車速空間波動對城市快速路安全的影響分析

胥 川，付川云，朱 援

?

車速空間波動對城市快速路安全的影響分析

胥 川1,2，付川云1,2，朱 援3

（1. 西南交通大學，交通運輸與物流學院，成都 610031；2. 綜合交通運輸智能化國家地方聯合工程實驗室，成都 610031；3. 紐約大學，坦登工程學院，紐約 11201，美國）

城市快速路的車速空間波動常被認為是事故風險的重要因素，但是車速空間波動很難通過傳統的固定檢測器來提取。為克服傳統方法的不足，本文充分利用Floating Car Data (FCD)提取快速路路段的空間車速方差等道路運行指標，并在獲取快速路特征指標的基礎上，分別以總事故頻率、追尾事故頻率和側碰事故頻率為因變量建立了負二項模型。模型結果發現空間車速方差、路段行程車速對三類模型的影響呈現一致關系：空間車速方法與三類事故頻率呈正相關，說明利用車速空間波動來診斷城市快速路安全風險是可行和有價值的。此外還發現路段行程車速與三類事故頻率呈負相關，路段內包含平曲線對事故總頻率和追尾事故都有顯著正相關，但對側碰事故的相關性不顯著;立交路段與側碰事故頻率相關性顯著。

城市快速路；浮動車數據；車速空間波動；道路特征；負二項模型

0 引 言

城市快速路是支撐大城市（例如北京、上海、成都、呼和浩特、東京、紐約等）的大尺度交通網絡的重要動脈，保證城市快速路通暢、安全的運行對城市道路系統至關重要。和高速公路不同，城市快速路有更高密度的匝道連接地面道路，同時它通常受城市用地限制而無法采用較寬的車道并無法設置應急車道。由于城市快速路的上述特點，一旦受到交通事故的影響，很容易造成嚴重且救援困難的擁堵。因此，城市快速路的安全問題已經受到廣泛研究[1-10]。目前研究主要集中在三類因素上，包括：（1）道路設計和建設參數（如道路幾何特征、車道設置、分割、路燈）； （2）道路運行參數（例如交通流量、密度、速度）；（3）無法干預的因素（如惡劣天氣）。雖然第（1）、（3）種因素在城市快速路建成后就難以干預，但是隨著主動交通管理系統的普及，道路運行參數變得更容易被干預。但是有效的干預需要對多種影響因素清晰理解，包括車速空間波動。

車輛速度在道路空間上的不均勻分布可以稱為車速空間波動。與間斷流設施（例如有信號交叉口的道路）相比，車速空間波動對連續流設施（例如城市快速路、高速公路）的影響更為顯著。因為在下游擁堵的情況下，在駕駛員意識到下游道路狀況之前，可能仍然會保持較高的速度；同時，相鄰車輛間的速度差異也容易引起沖突和事故。這兩種情況在城市快速路上都十分常見。因此，很多研究者已經通過固定截面檢測設備（例如檢測線圈和微波雷達）來研究車速空間波動[2, 3, 11-13]。但是固定檢測器受限于設備的安裝位置，沒有安裝檢測器的路段以及兩個檢測器之前的位置都無法獲取數據。

近年來，許多商用車輛（出租車、公交車）開始裝配Global Position System（GPS）用于記錄車輛的位置和速度等行駛信息。這類數據也通常被稱為浮動車數據，即Floating Car Data (FCD)。浮動車數據通常覆蓋了更大的空間范圍，可以用于度量車速空間的波動。因此，本研究利用出租車FCD數據提取快速路車速空間波動、空間平均車速等交通運行特征，同時建立事故頻率模型，在控制其他影響變量的情況下，重點分析車速空間波動對城市快速路事故頻率的影響。

