秦雅琴，鄭號染，2，李劍仕

(1. 昆明理工大學 交通工程學院，云南 昆明 650504； 2. 武漢理工大學 交通學院，湖北 武漢 430063)

0 引 言

近年來，機動車擁有量及駕駛?cè)藬?shù)量迅速增長，人們在享受著機動化程度不斷提高帶來的便利之外，也承受著隨之而來的交通事故頻發(fā)、擁堵嚴重等負面效應的影響。相較于高速公路和普通公路，城市道路機動車出行次數(shù)更高，發(fā)生交通事故的可能性也更大。截至2018年初，我國城市道路總里程占全國道路總里程的7.5%，而城市道路交通事故量及傷亡人數(shù)卻分別占到全國的45.8%和38.8%，城市道路百公里交通事故率是高速公路的4倍、普通公路的10倍[1]。可見，相較于其他公路，城市道路交通形勢更加嚴峻，相關(guān)人員需要加強對城市交通安全問題的重視。在城市道路上，超車行為對交通安全有重要影響，超車不當是造成通行效率低下、甚至導致交通事故的重要因素[2]。關(guān)于超車行為的研究，已經(jīng)引起了相關(guān)學者的關(guān)注。

國內(nèi)外相關(guān)學者圍繞超車現(xiàn)象展開了一系列研究，取得了一定成果。E. I. VLAHOGIANNI等[3]基于貝葉斯網(wǎng)絡，構(gòu)建了超車行為不確定性模型，揭示了超車行為的微觀影響因素，并指出男性司機做出超車決策的概率更高；G. HEGEMAN等[4]利用模擬實驗檢驗了超車輔助設備在雙車道公路上的效果，發(fā)現(xiàn)超車概率與冒險性駕駛行為正相關(guān)；J. E. NARANJO等[5]基于仿真分析，設計出了可自主實現(xiàn)路徑跟蹤及車道變換的超車系統(tǒng)；Z. C. HE等[6]基于最優(yōu)速度構(gòu)建了超車期望影響模型；J. X. WANG等[7]基于空間模型，構(gòu)建了動態(tài)和準靜態(tài)背景下的超車檢測模型；H.FARAH等[8]利用模擬實驗研究了IGT與超車行為的關(guān)系；柏偉等[9]開創(chuàng)性地在將超車過程分為換道、超越、并道3個階段的基礎上，結(jié)合車輛跟馳行駛時的安全距離，構(gòu)建了新型超車判斷及輔助模型，并以算例驗證了該模型的實用性；單曉峰等[10]通過分析雙車道公路超車行為兩難區(qū)，發(fā)現(xiàn)兩難區(qū)出現(xiàn)的概率隨著交通量及車速的增加而增加；陳小龍[11]基于交通流理論及概率論，構(gòu)建了山區(qū)雙車道公路超車模型；朱秀娟[12]基于模擬實驗得到了雙車道公路超車行為安全評價模型。

研究表明，超車行為受多種因素影響，是影響道路安全及通行能力的重要因素。但是，目前此方面的研究主要集中在雙車道公路上，關(guān)于城市多車道公路超車行為的研究較為匱乏。而城市道路超車行為發(fā)生的概率更高，安全形勢也更嚴峻。2018年1月7日，中共中央辦公廳、國務院辦公廳印發(fā)了《關(guān)于推進城市安全發(fā)展的意見》，交通安全是城市安全的重要組成部分，而工作日和非工作日的交通差異及工作日高峰時段集中出行是城市交通的顯著特點。筆者利用視頻檢測法，開創(chuàng)性地從城市多車道公路超車特性出發(fā)，對工作日、非工作日及工作日高峰時段的超車行為影響因素進行分析，分別構(gòu)建了各自的超車次率影響因素回歸模型；分別對工作日與非工作日、工作日與其高峰時段的超車次率模型進行了對比分析，進一步充實了超車行為的相關(guān)研究，對推進交通安全管理、強化城市安全基礎、提高城市交通安全性有重大現(xiàn)實意義。

1 超車特性評價指標

1.1 超車判定標準

超車是解決車速差異較大的重要手段，但同時也是導致交通事故的關(guān)鍵風險因素[13]。筆者在K. TIAPRASERT等[14]研究的基礎上，以車輛通過指定點的順序變化判定其是否超車。

