基于遗传算法和故障树分析的多因素车道变换风险韧性评估模型研究

《Accident Analysis & Prevention》：Study on a multi-factor lane-changing risk resilience assessment model based on genetic algorithm and fault tree analysis

lane-changing风险评估框架提出双指标体系（REL/RSL）融合遗传算法优化SSD模型与故障树分析，通过CitySim数据验证实现42.38%性能提升，开发PyQt5可视化平台支持实时风险预警与气候韧性决策。

　　

强罗|王海慧|杨俊恒|臧晓东|陈新强|奥克塔维安·波斯托拉切

广州大学土木与交通工程学院，中国广州510006

摘要

当前的变道风险评估模型往往缺乏对恶劣天气的动态适应能力，也没有针对实际结果的验证。为了弥补这一不足，本研究从韧性工程的角度重新审视了这一问题，将风险韧性定义为变道系统吸收天气干扰并通过适应保持安全的能力。为了实现这一概念，我们引入了两个互补的指标：风险暴露水平（REL）和风险严重程度水平（RSL）。我们提出了一个基于天气的、以韧性为导向的评估框架，该框架将遗传算法（GA）校准的停车视距（SSD）模型与故障树分析（FTA）相结合。利用CitySim自然驾驶数据集，应用双阈值识别算法提取了310起变道事件（218起晴天，92起雨天）。通过统计测试确定了关键影响因素，包括天气、周围车辆分布、变道方向和位置。遗传算法用于优化SSD/SDI模型中的关键制动参数（减速度、反应时间），从而在不同天气条件下实现自适应的风险阈值。REL和RSL量化了来自多个车辆组的冲突概率（暴露）和严重程度（后果），并通过FTA系统地整合这些信息来评估整个系统的鲁棒性。使用轨迹数据对模型进行校准和测试，结果显示其适应性比基线模型提高了42.38%。开发了一个基于PyQt5的可视化平台以支持实际应用。结果证实，该模型能够有效捕捉实时变道风险，为智能交通系统中的主动安全管理和基于韧性的决策支持提供了可靠的工具。

引言

机动化的增加为出行带来了便利，但也引发了严重的交通安全问题，尤其是在频繁出现恶劣天气的情况下，安全挑战更加突出。世界卫生组织的数据显示，全球道路交通死亡率超过每10万人16人（Li等人，2022年）。由于变道涉及与周围车辆的复杂互动，其操作难度和风险水平显著高于跟车行为（Scheel等人，2019年）。此外，在大雨和浓雾等恶劣天气条件下，能见度降低和道路表面附着力系数减小会显著增加变道风险。统计数据显示，近20%的交通事故发生在变道过程中（Li等人，2025a，Li等人，2025b，Li等人，2025c，Tang等人，2020年），这突显了在复杂多变环境中研究变道安全性的重要性。

变道行为受到多种因素的综合影响，包括驾驶员特征、道路条件、天气和周围车辆动态（Li等人，2022年；Das和Ahmed，2021年；Chen等人，2023年）。深入分析这些因素、识别风险源并构建准确的风险评估模型对于提高道路安全至关重要（Liu和Xiang，2025年；Xue等人，2023年；Ali等人，2020年；Bell等人，2023年；Chen等人，2025年）。现有研究在识别影响因素方面取得了进展。例如，Shawky等人（2020年）基于事故数据分析确定了驾驶员因素、道路特征和变道位置是关键影响因素。Jokhio等人（2024年）发现变道速度以及前车/后车的存在显著影响变道行为。自然驾驶数据的广泛应用（如SHRP2（Das等人，2020年）；NGSIM（Cui等人，2020年）；HighD（Yang等人，2019年））进一步使得能够定量分析天气、交通密度、车辆类型和相对速度等因素如何限制变道的运动特性和可行性。例如，Das等人（2020年）分析SHRP2轨迹数据时发现，恶劣天气显著改变了速度波动等运动特性。同样，Yang等人（2019年）使用自然驾驶数据证实，照明条件、交通密度和车辆类型共同限制了变道的可行性（Obeidat等人，2024年）。

在变道风险评估方法方面，基于交通冲突的参数（如碰撞时间（TTC）、最小安全距离）通常作为建模基础（Chen等人，2021a；Chen等人，2021b；Chen等人，2021c；Li等人，2021年；Li等人，2025a；Li等人，2025b；Ma等人，2020年；Onelcin和Alver，2023年）。例如，Wu等人（2020年）提出了一种使用TTC和停车距离指数（SDI）的高精度即时风险评估方法。Park等人（2018年）结合故障树分析（FTA）开发了一个全面的变道风险指数。Chen等人（2021a；Chen等人，2021b；Chen等人，2021c）阐明了变道风险水平与间距、方向和时间等因素之间的相关性。Mahajan等人（2020年）通过测量潜在碰撞严重程度量化了变道过程中的追尾风险。Chen等人（2019年）使用FTA和聚类算法确定风险水平，随后使用随机森林分类器识别风险预测的关键特征。场论也被应用于风险评估，Huang等人（2020年）提出了基于驾驶安全场的不确定性概率框架，而Chen等人（2021a；Chen等人，2021b；Chen等人，2021c）利用场论指标量化即时变道风险。随着人工智能、机器学习和深度学习在变道风险评估中的应用不断进步（Li等人，2025a；Li等人，2025b；Meng等人，2023年；Wang等人，2022年；Yang等人，2025年），Li等人（2020年）使用微观交通参数训练了一个支持向量机预测模型，实现了超过70%的碰撞风险预测准确率。Zhang等人（2023年）结合驾驶风格构建了一个个性化的风险预测框架。Shangguan等人（2022年）使用长短期记忆网络进行意图识别，并将其与光梯度提升机算法结合以预测变道风险。

