基于貝葉斯網絡的公交停靠站時兩輪車穿插行為研究

邵海鵬 李靜嫻 謝 沛 慕 偉

(長安大學公路學院1) 西安 710064) (長安大學信息學院2) 西安 710064)

基于貝葉斯網絡的公交?？空緯r兩輪車穿插行為研究

邵海鵬1)李靜嫻1)謝 沛2)慕 偉1)

(長安大學公路學院1)西安 710064) (長安大學信息學院2)西安 710064)

城市道路中，公交車輛?？空緯r往往會占用非機動車道，阻礙非機動車及摩托車的通行，為了探討在公交車站?？空緯r兩輪車穿插行為，分析了在城市道路中，影響公交車輛?？空緯r兩輪車穿插行為的八個影響因素，以896組觀察實驗數據作為分析依據，基于專家知識和數據融合方法建立了公交車?？空緯r兩輪車穿插行為的貝葉斯網絡結構，利用服從Dirichlet分布的貝葉斯方法對貝葉斯網絡進行參數學習，結合網絡模型，應用聯合樹引擎推斷了在各個變量影響下兩輪車穿插行為概率分布.結果表明，駕駛員的性別、駕駛非機動車的種類、左側機動車輛的車頭時距及交通干擾環境對非機動車駕駛員的穿插行為具有直接的影響.

交通秩序；穿插行為；公交車站點；貝葉斯網絡；k2算法

0 引 言

當公交車輛即將到達公交站點時，需要在路段上減速、變道、甚至停車，會打破原先穩態的交通流，與路段上公交車后面行駛的機動車和兩輪車發生沖突.由于兩輪車具有靈活性，它們一般不會在公交車輛后面等待，會選擇向左或向右穿插，這樣就會與最右側機動車道的車輛和公交車右側上乘客產生相互干擾.兩輪車的穿插行為不僅會擾亂交通秩序，而且還易與機動車輛產生碰撞、刮擦事故.

Zhou[1]提出隨著非機動車闖入機動車道，機動車的速度會降低，Lu等[2-3]具體分析了無信號交叉口和信號交叉口非機動車與行人、機動車輛的沖突；但針對公交?？空咎幏菣C動車對公交車輛運行的影響仍有欠缺，且未有相關研究將非機動車駕駛員穿插行為進行量化.在該領域的研究中，都舒等[4-5]描繪了在公交?？空痉菣C動車的行駛特性并分析了站點處各種交通沖突及其影響，楊孝寬等[6-7]提出公交停靠站時機動車道通行能力計算模型，但僅僅考慮是公交車?？孔璧K機動車通行，未考慮公交車?？繋矸菣C動車和摩托車的穿插對機動車道通行能力的影響.然而，鑒于影響是相互的，機動車輛對兩輪車駕駛員的影響還未有深入的研究，在公交車?？繒r影響兩輪車穿插行為的因素變量尚未具體分析，兩輪車駕駛員穿插行為的選擇是人-車-路-交通環境諸多因素相互影響作用的結果，文中研究的目的是為了研究公交?？繒r兩輪車穿插的影響變量并分析其關系.

與其他數據挖掘方法(如規則表示、決策樹、人工神經網絡等)相比，貝葉斯網絡對數據的線性和可加性統計假設沒有嚴格的要求，且能夠學習變量之間的因果關系，考慮兩輪車駕駛員穿插行為與人-車-路-交通環境等因素的相互作用，文中應用貝葉斯網絡建立公交車輛?？空緯r非機動車穿插行為選擇模型.

1 公交車?？空緯r兩輪車穿插行為的貝葉斯網絡模型的構建

1.1 貝葉斯網絡

貝葉斯網絡是基于概率分析、圖論的一個不確定性知識表達和與推理的模型，主要包括兩個部分：①有向無環圖(DAG),其中每個節點表示一個變量，節點之間的弧表達變量之間的依賴關系，指向節點X的節點稱為父節點；②與節點相關的條件概率表(CPT)，該表列出了此節點相對于其父節點所有可能的條件概率[8].

