基于CREAM擴(kuò)展法的信號交叉口駕駛差錯(cuò)概率預(yù)測*

陳美如 裴玉龍

(哈爾濱工業(yè)大學(xué)交通科學(xué)與工程學(xué)院1) 哈爾濱 150090) (東北林業(yè)大學(xué)交通學(xué)院2) 哈爾濱 150040)

基于CREAM擴(kuò)展法的信號交叉口駕駛差錯(cuò)概率預(yù)測*

陳美如1)裴玉龍2)

(哈爾濱工業(yè)大學(xué)交通科學(xué)與工程學(xué)院1)哈爾濱 150090) (東北林業(yè)大學(xué)交通學(xué)院2)哈爾濱 150040)

通過認(rèn)知可靠性與差錯(cuò)分析方法擴(kuò)展法計(jì)算駕駛差錯(cuò)概率，綜合考慮了影響駕駛差錯(cuò)的外部因素和內(nèi)部因素.建立信號交叉口駕駛事件序列，識別每個(gè)事件涉及到的認(rèn)知活動(dòng)；確定影響駕駛差錯(cuò)概率的共同績效因子CPCs和各水平因子對認(rèn)知活動(dòng)的影響系數(shù)；根據(jù)交叉口的CPCs水平，確定對應(yīng)水平的影響系數(shù)和可能的駕駛失效模式，計(jì)算駕駛差錯(cuò)概率基本值，并對其進(jìn)行修正得到修正值.根據(jù)駕駛事件之間的關(guān)系，計(jì)算整個(gè)駕駛?cè)蝿?wù)的駕駛差錯(cuò)概率.

駕駛差錯(cuò)概率；CREAM擴(kuò)展法；共同績效因子；認(rèn)知活動(dòng)；失效模式

0 引 言

駕駛員在行車過程中，受到自身因素、車輛因素、道路交通因素及環(huán)境因素的影響，駕駛員的認(rèn)知活動(dòng)會(huì)發(fā)生一定的錯(cuò)誤，從而導(dǎo)致沒有按照計(jì)劃達(dá)到預(yù)定的駕駛目的，稱為駕駛差錯(cuò)，是駕駛員偏離某種規(guī)范和標(biāo)準(zhǔn)的無意行為.嚴(yán)重的駕駛差錯(cuò)，會(huì)導(dǎo)致交通事故.目前，對駕駛差錯(cuò)的研究多集中于駕駛差錯(cuò)的致因分析[1-3]、駕駛差錯(cuò)防范措施研究[4-5]、特定場所駕駛差錯(cuò)行為分析[6-7]、駕駛差錯(cuò)分類[8]及駕駛差錯(cuò)分析方法[9]等，對駕駛差錯(cuò)概率進(jìn)行預(yù)測的極少，因此，分析并預(yù)測某個(gè)交叉口的駕駛差錯(cuò)概率，可以為評價(jià)交叉口的安全水平提供參考.

1 信號交叉口駕駛?cè)蝿?wù)及認(rèn)知活動(dòng)分析

認(rèn)知可靠性與差錯(cuò)分析方法(cognitive reliability and error analysis method,CREAM)認(rèn)為人類的行為是發(fā)生在一定的情景中的，任何描述人類行為的模型都必須能夠解釋情景是如何影響人類行為的[10].CREAM方法的核心理念是人的績效輸出取決于人執(zhí)行任務(wù)時(shí)所處的情境，它通過影響人的認(rèn)知功能和其在不同認(rèn)知活動(dòng)中的效應(yīng)，最終決定人的響應(yīng)行為.

CREAM擴(kuò)展法駕駛差錯(cuò)概率預(yù)測的基本方法是：首先，分析駕駛?cè)嗽隈{駛過程中的認(rèn)知活動(dòng)及認(rèn)知功能失效模式，然后計(jì)算認(rèn)知功能失效概率的基本值，接著計(jì)算其所處情境的共同績效因子(common performance conditions,CPCs)，最后用CPCs對基本值進(jìn)行修正，得到駕駛過程中的失效概率.

