張?zhí)m芳， 王淑麗， 陳 程， 楊旻皓， 折 欣

(1.同濟大學 道路與交通工程教育部重點實驗室，上海 201804；2.上海國際機場集團 飛行管理部，上海 201202；3.上海市城市建設設計研究總院(集團)有限公司 道路與橋梁設計研究院，上海 200125)

高速公路出口區(qū)是直行與出匝車輛分流交織的特殊路段.直行車輛為保持車速向內側車道換道，而出匝車輛需要從內側車道多次換道至最外側車道駛離高速公路，大量的連續(xù)換道行為增加了駕駛操作和交通環(huán)境的復雜性，使高速公路出口區(qū)成為事故易發(fā)區(qū)域.統(tǒng)計資料表明，在高速公路出入口事故中，83%發(fā)生于高速公路分流區(qū)[1].因此，為了保障高速公路出口區(qū)的行車安全，由出口區(qū)內換道行為引發(fā)的風險問題值得深入研究.

自1986年Gipps[2]提出第一個換道模型以來，國內外學者在換道行為特征與模型等方面開展了深入研究.Mori 等[3]通過集成駕駛員注視方向和車輛運動行為，采用隱馬爾可夫模型(HMMs)分別對安全和危險換道行為進行建模，根據似然比確定換道風險水平以識別風險換道行為.王暢[4]通過實車試驗采集自然換道數據，使用碰撞時間(TTC)和縱向相對距離表征換道安全性，并針對不同風格駕駛員設置預警條件.Li 等[5]整合TTC和避免碰撞發(fā)生所需的最小減速度(DRAC)，綜合考慮接近城市信號交叉口時的風險發(fā)生概率和嚴重程度來定義集成沖突風險指數(ICRI)，并采用多元Logistic回歸建立沖突風險預測模型.Noh等[6]為評估高速公路換道行為的潛在碰撞風險，定義三個風險水平(危險、警戒、安全)，利用TTC和最小安全余量(MSM)作為風險指標，構造似然函數并基于貝葉斯網絡確定目標車道的風險水平.Park等[7]基于停車視距引入制動距離指數(SDI)以評價換道行為是否安全，綜合潛在事故暴露時間和預期嚴重程度，采用故障樹分析(FTA)得到換道失敗概率.姜雪嬌[8]利用神經網絡實時預測車輛軌跡，并利用空間距離和臨界速度構造指標J來判別沖突嚴重程度，引入視覺特性參數構建碰撞概率模型，實現高速公路分流區(qū)的風險評估.

雖然已經開展了大量的換道風險模型研究，但是大多數研究集中于高速公路基本路段[9-10]、匝道合流區(qū)[11]、城市道路[12]等，從駕駛人因素[13-14]、道路因素[15]以及交通環(huán)境因素[14,16]等方面分析換道行為特征.對于多車道高速公路出口區(qū)，出匝換道行為區(qū)別于一般換道行為，存在更多的行車風險.關于多車道高速公路出口區(qū)的換道風險研究還相對較少.

目前用于換道行為分析的數據大多來源于視頻錄像[17]或模擬駕駛[2]，由于實驗設備和環(huán)境對駕駛人行為的干擾和心理暗示，往往無法反映駕駛人的實際駕駛行為.同時，研究方法大多基于理論計算[18-19]或交通仿真[20-21]，難以描述不同道路交通狀況下出匝車輛多次換道的行為規(guī)律，無法揭示道路交通環(huán)境客觀條件對駕駛員風險偏好的內在影響，因此現有換道風險模型在解釋性和精度方面存在不足.

自然駕駛實驗作為研究駕駛員行為和交通安全的新手段，能夠不間斷記錄真實環(huán)境下的駕駛員操作、車輛狀況及周邊環(huán)境，生成海量自然駕駛數據，為駕駛行為研究提供豐富的數據支撐.美國[22]、日本[23]以及歐洲[24]先后開展了自然駕駛項目.中國也開展了上海自然駕駛實驗(SH-NDS)，該實驗將數據采集設備安裝于實驗車輛隱蔽位置，60名中等技術駕駛者出于日常的駕駛行為習慣進行獨立駕駛(每人歷時2個月以上)，采集自然行駛狀態(tài)下駕駛者和車輛運行的狀態(tài)信息.