P(x1,…,xn)=p(xn/xn-1,…,x1)·

p(xn-1/xn-2,…,x1)…p(x2/x1)p(x1)=

(1)

1.2 變量的選擇和數據預處理

非機動車和摩托車駕駛員的駕駛行為是人-車-路-環境共同作用的結果，港灣式公交車站點由于站點擴寬所以公交車?？坎粫钄喾菣C動車的通行；而在直線式公交車站點，公交車輛占用非機動車道停靠，占用非機動車的正常行駛空間，而非機動車輛由于具有靈活性和機動性，一般不會停車等待，會選擇向左暫時占用機動車通行或向右從乘客上下車空間穿插，其穿插行為見圖1.

圖1 兩輪車穿插具體行為示意圖

調查選取的是機非標線劃分的直線式公交站，選取人-車-路-環境中影響非機動車駕駛行為的八個因素，分別為駕駛員的性別、是否載人、駕駛人的影響、駕駛車類型、臨近公交車輛的機動車的瞬時車頭時距、公交車?？繒r右側車門距路緣石的寬度、右側干擾人數(包括上下車)和交通干擾環境，文中調查對象選取人群為中青年，調查地點選取翠華路、省政務大廳、人才市場、小寨和北山門公交停靠站.

在非高峰時段進行視頻錄像，后期對圖像進行處理，樣本數據的離散化處理表達見表1.調查選取的變量組合有4×32×32種，為確保樣本的廣泛性和代表性，從每種變量組合選取2～3組數據，共組合896組數據，其中，511組選擇向左穿插，385組選擇向右穿插.

1.3 貝葉斯網絡結構學習

文中應用專家知識和對數據的機器學習的方法獲得貝葉斯網絡結構圖，常用的貝葉斯網絡結構確定的算法有k2算法和爬山法，文中用k2算法對數據進行處理，k2算法是一種貪婪算法，它采用自頂向下，以迭代的方式做出貪心選擇，以保證獲得局部最優解，因為該算法是求得局部最優解，而不是整體最優解，所以常常需要結合專家知識對結構圖進行調整，所得到的結構圖見圖2.該網絡結構圖由九個節點和10條連線組成，九個節點分別對應表1中的九個變量，節點之間的連線表明節點之間的相互影響關系.

表1 公交?？空緯r兩輪車穿插行為變量離散化取值表

圖2 公交車?？空緯r兩輪車穿插的貝葉斯網絡結構圖

1.4 貝葉斯網絡參數學習

常用的貝葉斯網絡參數學習方法有最大似然估計法和貝葉斯法[9].

根據所得到的貝葉斯網絡結構圖，可以利用貝葉斯參數學習方法和matlab中的bnt工具箱對樣本的變量進行參數學習.因為變量的組合種類比較多，所以表格僅僅列出了部分參數學習結果，即性別、非機動車類型、左側機動車道的瞬時流率、交通環境各種不同變量組合情況下的穿插行為的概率分布，具體見表2.

表2 穿插行為的參數學習結果

為了驗證非機動車在公交車站點穿插行為的貝葉斯網絡的精度，文中將貝葉斯網絡得到的結果與實際計算結果進行比較，見圖3(圖3中D11為在男性、摩托車組合條件下的概率；D12為在男性、電動摩托車組合條件下的概率；D13為在男性、自行車組合條件下的概率).通過貝葉斯模型的預測結果和實際計算結果的對比分析可知，由貝葉斯網絡得出的概率的最大絕對誤差為0.004 6，平均絕對誤差為0.000 9，平均相對誤差為0.001，與其他模型相比，貝葉斯網絡模型的具有較高的精度，因此應用此模型對其結果變量進行分析和預測是可靠的，可以用此模型對行為變量進行預測分析.

圖3 貝葉斯網絡的預測結果與實際觀測值的對比

2 非機動車穿插行為的推理分析

利用聯合樹對非機動車在性別、非機動車的種類、左側機動車道的瞬時車頭時距、交通干擾環境等影響下的穿插行為的概率進行推理分析，具體概率圖見表3.

