魯岳 符鋅砂

(華南理工大學(xué) 土木與交通學(xué)院，廣東 廣州 510640)

隨著城市的建設(shè)規(guī)模和汽車的保有量顯著增加，城市交通安全問題亟待解決。城市道路擁有更好的設(shè)計線形、更低的設(shè)計速度以及更復(fù)雜的視覺感知環(huán)境，因此駕駛員對行駛環(huán)境的感知與反饋會更容易影響城市的交通安全狀況。同時，城市景觀是駕駛員行駛環(huán)境的重要組成部分，駕駛員對城市景觀的感知與交通安全的關(guān)系一直是領(lǐng)域內(nèi)的研究方向[1-2]。因為缺乏城市景觀的完善數(shù)據(jù)，并且對圖像中視覺信息的量化提取一直是個挑戰(zhàn)，研究者對城市景觀的過往研究主要采用定性的方法，所得到的結(jié)果缺乏正確性和可靠性。

事實上，研究人類對一個地點或場景的感知一直以來是很多領(lǐng)域所關(guān)心的課題[3-5]。隨著街景地圖的完善，大量帶有地理信息的街景圖片被公開，為各種領(lǐng)域的研究提供了新的視角[6]。街景是賦予時間和空間信息的圖片，這些圖片可以覆蓋城市內(nèi)的所有視覺環(huán)境。因此，街景圖片可以用來直觀地表示城市景觀，越來越多的研究利用街景圖像探究人對社區(qū)設(shè)計和建筑環(huán)境的感知情況[7-8]。同時，得益于深度學(xué)習(xí)在計算機視覺方面的快速發(fā)展，其強大的特征提取能力幫助理解街景圖像中各像素涵蓋的語義信息，提升對城市場景信息的理解能力[9]，也提供了城市景觀與交通安全的量化手段。通過不斷增加的街景圖像信息和高效率的圖像分割手段來建立城市景觀與交通安全之間的量化關(guān)系讓高效率和大規(guī)模評估城市的交通安全狀況成為一種可能。

鑒于此，本研究采用海量開放的街景圖片作為城市景觀的數(shù)據(jù)來源，并利用深度學(xué)習(xí)等方法從眾源數(shù)據(jù)中提取不同的量化指標(biāo)來構(gòu)建基于街景圖像和深度學(xué)習(xí)的城市景觀與交通安全的量化框架，該框架被用于進一步探究城市景觀與交通安全之間的聯(lián)系。

1 數(shù)據(jù)來源

深圳市是中國最年輕的一線城市，其數(shù)據(jù)的采集和存儲平臺更加完善，有助于研究的數(shù)據(jù)采集工作。其次，深圳的老城區(qū)、郊區(qū)和商業(yè)區(qū)的街區(qū)設(shè)計差異性較大，有助于后續(xù)研究。圖1展示了本研究的數(shù)據(jù)來源。其中，研究通過應(yīng)用程序接口(API)從百度地圖開放平臺(http://lbsyun.baidu.com/)中收集到深圳市福田區(qū)、南山區(qū)和羅湖區(qū)共2 568幅街景圖片，為了保證能盡可能模擬駕駛員行駛時的視覺變化，API調(diào)取參數(shù)的街景圖片的寬度為1 024，高度為512，垂直視角為15°，水平視角跟隨車輛行駛方向，水平方向范圍為100°。

圖1 研究數(shù)據(jù)的來源Fig.1 Sources of research data

交通事故數(shù)據(jù)為深圳市2015～2018年交通事故臺賬數(shù)據(jù)，共計237 256條，主要記載的內(nèi)容有事故地點、事故時間和事故類型，事故數(shù)據(jù)按照道路名稱進行統(tǒng)計。

交通量數(shù)據(jù)來源于GAIA Open Dataset平臺(https://outreach.didichuxing.com/research/opendata/)，包括深圳市2018年滴滴平臺服務(wù)車的浮點數(shù)據(jù)。該數(shù)據(jù)記錄了服務(wù)車每個時間間隔內(nèi)坐標(biāo)點，數(shù)據(jù)庫針對每一條道路給出了矩形統(tǒng)計范圍并匯總不同道路的浮動點數(shù)。

