0 引言

20世纪中期以来，在以管理为主导的交通事故被动预防阶段，车辆安全性能、道路安全设施和交通管理手段得到大幅度改善，但交通人的主观能动性尚未充分发挥，导致交通快速发展与交通事故频发的矛盾进入瓶颈期^[1-2]。为此，人们逐渐意识到依靠强制执行的事故被动预防手段，其预防效果有局限性，甚至某些时候或某个区域会出现事故反弹，现实教训告知应注重交通参与者自身对交通事故的预防作用，变强制性的被动预防为交通参与者的个体主动预防，才能有望进一步提升事故预防成效。此外，历史研究已表明，交通事故主要由“人”的原因造成，交通参与者(尤其驾驶人)在交通事故中起主导性作用，因此交通事故预防理应回归到交通参与者的自我预防，即依赖其主体“人”——交通参与者。交通事故主动预防的形成有望实现两种突破：即从群体预防行为到个体预防行为的突破和从事后预防到事前预防的突破。

交通事故主动预防(下文简称主动预防)是指交通参与者出于自我需求，将正确的交通行为规范渗透到潜意识并自发地执行以防止交通事故发生的一种行为习惯。其主体是人，即交通参与者，从群体自然属性来说其涵盖交通参与者个体从幼儿到中老年整个生命周期；从交通事故与交通行为关联度属性来说，可简化为驾驶群体和非驾驶群体，从内容上来说主要包含两方面：一是安全意识，指个体对交通事故预防从认知到行为的一种本能需求；二是安全行为，指从有意识到无意识的固定模式的习惯性行为。交通参与者实现主动预防的途径可概括为：(1)让交通参与者增强安全认知，包括交通法律意识、交通安全意识和交通文明意识；(2)让交通参与者在动机上形成一种需要；(3)让交通参与者在行为上养成一种习惯。近年来，交通事故的主动预防不断得到学者关注，正在成为一个新兴研究热点^[3-4]。但是，交通事故主动预防是一个庞大而复杂的社会系统，如何引导并有效实施主动预防，如何对其进行定性定量定期评估和顶层设计等目前缺乏可靠的理论指导。据此本研究拟建立交通事故主动预防系统形式化模型，为今后区域性主动预防系统设计及安全决策提供参考。

1 建模理论基础

从行为角度围绕交通事故主动预防主体——交通参与者，拟建立交通事故主动预防系统结构模型。交通事故主要原因是人(即交通参与者，占群体95%以上，主要是驾驶人和行人、乘客)，其中驾驶人因素引发的事故占70%以上，也即驾驶人的驾驶行为与交通事故关联度高，依据交通事故与交通参与者的交通行为关联度属性将其简化为：驾驶群体(无事故驾驶人集群、事故驾驶人集群)和非驾驶群体(行人集群、乘客集群)，本系统具体对应的主动预防技术为：学龄前儿童交通安全认知系统、中小学生交通安全教育互动系统、安全驾驶行为在线训练及矫正系统、危险驾驶体验系统，这4个技术功能模块辐射的人群基本涵盖了交通人的主体交通行为生态圈^[5]。

研究表明，交通事故发生因人而异，是小概率离散事件，交通事故主动预防系统是一个复杂的离散系统，系统包含的4个技术功能模块均是一个独立的子系统，且各自具有独立的内部结构和I/O端口，子系统之间因人群属性存在时间递推特征^[6-7]。交通事故主动预防系统复杂性还体现在其具有动态特征，随着人群年龄增长、活动场所变更、技术进步而不断变化，这样的系统在外参量驱动和子系统之间的相互作用下，以自组织的方式在宏观尺度上形成空间、时间或功能有序结构的条件、特点和演化规律^[8]。系统选择具有代表性的观察变量即系统属性来确定系统的宏观行为，同时每个系统属性中的指标可表征其有序化程度，众多的指标由系统属性来支配，但是，交通事故主动预防系统确实存在理论基础尚不完善，个别定义并非确切，很难从空间和时间上加以分割，确定系统的边界和水平的难度极大，难以用某一种严格的数学形式对其进行准确定义和定量分析^[9-10]。对此，Zeigler教授等提出^[11]的一种基于复杂系统理论形式化的建模方法—DEVS(Discrete Event System Specification离散事件系统规范)较符合交通事故主动预防系统的建模需求。DEVS能够对离散事件的复杂系统进行系统化的描述，建立模块化的子系统，再对各子系统进行耦合。DEVS建模方法利用形式化的方法来描述复杂系统模型的结构，同时对系统进行进一步的数学分析。DEVS的模型描述分为两类: DEVS原子模型(a-tomic DEVS)和DEVS耦合模型(coupled DEVS)。原子模型用于描述离散事件系统的自治行为，耦合模型是由多个原子模型或原子模型与耦合模型构成的^[12]。DEVS原子模型和耦合模型的形式化描述规范如下。

