基于交通狀況及行駛速度的高速公路換道時間研究

符鋅砂,胡嘉誠,何石堅

(華南理工大學 土木與交通學院，廣東 廣州 510640)

0 引言

換道行為是高速公路上常見的駕駛行為，通過變換車道可以滿足駕駛員超車、駛出高速或者提高駕駛舒適度等需求，但是不良的換道行為也是誘發交通安全事故的原因之一[1]。據統計，2015年我國因變道操作不當等不良行為導致的交通事故占事故總數的4.9%[2]。而且近年來，自動駕駛技術不斷發展，為了保障未來可能出現自動駕駛車輛與常規駕駛車輛并存的“混合交通”狀態下的交通安全，換道行為參數的精準標定是重要基礎工作之一[3-4]。因此，深入研究自然駕駛中的換道行為特征，對提高交通運輸的安全水平有著重要意義。

駕駛員執行換道行為所需的時間(即換道時間)是描述換道行為特征的常用指標，常用于指導道路設計[5]、智能交通[6]、交通流模型構建[7-8]等研究。在目前的研究中，國內外學者從人、車、路的角度探討了不同因素對換道時間的影響。在駕駛員的角度上，Hetrick[9]等收集不同年齡段駕駛員的換道數據，統計分析表明年輕駕駛員換道過程更快，換道時間更短。Lee[10]等通過實車駕駛分析得出女性駕駛員的換道時間比男性駕駛員要長。而從車輛的角度，Toledo[11]等則通過高空攝像頭俯拍收集不同車型的換道數據，數據表明大型車比小型車的換道時間要短。Winsum[12]等則從道路的角度闡明不同車道寬度對換道時間沒有顯著影響。

從上述研究現狀可以分析得出，盡管目前研究已從不同的角度探討了各因素對換道時間的影響，但仍有兩個影響換道時間的重要因素很少被考慮：(1)車輛換道時周邊影響區域內的交通狀況；(2)車輛換道起始時刻的行駛速度。目前城市道路領域的相關研究[13-14]指出，這兩個因素對換道時間有著重要影響，但高速公路與城市道路的交通特性并不相同，高速公路領域中交通狀況和行駛速度對車輛換道時間的影響還有待研究。

得益于計算機視覺技術的發展，利用車載視頻進行高精度的換道行為識別[15-16]成為了可能。本研究選擇了多條運營高速公路進行實車試驗，記錄駕駛員換道時周邊的交通流密度，并通過OBD輔助駕駛裝置獲取車輛換道起始時的行駛速度，同時，采用計算機視覺技術識別車輛換道行為，獲取換道時間參數。通過對不同交通狀況和行駛速度下的車輛換道數據進行統計分析，研究交通狀況和行駛速度對換道時間的綜合影響。

1 數據采集及參數獲取

1.1 實車駕駛數據采集

本研究中車輛換道時間數據均通過實車試驗收集。試驗路段為廣東省的4條雙向四車道的高速公路，分別是京港澳高速公路粵境韶關至廣州段(廣韶高速)、廣昆高速公路粵境馬安至河口段(廣云高速)、二廣高速公路懷集至三水段(廣賀高速)、二廣高速公路連州至懷集段(二廣高速)，設計速度均為100 km/h。通過社會招聘以及科研合作單位的人員配合，最終確定了6名駕駛人參與了本次試驗。所有司機均持有有效的中華人民共和國機動車駕駛C1執照，并具有正常的視力。駕駛人年齡范圍為22～45歲，性別均為男性。每名駕駛人的高速公路累計行駛里程超過3 000 km，駕齡為3～20 a不等。所有駕駛人均不熟悉試驗路段的路況。

試驗車輛前擋風玻璃正中央上方和車輛尾部中央安裝行車記錄儀，完整記錄實車試驗全過程，以此獲取車輛換道行為和交通狀況信息。車內裝有OBD輔助駕駛裝置，用于記錄駕駛員試驗全程的行駛速度。

駕駛員在試驗前并未被告知試驗目的，以確保駕駛員處于自然駕駛狀態。每天進行兩個批次的試驗，試驗時段分別為上午7:00—11:00和下午13:00—17:00，共進行24人次試驗。試驗時，每位駕駛員均按照自身的駕駛習慣完成各試驗路段的駕駛。記錄人員負責記錄數據，并告知駕駛員試驗路段起終點，不得有與駕駛員聊天等干擾駕駛員正常駕駛的行為。試驗結束后，保存行車記錄儀的視頻，進行車輛換道行為的識別，判斷換道時車輛所處影響區域內的交通狀況，并讀取車輛換道時的速度。

1.2 車輛換道時間提取

針對收集到的行車視頻，本研究采用計算機視覺技術，識別道路兩側的車道邊緣線，并計算圖像中線與車道邊緣線的橫向距離差值Δd，生成每次試驗的橫向距離值變化圖，以此進行車輛換道行為的識別。如圖1所示，具體方法步驟如下：