表3 性別、非機動車的種類、左側機動車道的瞬時車頭時距、交通環境的推理分析結果

由表3可知，下面具體分析性別、非機動車種類、左側機動車道的瞬時車頭時距和交通干擾環境對穿插行為的影響.

2.1 性別對穿插行為的影響

根據建立的非機動車穿插行為分析的貝葉斯網絡模型，得出男性和女性的穿插概率分布見圖4.

圖4 性別對穿插行為的影響

由圖4可知，總體而言，男性駕駛員和女性駕駛員向左穿插的概率都超過0.5，即向左的穿插概率比向右的大，而男性駕駛員向左穿插的概率明顯比女性駕駛員向左穿插的概率高，這是因為在城市道路中，一方面男性駕駛員體力充足，行車速度比較高，而左邊車道具有較強的機動性，趨向于向左穿插行駛；另一方面男性駕駛員普遍比女性駕駛員沖動、缺乏耐心，也導致其向左穿插的概率比女性的高.

2.2 非機動車種類對穿插行為的影響

根據建立的非機動車穿插行為分析的貝葉斯網絡模型，得出不同種類非機動車的穿插概率分布,見圖5.

圖5 非機動車種類對其穿插行為的影響

由圖5可知，自行車、電動車和摩托車向左的概率在逐漸增加，分別為0.412 1，0.546 3和0.691 1，這說明制動性能越高、速度越高的交通工具一般更傾向于向左穿插，其中，這幾種交通工具向左穿插和向右穿插的概率有一定的差距但是差距并不是特別明顯，這說明非機動車的種類對穿插行為有一定的影響但是影響不是特別顯著.鑒于非機動車向左穿插的概率大，其向左穿插不僅影響左側機動車輛的通行，也易與機動車輛產生磨蹭事故，存在安全隱患，因此,可以考慮在道路條件允許的條件下，在公交車站點處向左擴寬非機動車道的寬度，同時規劃公交車輛?？烤嚯x右側路緣石的合理的寬度范圍，給予非機動車一定的向左穿插行駛的空間.

2.3 左側機動車道的瞬時車頭時距對穿插行為的影響

根據建立的非機動車穿插行為分析的貝葉斯網絡模型，得出不同種類非機動車的穿插概率分布,見圖6.

圖6 左側機動車輛瞬時流率對其穿插行為的影響

由圖6可知，左側機動車道的瞬時車頭時距為1.5～4 s和>4 s時，其向左的概率為0.621 5，0.707 1，絕對差為0.08，而當車頭時距為0～1.5 s時，向左穿插的概率為0.269 8，絕對差為0.35，這表明左側機動車道的瞬時車頭時距對穿插行為有顯著影響，由此可以判斷非機動車駕駛員判斷當前環境是否可以向左穿插的臨界車頭時距為1.5 s左右.

2.4 交通環境對穿插行為的影響

根據建立的非機動車穿插行為分析的貝葉斯網絡模型，得出交通環境的穿插概率分布，其中交通環境取值為1、2代表為穿插環境干擾較大，交通環境取值為3、4代表為穿插環境干擾適中，交通環境取值為5、6代表為穿插環境干擾較小.具體概率分布示意圖見圖7.

圖7 交通環境對其穿插行為的影響

由圖7可知，交通干擾環境為低、適中、高時，向左和向右的概率有顯著性差異，這說明交通干擾環境對非機動車穿插行為具有顯著性的影響，其中，隨著穿插環境干擾變大，向左穿插的非機動車比例增加這可能是因為交通干擾環境變時，左側機動車輛行駛穩定，不確定性較小，而右側站臺上下車行人不斷穿插，具有很強的突發性和不穩定性，一般駕駛員一般選擇相對穩定的駕駛環境通行，當穿插環境的干擾較小時，向右穿插的概率明顯高于向左穿插的概率，其概率為0.622 8，這與我國的駕駛員向右行駛的駕駛習慣相符，同時也有相當一部分駕駛員對速度的追求選擇向左穿插通行.

