随着汽车保有量的大幅上升和高速公路里程的逐年递增，公众对于高速公路出行需求逐渐攀升，而当前高速公路死伤人数居高不下，据2016年的高速公路事故统计数据显示，我国高速公路事故8934起，死亡5947人，受伤11956人，直接财产损失近3.8亿元，高速公路的安全保障形势十分严峻。近年来，高速公路未来短时事故风险评价研究取得了一定的进展，对提升道路交通安全发挥了积极的作用。然而此类研究均将车流运行状态作为事故的唯一致因，而忽视了车流状态自身也可以提供缓冲环境来降低车流运行的风险性，即容错性(safety resilience)。本文参考其他领域容错性的研究提出了车流容错性的概念，并利用驾驶人犯错行为来使车流表现出容错性，即构建容错性车流，并利用单车风险评价指标TTC来构建相关车流运行风险评价指标，进而建立基于BP神经网络的容错性车流识别模型并对其结果进行评价。
　　由于驾驶人犯错行为的偶然性和不可重复性，很难获得相关实测数据，本文利用交通仿真软件Aimsun的二次开发构建容错性车流并提取相关数据用以建立车流状态识别模型。首先，通过SDK模块来加载驾驶人犯错行为从而构建容错性车流，利用Aimsum交互式仿真来完成交通仿真环境中犯错车辆的运行。然后，选取G15沈海高速江苏段标定的仿真环境建立仿真路段，利用API模块来收集车流特征数据和检测器数据。通过导出的数据，计算仿真场景中车辆的TTC并由此构建路段的风险评价指标，随后运用K-means聚类的方法对风险评价指标值进行等级划分，确定路段高风险阈值。根据仿真结果，进行数据归一化和数据平衡，构建基于检测器数据和车流运行风险状态的三种容错性车流识别模型，利用混淆矩阵、ROC曲线和AUC值对模型进行评估，结果表明：模型预测精度和泛化性均较佳，同时可以得出容错性一致的车流状态在检测器数据上具有共性的结论。