本研究提取SH-NDS中的上海市域高速公路出匝車輛駕駛行為特征數據，基于多車道高速公路出匝車輛的每一次換道風險，建立出口區(qū)換道風險評價指標體系及分級標準，定義單次換道風險等級.針對所有換道樣本數據采用比例優(yōu)勢模型建立換道風險模型，并在該模型的基礎上生成出口區(qū)出匝車輛換道風險分布圖譜，解析高速公路出口區(qū)換道風險分布特征，為車流控制管理提供理論決策支持，從而減少由車輛出匝換道引發(fā)的交通擁堵和交通事故.

1 數據采集與提取

1.1 自然駕駛數據的采集與清洗

上海自然駕駛實驗開展于2012年—2016年，車載數據采集系統(tǒng)將實驗車輛由啟動到熄火全過程中采集到的所有特征參數整合并錄入到單一逗號分隔值(CSV)格式文件中，數據文件與對應的前視視頻共用統(tǒng)一的時間軸.收集的數據集共包含18 241個CSV格式文件及對應的視頻記錄，原始數據條目多達247項，其中與本研究相關的主要特征指標參數包括車輛運行參數(位置、速度、加速度等)、實驗車輛周圍交通流情況(與前車速度差和距離等)以及對應的視頻數據.本研究需要從海量的數據中提取高速公路出匝車輛數據，采集與提取過程主要分為五步，如圖1所示.

圖1 數據采集與提取過程

1.2 高速公路出匝樣本篩選

基于Matlab編程和Google Earth路徑檢索，采用以最近鄰點搜索和軌跡點偏移距離計算為內核的路徑匹配方法，篩選出高速公路出口的記錄，排除城市道路、城市快速路、高速公路基本路段的無關數據.

為確定實驗車輛駛出高速公路出口的具體出匝時刻，首先根據實驗采集到的車輛GPS信息通過Google Earth對所有篩選得到的高速公路出口進行標記，對于某一特定高速公路出口，標記如圖2所示的AB連線作為出匝邊界線，并獲得AB兩點經緯度坐標，由此可將車輛出匝時刻確定問題轉化為判斷路徑中連續(xù)兩個軌跡點連線CD是否與出口邊界線AB相交.通過向量叉乘進行跨立實驗得到CD兩點的軌跡坐標，從而確定車輛出匝時刻的坐標.然后，以出匝坐標對應的時刻為基點向前提取數據點，以得到高速公路出口范圍內(出口邊界上溯3 500 m)的整個出匝過程.

1.3 出口區(qū)范圍內的單次換道行為識別

本研究實驗路段為單向四車道高速公路，為便于說明，將最內側車道定義為車道1，最外側車道定義為車道4，行進方向由左至右依次為1、2、3、4車道.由于受到出匝車輛固有換道需求的影響，出口上游段特定范圍內存在較為顯著的交通流擾動，其交通行為及風險特征有別于一般路段，因此本研究聚焦于出口區(qū)換道行為.

圖2 高速公路出口區(qū)邊界線

多車道高速公路出口區(qū)具體范圍的確定方法[25]為：首先，作出所有出匝車輛的不同車道起始換道位置的累積頻率圖，如圖3所示；然后，定義15%～85%分位值區(qū)間作為多車道高速公路的出口區(qū)范圍.出口區(qū)范圍示意圖如圖4所示，圖中斜線陰影部分表示所劃定的出口區(qū).

圖3 不同起始車道換道位置累積頻率

Fig.3 Cumulative frequency of lane-change position on different lanes

圖4 高速公路出口區(qū)范圍示意圖

在出口區(qū)內，各次完整出匝過程的換道行為識別準則如下：①根據車道偏移參數發(fā)生從正到負(或從負到正)的突變點，識別出出匝車輛的換道行為[25]，并通過視頻進行驗證；②采用車道偏移參數突變前后斜率為零的拐點，確定換道實施起點和換道完成終點，而位于其間的車道偏移參數突變點定義為換道中點[26]，如圖5所示.

