基于導航數據的交叉口進口道安全風險評估及診斷方法

趙曉華，姚 瑩，丁 陽，榮 建，蘇岳龍，畢超凡

（1.北京市交通工程重點實驗室 北京工業大學城市建設學部，北京100124；2.高德未來交通研究中心 高德軟件有限公司，北京100102）

城市道路交叉口作為交通網絡的重要樞紐，是多種交通流交匯與沖突的關鍵區域，加之交通信號控制的復雜性，使得交叉口成為城市道路交通事故的多發地。據中國公安部統計［1］，近年來中國城市道路交叉口事故占總交通事故的比例不斷攀升，由2007年的23.6%上升至2016年的30.6%，非機動車道的交通事故上升趨勢明顯。由此可見，改善城市道路交叉口交通安全整體水平是提升城市路網安全性的關鍵所在。

各級政府及學者持續關注交叉口安全治理問題，其核心是挖掘影響交叉口安全性的關鍵要素和特征規律，最終為制定交叉口安全改善措施提供依據。現今，傳統的交通安全理論多以事故數據作為評價指標，無事故即為安全［2］。然而，事故為小概率事件，難以詳細描述道路風險的成因，部分未發生事故的路段仍存在潛在的風險隱患。因此，有學者應用道路特征、交通運行狀態及駕駛行為特性實現交叉口安全性評估，取得一些成果。汪瑩等人［3］基于交叉口類型、交通流量狀況、幾何特征和配套設施等，提出交叉口安全服務水平指標，實現交叉口安全程度的量化分級；趙曉華等人［4］基于導航提取的駕駛行為數據，提出交通秩序指數，實現城市路網的安全等級劃分。這些安全性評價的結果，為影響交叉口安全水平潛在因素的挖掘奠定了基礎。

針對交叉口安全水平的影響要素人們已經開展了大量研究，道路幾何特征、交通控制設施均影響交叉口安全水平。尹海軍等人［5］對比中、美兩國交叉口安全策略和管理辦法，說明標志標線、信號板、行人安全設施等均是影響交叉口安全性的重要因素；同時，多名學者研究結果指出［6-8］，交叉口安全性分析需考慮信號相位設置、黃燈時間及可視性等因素。事實上，前人研究受數據來源的限定，多采用事后分析方法，交叉口風險致因分析較為粗粒度，過多的依賴交通事故數據，多種影響因素對安全水平的貢獻度難以給出量化的結果。

在移動通訊、大數據、云計算的背景下，移動終端傳感器及GPS設備能夠采集豐富的駕駛軌跡數據，突破傳統數據感知方式的主觀性、片面性、維度單一等制約，實現道路條件、交通條件、設施設置與駕駛行為數據的同步互聯，為道路風險辨識提供豐富的數據基礎。

論文改變傳統的應用事故數據評價安全性的方式，采用基于導航終端的駕駛行為數據作為替代指標，評估城市道路交叉口的風險水平。綜合道路幾何特征、交通執法設備以及信號控制設施的耦合影響，構建交叉口進口道安全性評價模型，挖掘各要素與交叉口安全性的量化關聯關系，診斷交叉口風險致因，進而為交叉口設計、安全管控、信號控制優化奠定基礎。值得一提的是，基于導航數據的交通安全分析與評價方法，為解決道路安全問題提供了新的視角，以期為實現其他道路類型及交通網絡全域安全性防控和改善提供借鑒和參考。

1 數據基礎

論文數據源于高德導航軟件，據統計［9］，導航軟件月活躍用戶數達到3.257 9億，擁有海量的駕駛人行駛數據，包括地圖信息、擁堵指數、用戶比例及駕駛行為等。結合實景地圖及實地調查所獲得的交叉口屬性數據，綜合構建支撐交叉口進口道安全評價的數據庫。

1.1 數據類型

1.1.1 地圖數據

地圖數據包括道路ID、道路長度、道路等級、車道數、車道寬度、道路類型等信息。其中道路ID可用于匹配多種類型的數據。道路長度用于計算單位距離內的駕駛行為事件頻率和事故頻次。