总之，尽管现有研究取得了显著进展，但由于气候变化导致恶劣天气事件（如大雨和浓雾）的频率增加，变道风险显著增加，给交通系统的韧性带来了巨大挑战。传统的风险评估模型存在几个持续存在的问题：（1）环境异质性的整合不足。尽管已经广泛认可了与驾驶员、车辆、道路和环境相关的因素，但天气条件对实时制动性能的动态影响仍未能得到充分量化。（2）多因素耦合效应的分析有限。缺乏对周围车辆分布、变道方向和变道位置之间交互影响的定量描述。（3）风险整合能力不足。大多数模型无法有效捕捉复杂交通环境中的连锁反应风险，从而限制了其在动态条件下的适应性和鲁棒性。

为了解决这些不足，本研究提出了一个以韧性为导向的变道风险评估模型，该模型整合了多种因素，特别强调了在多变气候条件下的适应性。研究过程如下：首先，使用显著性测试系统地分析天气条件、周围车辆配置和变道方向之间的相互作用。随后，建立了一个全面的风险评估指标系统，强调了天气在塑造变道持续时间和速度曲线中的关键调节作用。引入了一个实时退化机制，用于最大制动减速度的调整，考虑了道路水膜厚度和车辆速度对路面摩擦系数的综合影响，从而在雨天条件下实现动态安全阈值的调整。同时，通过联合校准能见度约束与变道位置和方向系数，细化了驾驶员的决策延迟响应函数，确保在恶劣天气下的足够安全冗余。最后，构建了一个双驱动GA-FTA框架，以克服模型适应性和风险整合方面的限制：（1）遗传算法优化核心指标参数以实现自适应性能；（2）将多车辆交互场景分解并映射到FTA结构中，通过结合周围车辆的空间和交互风险来综合量化变道风险。

鉴于正文中将频繁使用一系列专业术语及其缩写，为了简洁性和便于阅读，下面提供了关键缩写的列表，如表1所示。

本文的其余部分组织如下。第2节介绍了数据准备过程，并分析了影响变道行为的关键因素。第3节详细介绍了提出的风险评估框架，包括风险评估指标的制定、车辆交互场景的分类以及基于FTA的变道风险评估模型的开发。第4节讨论了实验结果，涵盖了参数校准、风险评估和聚类、风险评估结果的验证以及潜在应用。最后，第5节总结了主要结论并提出了未来研究的方向。

部分摘录

数据准备

常用的代表性数据集包括NGSIM、HighD和CitySim（Chen等人，2020年）。比较分析表明，CitySim具有较高的帧率、较大的覆盖范围和多种道路类型。Zheng等人（2024年）进一步发现它在这些数据集中具有最丰富的激进变道数据。因此，我们选择CitySim作为主要数据来源。根据研究需要，我们专注于高速公路A段的6-11车道。考虑到数据中可能存在的噪声/错误，我们进一步应用了...

选择SSD和SDI的理由

选择适当的风险指标对于准确捕捉变道风险至关重要，特别是在恶劣天气条件下，这些条件会降低车辆的运动特性和驾驶员的表现。虽然TTC（碰撞时间）和避免碰撞的减速度（DRAC）等指标被广泛使用，但它们主要反映时间接近度或瞬时运动紧迫性。对于本研究，选择SSD及其衍生的SDI作为基础风险指标，因为它们具有特定的优势...

参数校准

三个参数（?${\text{[GRKSLT]}}_{\text{车道}}$, , ${\text{[GRKSLT]}}_{\text{转弯}\text{-}\text{左}}$, , ${\text{[GRKSLT]}}_{\text{转弯}\text{-}\text{右侧}}$?）使用轨迹数据进行校准，模型输入配置如表11所示。

为了量化模型校准的效果，我们首先计算基准适应度值。该值来自一个不考虑变道影响因素的简化模型，没有校正车辆的最大制动减速度和驾驶员反应时间，仅计算交互风险

结论

本研究开发了一个具有气候适应性的多因素风险评估框架，用于恶劣天气条件下的变道操作，从韧性工程的角度重新审视了这一问题。除了下面总结的技术贡献外，这项工作对于提高道路安全具有重要的实际意义。所提出的模型通过量化风险暴露水平（REL）和风险严重程度水平（RSL），将复杂的车辆交互和环境因素...

CRediT作者贡献声明

强罗：撰写——原始草稿、方法论、数据管理、概念化。王海慧：撰写——审阅与编辑、调查、数据管理。杨俊恒：撰写——审阅与编辑、监督。臧晓东：监督、资金获取。陈新强：撰写——审阅与编辑、软件开发、概念化。奥克塔维安·波斯托拉切：调查、数据管理。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了国家社会科学基金（25BGL225）的支持。