1.1 经典DEVS原子模型

DEVS原子模型M可以描述为一个七元组集合结构，如式(1)：

(1)

式中，X为输入值合集; Y为输出值合集；S为系统状态集。

ta为时间推进函数；ta(s)为在没有外部时间到达状态保持不变的时间，ta(s)=+∞的状态称为静止的，无外部事件到达，系统将一直保持此状态；ta(s)=0为系统的瞬时状态，即不消耗时间的即使运算。δ_int为内部转移函数；无外部事件到达时，系统经过ta(s)后，系统状态发生变化的函数。δ_out为外部转移函数；有外部事件到达时，系统经过状态发生变化的函数。λ：S→ Y为输出函数，输出事件在系统内部状态转移时产生。

1.2 经典DEVS耦合模型

DEVS耦合模型CM的描述如式(2)，也是一个七元组集合模式。

(2)

式中，X为输入事件的集合；Y为输出事件的集合；D为成员模型名称(index)的集合；∀i∈D，CM_i是成员i对应的成员模型；∀i∈D∪{self}，I_i是受成员i的输出所影响的成员集合，I_i⊆D∪{self}, i∉I_i；∀i∈D∪{self}，∀j∈I_i，Z_ij是成员i的输出到成员j的输入的转换函数：Z_{self, j}：X_self→X_j，连接外部输入事件与各成员模型的输入；Z_{i, j}：Y_i→X_j，连接各成员模型间的输入与输出；Z_{i, self}：Y_i→Y_self，连接各成员模型的输出与外部输出事件。select：2^D→D，是选择函数，当几个成员模型(E⊆2^D)同时发生状态转移时，通过它来选择其中的一个作为耦合模型的状态转移，select(E)∈E^[13]。

2 交通事故主动预防系统数学模型构建

DEVS建模法符合交通事故主动预防系统的建模需求，可对系统进行模块化建模，再将各子系统进行耦合, 交通事故主动预防系统的主要功能是基于主动预防技术从源头上避免交通事故的发生，系统主要由主动预防的预防技术体系所构成即：学龄前儿童交通安全认知系统(Cognition)、中小学生交通安全教育互动系统(Interactive)、安全驾驶行为在线训练及矫正系统(Training)、危险驾驶体验系统(Experience)，4个子系统相对独立又相辅相成，4个子系统的内涵及功能具体如下。

(1) 学龄前儿童交通安全认知系统

学龄前儿童交通安全认知系统是面向乘客集群以学龄前儿童为对象，基于习得理论和主动预防理论，通过适当的方式包括传统(接收式学习)和新技术(如采用AR技术等)等手段增加学龄前儿童认知过程中的趣味性和易学性，使学龄前儿童认识交通标识，牢记简单的交通规则。该系统的主要属性有：学习能力属性、推理能力属性和感知能力属性，这些属性为系统的认知决策提供了定性和定量的参考指标^[14-15]。

(2) 中小学生交通安全教育互动系统

中小学生交通安全教育互动系统是面向乘客和行人集群以中小学生为代表，以多种形式的互动体验为手段，旨在提高中小学生的危险预知及判断能力从而降低该类人群的交通事故发生率，该系统包含3个属性：观察能力、思维能力、沟通能力，分别用8个指标来衡量各个相关属性：逻辑-数理能力、言语-语言能力、音乐能力、视觉空间能力、身体运动能力、内省能力、人际交往能力和自然观察能力^[16]。

(3) 安全驾驶行为在线训练及矫正系统

安全驾驶行为在线训练及矫正系统是面向无事故驾驶人群将虚拟现实技术应用于驾驶模拟专项训练和不良驾驶行为矫正训练，通过训练让受训者不受场地限制强化安全驾驶技能以及提高受训者驾驶行为的安全可靠性，从而矫正不良驾驶行为^[17]。该系统的属性包括：基础驾驶操作合格次数，不良驾驶行为纠正效率^[18-19]。

(4) 危险驾驶体验系统

危险驾驶体验系统是面向事故驾驶人群运用虚拟现实技术让受训者亲身体验超过正常范围的驾驶状态，感受各种危险驾驶所引起的不良生理反应，从而提高受训者的安全驾驶意识，主动避免危险驾驶的技术措施。该系统的属性是：技能基、规则基、知识基^[20]。