1.1 信號交叉口駕駛?cè)蝿?wù)分析

駕駛?cè)蝿?wù)的總目標(biāo)為通過信號交叉口，到達(dá)目的出口道；然后總目標(biāo)下分為三個(gè)子目標(biāo)：①進(jìn)入正確的進(jìn)口車道；②停車線前確定適當(dāng)?shù)鸟{駛操作行為；③通過停車線，到達(dá)目的出口道.在從進(jìn)入交叉口至通過交叉口，到達(dá)出口道的整個(gè)過程中，駕駛員始終注意周圍車輛與行人，以確保安全行駛.信號交叉口駕駛?cè)蝿?wù)事件序列見圖1.

圖1 信號交叉口駕駛?cè)蝿?wù)分析

1.2 確定認(rèn)知活動(dòng)

CREAM將人類認(rèn)知功能分為觀察(observation)、解釋(interpretation)、計(jì)劃(planning)和執(zhí)行(execution)四個(gè)部分.具體的認(rèn)知活動(dòng)包括協(xié)調(diào)、聯(lián)絡(luò)、對比、診斷、評價(jià)、識別、執(zhí)行、保持、監(jiān)視、觀察、計(jì)劃、記錄、調(diào)整、掃視、驗(yàn)證等.信號交叉口駕駛?cè)蝿?wù)的每個(gè)步驟涉及到的具體認(rèn)知活動(dòng)，見表1.

表1 信號交叉口駕駛?cè)蝿?wù)認(rèn)知活動(dòng)

2 共同績效因子的選擇與計(jì)算

在駕駛活動(dòng)中，影響駕駛行為的部分外界因素和自身因素是相互作用的，駕駛員的駕駛經(jīng)驗(yàn)、習(xí)慣、目的地等影響著交通環(huán)境，同時(shí)道路環(huán)境、交通環(huán)境、自然環(huán)境、管理因素等影響駕駛員的駕駛技能、駕駛習(xí)慣、駕駛路線的選擇.這些因素交互作用，并貫穿于駕駛過程中，影響著駕駛行為.

Hollnagel在CREAM方法中歸納了9種影響認(rèn)知功能的因子，統(tǒng)稱為共同績效因子(CPCs).結(jié)合CREAM中的CPCs，根據(jù)駕駛環(huán)境特性，文中從外界道路交通因素及駕駛員自身因素兩方面，歸納了影響信控交叉口駕駛差錯(cuò)概率的共同績效因子，見表2.

1) 交通阻塞程度 通常評價(jià)交叉口交通擁堵的指標(biāo)有排隊(duì)長度、通過交叉口所需等待綠燈的次數(shù)、飽和度、占有率等.文中采用GA115-1995中信號控制交叉口交通阻塞度評價(jià)方法：通過交叉口所需等待綠燈次數(shù).

車輛行至信號燈控制交叉口，3次綠燈顯示未通過交叉口的為阻塞，5次綠燈顯示未通過交叉口的為嚴(yán)重阻塞.由于該評價(jià)方法中不涉及暢通時(shí)的評價(jià)指標(biāo)，因此將本方法稍加延伸，1次綠燈顯示即通過交叉口為非常暢通，2次綠燈顯示通過交叉口為暢通，3～4次為阻塞，大于等于5次為嚴(yán)重阻塞.

同一時(shí)段同一個(gè)信號交叉口內(nèi)不同的進(jìn)口道，擁堵程度也不完全相同，甚至差別很大.同一進(jìn)口道，不同的車道，擁堵程度也不完全相同.因此，將交叉口交通擁堵等級按照不同進(jìn)口道不同車道進(jìn)行分析，同一進(jìn)口道，取通過綠燈所需次數(shù)最高的那組車道行駛方向來評判本交叉口的擁堵等級.然后，取本交叉口所有進(jìn)口道的最高通過綠燈所需次數(shù)的加權(quán)平均值為評判本交叉口的擁堵等級指標(biāo).測定方法為任選紅燈顯示時(shí)隨即到達(dá)排隊(duì)等待通過交叉口的最后一輛車，記錄該車正常跟車行駛通過路口之前綠燈顯示的次數(shù).