(1)為了避免道路曲線段對Δd的擾動，僅對車輛正前方100像素點范圍內的圖像進行車輛邊緣線的識別；

(2)對圖像進行灰度轉換為圖1(a)，采用canny算法進行邊緣檢測，然后運用霍夫變換技術對道路的車道邊緣線進行識別，如圖1(b)所示，并得到兩側車輛邊緣線起終點在圖像中的坐標，計算出兩側車輛邊緣線中點的坐標；

(3)計算左側車道邊緣線和右側車道邊緣線中點與圖像中線的Δd左和Δd右，如圖1(c)所示；

(4)對每次試驗的行車視頻重復進行上述操作，記錄視頻各幀圖片的Δd，最后形成橫向距離差值變化圖。

圖1 車道線識別及距離計算Fig.1 Lane line recognition and distance calculation

為了從橫向距離值變化圖中識別車輛換道行為，車輛換道的關鍵時刻定義如下：以車輛往左變道為例，定義左側橫向距離Δd左不斷減少(右側橫向距離Δd右不斷增加)前的最后一個局部最大(最小)值為換道起始時刻；當Δd左和Δd右開始保持穩定時，則定義距離保持穩定前的最后一個局部最小(最大)值為換道終結時刻。換道起始時刻與換道終結時刻的差值即為車輛換道時間。如果根據Δd左和Δd右得出換道時間不一致，則取兩者的均值。具體的換道橫向距離變化圖及關鍵時刻如圖2所示。

圖2 換道橫向距離變化及關鍵時刻Fig.2 Change of lateral distance of lane-changing and critical moment

在確定換道起始時刻后，將車載OBD輔助駕駛裝置的試驗全程速度數據與車載視頻的時間軸進行對應，以確定每次換道起始時刻的車輛行駛速度。

1.3 實時交通狀態劃分

考慮到傳統研究中對交通狀況的劃分大多較為宏觀，難以反映換道車輛在換道時刻所處影響區域內的交通狀況，因此，為了獲取試驗車輛換道時的實時交通狀況，本研究采用了通過行車視頻定義交通狀況的方法。在每一次實車試驗前均使用米尺標定試驗車輛前方及后方100 m的位置，并在行車記錄儀中對此位置進行記錄。取試驗車輛前、后方各100 m(共200 m)路段為換道影響區域，根據試驗車輛前、后方行車記錄儀視頻，統計在換道起始時刻影響區域內的各車型車輛數。參考《公路工程技術標準》(JTG B01—2014)的車型折算系數，取小客車為1.0，中型車為1.5，大型車為2.5，汽車列車為4.0，計算換道影響區域內的標準車型交通量，以確定試驗車輛在換道時的實時交通狀況，具體如圖3所示。為了與傳統的交通流狀態劃分進行對應，對本試驗定義的交通狀況進行換算如下：取試驗路段上各車輛的平均運行速度為設計速度100 km/h，而單位長度(200 m)在速度100 km/h下行駛時間為7.2 s(0.002 h)，換算得到各交通狀況對應的近似的單位小時交通量，并與文獻[17]中所提出的交通流狀態分類進行對比，確定車輛換道時所對應的交通狀況。交通流狀態與實時交通狀況的對應及換算如表1所示。

表1 交通流狀態與交通狀況對應表Tab.1 Corresponding table of traffic flow status and traffic condition

圖3 換道影響區域示意圖Fig.3 Schematic diagram of influence area of lane-changing

2 換道時間分析

對行車視頻進行車輛換道行為識別后，共計得到625組不同交通狀況和行駛速度條件下的換道時間數據。

2.1 交通狀況對換道時間的影響

2.1.1 換道時間分布

換道時間的分布是微觀交通仿真的重要輸入參數。已有研究[10,18]認為，換道時間分布為對數正態分布。為檢驗本研究收集的換道時間是否符合對數正態分布，并驗證本研究換道時間數據的可靠性，對不同交通狀況下的換道時間采用K-S檢驗法(Kolmogorov-Smirnov test)進行檢驗。K-S檢驗法可以檢驗樣本是否來自某一特定分布，將樣本數據的累計頻數分布與特定理論分布進行比較，若兩者間的差距很小，漸近顯著性大于0.05，則推論該樣本取自該特定分布。K-S檢驗結果如表2所示。

表2 K-S檢驗結果Tab.2 K-S test result

K-S檢驗結果表明，3組數據的漸近顯著性值均大于顯著水平0.05，故不同交通狀況下的換道時間樣本均服從對數正態分布，也驗證了本研究數據的可靠性。

對數正態分布密度函數如下：

(1)

式中,μ為對數正態分布均值；σ為對數正態分布標準差，可由樣本均值和樣本方差求得，即:

(2)

(3)

計算得到μ低=1.794，σ低=0.187；μ中=1.706，σ中=0.181；μ高=1.718，σ高=0.185。根據μ和σ值計算各交通狀況的換道時間分布曲線，得到各換道時間頻率分布圖如圖4所示。

圖4 換道時間分布Fig.4 Distribution of lane-changing time

2.1.2 差異性檢驗

不同交通狀況下的換道時間數據分布如下：低密度交通狀況下的換道時間數據321組，中密度交通狀況184組，高密度交通狀況120組。對收集到的換道時間數據進行分析，得到基本統計數據如表3所示。