1.1.2 擁堵狀態數據

擁堵狀態數據包括時間、平均速度（km·h-1）、擁堵指數（Congestion Index，CI）和道路ID。數據采樣周期為2 min。擁堵指數是指當前道路自由流速度與平均速度的比值，計算方法如式（1）所示［10］。擁堵指數越大，代表道路的擁堵程度越高。

1.1.3 用戶量數據

用戶量數據來源于每條道路使用導航軟件的用戶量。由于數據需脫密處理，因此將每條道路的用戶量除以用戶總量，得到每條道路的用戶比例數據。用戶量數據以每小時為間隔，反映的是每條道路與其他道路的相對量或當前時段與其他時段的相對量，在一定程度上反映交通量的改變。

1.1.4 駕駛行為數據

用戶端采集的駕駛行為數據，包括急加速、急減速、急左并道、急右并道、急左轉和急右轉6種事件類型。數據格式屬于事件觸發型，包括駕駛行為事件類型、事件坐標、事件發生時間和事件發生道路ID。6種駕駛行為事件根據手機傳感器與GPS采集的車輛加速度和角速度判定，判定閾值由高德內部大量車輛測試所得，本研究主要基于已判定的駕駛行為事件，提出交通安全秩序評價的替代指標。駕駛行為事件基本定義如下：

（1）急加速與急減速：當手機姿態固定的情況下，若線性加速度大于某一閾值，則識別并記錄一次急加速或急減速；

（2）急并道和急轉彎：當手機姿態固定的情況下，判斷原歷史轉彎的向心力。如果檢測角度大于某一閾值，則判定為一次急并道或急轉彎。

1.1.5 道路安全秩序水平（交通秩序指數）

交通秩序指數（traffic order index，TOI）［4］是基于駕駛行為事件與速度變化提出的反映道路安全有序度的指數，是衡量道路安全秩序水平的替代指標。秩序指數的計算是通過劃分道路條件與交通條件，應用TOSIS以及熵權法等方法將多種駕駛行為事件與速度變化加權求和所得，具體計算方法參考趙曉華團隊的研究成果［8］。道路秩序指數越低，反映該路段存在較多的風險駕駛行為，且速度波動較大。經指數與事故數的匹配驗證，發生較多交通事故且事故持續時間較長的路段，其秩序指數較低，安全秩序水平較差，該指數能夠一定程度反映道路的安全有序性，更多的關注道路風險，而不是事故本身。秩序指數越大，道路安全性綜合水平越高。

本文應用k均值聚類方法［11］，將秩序指數分為三個水平，具體定義如下：

（1）風險道路：交通秩序度較差，易發生交通事故，TOI∈［0，0.378）

（2）一般道路：交通秩序度適中，可能發生交通事故，TOI∈［0.378，0.405）

（3）安全道路：交通秩序度較好，發生交通事故概率較低，TOI∈［0.405，+∞）。

1.1.6 交叉口屬性

交叉口屬性基于實景地圖以及實地交通調研獲得，論文提取交叉口進口道的以下幾項指標：

（1）道路幾何特征：交叉口各方向車道總數、與進口有關的進口道車道數、調頭車道數、左轉車道數、橫斷面類型、有無展寬段、中央分隔帶類型。

（2）交通執法設備：違法監控設備數量。

（3）信號控制設施：信號相位設置、信號配時參數。

1.2 數據預處理

選取北京市北三環至北五環之間望京區域的11個交叉口，挖掘不同交叉口屬性的交通風險影響要素。11個交叉口的位置如圖1所示。施曉芬等人［12］研究表明，駕駛員在距離交叉口停止線100 m時，將采取減速行為。因此截取每個交叉口進口道距離停止線100 m范圍內的駕駛行為數據作為研究范圍，基于導航軟件的行為數據的采集時間段為2017年10月1日至10月15日。其中，駕駛行為事件數據換算為單位用戶比例的駕駛行為事件數據，反映單位車輛在單位時段內發生駕駛行為事件的頻次。通過統一量綱，避免了用戶量大小對駕駛行為事件的影響。計算如下：

式中：FEijk代表單位車輛在單位時段內駕駛行為事件；j代表交叉口進口道編號（共11個交叉口×4個方向）；i代表時間區間（i時至i+1時，i=0，1，2，…，23）；k表示日期（k=1，2，…，15）；eijk代表駕駛行為事件的頻次；UPijk表示用戶比例數據（單位以vr來表示）。

