基于VAT的信號交叉口危險變道行為風險特性分析*

郝艷萍 徐良杰* 王嘯嘯

(武漢理工大學交通學院1) 武漢 430063) (河南城建學院土木與交通工程學院2) 平頂山 467036)

0 引 言

信號交叉口危險變道行為易引發交通事故.相關統計結果表明，車輛換道產生的碰撞事故占總碰撞事故的4% ～10%，多是由于駕駛人對目標車道前后車輛車頭時距判斷失誤，進而誘發交通事故[1].

目前，國內外學者在危險變道行為方面的研究主要集中在危險變道行為的影響因素及基本特性[2-3]、對交通流及交通安全的影響等[4]，通過行車軌跡建立不同的數學模型，對危險變道行為進行分析及判定[5-6].針對信號交叉口危險變道行為風險特性分析方面的研究較少.對于碰撞時間(TTC)模型的研究，則主要集中于跟馳車輛的交通沖突[7]，缺乏對于變道行為沖突的研究.

文中提出了風險特性參數車輛接近時間(VAT)模型，利用Lasso-LARS算法對數據集進行訓練，確定車輛接近時間(VAT)與各自變量之間的相關性系數，通過算例分析驗證了VAT模型的準確性.

1 危險變道行為界定

在信號交叉口上游路段、漸變段進行變道屬于正常變道，車輛在進入信號交叉口實線段后進行變道屬于違章變道行為，見圖1.

圖1 允許和禁止變道范圍圖

違章變道對交通流影響較大，容易引發交通事故.除此之外，非實線段駕駛員的變道行為也可能會對近信號交叉口路段及信號交叉口功能區車輛通行的正常秩序和行車安全造成影響.因此，本文界定的危險變道行為根據危險變道行為發生的位置分為兩大類：實線段危險變道、非實線段危險變道.

車道變換行為的多樣性決定了危險變道行為的多樣性，根據危險變道行為發生時車輛的行駛軌跡，將每一類危險變道行為進行劃分，實線段危險變道行為分為強制變道、隨意穿插變道、未成功變道三類，非實線段危險變道分為強制變道、隨意穿插變道、連續變道三類.

2 危險變道行為風險特性參數建模

2.1 數據采集

本研究選擇武漢市青山區友誼大道的兩個信號交叉口進行交通調查.調查時段為2018年3月1—3日早晚高峰(07:30-09:00；17:00-18:30)及平峰(09:00-10:30；14:30-17:00)的代表時段.調查數據統計見表1.

2.2 數據預處理

對采集到的危險變道車輛行車數據進行分析，具體見表2.

表1 危險變道調查數據樣本統計

注：1-友誼大道到工業路；2-友誼大道到建設一路.Q-交通量，pcu；R-危險變道數量，pcu.

表2 危險變道行為交通參數統計

如表2統計所得危險變道行為發生時該進口道交通參數，不同參數之間存在不同程度的交叉，無法具體分析各類危險變道行為的風險特性，故考慮建立車輛接近時間(VAT)模型對其風險特性進行分析.

道路交通系統的運行狀態受到人、車、路和環境的影響不斷發生變化，危險變道行為也是如此.由于調查手段及調查結果的制約，同時考慮到不影響交叉口處車輛的正常通行，故本研究中不考慮駕駛人因素，本文涉及的影響因素包括：變道行為發生的時間、變道車輛的車型、轉向角、變道持續時長、原車道及目標車道前后車的車速及車頭時距等因素.

2.3 車輛接近時間(VAT)模型

本研究將VAT定義為在信號交叉口危險變道行為中，當目標車輛變道至目標車道，若前車(目標車)速度小于目標車(后車)速度，前后兩車距離較小而產生交通沖突，目標車(后車)未采取制動措施，則兩車會發生碰撞，從產生交通沖突到碰撞的時間稱為車輛接近時間.基本原理見圖2.

圖2 車輛接近時間(VAT)模型圖

傳統TTC模型適用于跟馳車輛碰撞時間的計算，不可直接用于危險變道行為風險特性的評價，考慮加入轉向角θ變量以提出VAT模型，具體計算公式為

(1)

式中：VATi為第i輛車與前車(i+1車)或后車(i-1車)的車輛接近時間，s；xi(t)為第i車在道路上的位置，m；vi(t)為第i車從危險變道行為發生至可能發生碰撞的行程車速，m/s；θi為第i車(目標車輛)的轉向角，(°)；li為前車的車長，m.

車頭時距與車頭間距的關系為

di=xi(t)-xi-1(t)=vi-1·hi-1

或di=xi+1(t)-xi(t)=vi·hi

(2)

式中：di為車頭間距，m；hi為第i+1車與第i車之間的車頭時距(t).

故式(1)可以表示為

(3)

實地調查和視頻觀測時發現，若目標車輛采取變道行為，則目標車道后車會及時采取制動措施，使用VAT模型時需考慮駕駛人反應時間.若計算所得VAT值小于目標車道后車駕駛人反應時間，則可直接根據式(3)進行計算；若計算所得VAT值大于目標車道后車駕駛人反應時間，則需要根據后車制動后的速度及車頭時距進行計算.在此處計算時需考慮前后兩車的車速及加速度，所以在計算模型中采用平均車速進行計算，而非瞬時速度，提高模型的準確性.基于計算所得的VAT值，可分析得到不同危險變道行為的危險程度，VAT值越小，表示車輛接近時間越小，即發生碰撞的可能性越大，危險程度越高；反之則危險程度較低.