表2 共同績效因子

注：表中“-”為有利于減少駕駛差錯(cuò)的發(fā)生，也就是增加駕駛可靠性；“+”為增加了駕駛差錯(cuò)發(fā)生概率，也就是降低了駕駛可靠性.

2) 交通沖突率 在部分交叉口，機(jī)動(dòng)車、非機(jī)動(dòng)車、行人都能在各自的空間行進(jìn)，互不干擾.在部分交叉口，三者之間存在交通沖突.按照交通沖突的對象將交叉口處交通沖突分為機(jī)動(dòng)車之間的沖突、機(jī)動(dòng)車與非機(jī)動(dòng)車之間的沖突、機(jī)動(dòng)車與行人之間的沖突.

交通沖突技術(shù)通常采用時(shí)均沖突與混合當(dāng)量交通量的比值或TC/MPCU(嚴(yán)重交通沖突數(shù)量/交叉口進(jìn)口混合當(dāng)量交通量)來綜合衡量交叉口的整體安全等級.采用TC/MPCU來計(jì)算交叉口的交通沖突率.

3) 永久性道路條件 永久性道路條件是指交叉口的路面材料、結(jié)構(gòu)、交通管理與控制設(shè)施等.評價(jià)永久性道路條件對駕駛差錯(cuò)概率的影響的指標(biāo)是計(jì)算對駕駛安全性有負(fù)面影響的永久性道路條件的數(shù)量Ny，具體如表2所示.不良永久性道路條件舉例如下：遮擋駕駛員視線的樹木、建筑、天橋等；限速不合理；夜間路燈不夠亮；交叉口內(nèi)車道錯(cuò)綜復(fù)雜、不規(guī)則；信號燈設(shè)置位置指引不明確；車道寬度不足；車道劃分不合理；交通標(biāo)志信息錯(cuò)誤；交通標(biāo)志與交通標(biāo)線信息矛盾.

4) 短暫性道路條件 短暫性道路條件是指道路條件受天氣、道路施工等影響，對駕駛可靠性產(chǎn)生短暫影響的情況.這些因素通過影響駕駛員的視線、停車距離等而影響駕駛可靠性，如雨天影響駕駛員視線且路面濕滑，從而增加駕駛差錯(cuò)發(fā)生的可能性.評價(jià)短暫性道路條件也是通過計(jì)算影響駕駛差錯(cuò)概率的道路條件數(shù)量Nd.

5) 通過路口所需時(shí)間 設(shè)交叉口的信號周期時(shí)長為T，駕駛員通過交叉口的所需時(shí)間TR為駕駛員進(jìn)入進(jìn)口道后，從進(jìn)口道虛實(shí)線交界處至通過出口道斑馬線所需的時(shí)間，包含等待紅燈和黃燈的時(shí)間、排隊(duì)時(shí)間.TG為路口的綠燈時(shí)長.

6) 對道路的熟悉情況 駕駛員對道路的熟悉情況直接影響駕駛差錯(cuò)概率.第一次在此交叉口行駛的駕駛員，對交叉口車道的劃分、交通信號周期等不熟悉，增加駕駛差錯(cuò)發(fā)生的可能性.而特別熟悉此交叉口的駕駛員，由于會(huì)放松警惕，也會(huì)增加駕駛差錯(cuò)發(fā)生的可能性，因此，通過調(diào)查駕駛員通過此交叉口的頻次來評價(jià)對道路的熟悉程度.