1 數據準備

美國道路通行能力手冊[14]中將快速路劃分為三種基本單元：基本路段、交織區、匝道影響區。在以往的快速路安全研究中，由于交通狀態的數據一般都來自檢測器，因此快速路的研究單元通常以檢測器位置為依據進行劃分，而本研究中采用的交通運行狀態的數據主要來自出租車FCD數據，該數據不受采集位置的限制。由于快速路全封閉，僅在匝道處發生車輛駛離和匯入，在相鄰匝道間的路段內部，交通流量、車輛運行特征相對一致，因此本研究中采用相鄰匝道之間的主線作為研究的基本單元。

本研究以上海市南北高架、延安高架、內環高架、中環路共計158 km的路段（分側）為研究對象。使用的數據有道路幾何參數、FCD數據、事故數據。（1）幾何參數主要包括每個路段的長度、車道數、匝道類型、單元內是否包含平曲線等，此類信息主要通過衛星影像圖和GIS電子地圖獲取。（2）出租車在城市道路的斷面流量中占有很高比例。上海市安裝有GPS的出租車超過40 000輛，每天產生海量的FCD數據。本研究中采用的出租車FCD數據是出租車以10 s為固定間隔將其經緯度、時刻、載客狀態等信息傳回調度中心后集成的數據。（3）事故數據為2009年上海市高架快速路主線上的使用簡易事故處理程序的事故，用于分析的事故記錄信息包括事故位置、事故時間、事故形態等。由于快速路的事故形態90%以上都是追尾和側撞事故，因此對每個基本單元的事故總頻率、追尾事故頻率、側撞事故頻率進行統計。

2 運行狀態提取

原始FCD數據經過地圖匹配[15]、高架樣本篩選、速度計算、基本單元運行指標提取等過程，獲取每個基本單元的運行狀況指標，如圖1所示。

由于上海高架道路下方通常存在地面道路，再加上GPS數據沒有精確的高程信息，導致無法簡單的分辨落在混淆區域（某道路區域內既存在高架也存在地面道路）內的GPS點位于高架還是地面道路。本研究中采用人工判別的方式[15]在混淆區域（高架道路和地面道路重疊部分）標記出高架道路車輛。

速度計算即計算兩兩相鄰樣本點之間的平均速度，即根據兩相鄰樣本的路程差和時間差計算該行程片段（兩相鄰樣本點之間的部分）的平均速度。在此基礎上可將目標路段上一定時段內所有的樣本車速度都計算出來。獲取了路段若干樣本車的車速信息后就可以進而獲取研究路段的運行車速特征曲線，包括空間車速曲線、車速標準差曲線、樣本車速的外包絡線和內包絡線，見圖2。

（2）空間車速方差：對路段每隔一段距離（10 m）計算一次所有樣本車的空間車速，然后計算所得空間車速的方差，用于表征路段內部車速的空間波動情況：

圖2 路段運行車速特征曲線

3 負二項模型

在安全建模中，某個解釋變量的系數會受到函數形式、模型包含變量等的影響，因此選用恰當的模型和包含的變量是首要的問題。以往的研究者通常用泊松回歸模型來對事故頻率進行擬合，但泊松分布的均值和方差相等，而快速路的事故頻率過度離散，一般其方差大于均值，因此用泊松回歸模型有一定的局限性。為了克服泊松模型的限制，研究者在泊松模型中加入一個服從伽馬分布的隨機變量，使得模型的方差可以有更大范圍的取值。

負二項模型形式如下：

對于負二項模型，其方差和均值間有如下關系：

因此，負二項模型的方差可以更廣的取值，能更好地滿足事故頻率過度離散的特性。本文利用負二項模型進行分析。

4 模型結果和討論

假設快速路基本單元存在有以下的關系，即以運行狀態、交通組成、駕駛員特征、車輛性能、道路環境作為可變輸入，通過以道路設施決定的路段安全作用機制作用后，輸出路段的運行特征和路段的安全特征。對于輸入變量中，駕駛員特征的信息較難捕捉，故本研究中暫不考慮。而由于車輛性能造成的事故在事故原因中比例極小，也不將它們作為解釋變量。同時，對于上海市的快速路，絕大部分路段禁止貨車通行，車輛組成以小客車為主，因此交通組成也不作為解釋變量。因此，將道路設施、路段運行特征和路段安全特征的關系，利用SAS軟件分別以總事故頻率、追尾事故頻率、側碰事故頻率為因變量，以設施屬性和運行特征為自變量建立了負二項模型，變量解釋見表1，模型結果如表2所示。

模型結果表明，路段行程車速、空間車速方法對三類模型的影響呈現一致關系，其他變量對不同模型有不同顯著程度的影響，但總體呈一致的趨勢。

表1 模型變量描述匯總

表2 負二項模型參數估計結果

注意: 表中顯著變量的系數和值標記為粗體.