2.1 交通事故主动预防系统的DEVS耦合模型

基于DEVS建模理论，交通事故主动预防系统模型是由4个子系统的原子模型耦合而成，各个子系统之间的交互、反馈等关系均需要给出合理的模型解释，每个系统的输出与反馈结果会同步传递给其他系统，进而促成整个大系统的正常运转。交通事故主动预防系统的主要运行流程如下。

步骤1：根据交通事故主动预防系统的设定，系统的整体输入为：教育频度(X₁)、教育方式(X₂)、教育覆盖面(X₃)、教育时长(X₄)。故向耦合模型输入端口传递的数据为(X₁，X₂，X₃，X₄)，同时要设定输入变量的参数，系统输入见表 1。

步骤2：学龄前儿童交通安全认知系统原子模型通过o_Cog 输出端口分别向中小学生交通安全教育互动系统，安全驾驶行为在线训练及矫正系统和危险驾驶体验系统(传递在该子系统阶段形成的初步安全意识。

步骤3：中小学生交通安全教育互动系统原子模型根据该子系统对象所处年龄段的身心发展规律，通过自身的o_Int输出端口向学龄前儿童交通安全认知系统的i_Int输入端口反馈问题，而此类问题涉及到对象在学龄前阶段认知过程中可能存在的不足和缺陷，便于学龄前儿童交通安全认知系统更好的完成早期交通安全意识认知方面的训练。

步骤4：安全驾驶行为在线训练及矫正系统原子模型根据耦合系统输入值(X₁，X₂，X₃，X₄)和自身的i_Cog输入端口，同步计算驾驶模型在线训练的强度和训练范围，保障该系统的运转效率和训练效果，并通过o_Tra输出端口向危险驾驶体验系统提供危险驾驶场景参考和场景配置参数值，与此同时安全驾驶行为在线训练及矫正系统完成子系统的功能后将输出汇入到耦合系统的输出中。

步骤5：危险驾驶体验系统原子模型根据i_Cog输入端口和o_Tra输入端口提供的数据作为参考，拟制危险驾驶教育体验方法，同时需要安全驾驶行为在线训练及矫正系统进行协作，对部分的危险驾驶体验项目参数进行标准化校正，通过o_Exp输出端口反馈到安全驾驶行为在线训练及矫正系统。

步骤6：交通事故主动预防系统通过4个子系统的原子模型间的耦合，把交通参与者不同阶段，不同状态下的交通意识和行为都进行了提升，重组和再教育，最终整个系统将得到符合现行交通安全规则的输出(Y₁，Y₂，Y₃)，分别是遵章守法的行为(Y₁)；符合操纵规范的行为(Y₂)；无意识安全行为(Y₃)，系统输出见表 2。

交通事故主动预防系统的DEVS耦合模型描述如式(3)：

(3)

X是输入事件的集合，X={X₁，X₂，X₃，X₄}，X₁表示教育频度；X₂表示教育方式；X₃表示教育覆盖面；X₄表示教育时长。

Y是输出事件的集合，Y={Y₁，Y₂，Y₃}，Y₁遵章守法的行为；Y₂符合操纵规范的行为；Y₃无意识安全行为。

D是成员模型名称(index)的集合，D={{学龄前儿童交通安全认知系统}，{中小学生交通安全教育互动系统}，{安全驾驶行为在线训练及矫正系统}，{危险驾驶体验系统}}，在图 1中，D={{学龄前儿童交通安全认知系统}，{中小学生交通安全教育互动系统}，{安全驾驶行为在线训练及矫正系统}，{危险驾驶体验系统}}。

∀i∈D，CM_i是子系统i对应的原子模型；∀i∈D∪{self}，I_i是受子系统i的输出所影响的成员集合，I_i⊆D∪{self}, i ∉I_i；∀i∈D∪{self}，∀j∈I_i，Z_ij是子系统i 的输出到子系统j的输入的转换函数。

Z_{self, j}：X_self→X_j，连接外部输入事件与各子系统模型的输入，图 1中，Z_{self, j}={i_Int, i_Cog, i_Exp, i_Tra }。

Z_{i, j}：Y_i→X_j，连接各成员模型间的输入与输出；Z_{i, j} ={(o_Cog×i_Cog), (o_Int×i_Int), (o_Tra×i_Tra), (o_Exp×i_Exp) }。