圖1 區域交叉口選取Fig.1 Selection of the intersections

依據道路ID匹配所有類型數據，將所有類型數據均換算為以h為單位。綜合所有數據信息，形成交叉口安全分析數據庫，數據一共有15 840組（11交叉口×4方向×15 d×24 h），如表1所示。

2 交叉口安全秩序特性分析

應用以上安全分析數據庫，引用交通秩序指數（TOI）［4］計算方法，獲得不同交叉口的交通秩序指數分布，如圖2所示。由于不同類型交叉口的道路幾何特征、交通執法設備以及信號控制設施均存在差異，可見其交通秩序指數存在顯著性差異，單因素方差分析驗證顯示11個交叉口的秩序指數存在顯著性不同（F=75.126，p＜0.001）。

表1 數據庫變量類型與格式Tab.1 Variable type and format in the database

實際上，交通安全有序性并非受單一因素的作用，而是道路幾何特征、交通執法設備以及信號控制設施等多重因素綜合作用下的綜合行為表現。交叉口進口道安全性影響要素及各要素的影響程度如圖3所示。圖3是由各個影響因素下交通秩序指數計算均值所得。

圖3 交叉口進口道安全性特征Fig.3 Safety characteristics at the entrance of the intersections

圖3 a描述了交叉口道路幾何特征的安全性特征，11個交叉口進口道車道數分別有1、3和4，交叉口進口道車道越多，交通安全秩序越好，越為安全，結論與馬明［13］、Greib［14］等人的研究結果一致，這是由于進口道車道較多時，違法超車及跟車過近等危險駕駛行為較少，同時行人采用過街天橋等穿行方式，違法穿行較少；交叉口各方向車道總數一定程度上能夠反映交叉口的大小，并非交叉口越大越為安全，結果顯示交叉口各方向車道總數為9車道時道路安全秩序水平較差；進口道四塊板橫截面比三塊板橫截面更安全，硬性中央分隔帶能夠較好的改善交叉口安全有序性；有路口展寬的交叉口進口道安全秩序水平更好；中央分隔帶為柵欄的交叉口進口道比綠化帶更為安全有序；若交叉口進口道設有調頭車道或左轉專用道，其交通安全秩序水平更好。

圖3b表示了交通執法設備對于道路安全有序性的影響，結果表明與無違法監控設備的交叉口進口道相比安裝單個監控設備的交叉口進口道其安全有序性并不會提升，而具有兩個監控設備的交叉口進口道更加安全有序。這也說明交通執法設備的安裝個數與安全秩序水平的提升之間并不一定呈線性關系。

交叉口信號控制對道路安全性的影響如圖3c所示，結果可以看出三相位的交叉口安全秩序水平較好，有全紅信號配置的交叉口安全秩序水平明顯高于無全紅配置的交叉口類型。這個結果表明應該重視信號配時的設計以提升交通安全秩序水平。

單因素方差分析提取影響交叉口安全秩序水平相關指標，道路幾何特征、交通執法設備以及信號控制設施的各個要素對交通安全秩序的影響結果如表2所示。除交叉口進口道有無道路展寬路段及有無左轉專用車道對安全有序性無顯著影響外，交叉口各方向車道總數、信號相位，與進口有關的進口道車道數、調頭車道數、橫斷面類型、中央分隔帶類型、違法監控設備數量均對交叉口安全秩序水平產生顯著性作用。總體來看，與以事故為導向的安全分析結論具有一致性，交通安全秩序分析方法能夠支撐交叉口的安全分析，這為進一步實現交叉口安全規劃和改造整治提供依據。

