道路交通安全是安全生产工作的重中之重。一直以来，如何加强交通运输领域安全生产治理，遏制重特大交通事故发生，是交通运输行业的重要研究方向。资料显示，与“十二五”期间相比，“十三五”期间的道路交通较大事故、重大事故、特别重大事故分别下降35%、69%和50%。同时规划“十四五”期间，年均较大事故相较于“十三五”末下降4%左右，年均重特大事故控制在4起左右。有关道路交通安全的研究与应用，是促成“十三五”期间事故数降低的关键力量，亦是实现“十四五”全国道路交通安全规划目标的重要理论支撑。
近年来，针对道路交通安全领域中的核心科学问题和关键技术难题，国内学者围绕驾驶行为、心理、认知与反应、安全意识、道路交通安全分析建模、事故主动防控、道路设施安全评估及优化、车路协同、自动驾驶技术、风险辨识、评估与处置等方面开展了一系列研究，并取得了大量研究成果。
为了帮助读者回顾了解最近五六年来道路交通安全领域的高影响力研究成果，进一步推动未来研究，《中国公路学报》特邀本刊副主编同济大学王雪松教授组织选稿，推出“道路交通安全”虚拟专刊，共分为三个系列：
（二）道路交通安全分析建模、事故防控、道路设施安全评估与优化；
（三）面向车路协同与自动驾驶的安全风险辨识、评估与处置。
本期为“道路交通安全”虚拟专刊之系列（三）：面向车路协同与自动驾驶的安全风险辨识、评估与处置，共收录14篇文章，供读者参考。
王宏雁1，赵明明1,2，BEURIER Georges2，WANG Xu-guang2
1.同济大学汽车学院 2.法国交通发展规划和交通网络科技研究院生物力学与碰撞力学实验室
随着自动驾驶技术的发展，驾驶人将会参与更多的与驾驶无关的活动，从而呈现出新的姿态，这些新姿态是优化传统被动安全系统的重要切入点。而且在未来相当长的时间内，自动驾驶车辆的行驶依然依赖于人和系统的密切配合。对驾驶人姿态的观察，则可以为判断驾驶人是否有能力及时接管车辆提供帮助，从而确保安全、合理的人机交互过程。通过对大量相关文献的系统性梳理，综述了汽车驾驶人姿态监测技术的智能化发展趋势，从传感器种类以及相应的姿态监测算法出发，分析了目前不同监测系统的优缺点。研究发现，尽管传感器技术和姿态识别算法取得了明显进步，然而廉价稳定且能够在实际驾驶条件下对驾驶人姿态准确感知的监测系统依然缺乏。总体而言，目前的监测系统大多只是集中于对驾驶人局部身体部位的感知，缺乏实际驾驶条件下的性能分析，并且对驾驶人状态的实时感知和预测能力仍有待完善。最后，针对目前监测系统所面临的问题，对未来可能的研究方向进行展望，并提出主动式立体视觉系统和压力传感器阵列相融合的驾驶人姿态监测方式。研究成果将为驾驶人姿态监测系统的研究提供参考和借鉴，从而有助于道路交通安全水平的进一步提升，同时也可为人机交互界面的设计带来启发。
[1] 王宏雁,赵明明,BEURIER Georges,等.汽车驾驶人姿态监测系统研究综述[J].中国公路学报,2019,32(2):1-18. （被引 15 次）
车-车协同下无人驾驶车辆的换道汇入控制方法
张荣辉1,2，游峰1，初鑫男1，郭烈3，何兆成2，王荣本4
1.华南理工大学土木与交通学院 2.中山大学广东省智能交通系统重点实验室 3.大连理工大学汽车学院 4.吉林大学交通学院