以x1、x2分別表示上下游斷面，定義n輛車為研究對象(n=1，2，3，…，N),t(n，x1)、z(n，x1)表示車輛n通過x1的時間和順序，t(n，x2)、z(n，x2)表示車輛n通過x2的時間和順序。以車輛通過上下游的順序變化判定其是否超車，判定方法如下：

1)當z(n，x1)>z(n，x2)，超車數(shù)大于被超車數(shù)，序號減小(存在只超車的情況，被超車數(shù)為0)。

2)當z(n，x1)

3)當z(n，x1)=z(n，x2)，有兩種情況：①所有車輛均未超車；②超車數(shù)與被超車數(shù)相等。

1.2 超車次率ROT

超車次率ROT(rate of overtaking vehicle times)表示某時段內(nèi)路段上超車總次數(shù)與全部車輛數(shù)的比值，是評價超車現(xiàn)象的絕對性指標，如式(1)：

(1)

在車輛數(shù)為n的車隊中，若所有車輛均按“先入先出”規(guī)則行駛，則未發(fā)生超車行為，ROT=0；若所有車輛均按“先入后出”規(guī)則行駛，則ROT達到最大值(n-1)/2。即，ROT取值范圍為[0，(n-1)/2]。

2 數(shù)據(jù)來源

2.1 數(shù)據(jù)采集

數(shù)據(jù)采集點為秦皇島市的兩個交叉口(分別為采集點1、2)。兩采集點間路段單向直行車道數(shù)為3，左右轉(zhuǎn)車道數(shù)均為1，車輛駛經(jīng)該路段，兩采集點均記錄同一車輛的車牌信息，從而得到各車的通過時刻及順序。設備布置如圖1。

圖1 視頻檢測布置Fig. 1 Layout of video detection equipment

2.2 數(shù)據(jù)處理

2.2.1 預處理

視頻設備全天檢測，得到海量數(shù)據(jù)。此外，通信故障、環(huán)境因素等均將影響數(shù)據(jù)質(zhì)量，因此，需進行數(shù)據(jù)預處理。 數(shù)據(jù)質(zhì)量問題主要包括無效和冗余數(shù)據(jù)兩類：①無效數(shù)據(jù)主要是由于車輛跟車過近或不按規(guī)定車道行駛造成系統(tǒng)無法識別車牌信息，導致回傳數(shù)據(jù)無法與上下游檢測點車輛信息進行匹配，進而無法確定車輛的軌跡及其它信息；②冗余數(shù)據(jù)主要是指同一輛車在極短的時間內(nèi)先后被攝像機記錄兩次，并且不在同一車道，此種重復數(shù)據(jù)將造成部分車輛信息的重疊，不利于數(shù)據(jù)存儲及相關(guān)處理。

除數(shù)據(jù)質(zhì)量問題外，原始數(shù)據(jù)中的時間格式為日期時間型，不利于后續(xù)時間加減的直接運算。因此，需將日期時間型數(shù)據(jù)格式轉(zhuǎn)換為類數(shù)值型數(shù)據(jù)格式(Unix時間戳格式：從格林威治時間起至現(xiàn)在的總秒數(shù))。

因此，數(shù)據(jù)預處理過程涉及到刪除無效數(shù)據(jù)、數(shù)據(jù)格式轉(zhuǎn)換和刪除冗余數(shù)據(jù)3方面，結(jié)合MYSQL與VBA進行數(shù)據(jù)預處理。預處理后，采集點1、2有效數(shù)據(jù)分別為216 735條、173 905條。

2.2.2 分周期統(tǒng)計

如圖2，車輛運行受信號燈控制，燈態(tài)轉(zhuǎn)換前后車輛出發(fā)時間差明顯增大，故基于預處理結(jié)果，對數(shù)據(jù)進行分周期統(tǒng)計，匹配上下游數(shù)據(jù)并判斷順序變化，得到各周期超車數(shù)據(jù)，步驟如下：