3 基于lasso-LARS算法的危險變道行為風險特性分析

3.1 變量標準化

利用Lasso-LARS算法對數據集進行訓練，確定各因素的相關性系數.利用友誼大道-工業路交叉口處調查數據基于Lasso-LARS(最小角回歸)算法訓練數據.預處理后每組數據包含10項自變量及1項因變量.自變量中包含數值變量和分類變量，具體描述見表3.因變量為利用碰撞時間模型計算所得的車輛接近時間(數值變量)，用向量Y表示.

表3 自變量變量描述

3.2 Lasso-LARS算法

考慮到危險變道行為發生時相關影響因素較多，使用Lasso-LARS算法[8]可對其不同因素的相關度進行擬合和求解，對于高維特征問題：

Y=Xθ

(4)

式中：Y為m×1的向量；X為m×n的矩陣；θ為n×1的向量；m為樣本數量；n為特征維度.

把矩陣X看做n個m×1的向量Xi(i=1,2,…,m)，在Y的X變量Xi(i=1,2,…,m)中，選擇和目標Y最為接近(余弦距離最大)的變量Xk，用Xk來逼近Y，則：

(5)

(6)

定義自變量矩陣為

(i=1,2,…,270；j=1,2,…,10)

(7)

Y是對應的因變量的集合，求解Lasso-LARS問題公式為

Yij=θ1xi1+θ2xi2+…+θjxij

(i=1,2,…,270；j=1,2,…,10)

(8)

式中：θj為系數.

3.3 訓練結果分析

將自變量向量X及因變量Y代入3.1中算法，通過R語言編輯并調整參數，基于Lasso-LARS算法得到模型訓練結果(見圖3)，及自變量和因變量的相關系數矩陣，見式(9).

圖3 模型訓練結果

由圖3模型訓練結果觀察，從左往右分析，每條折線表示每個變量的系數的變化情況，帶數字的豎線表示變量加入的步驟.可以看到有些折線在左端時系數都是0，到達某一條豎線時系數開始變化，表明系數加入.不同的變量對危險變道行為VAT的影響程度不同，各變量相關性系數矩陣為

θT=

[0 5.569 663×10-26.983 032×10-5

1.948 074×10-18.637 113×10-1

2.103 403×10-13.903 212×10-1

9.738 479×10-27.713 337×10-1

8.381 305×10-2]

(9)

根據訓練結果及相關性系數矩陣可以看出，不同變量的相關性系數不同.根據式(9)中相關性系數矩陣，將θj代入式(8)即可求得各變道行為的VAT.

4 案例驗證

4.1 友誼大道-建設一路交叉口數據

信號交叉口的危險變道行為在不同VAT取值范圍內發生的頻率有顯著差異，采用視頻調查中20個信號周期的調查數據進行分析，初步統計結果見圖4.

圖4 不同VAT范圍內危險變道行為頻率分布

由圖4觀察可知，危險變道行為在VAT范圍的分布頻數先上升后下降，危險變道行為在VAT范圍的分布頻數先上升后下降，使用MATLAB數據分析軟件對數據進行正態分布擬合，發現VAT曲線服從置信度為0.95的正態分布，在VAT為2.5 s左右時，危險變道行為發生的頻率最高；根據美國各州公路工作者協會推薦，駕駛人風險判斷時間為1.5 s，行為時間為1 s，故本研究以VAT=2.5 s為界定標準，對危險變道行為進行分析研究.

郝艷萍危險變道行為一般分為三個階段：判斷-決策-操作.部分駕駛人會忽視交通環境進行變道操作，導致危險變道行為的VAT較小.當VAT<2.5 s時，危險變道行為發生的頻率高達64.22%；VAT>2.5 s時，發生頻率為35.78%，由于變道過程中駕駛人及時作出反應操作，均未出現交通事故.

4.2 不同類型危險變道風險分析

根據1中對危險變道行為的分類，對友誼大道-建設一路信號交叉口危險變道行為統計分析，見表4.

表4 不同類型危險變道行為分布情況

由表4可知，不同危險變道行為危險程度不同，進一步分析得出以下結論：①信號交叉口危險變道行為多發生在信號交叉口進口道實線段，占危險變道總數的52.65%，同時實線段危險變道行為危險程度也較高，這是由于信號交叉口漸變段距離較短或交通標志邊線設計不合理，導致駕駛人反應時間不足；②強制變道占危險變道行為總數的47.85%，這是由于信號交叉口交通環境復雜，變道需求較大，其中實線段強制變道行為危險度最高；③有28.79%的選擇在信號交叉口隨意穿插變道，駕駛人為追求自由行駛速度而隨意變道，其中漸變段危險程度更大，這是由于在漸變段駕駛人行車速度較大，較為危險；④連續變道行為在非實線段進行變道，當信號交叉口交通流較大或其后跟馳車輛速度較大時，連續變道較為危險.

4.3 結果分析

由3中模型訓練及結果，根據相關性系數式(9)及式(8)計算可得危險變道行為的VAT值.利用SPSS統計分析軟件，將危險變道行為的VAT模型計算值與Lasso-LARS算法計算值做配對T檢驗，置信度為95%，檢驗結果見表6～7.

表5 配對樣本統計

表6 配對樣本檢驗

由檢驗結果分析知，VAT計算值與觀測值在95%的置信度，兩者結果基本吻合，說明了VAT模型的適用性及有效性.

5 結 束 語

針對信號交叉口危險變道行為進行調查及風險程度的研究，構建了描述變道行為的VAT模型，通過Lasso-LARS回歸分析得到的VAT計算值對比分析發現，在95%置信區間范圍內，二者不存在顯著差異，驗證了改進VAT模型的準確性.研究成果可為信號交叉口危險變道行為的安全性分析提供理論支撐.