多车协同驾驶是智能车路系统领域的研究热点之一，可有效降低道路交通控制管理的复杂程度，减少环境污染的同时保障道路交通安全。基于多车协同驾驶控制结构，提出了一种无人驾驶车辆换道汇入的驾驶模型及策略，系统分析了多车协同运行状态的稳定条件。在综合分析无人驾驶车辆换道汇入的协作准则、安全性评估后，基于高阶多项式方法，结合车辆运行特性，通过引入乘坐舒适性的指标函数，设计得到无人驾驶车辆换道汇入的有效运动轨迹。通过研究汇入车辆与车队中汇入点前、后各车辆的运动关系，详细分析车辆发生碰撞的类型和影响因素，给出避免碰撞的条件准则，从而确保无人驾驶车辆汇入过程中多车行驶的安全性和稳定性。基于车辆运动学建立车辆位置误差模型，结合系统大范围渐进稳定的条件，选取线速度和角速度作为输入，应用李雅普诺夫稳定性理论和Backstepping非线性控制算法，设计了无人驾驶车辆换道汇入后的路径跟踪控制器。仿真试验和实车试验结果表明：所设计的换道汇入路径是可行、安全的，控制器具有良好的跟踪效果，纵向和横向的距离误差在15cm以内，方向偏差的相对误差在10%以内。研究结果为智能车路系统中的多车状态变迁与协同驾驶研究提供了参考，可服务于未来道路交通安全设计和评价。
[2] 张荣辉,游峰,初鑫男,等.车-车协同下无人驾驶车辆的换道汇入控制方法[J].中国公路学报,2018,31(4):180-191. （被引 71 次）
智能网联车辆交通流优化对交通安全的改善
秦严严1,2,3，王昊1,2,3
1.东南大学交通学院 2.东南大学城市智能交通江苏省重点实验室 3.东南大学现代城市交通技术江苏高校协同创新中心
为改善常规驾驶车辆交通流追尾碰撞交通安全状况，提出智能网联车辆（CAV）与常规车辆构成的混合交通流车队稳定性优化控制方法。基于全速度差模型，应用集成速度与加速度的多前车反馈构建CAV跟驰模型，考虑CAV混合交通流车辆空间分布的随机性，将各类型局部车队稳定性作为优化目标，以局部车队头车速度扰动为系统输入，以尾车速度扰动为系统输出，应用经典控制理论领域的传递函数法推导局部车队稳定性约束条件；分析关于平衡态速度与CAV反馈系数的车队稳定域，以各类型局部车队能够在任意平衡态速度下均稳定为控制目标，对CAV反馈系数输出进行优化控制；设计高速公路上匝道交通瓶颈数值仿真试验，在不同CAV比例等多种条件下，分析CAV混合交通流优化控制对交通流车辆追尾碰撞风险的影响。研究结果表明：CAV混合交通流优化控制可降低车辆追尾碰撞风险，在碰撞时间阈值小于2s时，100%比例的CAV交通流可将交通流的车辆追尾碰撞风险降低85.81%以上；在碰撞时间阈值大于2s时，追尾碰撞风险可降低48.22%～78.80%。所提优化控制方法可有效降低CAV车队优化控制的复杂性，为大规模CAV背景下的混合交通流优化控制以及车辆追尾碰撞交通安全提升策略提供直接理论参考。
[3] 秦严严,王昊.智能网联车辆交通流优化对交通安全的改善[J].中国公路学报,2018,31(4):202-210. （被引 53 次）
李林恒1,2,3，甘婧1,3，曲栩1,2,3，冒培培1,2,3，冉斌1,2,3
1.东南大学交通学院 2.东南大学东南大学-威斯康星大学智能网联交通联合研究院 3.东南大学城市智能交通江苏省重点实验室
为有效刻画未来智能网联环境下交通流微观跟驰行为，以更加精确地进行车辆的运动决策，建立了基于安全势场理论下的车辆跟驰模型。模型以势场理论为基础，首先阐述了交通环境中安全势场的客观性、普遍性以及可测性，然后通过引入加速度参数对既有安全势场模型进行改进，改进后的安全势场模型能够有效刻画出在不同速度、加速度值下车辆安全势场的变化趋势。在分析安全势场变化基础上，构建的车辆跟驰模型强化了加速度参数对车辆跟驰行为的影响，由于不同速度、加速度信息在智能网联环境下车辆可以实时获取，因此该模型可应用于未来智能网联环境中。