随着经济的发展,越来越多的车辆进入普通家庭中。伴随着车辆的普及,交通安全问题日益严重。不安全的交通环境不仅会带来财产的损失,还会威胁人的生命安全。而在交通安全问题中,与事故发生后再补救相比,如何在事故发生之前及时采取措施,避免危险的发生则显得尤为重要。论文首先在NGSIM数据的基础上,分别对宏观与微观的交通状态和风险性进行了分析。而后根据Fuzzy C-means clustering method(简称FCM)聚类方法将实测数据划分了不同的聚类,并应用Helly模型对不同聚类进行了校正,并分析了不同风险形成的不同特点。最后将风险指标引入了 Helly模型中来避免出现较高的交通安全风险。仿真分析发现:引入风险指标之后,驾驶员能够根据自身驾驶状态及时调整驾驶行为来模拟避免潜在风险。其次,从NGSIM数据提取出了多个车辆组,分析了车辆组中头车的驾驶状态和风险对后续跟随车的影响,以及车辆组中相邻两辆前后车之间的相互影响。实测数据表明:头车的速度和速度差与跟随车的速度和车间距有明显的相关性,而且头车的风险大约能够影响到第5辆跟随车;因此,我们根据头车的速度和速度差,跟随车的速度和车间距进一步对车辆组进行聚类的划分。结果发现,随着跟随距离的逐渐增大,分类1的风险变化不大,分类2的风险逐渐减小,分类3的风险逐渐增加。整体来看,分类2的风险最高。最后我们对不同车辆组进行了模型校正,并分析车辆组中不同位置车辆的风险性。结果发现,对于不同位置的车辆,应特别关注速度差和速度的变化,来降低或避免风险。最后,我们利用中国合肥郊区跟驰实验数据分析了宏观和微观状态及风险的差别,发现微观状态能够更好地体现驾驶状态变化的瞬时性。聚类结果发现:分类3具有较小的速度差和较大的车间距,为低风险状态;分类1的速度差和间距都较小,而分类2的速度差和间距都较大,因此与分类3相比,都具有一定程度的风险。接着,我们将NGSIM数据和跟驰实验数据进行对比,以分析不同数据源的交通状态和风险差异。交通状态方面,宏观和微观状态下,NGSIM数据的速度、密度分布范围都比跟驰实验数据的小得多,而风险则比跟驰实验的略小。车辆组状态和风险相关性方面,跟驰实验数据头车速度与跟随车具有更强的相关性,而车辆组之间的风险相关性更小。在不同的分类下,NGSIM数据的间距分布范围更大,跟驰实验数据的速度差分布范围更大,因此相应的NGSIM数据的风险更低。