圖2 燈態(tài)轉(zhuǎn)換示意Fig. 2 Schematic diagram of signal light conversion

步驟1：人工確定某周期綠燈始亮時刻t1。

步驟2：t1加上周期間隔值(受車輛性能、司機反應時間等影響，各周期間隔值存在小幅度波動，故以周期時長為標準周期間隔值)得到下一周期綠燈始亮時刻t2。

步驟3：以t2為新的綠燈始亮時刻，進行步驟2的計算。

步驟4：利用VBA依次循環(huán)，完成數(shù)據(jù)分周期統(tǒng)計。

3 超車次率影響因素模型構(gòu)建

3.1 影響因素

超車行為受車輛數(shù)、速度、行程時間、駕駛員素質(zhì)等多種因素影響[15]。筆者基于視頻數(shù)據(jù)特征，從交通流特性角度考察超車次率影響因素，如表1(上標s、w、wh用于區(qū)分非工作日、工作日及其高峰時段的交通參數(shù))。

表1 超車次率影響因素Table 1 Influence factors of ROT

3.2 超車次率影響因素模型

為表征各種因素對超車行為的影響程度，采用回歸分析法構(gòu)建模型。設y為因變量，x1，x2，…xk為自變量，當自變量與因變量線性相關(guān)時，模型為：

y=b0+b1x1+b2x2+…+bkxk+e

(2)

式中：b0為常數(shù)項；bi為xi(1≤i≤k)對y的偏回歸系數(shù)；y為因變量；x1，x2，…xk為k個自變量；e為隨機誤差。因變量為超車次率，自變量為影響因素，對于n個周期的樣本數(shù)據(jù)，式(2)的矩陣形式為：

y=Xb+e

(3)

采用多元線性逐步回歸得最優(yōu)方程?；貧w過程中，每一步均計算已引入變量的偏回歸平方和，選取偏回歸平方和最小的變量，在給定的F水平下作顯著性檢驗，然后按偏回歸平方和遞增的順序依次對其它變量作F檢驗，僅保留對y影響顯著的變量。接著分別計算未引人變量的偏回歸平方和，對偏回歸平方和最大的變量，在給定F水平下作顯著性檢驗，若顯著則將該變量引入方程，循環(huán)該過程，直到方程中變量均不能剔除而又無新變量時為止。最后保留的均為對y有顯著影響的因素。

分別建立工作日、工作日高峰時段及非工作日的超車次率影響因素回歸模型。表2～表7為回歸結(jié)果，圖3～圖5為數(shù)據(jù)擬合結(jié)果，其中，ROTw、ROTwh、ROTs分別為工作日、工作日高峰時段及非工作日的超車次率。

3.2.1 工作日超車次率

表2、表3為工作日超車次率模型回歸結(jié)果。表2、表3中：模型1以tv為預測變量；模型2以tw、vw為預測變量；模型3以tw、vw和nw為預測變量。R為相關(guān)系數(shù)，df為自由度，F(xiàn)為統(tǒng)計量值，S為顯著性，B為非標準化回歸系數(shù)，t為統(tǒng)計檢驗值。工作日超車次率影響因素模型如式(4)：

表2 工作日超車次率模型匯總及方差分析Table 2 Summary and variance analysis of ROT model on workdays

表3 工作日超車次率模型系數(shù)Table 3 Coefficients of ROT model on workdays

ROTw=-10.852+0.045tw+0.286vw+0.017nw

(4)

式中：nw、tw、vw分別為工作日單周期車輛數(shù)、平均行程時間及速度。

可見，工作日超車次率與車輛數(shù)、速度及行程時間呈正相關(guān)，其中，速度對超車次率的影響最大，行程時間次之，車輛數(shù)對超車次率的影響最小。

3.2.2 非工作日超車次率

非工作日超車次率影響因素回歸結(jié)果如表4～表5。表4、表5中：模型1以ns為預測變量；模型2以ns、ts為預測變量。

表4 非工作日超車次率模型匯總及方差分析Table 4 Summary and variance analysis of ROT model on nonworking days

表5 非工作日超車次率模型系數(shù)Table 5 Coefficients of ROT model on nonworking days

非工作日超車次率影響因素模型如式(5)：

ROTs=-0.243+0.076ns+0.002ts

(5)

式中：ns、ts分別為非工作日單周期車輛數(shù)及平均行程時間。

由式(5)可見，非工作日超車次率與車輛數(shù)及行程時間呈正相關(guān)，且相較于行程時間，車輛數(shù)對超車次率的影響更大。

3.2.3 工作日高峰時段超車次率

表6、表7為工作日高峰時段超車次率回歸過程及結(jié)果。表6、表7中：模型1以twh為預測變量；模型2以twh、vwh為預測變量。模型如式(6)：

表6 工作日高峰時段超車次率模型匯總及方差分析Table 6 Summary and variance analysis of ROT model in the peak hours of workdays