此外，在模型参数标定过程中，通过对NGSIM数据进行筛选，得到含有较多减速停车以及启动加速状态的轨迹数据，共筛选得到412组NGSIM真实跟驰车对数据，并最终利用人工蜂群算法对该模型进行参数标定。为评估模型仿真效果，选择OVM模型、IDM模型与本文模型进行比较，并选取均方根误差RMSE和平均绝对百分误差MAPE为参数标定结果评价与验证的指标，结果表明，建立的基于安全势场理论的车辆跟驰模型具有良好的精度，适用于描述考虑加速度参数条件下的跟驰行为，可为今后智能网联环境下车辆微观驾驶安全决策、交通流中观安全势场分布、交通流宏观状态估计等奠定理论基础。
[4] 李林恒,甘婧,曲栩,等.智能网联环境下基于安全势场理论的车辆跟驰模型[J].中国公路学报,2019,32(12):76-87. （被引 39 次）
险情中驾驶人接管自动驾驶车辆的驾驶行为研究
钮建伟1，张雪梅1，孙一品1，秦华2
1.北京科技大学机械工程学院 2.北京建筑大学机电与车辆工程学院
为了指导驾驶人安全地使用自动驾驶系统，在模拟驾驶仿真平台上研究驾驶人在复杂交通环境下实现自动驾驶切换到手动驾驶的绩效表现，以及影响驾驶人驾驶方式切换过程的因素。试验收集了36名驾驶人在2种险情下切换驾驶方式过程中的驾驶行为数据，包括驾驶速度、车头间距、车辆横向位移和车辆转向等数据。研究结果表明：部分驾驶人会在险情提示出现之后即刻切换驾驶方式，而部分驾驶人则在提示出现之后继续监控道路和车辆信息，直到交通冲突出现的时候才进行驾驶方式切换；对上述2种切换方式进行独立分析发现，进行第2种切换的驾驶人在接管车辆之前所处的状态（玩游戏或者听音乐）对驾驶人接管车辆所用的切换时间有显著性影响，驾驶人处于玩游戏的状态下接管车辆所用的时间会小于驾驶人在听音乐状态下接管车辆所用的时间；切换方式对车辆横向位置有显著性影响，而且进行第1种切换的驾驶人在后续的驾驶过程中能保持较小的安全速度行驶，说明“切换方式1”与“较小的安全车速”存在相关关系，但二者的因果关系尚需深一步研究。
[5] 钮建伟,张雪梅,孙一品,等.险情中驾驶人接管自动驾驶车辆的驾驶行为研究[J].中国公路学报,2018,31(6):272-280. （被引 35 次）
人机共驾智能车驾驶模式决策属性析取研究
1.武汉理工大学智能交通系统研究中心 2.华东交通大学交通运输与物流学院 3.国家水运安全工程技术研究中心 4.武汉理工大学自动化学院
为了深入分析驾驶模式决策影响因子，通过实车试验采集了人－车－路多源特征信息。用驾驶人主观经验将驾驶模式划分为人工驾驶、警示辅助、自动驾驶3种状态，并利用采集的驾驶人血流量脉冲（BVP）和皮肤电导（SC）值进行K均值聚类，将驾驶人当前合适的驾驶模式自动聚类为3级。通过融合驾驶人自汇报结果和聚类结果对驾驶模式进行准确标定。采用以信息增益为依据的Ranker算法对多特征进行排序，并在此基础上，根据多分类器分级结果确定最优特征属性集合。研究结果表明：当选取车速、车头时距、车道中心距离、前轮转角标准差、驾驶经验5个指标为特征子集时，支持向量机、朴素贝叶斯及K近邻这3种分类器的识别准确率都超过90%；除警示辅助模式与自动驾驶模式下的车速值和车道中心距之外，其余所有不同模式决策属性值均呈显著性差异；研究结果可为人机共驾智能车驾驶模式决策提供依据。
[6] 严利鑫,吴超仲,贺宜,等.人机共驾智能车驾驶模式决策属性析取研究[J].中国公路学报,2018,31(1):120-127. （被引 20 次）
考虑驾驶人风格的跟车预警规则研究