Z_{i, self}：Y_i→Y_self，连接各成员模型的输出与外部输出事件, 图 1中，Z_{i, self}={o_Int, o_Cog, o_Exp, o_Tra}。

select：2^D→D，是选择函数，当耦合模型中的子系统模型(E⊆2^D)同时发生状态转移时，通过它来选择其中的一个作为耦合模型的状态转移。

交通事故主动预防系统在不同子系统的相互作用下，交通参与者的安全意识和安全行为状态会发生改变，这些改变会反馈给不同的子系统，系统之间会将这种变化通过相互之间的耦合关系传达给相应的子系统，直至反映在最终的输出结果中。交通事故主动预防系统DEVS模型可以动态反映交通参与者在不同阶段的教育和训练下逐渐形成良好的交通安全意识和正确的交通安全行为的过程，并在此过程中实时的调整教育和训练方案，为交通事故的主动预防提供了理论指导。

2.2 案例分析

采用分层随机抽样法，以合肥市某社区居民为样本总体，对调查对象总体按照非驾驶群体(行人集群、乘客集群)和驾驶群体(无事故驾驶人集群、事故驾驶人集群)的集群特征分层，总样本为2 000人，根据既定的筛选标准(见表 3)，选出符合标准的子系统样本进行模型计算验证，其中：学龄前儿童交通安全认知组40名; 中小学生交通安全教育互动组40名; 安全驾驶行为在线训练及矫正组40名; 危险驾驶体验组40名。

按照表 1中的系统输入变量分别对4组被试进行测试，由于各变量的量纲不同，为了保证结果的可靠性，通过对指标原始数据标准化处理去量纲(本研究采用规范化方法)，并计算每个指标理想状态下的相对误差(Re)，理想状态指：被试身体状况正常，主观判断力正常的状态，在此状态下，被试在认知、感知、决策过程中出现的差错会降低，提高行为的可靠性并增加安全意识，其中：

(4)

式中，X₀₁为理想状态下被试的教育频度误差率；X₀₂为理想状态下被试的教育方式误差率；X₀₃为理想状态下被试的教育覆盖面误差率；X₀₄为理想状态下被试的教育时长误差率。

(5)

式中，X_ij为该等级的人次数, i∈[0, 1]，j∈[0, 40]；X_{ij, all}为等级X_ij的总人次数。

理想状态下，被试的教育频度初始值取值范围X′₀₁∈Z[0, 3]；被试的教育方式初始值取值范围X′₀₂∈(0, 1)；被试的教育覆盖面取值范围X′₀₃∈(0, 1)；被试的教育时长取值范围X′₀₄∈Z[0, 100]。

对交通参与者的样本测试结果按照式(4)~(5)求得理想状态下交通指标的总相对误差Re，所得结果见表 4。

结合理想状态下交通参与者的总相对误差率Re，通过专家评判法对交通参与者最终的输出结果进行评分，进而最终对所有交通参与者的整体状态进行概率统计，所得结果见表 5。

通过理想状态下交通事故主动预防系统的输出结果概率统计可以得出以下几点：

参与被试的交通参与者，在理想状态下通过主动预防系统的干预后，输出的安全意识和安全行为都有了大大的提升，为了便于量化统计，均选取了行为变量，主要体现在3个方面：遵章守法的行为、符合操纵规范的行为、无意识安全行为。

4个分组中，落在区间“良好”和“优秀”的样本均超过70%，体现了该交通事故主动预防系统的干预效果明显。

从样本数据可以看出，4组交通参与者输出“遵章守法的行为”的概率均偏高，这从侧面反映了系统干预后，被试在安全意识上的提高较为显著，安全意识的提高会进一步带来安全行为的规范化。

3 结论

交通事故主动预防系统主要功能是基于主动预防技术从源头上避免交通事故发生，其核心与内在动力是提高交通参与者安全意识和培养安全行为。本研究以人(交通参与者)为主体，以交通参与者的主动预防技术模块为子系统，对每个子系统进行了合理的假设和分解，将主观系统进行客观量化，并采用复杂系统分层递阶建模方法-DEVS建模法对整个系统构建形式化理论模型，选择了可测量可观察的变量与指标，为今后实际应用提供了可参考的理论指导。交通事故主动预防系统建模是研究交通安全可防可控的手段之一，其研究进展必将有利于促进交通安全的改善或革命。本研究通过抓住整个系统中的关键流程，设定适当的假设条件来阐述系统的作用机理，由于实际的交通事故主动预防系统中的参数变量庞大且复杂，故本理论模型难以准确描述整个系统，要成为真正意义的工程应用模型，其内在各指标的权重还要在应用中逐步得以计算和验证，同时仍需要考虑更多的参数变化、更多的试验样本和实际案例，这些有待未来进一步研究。