1.一种基于驾驶行为指标的不同长度隧道行车风险量化评价方法，其特征在于，具体包括以下步骤：

S1、对不同长度的隧道进行划分和细化分，得到若干个行车区间；

S2、采集并计算每名驾驶人驾车通过所述不同长度隧道时的驾驶行为指标，并分析所述驾驶行为指标的变化趋势；

S3、根据所述驾驶行为指标，构建基于因子分析法的隧道路段行车风险量化模型，输出多维行为指标的行车风险值；

S4、基于因子分析得到的公因子，采用SOM神经网络对隧道路段行车风险行为进行科学聚类，并对行车区间风险等级进行划分。

2.根据权利要求1所述基于驾驶行为指标的不同长度隧道行车风险量化评价方法，其特征在于，所述S1具体为：

S11、选取不同长度的隧道，包括：短隧道、中长隧道和特长隧道；

S12、将每种隧道划分为三个行车段，包括：入口段、中间段和出口段；

S13、对每个行车段再进行细化分，得到若干个行车区间。

3.根据权利要求1所述基于驾驶行为指标的不同长度隧道行车风险量化评价方法，其特征在于，所述驾驶行为指标包括：平均车速、运行速度与限速值差、区间运行车速差、超速行驶比例、加速度和减速度。

4.根据权利要求3所述基于驾驶行为指标的不同长度隧道行车风险量化评价方法，其特征在于，所述超速行驶比例包括：不同隧道行车段各行车区间超速行驶比例、各驾驶人在不同隧道环境下的超速行驶概率；

所述不同隧道行车段各行车区间超速行驶比例作为该区间驾驶行为风险的一项指标，其表达式为：

式中，q为区间超速比例；m为通过该区间时超速行驶的某类驾驶人数量；n为所有参与实车实验的某类驾驶人数量；

所述各驾驶人在不同隧道环境下的超速行驶概率作为衡量个体行为风险的一项指标，其表达式为：

式中，p为驾驶人超速行驶概率；i为驾驶人通过某隧道时速度超过限速值的行车区间数量；k为该隧道包含的行车区间总数。

5.根据权利要求1所述基于驾驶行为指标的不同长度隧道行车风险量化评价方法，其特征在于，所述S3具体为：

S31、采用Zscore法将所述驾驶行为指标进行标准化处理；

S32、采用KMO检验和Bartlett球形检验法验证处理后的驾驶行为指标是否满足做因子分析的条件，并验证处理前的驾驶行为指标之间是否具有较强的相关关系；

S33、采用主成分分析法对所述处理后的驾驶行为指标进行前两个公因子的提取；

S34、将所述前两个公因子进行旋转，得到旋转后的因子载荷阵，包括公因子1和公因子

2；

S35、基于所述旋转后的因子载荷阵，得到因子得分系数矩阵，进而得到前两个公因子的得分；并根据所述前两个公因子的得分，构建基于因子分析法的隧道路段行车风险量化模型；

S36、根据所述基于因子分析法的隧道路段行车风险量化模型输出的行车风险值，采用Min‑max标准化法将所述行车风险值转化到[0,1]内，得到多维行为指标的行车风险值。

6.根据权利要求5所述基于驾驶行为指标的不同长度隧道行车风险量化评价方法，其特征在于，所述S4具体为：

S41、以所述公因子1和公因子2的驾驶行为指标作为聚类指标，并根据所述多维行为指标的行车风险值分别构建SOM神经网络模型；

S42、将所述公因子1和公因子2中的驾驶行为指标绝对值分别输入到对应的SOM神经网络模型中，输出驾驶行为风险特征的归类和评级；

S43、基于所述S42，结合车辆实际运行状况，判断各行车区间的驾驶行为风险属性(高、中、低风险)，计算不同长度隧道包含高风险区间的比例，实现行车区间风险等级的划分。

7.根据权利要求6所述基于驾驶行为指标的不同长度隧道行车风险量化评价方法，其特征在于，所述公因子1的SOM神经网络聚类的输入层为两个变量，竞争层神经元个数为4，最终输出分类结果为4类。

8.根据权利要求6所述基于驾驶行为指标的不同长度隧道行车风险量化评价方法，其特征在于，所述公因子2的SOM神经网络聚类的输入层为3个变量，竞争层神经元为2，输出聚类结果为2类。