刘通1, 付锐1,2, 马勇2, 刘卓凡3, 程文冬4
1. 长安大学汽车学院 2. 长安大学汽车运输安全保障技术交通行业重点实验室 3. 西安邮电大学现代邮政学院 4. 西安工业大学机电工程学院
为研究驾驶人的跟车特性及探究可适用于不同风格驾驶人的跟车预警规则，为自动驾驶车辆开发可满足不同用户驾驶需求和驾乘体验的主动安全预警系统，选取50名被试驾驶人开展实车试验，采集驾驶人跟车行为表征参数并基于雷达数据确定跟车事件提取规则。选取平均跟车时距和平均制动时距为二维向量，使用基于K-means聚类结果的高斯混合模型将驾驶人聚类为3种风格类型（冒进型、平稳型、保守型）。通过分析3组驾驶人的跟车及制动数据，将不同类型驾驶人的制动时距分位数作为跟车预警阈值，结合实际预警数据及不同制动时距分位数对应的预警正确率，对现有跟车预警规则进行调整，以适应不同类型驾驶人的驾驶需求。研究结果表明：3组驾驶人的平均跟车时距和平均制动时距差异显著，冒进型驾驶人倾向于选择较小的跟车时距和制动时距，保守型驾驶人的跟车时距和制动时距则普遍较大；3组驾驶人的实际跟车预警次数为215次，驾驶人采取制动操作而系统未予以预警的次数为329次，系统整体预警正确率为21.9%，漏警率为87.5%，通过分析信息熵等判定当前预警规则并不合理；将每类驾驶人制动时距的10%分位数作为阈值时的预警效果较好，调整后的跟车预警规则能在一定程度上适应不同的驾驶人类型。
[7] 刘通,付锐,马勇,等. 考虑驾驶人风格的跟车预警规则研究[J]. 中国公路学报, 2020, 33(2): 170-180. （被引 36 次）
渐优随机采样算法在结构化道路无人驾驶中的应用
单云霄1，郭晓旻1，龙江云1，蔡斌斌1，李必军1,2
1.武汉大学测绘遥感信息工程国家重点实验室 2.武汉大学时空数据智能获取技术与应用教育部工程研究中心
为了解决随机采样算法在结构化道路无人驾驶应用中无法优化收敛的问题，采用渐进优化的采样算法框架设计符合驾驶需求的规划算法。针对渐进优化算法的耗时问题，首先选择不需要Steer（转向函数）的SST算法作为基础框架以规避求解边界值问题。其次，算法融入“Anytime”策略以提高优化解的利用率。再次，改进的闭环控制策略能减少车辆的实际轨迹与规划路径的误差。在设计的闭环策略中，应用4－D车辆运动模型以保证规划路径符合车辆的实际运动轨迹。为了保证驾驶的安全和舒适，设计了一个综合四重因素的代价函数，且根据不同的驾驶场景调整相应的权重参数。最后，利用真实的无人车在无人驾驶城市测试道路上进行测试，测试场景包括前方静态障碍物躲避、前方动态障碍物跟随以及超车和复合动静态障碍物。测试中，采用车辆的速度和转向数据代表算法的优化收敛特性和运动平稳性。研究结果表明：设计的算法能在时速30km·h-1下完成避障、跟车、超车等机动；无人车在跟驰决策下可保持30km·h-1的最高速度，在避障过程中可实现最高15km·h-1的速度，在跟车决策下可根据前车速度变换自身速度以保持合理的车距和运动平滑性。
[8] 单云霄,郭晓旻,龙江云,等.渐优随机采样算法在结构化道路无人驾驶中的应用[J].中国公路学报,2018,31(4):192-201. （被引 15 次）
自动驾驶车辆混行集聚MAS控制模型
梁军1，杨程灿1，王文飒1，陈龙1，鲁光泉2
1.江苏大学汽车工程研究院 2.北京航空航天大学交通科学与工程学院