2 基于深度學(xué)習(xí)的城市景觀和交通安全的量化框架

2.1 交通事故率

交通事故率是交通事故數(shù)與交通量的比值，因為出租車是隨機分散在交通流中，出租車浮點數(shù)在一定程度上可以間接表示街道單元的交通量，由于事故數(shù)據(jù)和交通量數(shù)據(jù)都是按照道路名稱進行統(tǒng)計，可以用以下公式簡單計算事故率：

(1)

式中，k表示街道單元的相對事故率，K表示街道單元的交通事故率，M表示街道單元的交通事故數(shù)，N表示統(tǒng)計得到的街道單元內(nèi)的出租車浮點數(shù)，σ表示交通流中出租車的占比。本研究默認(rèn)交通流中出租車的占比是固定的，在后期進行對比實驗的過程中不會干擾實驗結(jié)果。對事故數(shù)據(jù)進行白天和夜間的分類，根據(jù)深圳市的太陽起落時間確定6點至18點標(biāo)注為白天數(shù)據(jù)，19點至次日5點標(biāo)注為夜間數(shù)據(jù)。

2.2 圖像的特征信息

圖像語義分割是對場景元素語義理解的關(guān)鍵技術(shù)，其任務(wù)是將輸入圖像的每一個元素進行分類，該過程又被稱為“像素預(yù)測”[10]。隨著卷積神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，越來越多的復(fù)雜圖片可以用它來處理，但是卷積網(wǎng)絡(luò)在進行圖片處理的過程中使用下采樣和池化來獲取更抽象的特征，同時特征圖的空間分辨率也會相應(yīng)降低，導(dǎo)致場景元素空間結(jié)構(gòu)信息的丟失，不利于模型對小型目標(biāo)乃至目標(biāo)之間關(guān)系的識別。

本研究采用DRN模型提取街景的圖像特征，詳細(xì)的模型網(wǎng)絡(luò)配置見表1。模型以Resnet為基礎(chǔ)并把頂層的下采樣層移除，保證了特征圖的空間分辨率。擴張卷積替換下采樣并被合理應(yīng)用于后續(xù)層，使得模型維持后續(xù)層感受野的分辨率，減少了圖像細(xì)節(jié)的丟失。模型在傳遞中保留過多的圖像信息會導(dǎo)致圖像處理過程中內(nèi)存消耗超過當(dāng)前的硬件能力，因此DRN模型僅在第4組和第5組處移除下采樣并設(shè)置擴張卷積。另外，網(wǎng)絡(luò)的末端添加了第6組和第7組卷積核來降低模型擴張率增加而產(chǎn)生的網(wǎng)格效應(yīng)，降低了網(wǎng)絡(luò)的過度膨脹。該模型被證實在Cityscapes數(shù)據(jù)集(https://www.cityscapes-dataset.com/)上擁有比ResNet-101更高的精準(zhǔn)度，最常用的DRN-C-26在使用僅為ResNet-101模型1/4層數(shù)的前提下性能提高了1.4%，而最高精度的DRN-C-42也在降低了2.4倍網(wǎng)絡(luò)層數(shù)的前提下提高了4.3%的分割精度[11]。DRN-C-42被用于對采集到的2 568張街景進行圖像分割處理，將圖像中的像素點分為19種場景元素。圖2展示了采用DRN模型對街景圖像進行分割得到19種場景元素的過程。

圖2 基于DRN模型對街景圖像進行分割得到19種場景元素Fig.2 Segmentation of street view images based on DRN model to obtain 19 scene elements

表1 DRN模型的網(wǎng)絡(luò)配置Table 1 Network configuration for DRN model

2.2.1 視覺場景元素的占比

城市景觀是由不同場景元素組合而成，不同場景元素占比的變化是行駛環(huán)境改變的最直觀的體現(xiàn)。對于城市區(qū)域而言，不同位置的城市景觀之間差別很大，因此將視覺場景元素的占比作為量化的指標(biāo)，采用以下公式對19種場景元素的占比信息進行量化。

(2)

式中，εi表示第i種場景元素的占比(i=1,2,3,…,19)，mij表示第i種場景元素中第j個元素。

2.2.2 可移動場景元素的種類數(shù)