7) 駕駛?cè)蝿?wù)的復(fù)雜度 駕駛?cè)蝿?wù)的復(fù)雜度即駕駛員需要同時(shí)處理的信息組數(shù)，如橫穿馬路的行人、交叉口附近的公交停靠站的車輛、交叉口附近的停車場出入口車輛.

8) 駕駛時(shí)的時(shí)間 駕駛時(shí)的時(shí)間通過人的生理規(guī)律影響駕駛差錯(cuò)概率.白天駕駛可靠性高，而夜晚駕駛可靠性低.

9) 駕駛經(jīng)驗(yàn)和技能 駕駛經(jīng)驗(yàn)和技能直接影響駕駛差錯(cuò)概率.

CPCs對認(rèn)知功能的權(quán)重見表3.

3 駕駛員認(rèn)知功能失效模式

根據(jù)交叉口的具體特性和CPCs水平，通過實(shí)地調(diào)查、問卷調(diào)查等確定最可能出現(xiàn)的認(rèn)知功能失效模式.表4為可能出現(xiàn)的認(rèn)知功能失效模式之一，不代表交叉口所有駕駛員的認(rèn)知功能失效模式.

表4 認(rèn)知功能失效模式

注：O2，O3，I1，I2，P1，P2，E1，E2，E3分別表示辨識錯(cuò)誤、未觀察、診斷錯(cuò)誤或診斷不全面、決策錯(cuò)誤、優(yōu)先權(quán)錯(cuò)誤、計(jì)劃不充分、執(zhí)行方式錯(cuò)誤、行動(dòng)實(shí)踐錯(cuò)誤和行動(dòng)目標(biāo)錯(cuò)誤.

4 駕駛差錯(cuò)概率預(yù)測

某個(gè)交叉口的CPCs水平和其相應(yīng)的CPCs影響系數(shù)見表5.

表5 CPCs水平及因子影響系數(shù)

每個(gè)CPCs因子的影響系數(shù)相乘，即可得到所有CPCs因子分別對觀察、解釋、計(jì)劃、執(zhí)行的綜合影響.

根據(jù)表CREAM的基本差錯(cuò)概率和表5的交叉口駕駛失效模式，可以得到駕駛差錯(cuò)概率基本值，然后根據(jù)得到表5的綜合影響系數(shù)對基本失效概率進(jìn)行修正，基本差錯(cuò)概率與綜合影響系數(shù)相乘，得到修正差錯(cuò)概率，見表6.

表6 基本差錯(cuò)概率及修正差錯(cuò)概率

最后，根據(jù)信號交叉口駕駛?cè)蝿?wù)步驟和結(jié)構(gòu)，計(jì)算整體駕駛差錯(cuò)概率.在整個(gè)事件序列中，若幾個(gè)事件序列之間為串聯(lián)關(guān)系，則差錯(cuò)概率為

(1)

式中：Pseries為串聯(lián)事件序列的差錯(cuò)概率；Pi為第i個(gè)串聯(lián)事件的差錯(cuò)概率；n為串聯(lián)事件序列的總數(shù).

若幾個(gè)事件序列之間為并聯(lián)關(guān)系，則差錯(cuò)概率為

(2)

式中：Pparallel為并聯(lián)事件序列的差錯(cuò)概率；Pj為第j個(gè)并聯(lián)事件的差錯(cuò)概率；m為并聯(lián)事件序列的總數(shù).

根據(jù)信號交叉口駕駛?cè)蝿?wù)事件序列圖，可知事件序列S1.1～S3.1為串聯(lián)關(guān)系.因此，根據(jù)式(1)～(2)，求的交叉口的駕駛差錯(cuò)概率值P為0.244，駕駛可靠度為0.756.從表6可知，S1.2的失效模式，即診斷錯(cuò)誤或不全面，所造成的差錯(cuò)概率最大，導(dǎo)致最后的總體駕駛差錯(cuò)概率偏低的原因，因此，通過降低解釋權(quán)重，提高CPCs水平，不僅可以降低這部分對總體差錯(cuò)概率的影響，而且可以降低其他部分的差錯(cuò)概率.