随着车路协同技术和自动驾驶技术的不断发展,越来越多的网联自动驾驶车辆(CAV)涌入道路交通,与传统人工驾驶车辆(HPV)形成混合交通流(MTS)。为在提高MTS交通流量的同时保证交通安全,面向未来的混行交通环境,结合交通工程中人、车、路等要素,设计基于多智能体系统的CAV集聚控制模型(ACMCAV-MAS)。该模型针对CAV的可控性和HPV的随机性,意在通过集聚控制,促使道路中分散行驶的CAV集聚成行驶条件更优的队列。具体以Agent的形式设计与集聚控制相关的底层车辆Agent(CAV-Agent和HPV-Agent两类)和上层管理Agent。同时,针对同质要素间的匹配和异质要素间的风险规避,区别于常规的无集聚(NOA)策略,提出车队级集聚(PLA)和车道级集聚(LLA)2种策略及相关的CAV-Agent集聚控制算法。基于ACMCAV-MAS及元胞自动机模型,在不同交通流密度和不同CAV-Agent渗透率下进行仿真试验。结果表明:集聚策略能在60%的CAV-Agent渗透率下取得最佳效益,同时,在60 veh·km-1密度条件下,车队级集聚策略平均能提升38.14%的交通流量,比车道级集聚的提升效果高9.73%,并能在40～50 veh/km的密度范围和50%～70%的CAV-Agent渗透率条件下有效缓解交通拥堵;通过对中高密度交通流下的纵向风险分析,发现2种集聚策略在低CAV-Agent渗透率下的风险发生率无显著差异,且最大风险降低比例都能达到20%以上,然而,在实际交通情况下,集聚策略可能会在一定程度上导致横向碰撞风险的增加。在未来的工作中,将继续探究降低横向碰撞风险的方法,同时着力解决目前仿真框架中对于人工驾驶行为异质性建模不够完善的缺陷,不断优化ACMCAV-MAS,为未来MTS中自动驾驶策略的制定提供理论依据。
[9] 梁军,杨程灿,王文飒,等.自动驾驶车辆混行集聚MAS控制模型[J].中国公路学报,2021,34(6):172-183. （被引 10 次）
基于道路线形的智能汽车事故多发路段预判模型
宁航，赵祥模，南春丽，杨澜，李婧长安大学信息工程学院
分析了道路线形对智能汽车行驶安全性的影响，分别使用数据驱动的机器学习方法和模型驱动的经典数学建模方法，建立了以道路线形技术指标为输入的神经网络模型和多元数学模型，预测事故多发路段；计算了各个道路线形技术指标与事故率之间的偏相关系数，从中挑选出与事故率相关程度较大的道路线形特征，使用T检验和F检验验证了道路线形特征组合和单个特征对事故率的影响。结果表明：基于机器学习的神经网络模型和基于数值逼近理论的多元数学模型预测正确率基本相近，大约为90%；2种模型对道路安全影响较大的道路线形相关不利因素组合相同，均为平曲线转角、横向力系数和纵坡坡度；各种不利因素组合中，平曲线转角、横向力系数和纵坡坡度出现的频率分别为100.0%、91.7%和83.3%，远远大于其他因素；事故多发路段道路线形因素不仅与平曲线转角、横向力系数和纵坡坡度有关，而且与其线形组合有密切关系，组合不当亦会导致事故增加；2种模型可相互验证，考虑计算速度及参数的可解释性，实际中应优先选择多元数学模型进行事故预判。
[10] 宁航,赵祥模,南春丽,等.基于道路线形的智能汽车事故多发路段预判模型[J].中国公路学报,2021,34(3):183-192. （被引 6 次）
基于混合域优化控制的智能网联车辆运动规划模型
1.同济大学道路与交通工程教育部重点实验室 2.大连海事大学交通运输工程学院
