ．ａａｐ．２０１６．０２．００７． ［６７］王世明，徐建闽，罗强，等．面向高速公路的车辆换 道安全预警模型［Ｊ］．华南理工大学学报（自然科学 版），２０１４，４２（１２）：４０ ５０．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ． １０００５６５Ｘ．２０１４．１２．００７． ＷａｎｇＳＭ，ＸｕＪＭ，ＬｕｏＱ，ｅｔａｌ．Ａｓａｆｅｔｙｗａｒｎｉｎｇ ｍｏｄｅｌｆｏｒｌａｎｅｃｈａｎｇｉｎｇｏｎｈｉｇｈｗａｙ［Ｊ］．Ｊｏｕｒｎａｌｏｆ ＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ），２０１４，４２（１２）：４０ ５０．ＤＯＩ：１０．３９６９／ｊ． ｉｓｓｎ．１０００５６５Ｘ．２０１４．１２．００７．（ｉｎＣｈｉｎｅｓｅ） ［６８］ ＳｔｅｅｎｂｒｕｇｇｅｎＪ，ＴｒａｎｏｓＥ，ＲｉｅｔｖｅｌｄＰ．Ｔｒａｆｆｉｃｉｎｃｉ ｄｅｎｔｓｉｎｍｏｔｏｒｗａｙｓ：Ａｎｅｍｐｉｒｉｃａｌｐｒｏｐｏｓａｌｆｏｒｉｎｃｉｄｅｎｔ ｄｅｔｅｃｔｉｏｎｕｓｉｎｇｄａｔａｆｒｏｍ ｍｏｂｉｌｅｐｈｏｎｅｏｐｅｒａｔｏｒｓ［Ｊ］． ＪｏｕｒｎａｌｏｆＴｒａｎｓｐｏｒｔＧｅｏｇｒａｐｈｙ，２０１６，５４：８１ ９０． ＤＯＩ：１０．１０１６／ｊ．ｊｔｒａｎｇｅｏ．２０１６．０５．００８． ［６９］赵学刚．城市道路交通安全综合风险预警控制研究 ［Ｊ］．中国安全科学学报，２０１６，２６（２）：１５８ １６３． ＤＯＩ：１０．１６２６５／ｊ．ｃｎｋｉ．ｉｓｓｎ１００３３０３３．２０１６．０２．０２７． ＺｈａｏＸＧ．Ｒｅｓｅａｒｃｈｏｎｉｎｔｅｇｒａｔｅｄｗａｒｎｉｎｇｃｏｎｔｒｏｌｏｆ ｕｒｂａｎｔｒａｆｆｉｃｓａｆｅｔｙｒｉｓｋｓ［Ｊ］．ＣｈｉｎａＳａｆｅｔｙＳｃｉｅｎｃｅ Ｊｏｕｒｎａｌ，２０１６，２６（２）：１５８ １６３．ＤＯＩ：１０．１６２６５／ｊ． ｃｎｋｉ．ｉｓｓｎ１００３３０３３．２０１６．０２．０２７．（ｉｎＣｈｉｎｅｓｅ） ［７０］ＭｉｌａｎéｓＶ，ＰéｒｅｚＪ，ＧｏｄｏｙＪ，ｅｔａｌ．Ａｆｕｚｚｙａｉｄｒｅａｒ ｅｎｄｃｏｌｌｉｓｉｏｎｗａｒｎｉｎｇ／ａｖｏｉｄａｎｃｅｓｙｓｔｅｍ［Ｊ］．Ｅｘｐｅｒｔ ＳｙｓｔｅｍｓｗｉｔｈＡｐｐｌｉｃａｔｉｏｎｓ，２０１２，３９（１０）：９０９７ ９１０７．ＤＯＩ：１０．１０１６／ｊ．ｅｓｗａ．２０１２．０２．０５４． ［７１］ＭａｒｔｉｎＪ，ＲｏｚａｓＡ，ＡｒａｕｊｏＡ．ＡＷＳＮｂａｓｅｄｉｎｔｒｕｓｉｏｎ ａｌａｒｍ ｓｙｓｔｅｍ ｔｏｉｍｐｒｏｖｅｓａｆｅｔｙｉｎｒｏａｄｗｏｒｋｚｏｎｅｓ ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｅｎｓｏｒｓ，２０１６，２０１６：１ ８．ＤＯＩ： １０．１１５５／２０１６／７０４８１４１． ［７２］张登宏．基于物联网技术的交通安全预警机制研究 ［Ｊ］．计算机仿真，２０１１，２８（１１）：３４６ ３４９．ＤＯＩ： １０．３９６９／ｊ．ｉｓｓｎ．１００６９３４８．２０１１．１１．０８４． ＺｈａｎｇＤ Ｈ．Ｒｅｓｅａｒｃｈｏｎｅａｒｌｙｗａｒｎｉｎｇｍｅｃｈａｎｉｓｍ ｂａｓｅｄｏｎｉｎｔｅｒｎｅｔｏｆｔｈｉｎｇｓｆｏｒｔｒａｆｆｉｃｓａｆｅｔｙ［Ｊ］．Ｃｏｍ ｐｕｔｅｒＳｉｍｕｌａｔｉｏｎ，２０１１，２８（１１）：３４６ ３４９．ＤＯＩ：１０． ３９６９／ｊ．ｉｓｓｎ．１００６９３４８．２０１１．１１．０８４．（ｉｎＣｈｉｎｅｓｅ） ［７３］ＷｕＪＪ，ＡｂｄｅｌＡｔｙＭ，ＹｕＲＪ，ｅｔａｌ．Ａｎｏｖｅｌｖｉｓｉｂｌｅ ｎｅｔｗｏｒｋａｐｐｒｏａｃｈ ｆｏｒｆｒｅｅｗａｙ ｃｒａｓｈ ａｎａｌｙｓｉｓ［Ｊ］． ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＰａｒｔＣ：ＥｍｅｒｇｉｎｇＴｅｃｈｎｏｌｏ ｇｉｅｓ，２０１３，３６：７２ ８２．ＤＯＩ：１０．１０１６／ｊ．ｔｒｃ．２０１３． ０８．００５． ４１２ 东南大学学报（自然科学版） 第 ４９卷