3 結 論

1) 貝葉斯網絡與傳統模型相比，具有獨特的優勢，具體體現在兩個方面；①能夠分析不獨立變量的因果關系，并能分析出因變量之間的層次關系，這與實際問題更貼切，因為實際問題中的各個變量之間很難完全獨立；②該模型的精確度能達到0.001，與傳統的線性回歸模型相比，具有更高的精度.

2) 我國當前的道路空間注重機動車出行，非機動車道路空間的舒適性、連續性無法保障，結果顯示，超過半數的非機動車駕駛員選擇向左行駛，即存在非機動車與機動車搶道現象，且公交車輛屬于大型客車，由于車型的限制，公交車司機正前方的視野比較開闊，側后方的車輛情況尤其是體積較小的非機動車一般不容易觀察到.研究非機動車穿插行為，對減少非機動車和機動車的潛在沖突以及公交車輛的快速啟動具有重要的意義.

3) 目前，我國現階段的公交車站點對機動車道通行能力的影響研究僅僅局限于公交車輛停靠本身對機動車道的影響，忽略了由此帶來的非機動車穿插對通行能力的影響，本文能為此研究提供新思路.但文中貝葉斯算法采用的是經典的k2算法和貝葉斯算法，未對其他算法進行對比分析，有待后續進一步研究.

[1] ZHOU Y Q. Bicycle traffic on bicycle lane: characteristics and influences on motorized vehicle traffic[J]. Accident Analysis & Prevention，2007(1):55-58.

[2] LU B A, PAN L I, WANG W. Characteristics of traffic conflicts between electric bicycles and motor vehicles at unsignalized intersections[J]. Accident Analysis & Prevention，2012(2):245-251.

[3] WANG Y, NIHAN N L. Estimating the risk of collisions between bicycles and motor vehicles at signalized intersections[J]. Accident Analysis & Prevention,2004(3):313-321.

[4] 都舒.基于TCT的非機動車公交站安全性分析[D].北京：北京交通大學,2010.

[5] 王丹.路段非機動車交通流特性研究[D].西安：長安大學,2014.

[6] YANG X B, GAO Z Y, SI B F, et al. Car capacity near bus stops with mixed traffic derived by additive-conflict-flows procedure[J]. Science China Technological Sciences,2011,54(3):733-740.

[7] 楊孝寬,曹靜,宮建.公交停靠站對基本路段通行能力影響[J].北京工業大學學報,2008,34(1):65-71.

[8] COOPER G F, HERSKOVITS E. A bayesian method for the induction of probabilistic networks from data[J]. Machine Learning,1992,9(4):309-347.

[9] 趙金寶,鄧衛,王建.基于貝葉斯網絡的城市道路交通事故分析[J].東南大學學報(自然科學版),2011,41(6):1300-1306.

Research on Crossing Behavior of Two-wheeler at Bus Station Based on Bayesian Network

SHAOHaipeng1)LIJingxian1)XIEPie2)MUWei1)

(SchoolofHighway,Chang’anUniversity,Xi’an710064,China)1)(SchoolofInformation,Chang’anUniversity,Xi’an710064,China)2)

In urban roads, bus stopping often occupies non-motor vehicle lanes and hinders the passage of non-motor vehicles and motorcycles. To explore the crossing behavior of two-wheeler in the bus station, eight factors influencing crossing behavior of two-wheeler at bus station is analyzed firstly. Based on 896 groups of observed data, the Bayesian network structure of crossing behavior of two-wheeler at bus station is obtained by expert knowledge and data fusion method. Then the Bayesian network parameter learning is conducted by Bayesian method subjected to Dirichlet distribution. Finally, the probability distribution of non-motorized crossing behavior under the influence of each variable is deduced by junction tree algorithm combined with the network model. The results show that driver’s gender, the type of non-motor vehicle, the instant time headway of motor vehicle on the left and the traffic environment have a direct influence on the crossing behavior of non-motor vehicle drivers.

traffic order; crossing behavior; bus station; Bayesian network; k2 algorithm

U491.2

10.3963/j.issn.2095-3844.2017.06.016

2017-09-18

邵海鵬(1978—)：男，博士，副教授，主要研究領域為智能交通、交通模型、交通設計