智能网联车辆具备提高交通安全与效率、降低能耗的巨大潜力。作为智能网联车辆决策控制的重要环节，运动规划对于智能网联车辆的循迹精度、控制效果具有显著影响。为了提高智能网联车辆控制精度，提出了一种智能网联车辆运动规划模型。该模型以追踪参考路径为目标，基于时空混合域的优化控制方法，避免了轨迹追踪过程中横向控制掺杂纵向误差的影响，提高了模型控制精度。通过考虑车辆动力学、转向传动系统动态和底层控制时延，该模型可规划车辆纵向运动指令(加速度)、横向运动指令(方向盘转角)，并确保运动规划指令能够被车辆底层控制准确执行。最后，所提出的运动规划模型基于动态规划原理求解，提高了求解效率。对所提出的运动规划模型通过PreScan和Carsim联合仿真进行测试，结果显示该运动规划模型在直线换道、曲线巡航、U-turn多种场景下，循迹误差均小于9 cm，速度误差均小于0.7 km·h-1。此外，该运动规划模型在实车测试中也展现了极佳的控制效果。实车测试结果表明：该运动规划模型在60 km·h-1以下的直行、交叉口转弯、曲线巡航、换道等多种场景中，车辆循迹误差均小于12.5 cm，巡航速度误差小于3.32 km·h-1，其中，期望速度20 km·h-1的直行及半径小于15 m的转弯场景下的循迹误差为11 cm，相较当前最前沿的实车测试研究，循迹精度提高了27%。此外，该运动规划模型在实车测试中的平均计算速度为5.15 ms，这说明该模型已具备实际落地应用能力。
[11] 胡笳,王浩然,冯永威,等.基于混合域优化控制的智能网联车辆运动规划模型[J].中国公路学报,2022,35(3):43-54. （被引 2 次）
基于驾驶人不满度的高速公路自动驾驶换道决策
同济大学 汽车学院
为了实现高速公路的自由换道行为决策，并满足行车安全高效性、决策结果平稳无震荡、与运动规划模块结合引导车辆行驶等要求，提出了一种基于驾驶人不满度的换道行为决策方法。首先，根据驾驶人的速度期望建立了驾驶人不满度累积模型，并基于驾驶人速度不满累积度产生换道意图。其次，依据不同车道障碍车的运动状态，设计了2种目标车道选择策略，通过预测引擎对各个待选车道进行预测和评估，选取其中行车效率较高的车道作为目标车道，同时建立换道最小安全距离模型，用以在换道全过程中判断换道的可行性。然后，将换道行为决策的结果以目标车道的形式传递给基于改进人工势场的运动规划模块，用于运动规划模块目标的选取，以引导车辆横纵向运动。最后，在CarSim/PreScan/Simulink的联合仿真平台和硬件在环平台上建立多种测试场景，验证换道行为决策算法。试验结果表明：换道行为决策算法能够依据驾驶人速度不满累积度产生稳定的换道意图，进而根据所设计的换道策略选取具有更高行车效率的目标车道，并在换道过程中持续判断换道的可行性，以应对障碍车辆突然加减速等突发状况，保证换道过程的高效性和安全性；换道行为决策算法通过目标车道的转换，引导运动规划模块调整车辆的运动，实现跟车、换道等行为。
[12] 陈慧, 王洁新. 基于驾驶人不满度的高速公路自动驾驶换道决策[J]. 中国公路学报, 2019, 32(12): 1-9,45. （被引 41 次）
基于驾驶行为和信息熵的道路交通安全风险预估
1.山地城市交通系统与安全重庆市重点实验室 2.重庆交通大学交通运输学院 3.重庆市城市交通大数据工程技术研究中心