空間車速方差是由出租車GPS數據中提取的變量，它描述了路段上的車速空間波動。在三個模型中，空間車速方差對事故頻率的影響是一致的，即空間車速方差越大，事故頻率越高。這可能由于車速波動較大的路段對駕駛員的操作要求增加，如果駕駛員來不及調整速度適應交通流，便易造成追尾事故；同時在空間速度變化的地方也更容易發生車輛的變道，從而可能導致側撞事故頻率的上升。平均行程車速和事故頻率、空間車速方差呈負相關關系，即對于快速路，平均行程車速越高其事故頻率越低，結論與地面道路正好相反。分析原因可能是由于地面道路的間斷交通流特性（交叉口的存在），使駕駛員改變車速的需求較多，越高的車速要求駕駛員用更短的時間來完成車速改變，從而導致了高事故頻率；而對于高架快速路的連續交通流，駕駛員改變車速的需求本身處于較低水平，而當路段行程車速較低時，路段行程車速的空間波動性較大，改變車速的需求增多，使得事故頻率增加。當路段行程車速較高時，路段行程車速的空間波動性較低，改變車速的需求減少，使得事故頻率降低。

路段內包含平曲線對事故總頻率和追尾事故都有顯著正相關，但對側碰事故的相關性不顯著。這可能由于在平曲線處禁止超車導致了曲線處變道行為減少而導致的。立交路段與側碰事故頻率相關性顯著，可能由于立交路段存更多、更復雜的方向轉換，導致駕駛員變道沖突的情況增加而導致。

5 結 論

本文通過上海城市快速路FCD數據提取了上海市快速路的空間車速方差、平均行程車速等運行指標，在收集快速路其他參數的基礎上，針對總事故頻率、追尾事故頻率、側撞事故頻率建立了負二項模型。模型結果表明：空間車速方差、路段行程車速對三類模型的影響呈現一致關系，其他變量對不同模型有不同顯著程度的影響，但總體呈一致的趨勢。其中描述車速空間波動的變量空間車速方差與三種事故頻率都呈顯著的正相關關系，說明利用車速空間波動來診斷城市快速路安全風險是可行和有價值的。

本研究成果為理解城市快速路的安全影響因素提供了新的視野。然后，由于高架道路的FCD樣本點采用人工方式來區分與之混淆的地面道路樣本點，導致無法大規模自動化的處理數據，從而使得樣本量受限，所以建議下一步研究實現高架樣本點自動判別，并在大樣本量（如全年的FCD數據）的情況下進一步完善本研究。

[1] KONONOV J, BAILEY B, ALLERY B. Relationships between safety and both congestion and Number of Lanes on urban freeways[J]. transportation Research Record: Journal of the Transportation Research Board, 2008, 2083: 26-39.

[2] HOSSAIN M, MUROMACHI Y. A Bayesian network based framework for real-time crash prediction on the basic freeway segments of urban expressways[J]. Accident Analysis & Prevention, 2012, 45: 373-381.

[3] HOSSAIN M, MUROMACHI Y. Understanding crash mechanism on urban expressways using high-resolution traffic data[J]. Accident Analysis & Prevention, 2013, 57: 17-29.

[4] HOSSAIN M, MUROMACHI Y. A real-time crash prediction model for the ramp vicinities of urban expressways[J]. IATSS Research, 2013, 37(1): 68-79.