表7 工作日高峰時段超車次率模型系數(shù)Table 7 Coefficients of ROT model in the peak hours of workdays

ROTwh=-22.501+0.073twh+0.706vwh

(6)

式中：twh、vwh分別為工作日高峰時段單周期平均行程時間及速度。由式(6)可知，工作日高峰時段超車次率與行程時間及速度均呈正相關(guān)，且相較于行程時間，速度對超車次率的影響更大。

3.2.4 數(shù)據(jù)擬合

基于回歸結(jié)果，得工作日、非工作日及工作日高峰時段數(shù)據(jù)擬合結(jié)果如圖3～圖5。

圖3 工作日超車次率與主要影響因素之間的關(guān)系Fig. 3 Relationship between ROT and main influencing factors of working days

圖4 非工作日超車次率與主要影響因素之間的關(guān)系Fig. 4 Relationship between ROT and main influencing factors of nonworking days

圖5 工作日高峰時段超車次率與主要影響因素之間的關(guān)系Fig. 5 Relationship between ROT and main influencing factors in the peak hours of workdays

對比工作日及其高峰時段超車次率回歸模型可知：行程時間及速度均對超車行為有顯著影響，并且在高峰時段，超車行為受兩者影響的程度更高，這可能與高峰時段人們的出行目的及時間要求相關(guān)。但是，車輛數(shù)在高峰時段對超車行為的影響并不明顯，這可能與高峰時段交通量較大，超車難度系數(shù)提高相關(guān)。通過對比工作日及非工作日的超車次率回歸模型，發(fā)現(xiàn)：行程時間及速度在工作日對超車行為的影響更大，而車輛數(shù)在非工作日對超車行為的影響更加明顯。交通狀態(tài)過飽和時，無法正常完成超車。鑒于數(shù)據(jù)覆蓋范圍有限，筆者所提模型適用于交通狀態(tài)未達過飽和時的情況。

以往多為基于模擬實驗或?qū)嵻噷嶒瀸﹄p車道公路上的超車行為展開研究，數(shù)據(jù)量較小。此外，超車是駕駛?cè)酥饔^意識的反映，受駕駛?cè)诵睦硪蛩赜绊懞艽?，實驗中被試往往容易采取與平時駕駛習慣不同的措施，對結(jié)果影響很大，難以得到客觀全面的超車行為參數(shù)，影響結(jié)果的可靠性。筆者利用視頻法，基于正常駕駛狀態(tài)下的海量數(shù)據(jù)對城市多車道公路上的超車特性進行分析，結(jié)果可靠?；诔鞘薪煌ㄌ攸c，開創(chuàng)性地對工作日全天、高峰時段及非工作日的超車行為影響因素進行了定量分析，對不同交通狀態(tài)下的超車行為進行了更加細致化分析，對改善城市交通環(huán)境、促進交通安全具有實際意義。

4 結(jié) 論

筆者基于視頻車牌識別技術(shù)得到海量交通數(shù)據(jù)，分析了城市多車道公路上超車行為，得出以下結(jié)論：

1)結(jié)合MYSQL及VBA對海量數(shù)據(jù)進行了提取與優(yōu)化，完成了數(shù)據(jù)分周期統(tǒng)計。

2)以ROT作為超車特性宏觀量化指標，得到了不同交通狀態(tài)下的超車行為參數(shù)。

3)對比工作日與非工作日超車次率模型，發(fā)現(xiàn)：相較于非工作日，工作日超車次率受速度及行程時間的影響更大，而車輛數(shù)在非工作日對超車行為的影響更明顯。

4)對比工作日及其高峰時段的超車次率模型，發(fā)現(xiàn)：在工作日及高峰時段，行程時間及速度均對超車行為影響顯著，并且，在高峰時段，行程時間及速度對超車行為的影響更大。但是，車輛數(shù)在高峰時段對超車行為的影響并不明顯，這可能與高峰時段內(nèi)交通量大，超車難度系數(shù)高有關(guān)。

相應交通管理部門應著重加強對工作日期間(尤其是高峰時段)的車速管控，鼓勵市民(尤其是通行距離較遠、行程時間較長的出行者)選擇公共交通方式出行，在保障通行效率的同時達到對超車次率進行控制的目標，提高交通安全系數(shù)。