风险驾驶行为是指驾驶人在车辆运行过程中针对当前环境出现错误的决断或注意力缺失等情况下，有意识或无意识产生的与正常驾驶行为有所偏离的驾驶行为，具体表现为在行驶过程中，突然改变车辆当前的行驶状态，且变化过程中加速度、角速度等属性变化程度超出正常范围，从而对交通流中其他车辆或行人带来安全威胁，最终会影响道路交通安全的驾驶行为。车辆在运行状态下，根据车辆驾驶行为特征，可将车辆行为划分为超车、变道、跟驰及减速等正常驾驶行为，风险驾驶行为则包括急加速、急减速、急并道等，具体类型如图1所示。

图1. 风险驾驶行为类型

1) 风险驾驶行为数据采集

本文利用车载移动智能终端进行车辆驾驶行为数据提取，移动智能终端主要包含三大类传感器，分别为运动传感器、环境传感器、位置传感器。本研究主要利用运行传感器中的加速度传感器及陀螺仪传感器对车辆在道路上的行驶状态进行信息采集，首先建立如图2所示车体坐标系：

图2. 车体坐标系

通过利用移动智能终端内置传感器进行车辆运行状态信息采集，得到如表1采集结果。采集得到的信息包括风险驾驶行为的时间信息、位置信息，包括行为发生坐标及所在路段信息、加速度信息及角速度信息。通过移动智能终端进行信息采集，并将获取得到的数据用于后续风险驾驶行为的识别，并对识别后的风险驾驶行为强度进行计算，从而为最终道路交通风险状态评价提供输入变量。

表1. 移动智能终端信息采集表

2) 风险驾驶行为识别

本文选取风险驾驶行为中具有代表性的急加速(ACC)、急减速(DEC)、左急并道(LME)、右急并道(RME)四种典型风险驾驶行为进行研究。车辆在进行ACC与DEC两种风险驾驶行为时，车辆在Y轴方向的加速度会根据加速及减速的剧烈程度产生不同程度的变化，车辆在进行LME与RME两种风险驾驶行为时，车辆在X、Y两轴方向的加速度及Z轴方向的角速度会根据并道的剧烈程度产生不同程度的变化。

根据加速度传感器获取得到的传感器数据 A = [ a x , a y , a z ] ，其中 a x , a y , a z 分别为车辆在X、Y、Z三轴的加速度，以及陀螺仪传感器获取得到的传感器数据 G = [ g x , g y , g z ] ，其中 g x , g y , g z 分别为车辆在X、Y、Z三轴的角速度，并根据上述特征分析结果，将获取的数据单元变更为 d a t a = [ a x , a y , g z ] ，并通过数据滤波对原始数据单元进行降噪处理后得到最终的数据单元 a ′ x , a ′ y , g ′ z 。

通过上述分析，论文研究的四种风险驾驶行为的识别工作可分为以下两类：

1) ACC与DEC风险驾驶行为识别：

Adrian B等人 [9] 与Bagdadi等人 [10] 对车辆变速风险进行研究，研究发现，当车辆发生加速或减速行为时，如果加速度大于±3 m/s²时，道路交通风险会显著增加，因此将±3 m/s²作为判定车辆发生ACC和DEC行为的阈值。

| a ′ y ( k ) − a ′ y ( s ) | ≥ Δ a t (1)

k e n d − k s t a r t > N t (2)

其中： a ′ y ( k ) 、 a ′ y ( s ) 分别为车辆异常驾驶与正常驾驶时的Y轴加速度， Δ a t 为加速度阈值， N t 为事件持续时间。上述各个参数均需要针对不同路况选择相应值进行计算，在本研究中设定 Δ a t 为3 m/s²， N t 为1 s。