圖5 換道實施過程示例

1.4 換道影響變量

通過前述工作，高速公路出匝樣本在出口區(qū)內的整個換道行為過程已得到識別及標定.由于自然駕駛實驗選取的是具備中等駕駛技術并對路況熟悉的駕駛員，實驗車輛為固定車型，以普通的雙向八車道高速公路出口區(qū)為研究對象，因此不考慮駕駛人、車輛和道路線形及標志等因素.基于此，考慮高速公路出口區(qū)的交通環(huán)境和出匝換道路徑因素，選取交通擁擠等級、車型分布、需求換道次數、換道方向及與出口相對距離等影響因素來構建換道風險模型.其中，車型分布V及交通擁擠等級JL反映車輛周圍交通流環(huán)境對于換道風險的作用，而與出口相對距離S、需求換道次數LC和換道方向D體現了出匝換道路徑選擇對駕駛員風險偏好的影響，進而決定車輛換道過程的風險水平.具體的影響變量和數據來源如表1所示.

為了給后續(xù)模型構建提供完備樣本集，在提取換道過程信息時對數據進行預處理，包括：①采用線性插值方法對序列中的零元素進行插補；②選擇格拉布斯準則判斷異常值并以相應鄰近值插值修補；③采用移動平均法對整體數據進行平滑處理;④通過MySQL軟件實現數據庫的搭建.對高速公路出口樣本進行行駛全程篩選，總計得到333組有效出匝換道樣本，其中向左換道樣本為122組(因受前面慢速車輛的影響，某些出匝車輛在出口區(qū)內可能會采取向左換道).

2 換道風險模型

2.1 單次換道風險分級

本次自然駕駛實驗所采集的數據并未包含實際事故樣本，故采用安全替代指標對單車換道過程的風險程度進行衡量.Kondoh等[27]將車頭時距和沖突時間組合構造出風險感知系數RP來量化駕駛員的空間風險感知，在客觀上綜合前后車距離接近和車速偏離的不同情形，能夠兼顧絕對和相對兩種不同尺度的風險，故本研究用RP作為單車換道風險的評價指標，計算式如下所示：

表1 影響變量及數據來源

(1)

(2)

(3)

式中：ΔS為前后車相對距離；vF為后車速度；Δv為前后車相對速度；tHW為車頭時距，表示前后車相對距離與后車速度的比值；tTTC為沖突時間，表示前后車相對距離與相對速度的比值；a、b為線性加權系數，a=1,b=4,適用于跟馳車輛靠近前車并存在追尾風險的情況[27].本研究車輛在換道過程中與前車有追尾碰撞風險，因此該加權系數適用.從式(3)可知，tHW和tTTC越小，RP值越大，風險越高.

單次換道過程如圖6所示.在換道中點P處，換道車輛與當前車道前車VC、目標車道前車VT碰撞概率都達到最高，因此風險量化時選取換道中點時刻作為事故臨界時刻.分別計算換道車輛與當前車道前車VC、目標車道前車VT的1/tHW和1/tTTC，并各取兩者較大值以求解RP，如下所示：

(4)

圖6 換道過程示意圖

為對換道行為風險嚴重程度進行定義，采用k-means聚類方法對出口區(qū)單次換道風險進行分級歸類，如圖7所示.根據聚類結果，風險水平被劃分為較安全、輕微風險、中等風險及嚴重風險等四個等級，分別以特征值0、1、2、3表示.可以發(fā)現，輕微風險和中等風險等級樣本分布較為密集，而分級兩端較安全和嚴重風險等級樣本分布相對稀疏，與實際交通流背景下的風險分布一致.根據具體計算，風險等級以RP=0.560、1.547、3.076作為劃分閾值，從而構建因變量指標集.

對單車換道風險分級標準體系的有效性進行驗證，以向左換道樣本以及換道間隙小于0.7 s的單次換道作為高風險樣本，同其余換道行為樣本進行對比，經方差分析(ANOVA)檢驗，計算得F=154.25，p<0.05，因此兩組樣本風險水平存在顯著性差異，證明所選取的高風險樣本集具有代表性.然后，根據風險分級標準對選取的高風險樣本集進行劃分，定義將高風險樣本劃分為中等風險及以下時為誤分，計算得到靈敏度(正類覆蓋率)為97.59%，表明所構建的風險分級標準體系對于多車道高速公路出口區(qū)出匝換道過程是有效的.