5 結(jié) 論

1) 分析信號交叉口駕駛?cè)蝿?wù)，建立駕駛事件序列，從而確定每個(gè)事件對應(yīng)的認(rèn)知活動(dòng).

2) 結(jié)合CREAM共同績效因子，并根據(jù)駕駛差錯(cuò)致因，確定駕駛差錯(cuò)概率共同績效因子，并對其進(jìn)行分級并確定每一級對相應(yīng)認(rèn)知功能的影響系數(shù).

3) 識別每個(gè)駕駛序列中最可能的交叉口認(rèn)知功能失效模式和基本差錯(cuò)概率，根據(jù)交叉口的具體CPCs水平，得出影響系數(shù)，對基本差錯(cuò)概率進(jìn)行修正，從而得到差錯(cuò)概率的修正值.最后根據(jù)駕駛事件序列之間的并聯(lián)或串聯(lián)關(guān)系，計(jì)算整個(gè)駕駛?cè)蝿?wù)的駕駛差錯(cuò)概率.

[1]DENNIS R D. Driving errors of learner teens: frequency, nature and their association with practice[J]. Accident Analysis and Prevention,2014,72:433-439.

[2]付坤.基于駕駛員與道路環(huán)境因素的駕駛行為差錯(cuò)數(shù)學(xué)分析[D].長春：吉林大學(xué)，2013.

[3]李顯生.駕駛員生理狀態(tài)對駕駛行為差錯(cuò)的影響[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版)，2012,42(增刊):161-165.

[4]謝力.道路交通中駕駛差錯(cuò)分布與防范措施研究[J].經(jīng)營管理者，2015(2):403-409.

[5]黃榮貴.汽車駕駛員行為差錯(cuò)及其預(yù)防[J].人類工效學(xué),2002,8(5):55-57.

[6]KRISTIE L Y. At the cross-roads: an on-road examination of driving errors at intersections[J]. Accident Analysis and Prevention,2013,58:226-234.

[7]GSTALTER H, FASTENMEIER W. Reliability of drivers in urban intersections[J]. Accident Analysis & Prevention,2010,42(1):225-234.

[8]STANTON N A, SALMON P M.Human error taxonomies applied to driving: a generic driver error taxonomy and its implications for intelligent transport systems[J]. Safety Science,2009,47(2):227-237.

[9]LYNN M, MICHELLE F. A validation study of driving errors using a driving simulator[J]. Transportation Research Part F,2015,29:14-21.

[10]HOLLNAGEL E. Cognitive reliability and error analysis method[M]. Oxford: Elsevier Science Ltd,1998.

Prediction of Driving Error Probability at Signalized Intersection Based on Extended CREAM Method

CHEN Meiru1)PEI Yulong2)

(School of Transportation Science and Engineering, Harbin Institute of Technology, Harbin 150090, China)1)(Traffic College, Northeast Forestry University, Harbin 150040, China)2)

Driving error probability (DEP) is calculated by the extended CREAM method which considers both the exterior and interior influence factors of driving errors. Firstly, the sequence of driving events at signalized intersections is established and cognitive activities that each step of the event sequence is involved are identified. Next the CPCs that affect DEP are proposed and the impact factors at all levels are calculated. According to the CPCs levels of the intersection, credible driving error modes are identified and the total influences of CPCs on cognitive function errors are assessed. Then, the nominal DEP of each step is calculated and revised by impact factors to gain adjusted DEPs. Finally, in accordance with the relationships of driving events, DEP of the whole driving task is calculated.

driving error probability; extended CREAM method; CPC; cognitive activity; error mode

2017-03-21

*國家自然科學(xué)基金項(xiàng)目資助(51078113)

U491.31

10.3963/j.issn.2095-3844.2017.03.003

陳美如(1985—)：女，博士，主要研究領(lǐng)域?yàn)榻煌ò踩徒煌ㄒ?guī)劃