4. 道路风险因子体系

在车险驾驶轨迹建模中，轨迹本身只回答“车在哪里、怎么走”，而风险来自“车在什么条件下走”。道路风险因子体系的作用，就是把道路类型、限速、曲率、坡度、交叉口、天气、时段、交通流量等外部条件，统一转化为可与轨迹点对齐、可进入模型的结构化变量。没有这套体系，模型只能看到速度与位置；有了这套体系，模型才能解释“同样的急刹，在高速匝道与小区门口意味着完全不同的风险”。

一、核心原理：因子分层与量化逻辑

道路风险因子可分为三层。第一层是静态道路属性，包括道路类型、限速、曲率、坡度、交叉口密度，它们变化慢、可预先建库。第二层是动态环境属性，包括天气、时段、交通流量，它们随时间变化，需要按时间戳关联。第三层是交互属性，例如“雨天 + 高速弯道 + 夜间”的组合风险，通常由前两层派生。量化的关键是统一空间基准与时间基准：空间上以轨迹点缓冲半径（如50米）匹配道路段，时间上以分钟级窗口匹配天气与流量。

量化方式主要有三类：连续值（曲率、坡度、流量）、有序等级（天气恶劣度、时段风险等级）、类别编码（道路类型、交叉口类型）。连续值可直接归一化，等级值可映射为0～1风险分，类别值需做独热编码或目标编码。所有因子最终应落到同一轨迹点粒度，避免“一条轨迹一个天气”的粗放关联。

二、方法流程：因子定义与量化步骤

1. 道路类型编码：按高速、城市快速路、主干道、次干道、支路、小区内部路、乡村道路等分级，赋予基础风险权重。高速虽路况好但速度高，支路虽速度低但冲突多，权重需结合事故率标定。
2. 限速匹配：将轨迹点速度与所在路段限速比对，计算超速比例 speed_ratio = v / v_limit，并标记超速持续时长。
3. 曲率量化：用相邻三点拟合圆半径，取倒数得到曲率 k = 1 / R，单位1/m。曲率越大，弯道越急，风险越高。
4. 坡度计算：由高程差与水平距离得到坡度百分比 grade = Δh / Δd × 100%，区分上坡、下坡与陡坡区间。
5. 交叉口识别：统计轨迹点缓冲区内交叉口数量与类型，计算交叉口密度，并标记是否处于交叉口影响范围。
6. 天气与时段关联：按时间戳匹配天气代码（晴、雨、雪、雾）与时段标签（早高峰、平峰、夜间），映射为风险等级。
7. 交通流量估计：可用路段历史流量、实时拥堵指数或轨迹密度替代，归一化为0～1的流量压力值。

三、因子量化对照清单

四、案例与场景：一次急刹的因子解释

假设某轨迹点在下午6点、雨天、城市主干道、限速60 km/h、实际速度72 km/h、曲率0.012 /m、坡度-3%、距交叉口35米、流量压力0.8。单看急刹事件，模型只能标记“减速度异常”。加入因子后，可以解释为：晚高峰高流量、雨天路滑、超速20%、接近交叉口且处于下坡弯道，风险叠加明显。这样的解释既能用于理赔定责辅助，也能用于UBI定价中的风险加成。

轨迹点因子示例：
{
  "road_type": "主干道",
  "speed_limit": 60,
  "speed_ratio": 1.20,
  "curvature": 0.012,
  "grade": -0.03,
  "intersection_dist": 35,
  "weather": "rain",
  "time_period": "晚高峰",
  "flow_pressure": 0.80
}

五、复盘要点

• 因子必须可复现：定义、单位、匹配半径、时间窗口都要写入数据字典。
• 缺失值要显式标记，不能默认填0，否则会把“未知”误判为“无风险”。
• 连续因子建议做分箱或归一化，避免量纲差异主导模型。
• 交互因子优先从业务场景出发，如“雨天弯道”“夜间高速”，不要盲目穷举组合。
• 定期用事故率或赔付率回验因子权重，确保体系与真实风险一致。

道路风险因子体系的建立，本质上是把驾驶轨迹从“几何线”升级为“带语义的风险序列”。只有因子定义清晰、量化一致、关联准确，后续的建模与定价才有可靠基础。