圖7 聚類結果

2.2 基于比例優(yōu)勢模型的換道風險模型

作為因變量的風險等級有四個類別，分別為較安全、輕微風險、中等風險及嚴重風險，各風險等級之間存在嚴重程度遞進的次序.因此，對于多分類反應變量取值有序的情況，采用比例優(yōu)勢模型(POM)[28]進行回歸建模.

2.2.1比例優(yōu)勢模型

比例優(yōu)勢模型又稱累積比數Logit模型，是二分類Logit模型的擴展.該模型引入夾心方差估計量,有效地避免參數估計量無法考慮多分類變量間存在相關性的問題，因而主要適用于處理反應變量為有序分類變量的情形.原理是：依次將反應變量按不同的取值水平分割為兩個等級，對兩者建立反應變量為二分類的Logit回歸模型.

本研究主要探討出口區(qū)換道風險等級與影響因素之間的關系.自變量除連續(xù)性變量(S,LC)和二分類變量(D,V)外，多分類自變量交通擁擠等級JL需分離為啞變量形式，選取交通通暢情況JL=1作為對照類別，生成三組啞變量.自變量集如表2所示.

表2 自變量集

因變量用R表示，根據風險分級RP∈{0,1,2,3}，因變量R分為四類，LogitP表示前k個類別的累積概率P(y≤k)與后(K-k)個類別的累積概率P(y>k)之間的對數比，因此可產生三個比例優(yōu)勢模型.各個模型均可視為一般的二分類Logit模型,計算式如下所示:

(5)

式中：PR≤i=P(R=i)，i∈(0,1,2);αi為常數項，采用極大似然函數求解，i∈(0,1,2)；βj為自變量回歸系數，反映解釋變量xj每變化一個單位所引起反應變量對數優(yōu)勢比變化，j∈(1,2,…,7).

2.2.2比例優(yōu)勢模型擬合與分析

由于本研究中因變量數目較多，因此采用方差膨脹因子(VIF)對固變量進行多重共線性診斷[29].經檢驗，各因變量方差膨脹因子均小于5，故認為各指標間不存在多重共線性關系，無需對因變量集進行處理.同時，比例優(yōu)勢模型的適用應滿足平行線假定，本研究中采用得分檢驗方法[30]，計算得χ2=20.95，p=0.103，故可認為比例優(yōu)勢假設成立，可以采用Logit函數作為聯接函數.采用Matlab軟件對樣本集進行比例優(yōu)勢模型回歸擬合，得到出口區(qū)換道風險等級的分類模型，如下所示：

為驗證模型的適用性，分別進行回歸方程顯著性檢驗以及擬合優(yōu)度檢驗.對于前者，各參數經T檢驗后結果如表3 所示.除與出口相對距離S對應的回歸系數β1外，其余回歸系數顯著性水平p值均小于0.05.考慮到β1的顯著性水平與拒絕域相差不大，并且與出口相對距離S變量的存在能夠保證模型的可解釋性，故決定保留自變量S；對于后者，采用皮爾遜檢驗得到χ2=730.528，顯著性水平p=0.405>0.05，說明模型的擬合優(yōu)度較好.

進一步地，采用OR值及其95%置信區(qū)間來定量描述擬合的比例優(yōu)勢模型中自變量的影響程度，結果如表4所示.

表3 比例優(yōu)勢模型參數估計及檢驗

表4 OR值及其95%置信區(qū)間

對于連續(xù)變量x1和x2，OR1>1、OR2=2.003 961，說明風險水平隨著與出口相對距離及換道需求次數的增加而提升，當換道起始車道向左側偏移一個車道時，風險等級提升的程度是原來的2.003 961倍.

對于分類變量x3、x4、x5、x6、x7，OR3=9.349 572>1,表明x3=0時(向左換道)風險等級提升的風險是x3=1時(向右換道)的9.349 572倍，即向左換道相比于向右換道存在更大的風險隱患；OR4=0.582 304<1，表明x4=0時(無貨車)風險等級提升的程度是x4=1時(存在貨車)的0.582 304倍，說明換道發(fā)生位置附近存在貨車將導致換道行為具有更高的風險水平；x5、x6及x7均為交通擁擠等級JL的啞變量，對應OR7

由此發(fā)現，分類模型內在反映了出匝駕駛員的風險偏好規(guī)律.當駕駛人在位于左側車道(需求換道次數多)，或車道附近存在貨車且交通狀態(tài)為擁擠的交通流狀態(tài)，或受強烈的出匝緊迫感影響時，駕駛員對風險的容忍度會明顯提升.