表3 換道時間基本統計數據Tab.3 Basic statistics of lane-changing time

由表3可以觀察到，換道時間范圍因交通狀況不同而不同，低密度交通狀況下駕駛員的換道時間為3 s至10 s不等，而中、高密度交通狀況下則多集中于3 s到8 s。總體上，低密度交通狀況下的換道時間均值比中、高密度交通狀況的高，中密度交通狀況與高密度交通狀況的換道時間差距則較小。類似的，每個試驗路段在不同交通狀況下的換道時間規律均與總體規律一致。

為了檢驗不同交通流的均值是否在統計上存在顯著性差異，本研究采用曼-惠特尼U檢驗進行假設檢驗。設定零假設為兩組不同交通狀況下的換道時間均值之間沒有顯著差異，在顯著性水平α=0.05進行假設檢驗。曼-惠特尼U檢驗的結果如表4所示。

表4 曼-惠特尼U檢驗結果Tab.4 Result of Mann-Whitney U test

根據曼-惠特尼U檢驗結果可以發現，低密度交通狀況下的換道時間均值與中、高交通流均有顯著性差異，而中密度交通狀況的換道時間均值則與高交通流沒有顯著性差異。檢驗結果表明，駕駛員執行換道時影響區域內的交通狀況對換道時間存在顯著影響，在低密度交通狀況下，換道時間較長，而在中、高密度交通狀況下，換道時間較短。

2.2 行駛速度對換道時間的影響

由2.1節可知，不同交通流密度狀態下駕駛員的換道時間之間存在總體差異，因此需要對造成這種差異的根源進行進一步的探討。鑒于行駛速度是常用于表征行車狀態的綜合指標，本研究以此為切入點，討論行駛速度對換道時間產生的影響。

文獻[14]提出城市道路中行駛速度在54～90 km/h時換道時間與行駛速度沒有顯著聯系，考慮到高速公路行駛速度比城市道路的行駛速度要高，在把不同交通狀況下的換道時間和行駛速度一一對應后，根據行駛速度的差異，將換道時間劃分為低速組(行駛速度≤90 km/h)和高速組(行駛速度>90 km/h)兩組。其中，低速組含有換道時間數據308組，高速組317組。為檢驗行駛速度對換道時間是否有顯著性影響，采用方差分析(Analysis of Variance，ANOVA)對不同交通狀況和行駛速度條件組合的換道時間進行分析，當P值小于0.05時，則認為具有顯著性影響。具體分析結果如表5和表6所示。

表5 相同交通狀況條件下不同速度數據分析表Tab.5 Data analysis table of different speeds under same traffic condition

表6 相同速度條件下不同交通狀況數據分析表Tab.6 Data analysis table of different traffic conditions at same speed

根據表5和表6分析得到：

(1)相同交通狀況下不同速度組的換道時間比較結果顯示：在低密度交通狀況下，行駛速度對換道時間有顯著影響，低速組的換道時間比高速組長0.5 s；而在中、高密度交通狀況下，行駛速度對換道時間并沒有顯著影響；

(2)同一速度組下不同交通流的換道時間比較結果顯示：當行駛速度高于90 km/h時，不同交通狀況對換道時間沒有顯著影響；當行駛速度低于90 km/h時，低密度交通狀況對換道時間有顯著影響，車輛換道時間比其余各組數據長0.7 s左右，而中、高密度交通狀況則對換道時間沒有顯著影響。

從上述分析得出，當車輛在低密度交通狀況且行駛速度低于90 km/h換道時，換道時間會受到交通狀況和行駛速度的雙重影響，其時間均值較長，為6.3 s。而在其余各組條件組合中，換道時間均不受交通狀況和行駛速度的影響，換道時間均值之間沒有顯著差異。

不僅如此，上述結論也能充分說明2.1節中得出的相關結論：駕駛員執行換道的持續時間與其所處的交通狀況存在顯著影響。不同交通狀況下駕駛員換道時間存在顯著差異的主要原因在于：低密度交通狀況下，車輛在低速狀態下換道時，換道時間較其余組合條件下的換道時間長0.6～0.7 s；中、高密度交通狀況下車輛的換道時間并不受車輛行駛速度的影響。

3 結論

本研究在不同的高速公路進行實車試驗，利用計算機視覺技術對行車視頻進行車道線檢測，并記錄換道時的行駛速度，采集不同交通狀況和行駛速度下的車輛換道行為數據，對換道時間的統計分析得到如下結論：

(1)不同交通狀況下的換道時間均服從對數正態分布；

(2)通過假設檢驗分析可以發現，駕駛員執行換道的持續時間與其所處的交通狀況存在顯著聯系。車輛在處于低密度交通狀況下的換道時間比在中、高密度交通狀況的長；

(3)低密度交通狀況下，車輛在低行駛速度狀態下換道時，換道時間比其他交通狀況和行駛速度組合的長。

本研究成果可為自動駕駛、微觀交通仿真等相關模型的變道行為參數標定提供參考，對改善高速公路交通運輸的安全管理水平具有重要作用。