[5] ZHANG J, CHEN X, TU Y. Environmental and traffic effects on incident frequency occurred on urban expressways[J]. Procedia - Social and Behavioral Sciences, 2013, 96: 1366-1377.

[6] QU X, MENG Q. A note on hotspot identification for urban expressways[J]. Safety Science, 2014, 66: 87-91.

[7] SHI Q, ABDEL-ATY M. Big Data applications in real-time traffic operation and safety monitoring and improvement on urban expressways[J]. Transportation Research Part C: Emerging Technologies, 2015, 58, Part B: 380-394.

[8] WU L, SUN J. Relationship of lane width to safety for urban expressways[R]. Washington D. C. Transportation Research Board 94thAnnual meeting, 2015.

[9] SHI Q, ABDEL-ATY M, LEE J. A Bayesian ridge regression analysis of congestion's impact on urban expressway safety[J]. Accident Analysis & Prevention, 2016, 88: 124-137.

[10] SHI Q, ABDEL-ATY M, YU R. Multi-level bayesian safety analysis with unprocessed automatic vehicle identification data for an urban expressway[J]. Accident Analysis & Prevention, 2016, 88: 68-76.

[11] XU C, LIU P, WANG W, et al. Evaluation of the impacts of traffic states on crash risks on freeways[J]. Accident Analysis & Prevention, 2012, 47: 162-171.

[12] WANG L, ABDEL-ATY M, SHI Q, et al. Real-time crash prediction for expressway weaving segments[J]. Transportation Research Part C: Emerging Technologies, 2015, 61: 1-10.

[13] YU R, WANG X, YANG K, et al. Crash risk analysis for Shanghai urban expressways: A Bayesian semi- parametric modeling approach[J]. Accident Analysis & Prevention, Part B: 2016, 95, 495-502.

[14] Transportation Research Board. Highway capacity manual[R]. Washington D. C.: National Research Council.

[15] 劉彥挺，吳建平，張鴿. 基于長間隔大規模數據的地圖匹配算法研究[J]. 交通運輸工程與信息學院；2007, 5（2）：67-74.

（中文編輯：劉娉婷）

Analysis the Impact of Spatial Speed Variance of Safety on Urban Expressway

XU Chuan1,2，FU Chuan-yun1,2，ZHU Yuan3

（1. School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 610031, China; 2. National United Engineering Laboratory of Integrated and Intelligent Transportation, Southwest Jiaotong University, Chengdu 610031, China; 3. New York University, Tandon School of Engineering, New York, 11201, USA）

Spatial speed variation on urban expressways has been frequently noted as a key factor associated with high crash risk. However, it was often difficult to capture the safety impact of speed variance with spaced sensor measurements. As an alternative, this paper aims to leverage the use of the floating car data (FCD) to capture the spatial speed variance on urban elevated expressways and examine its effect on safety.Based on the extracted data, total crash frequency, rear-end crash frequency and sideswipe crash frequency were modelled separately and the results showed spatial speed variance have the same positive effects on three models, which implies using spatial speed variance is valuable for diagnosing urban expressway safety problems. In addition, it was also found that travel speed is negatively related to three crash frequencies, curved segments significantly have more total crashes and rear-end crashes, but not sideswipe crashes. Overpass segments have higher sideswiped crash frequency.

urban expressway; floating car data (FCD); spatial speed variance; road feature; negative binomial model

1672-4747（2018）02-0117-06

U491.1

A

10.3969/j.issn.1672-4747.2018.02.019

2017-05-20

中央高校科研業務費專項資金創新基金（2682017CX021）資助，中國博士后科學基金項目（2017T100710；2016M600748），四川省科技計劃項目（2017ZR0209）。

胥川（1987—），男，漢族，四川西充人，西南交通大學博士，研究方向：交通安全、數據科學。

付川云（1985—），男，漢族，四川安岳人，西南交通大學博士，研究方向：道路交通安全。

胥川，付川云，朱援. 車速空間波動對城市快速路安全的影響分析[J]. 交通運輸工程與信息學報，2018, 16(2): 117-122.