2) LME与RME风险驾驶行为识别：

相较于ACC与DEC两种风险驾驶行为，LME与RME行为在X轴方向上存在不同程度的加速度及Z轴方向上存在不同程度的角速度，其识别公式如下：

| a ′ x ( k ) − a ′ x ( s ) | ≥ Δ a t u r n ( x ) , k ∈ [ k s t a r t , k e n d ] (3)

| a ′ y ( k ) − a ′ y ( s ) | ≥ Δ a t u r n ( y ) , k ∈ [ k s t a r t , k e n d ] (4)

| ∑ k s t a r t k e n d [ ( g ′ z ( k ) − g ′ z ( s ) ) Δ t ( k ) ] | ≥ Δ g t u r n (5)

k e n d − k s t a r t > N t u r n (6)

其中： a ′ x ( k ) 、 a ′ x ( s ) 、 a ′ y ( k ) 、 a ′ y ( s ) 分别为车辆异常驾驶与正常驾驶时的X和Y轴加速度， g ′ z ( k ) 、 g ′ z ( s ) 分别为车辆异常驾驶与正常驾驶时的Z轴角速度， Δ a t u r n ( x ) 、 Δ a t u r n ( y ) 、 Δ g t u r n 分别为加速度和角速度的阈值， N t u r n 为最小换道区间。同理上述公式中的各参数需要根据实际路况确定，在本文中，设定 Δ a t u r n ( x ) 为2.7 m/s²， Δ a t u r n ( y ) 为1.2 m/s²， Δ g t u r n 取值区间为[0.2,0.7]，当 Δ g t u r n > 0.7   rad / s ，认定其为转弯行为。

车辆在行驶过程中，由于自身因素或同一时空状态下交通流中其他因素影响导致风险驾驶行为的发生，各因素对于风险驾驶行为的影响最终会导致车辆自身运行属性的变化，如车辆的运行速度、加速度及角速度等，因此本文选取如下表2特征参数对风险驾驶行为的行为强度进行计算：

表2. 模型参数基础描述表

通过上表可以获得最终行为强度计算模型的特征集合，因此风险驾驶行为强度的计算公式如下所示：

B I = { ∑ i = 0 t i ( a y i − Δ a t Δ a t + | v i − v ¯ | v ¯ ) ,                                                                                                                                                                                                                                                                                                                                     a y i = 0 ∑ i = 0 t i ( α a x i − Δ a t u r n ( x ) Δ a t u r n ( x ) + β a y i − Δ a t u r n ( y ) Δ a t u r n ( y ) + γ g z i − Δ g t u r n Δ g t u r n + | v i − v ¯ | v ¯ ) ,       a y i ≠ 0 (7)

其中：BI为风险驾驶行为强度， [ 0 , t i ] 为风险驾驶行为持续时间， α 、 β 、 γ 为评分权重系数，三者满足 α + β + γ = 1 ，具体数值通过风险驾驶行为与交通事故的相关性确定，本文选取 α = β = 0.4 ， γ = 0.2 ， v ¯ 为风险驾驶行为发生路段平均车速。

本文选取某国道40 km路段2019年1月至2021年4月的交通流运行数据作为研究对象，通过对风险驾驶行为强度进行计算，获取得到了研究道路的风险驾驶行为强度分布情况，如图3所示。从图中可以看出，在不同时空条件下，风险驾驶行为强度具有明显的波动性，因此本文考虑利用不同时空条件下路段风险驾驶行为强度对道路动态交通风险进行评价。

图3. 风险驾驶行为强度时空分布图

本文将该路段等距划分为80个待评价路段，将识别获取得到的风险驾驶行为的时空信息及行为强度信息匹配至已划分完成的路段，并根据风险驾驶行为的密集程度，以天为单位，对发生在路段上的风险驾驶行为的差异性进行分析。通过分析同一路段不同时间和同一时间不同路段的风险驾驶行为分布差异，发现不同的时空条件下，道路风险驾驶行为强度概率分布存在差异，并且由于风险驾驶行为与交通事故间存在一定的相关性，即风险驾驶行为在表征路段道路交通风险方面具有一定的可行性。因此本文考虑，利用计算获取得到的风险驾驶行为强度信息及时空分布信息，基于聚类算法，对研究道路中不同路段的道路交通风险进行评价分析。