为判别进藏公路极端环境下交通阻断状态，基于4条进藏公路（川藏公路、滇藏公路、青藏公路和新藏公路）的交通阻断事件特征参数，提出了基于熵权TOPSIS法的交通阻断状态综合评价指标，并采用K-Medoids聚类算法实现了交通阻断状态分级。同时，充分考虑灾害事件类型、道路类型、交通量、车型比等影响因素，构建了基于机器学习算法的进藏公路交通阻断状态分级预测模型。结果表明：青藏公路的平均阻断时长、阻断里程以及阻断严重度均最高；川藏公路的交通阻断时长各项统计值仅低于青藏公路的，但其平均阻断里程较低，因此阻断事件严重度均值较低；相对于滇藏公路，新藏公路的平均阻断时长较高，但两条公路的交通阻断里程值均较低，因此阻断严重度均较低；所构建的融合熵权TOPSIS和K-Medoids聚类的判别模型能够有效实现对进藏公路交通阻断状态分级；LightGBM算法在预测模型测试集的准确率最高，达到了96.5%。上述结果说明：由于各进藏公路沿线的地质地形、气候条件、交通量以及所承担的主要功能存在差异，其交通阻断特性也各不相同；该研究提出的模型能够较好地适应于进藏公路交通阻断状态的分级判别及预测，且预测效果较为理想。

来源平台：中外公路