分類模型的性能通常采用受試者工作特征曲線(ROC)進行描述.本研究所構建的換道風險模型經測試集驗證準確率達到52.27%，受試者工作特征曲線如圖8所示.各條曲線分別對應各個風險等級的分類效果，ROC曲線下的面積(AUC)分別為0.843 1、0.626 2、0.680 9、0.757 0，可知其中RP=1與RP=2類別分類效果相對劣于其余兩個類別.

圖8 比例優(yōu)勢模型受試者工作特征曲線

3 換道風險圖譜

以出口區(qū)內道路平面為底圖，基于所構建的換道風險模型計算特定自變量組合下的風險等級，以色塊形式表征風險等級并鋪陳于底圖，從而生成反映換道風險分布的風險圖譜，直觀地揭示換道風險梯度變化.本研究以車型分布因素為例，繪制出口區(qū)是否存在貨車這兩類情況的換道風險圖譜,如圖9所示.

a 無貨車分布

b 有貨車分布

Fig.9 Comparison of lane-change risk maps in freeway off-ramp areas under different truck distributions

在多車道高速公路上，一般貨車會在外側車道行駛，因而將受貨車影響的換道行為限定為前車為貨車并且換道的目標車道或起始車道為3、4車道的情形.設定輕度擁擠等級，以向右換道行為為對象，依次按梯度調整與出口相對距離變量，并按0、1、2切換需求換道次數變量代入換道風險模型，確定道路平面各點所對應的換道風險等級，從而作出不同貨車分布情況的換道風險圖譜.四個等級分別以特定色塊表示，色塊越深代表風險等級越高.

從圖9可以發(fā)現，貨車存在時，出口區(qū)內最左側快車道的換道風險不受影響，而2、3車道的換道風險水平有所提升，風險區(qū)域從上游向下游擴展.主要原因在于：大貨車在前會遮擋后車視野并帶來較強的心理壓迫感，后車一般會選擇換道以避免跟馳；大貨車的行駛速度慢、制動性能差，后車與之往往存在較為可觀的速度差，換道過程中的臨時加速及斜側接近尤其造成風險的攀升.

4 結語

依托SH-NDS項目，研究高速公路出口區(qū)的換道風險.基于風險感知系數量化換道風險，采用k-means聚類構建換道風險分級標準，定義出單次換道風險等級.考慮高速公路出口區(qū)交通擁擠等級、車型分布、需求換道次數、換道方向及與出口相對距離等影響因素，針對所有換道樣本數據，選用比例優(yōu)勢模型構建出高速公路出口區(qū)換道風險模型，并對出口區(qū)內存在貨車影響的情形進行了換道風險分布圖譜分析.結果表明，當換道發(fā)生位置附近存在貨車時，由于大貨車行駛速度慢并遮擋后車視野，因而后車會選擇換道超車以獲得期望行駛條件，從而導致更高的換道風險水平.

對高速公路出口區(qū)的風險圖譜進行分析，及時發(fā)現該區(qū)域的換道風險隱患.在此基礎上，提出出口區(qū)內合理的交通管理和控制策略，如對于向左換道的高風險行為可設置虛實線禁止左轉等措施，以控制車輛的換道行為，從而有效降低出口區(qū)換道風險.

目前的數據源于往期自然駕駛實驗，受到數據時效性限制，現有條件下只能生成靜態(tài)風險圖譜，缺乏實用性.隨著智能交通的深入發(fā)展，通過與高清卡口、浮動車、車聯網等實時交通數據獲取方式相結合，開發(fā)與實時數據匹配及包含多種應用場景的工具包，從而實現更為多樣化的風險場景換道風險圖譜的動態(tài)更新，未來能夠應用于路網安全保障節(jié)點風險變化的實時監(jiān)控，減少因換道產生的事故，提高道路安全水平.