为了精准有效地进行交通事故预防预警，基于车辆OBD驾驶行为数据及信息熵理论，提出了城市道路交通安全风险预估方法。首先，分析异常驾驶行为高发位置与道路交通事故发生位置的关联性；其次，构建以道路交通安全熵为一级指标，急加速率、急减速率、急转弯率、超速率、高速空挡滑行率为二级指标的道路交通安全风险预估指标体系，提出了基于改进熵权法的道路交通安全熵计算方法；然后，基于密度聚类、K－means聚类提出了道路交通安全风险等级数确定方法，并基于K－means聚类建立了风险等级阈值计算方法。研究结果表明：异常驾驶行为高发位置与交通事故发生位置具有一致性；通过对log对数底数选择优化、二级指标零值处理、指标权重分段计算3个步骤改进的熵权法，可弥补log对数函数无法计算零值指标熵值的缺陷，避免指标权重为负、指标熵值与权重反映信息不一致的现象；两步聚类避免了孤立数据点对安全风险等级划分的影响。以重庆市4条城市道路（总长约38km）进行实例验证后得出，道路交通安全熵与交通事故表征的道路交通安全状态趋势一致；道路交通安全风险等级可划分为高、低风险2级，道路交通安全熵优化阈值为0.042，最后，风险等级划分准确率为87.88％。研究成果可为道路交通安全风险点辨识、交通事故预防预警提供有效的技术支持。
[13] 蔡晓禹,雷财林,彭博,等.基于驾驶行为和信息熵的道路交通安全风险预估[J].中国公路学报,2020,33(6):190-201. （被引 28 次）
卫星定位数据驱动的营运车辆驾驶人驾驶风险评估模型
1.长安大学汽车运输安全保障技术交通行业重点实验室 2.长安大学汽车学院
为了提高营运车辆驾驶人安全管理的精细化水平，合理地评估驾驶人驾驶风险程度，有的放矢地降低高风险驾驶人的事故率，基于卫星定位数据特点及驾驶行为与驾驶风险的相关关系设计26个驾驶行为特征参数。考虑到高速和非高速行驶时相同驾驶行为对驾驶风险的影响区别较大，根据23名营运车辆驾驶人的实测数据有针对性地筛选高速和非高速路段驾驶人风险评估指标，构建营运车辆驾驶人驾驶风险评估指标体系。然后，基于熵权法、独立性权系数法和Spearman相关系数法建立集成赋权法，确定各评估指标的权重。最后，雇佣40名营运车辆驾驶人进行实车试验以验证模型的合理性。结果表明：车辆速度和加速度方面的驾驶行为特征可以用于评估驾驶人的驾驶风险且评估效果较好，驾驶风险评估得分与实际交通冲突次数呈正相关关系，所建立模型可以较为准确地评估营运车辆驾驶人驾驶风险的高低，准确率达到77.5%，该模型在不同地区使用时，准确率存在一定的差异，但在容许范围之内，方法具有较好的鲁棒性。
[14] 牛世峰,李贵强,张士伟.卫星定位数据驱动的营运车辆驾驶人驾驶风险评估模型[J].中国公路学报,2020,33(6):202-211. （被引 20 次）
注：被引数据源自CNKI数据库，数据统计至2023年5月31日。
虚拟专刊策划：马勇 虚拟专刊选稿：王雪松
王雪松，同济大学交通运输工程学院教授、博士生导师。担任道路与交通工程教育部重点实验室副主任，道路交通安全与环境教育部工程研究中心副主任、道路交通安全管控技术国家工程研究中心驾驶行为技术分析部主任、交通安全国际合作联合实验室执行主任。出版《交通安全分析》专著1部，主持编写标准8部（行业标准3部、地方标准和团标5部），发表学术论文400余篇。2019~2022年连续4年入选爱思唯尔中国高被引学者，2020~2022年连续3年入选交通运输领域全球前2%科学家榜单。担任《中国公路学报》副主编、TRR交通安全方向领域主编、Accident Analysis & Prevention副主编、TRB三个学术委员会委员、“一带一路”国际交通联盟交通安全委员会主席、中国智能交通协会交通安全专业工作委员会副秘书长、全国事故深度调查专家、公安部交通管理科学研究所客座研究员、上海市交通委交通安全专业委员会主任、上海市交通工程学会交通安全专业委员会主任。