3 城市道路交叉口安全診斷模型構建

結構方程模型是基于變量的協方差矩陣反映變量間的因果關系，模型結合多元回歸分析、因子分析、路徑分析等統計學分析方法，建立不可觀測變量（潛在變量）與可觀測變量間的關系并轉化為可觀測變量［15-16］。由于交叉口潛在變量部分不可觀測，所以應用結構方程模型表征交叉口進口道的道路幾何特征、交通執法設備以及信號控制設施等對安全秩序水平的綜合影響作用，實現交叉口安全分析及問題診斷。除交叉口自身要素，模型同時考慮時段、擁堵狀態等要素，綜合分析時段、擁堵狀態、道路幾何特征、交通執法設備以及信號控制設施對道路安全秩序水平的影響，進而挖掘行為風險影響要素，實現交叉口安全辨識。由于道路安全秩序水平是由駕駛行為事件作為安全替代指標計算所得，重點依據道路風險駕駛行為出現頻率及速度變化特征，因此模型將駕駛行為同時作為輸入變量。其中，運行時段、擁堵狀態、道路幾何特征、交通執法設備以及信號控制設施均視為模型自變量，反映對安全秩序水平與駕駛行為事件的影響作用。在建模過程中，首先根據風險影響因素評價構建結構方程模型。模型構建過程中，依據M.I.值最大的一對觀察變量為其增設共變關系的原則對模型進行不斷的修正，直到模型適配度指標達標為止，最終形成的模型結構如圖4所示。

表2 交叉口安全有序性特征分析結果Tab.2 Analysis results of intersection safety characteristics

應用Amos軟件連接變量間的路徑關系，并增設變量間的共變關系對模型進行修正后的模型適配度情況如表3所示，包括6個評價指數，包括χ2/df（χ2表示模型擬合優度卡方檢驗指數，df表示自由度），GFI（goodness-of-fit index，擬合優度指數），AGFI（adjusted goodness-of-fit index，調整擬合優度指 數），RMSEA（root mean square error of approximation，均方根誤差），NFI（normed fit index，賦范擬合指數），CFI（comparative fit index，相對擬合指數）。其中χ2/DF小于5，表明模型與數據的吻合程度較好。此外，RMSEA小于0.08，其余評價指標均大于0.9，表明結構方程的擬合是可接受的，模型的適配度較高［17-18］。

表3 結構方程模型質量評估Tab.3 Results of the goodness of fit of the revised model

結構方程模型中，路徑系數用于表征變量間的相互影響程度，結果如表4所示。經驗證，道路幾何特征、信號控制設施、交通執法設備、擁堵狀態與運行時段均與交叉口安全性存在顯著因果關系（p＜0.001）。通過對比變量間的路徑系數，可以看出時段因素對于交叉口安全性的影響最大（β=0.283），交通擁堵狀態次之（β=-0.241），信號控制設施（β=0.140）與道路幾何特征（β=0.128），交通執法設備（β=0.035）對交叉口的安全影響最小，其中擁堵指數與安全秩序水平存在反向關聯關系，道路擁堵程度越高，其安全有序性越差。

研究結果表明不同時段交叉口安全有序性存在較大差異。郝乃瀾等人［19］研究了時段、日期、星期、月份與交通事故等級的關聯關系，也證明了時段對事故具有顯著影響；同時，擁堵指數與安全秩序水平呈負相關關系，表明隨著道路擁堵程度的增加，安全風險也隨之升高。Robert等人［20］研究指出，交通擁堵情況下，車輛碰撞次數增加。論文研究成果與Robert等人一致。結合模型中交叉口安全特征分析結果與結構方程模型系數，揭示了交叉口進口道的安全改善措施應首要是鼓勵錯峰出行、改善擁堵狀態，其次盡力優化信號配時、改善道路設施設計，增設違法監控設備對于改善道路安全性也具有十分積極的作用。模型突破了傳統交通事故分析方式，采用交通安全秩序指數作為安全評價替代指標，結果與事故分析存在一定一致性。然而事故分析方法由于事故數據小概率、偶發性的特點，難以覆蓋所有道路條件以及時段，而交通安全秩序指數分析方法相較事故分析方法，能夠精細化表達全時段的安全秩序水平，從而診斷全時域與空域的交叉口風險致因。

表4 變量間路徑標準化系數Tab.4 Standardized path coefficient regression results of the revised model

依據駕駛行為與觀測變量間的路徑系數可知，急加速（β=0.07）與急減速（β=0.04）的系數最高，可見，提高道路安全秩序水平需首要考慮減少駕駛員急加速與急減速行為；信號控制設施與觀測變量間的關系可看出，全紅時間設置（β=0.98）對交通安全秩序的影響略高于信號相位設置（β=0.92），交叉口合理設置全紅時間能夠提升交叉口通行效率，同時保障交叉口行車安全，錢紅波等人［21］研究也表明全紅時間的設置能夠清掃滯留在交叉口上一相位的車流，提高交通安全秩序水平；道路幾何特征與觀測變量間的關系可見，調頭車道數量（β=0.77）對安全秩序度影響最大，其次是交叉口各方向車道總數（β=-0.61）與進口道車道數（β=0.41），最后是中央分隔帶類型（β=-0.32）與橫斷面類型（β=-0.16）。Daniel Carter等人［22］研究表明有調頭車道的交叉口事故率顯著低于無調頭車道的交叉口。同時，郭永健等人［23］的研究表明，進口車道數增加時左轉車通常會選擇停車避讓從而減少直左沖突，進而提高交叉口安全性。這些成果與本研究也具有一致性。因此，改善交叉口進口道的安全秩序水平，交通組織管理策略可優先考慮設置調頭車道，根據現場情況適當增加車道數。

本文基于導航數據構建安全診斷模型的分析結果表明，基于導航數據以駕駛行為事件及速度變化因素形成安全秩序評價替代指標，從而實現交叉口進口道安全秩序影響分析及致因診斷的方法切實可行，能夠量化反映各因素間的關聯關系，細化各要素間的作用水平以及排序，為進一步實施安全管理和整治提供引導；同時，由于數據的全面性，提升了各要素分析的完整性和精細化，可實現交叉口進口道道路安全風險辨識和問題診斷。

4 結論

探討了交叉口進口道道路幾何特征、交通執法設備以及信號控制設施、擁堵狀態等對道路安全有序性的影響作用。基于導航軟件采集交叉口駕駛行為數據、地圖數據、擁堵數據及用戶比例數據，結合實地調查獲得道路、設施及信號配時等數據，構建交叉口進口道多維度安全秩序分析數據庫（包括8個因素，16個指標）。分析交叉口進口道在不同因素下的安全秩序特征，應用交叉口安全秩序影響指標構建結構方程模型，量化道路幾何特征、交通執法設備以及信號控制設施、擁堵狀態等因素分別對交叉口進口道安全秩序水平的影響程度，診斷交通風險致因。研究不僅為交叉口道路設計、交通設施設置及信號配時優化奠定了理論基礎，同時改變了傳統的事故分析或仿真實驗的方法路線，提出一種基于導航數據的道路安全秩序評價與致因分析方法，充分挖掘駕駛行為風險與外部條件的量化關系，進而實現道路風險辨識，為進一步改善優化提供了導向和參考。所獲得的結論如下：

（1）交叉口各方向車道總數、信號相位，與進口有關的進口道車道數、調頭車道數、橫斷面類型、中央分隔帶類型、違法監控設備數量均對交叉口安全性產生顯著影響。

（2）擁堵狀態對于交叉口安全性的影響最大，且在不同時段交叉口安全性存在較大差異，其次是信號控制設施與道路幾何特征，交通執法設備對交叉口的安全影響最小。

（3）在交叉口設計與優化時，首要是鼓勵錯峰出行、改善擁堵狀態，盡量采用帶有全紅時間的信號配時方案，道路設計過程中，在進口方向增加車道數量并設置硬性中央分隔帶，盡量設置調頭車道。

（4）以駕駛行為事件及速度變化因素作為安全秩序評價替代指標，提出一種基于導航數據的道路安全評價與風險致因分析方法，為道路交通安全分析、風險辨識與設施優化提供了理論基礎。

后續研究將考慮交叉口類型這一因素，不僅限于十字交叉，進一步細化加入T形交叉、環形交叉等類型，對比研究與十字交叉的差異；同時，目前研究僅考慮主干道交叉口，也將考慮主路與支路、輔路交叉等交叉口；同時，車型對于安全性影響較大，應當在交叉口安全評價中加入車型因素，進一步擴充形成基于駕駛行為的交叉口風險評估及診斷的研究體系。當然，該方法基于高德數據，形成駕駛行為集計的匯聚特征，為進一步實現其他道路條件的風險防控提供支撐。