得益于之前研究者對駕駛員在駕駛行為中干擾因素的研究，不同的場景元素對駕駛員的干擾程度是不同的，可以移動的場景元素對于駕駛員的干擾程度更大[12]。本研究篩選出城市區(qū)域內(nèi)7種可移動場景元素的類別，其中包含行人、騎手、汽車、貨車、公交車、摩托車和自行車。為了避免采樣特殊性帶來的誤差，采用以下公式對指標(biāo)進行量化。

(3)

(4)

式中，W為街道單元的可移動場景元素的種類數(shù)，ωr為第r種可移動場景元素的判定值(r=1,2,…,7)，n為街道單元街區(qū)的街景圖片的提取數(shù)量，εrj為第j個街景圖片中第r個可移動場景元素的占比。

2.3 街景圖片的位置信息

因為城市發(fā)展過程中資金的投入是有限的，處于不同區(qū)域的道路其投入的資金和承擔(dān)的功能是不同的。路段所處位置與城區(qū)中心的距離越近，其道路等級越高，照明設(shè)施和交通安全設(shè)施越完善，因此路段與城市中心的距離是影響交通安全狀況的重要因素[13]。本研究選取研究區(qū)域內(nèi)以下坐標(biāo)點確定城市中心：(1)各商圈中心；(2)所有五星級酒店的位置；(3)主要行政機構(gòu)的位置；(4)所有的地鐵站點?？紤]到城市的發(fā)展一般是多軸線和三角形的穩(wěn)定性，將收集到的坐標(biāo)點通過聚類的方法分為3個聚類點，找到由3個點組成的三角形的費馬點即為城市的中心點位置。與城市中心的距離這一變量可以由下面公式量化：

(5)

式中，L為路段距離城市中心點的距離，xc和yc為城市中心點的坐標(biāo)，n為聚類中心的個數(shù)，本研究取值為3，xi和yj為聚類中心的坐標(biāo)，k為路段內(nèi)收集的街景圖片個數(shù)，xj和yj為采集街景圖片地點的坐標(biāo)。圖3展示了尋找區(qū)域中心點的方法。

圖3 確定研究區(qū)域中心點位置的方法Fig.3 Method of determining the position of the center point in the study area

2.4 街景圖像的感知信息

交通事故不是街道單元的單一作用下產(chǎn)生的，而與路段周圍的空間布局有著密切的聯(lián)系，已有研究者證實交通安全與社區(qū)設(shè)計乃至城市設(shè)計之間存在聯(lián)系[14]。本研究以街道單元的交通事故率為依據(jù)，對街景圖片進行分類匯總，研究發(fā)現(xiàn)交通事故率與街道單元所處的城市區(qū)域有明顯的相關(guān)性，這也證實了上述的結(jié)論。圖4展示了從街景圖片集中選取的部分圖片，圖片從左到右依次為低事故率街道圖片(k≤0.02)、中等事故率街道圖片(0.020.10)。將路段類型作為框架中的量化指標(biāo)，并通過問卷調(diào)查的方式對街景圖片進行量化。150名參與者從以街道單元分類的文件夾中隨機選取一張街景圖片回答如下問題：這個道路單元你認(rèn)為位于X？X有3個選項，分別為郊區(qū)、商業(yè)區(qū)和老城區(qū)。最后通過式(6)得到每個街道單元對于指標(biāo)的量化結(jié)果。

圖4 不同事故率的街道圖片F(xiàn)ig.4 Images of streets with different accident rates

(6)

式中，P為街道單元的指標(biāo)量化值，pi為第i個參與者針對街道單元的評價(結(jié)果為郊區(qū)時p=0，結(jié)果為商業(yè)區(qū)時p=1,結(jié)果為老城區(qū)時p=2)。

2.5 量化指標(biāo)的確定

街景的圖像特征信息、位置信息和感官信息分別被提取后，利用皮爾遜相關(guān)系數(shù)分析量化指標(biāo)與交通安全之間的相關(guān)性，并利用嶺回歸方法分析各量化指標(biāo)之間的相關(guān)性，最終篩選出與事故率存在相關(guān)性的指標(biāo)并杜絕量化指標(biāo)共線性的可能性。具體的評價公式如下。

Xθ=y

(7)

S=‖Xθ-y‖2

(8)

θ=(XTX)-1XTy

(9)

式中，X表示量化指標(biāo)矩陣，y表示交通事故率的向量，S為模型的損失函數(shù)，θ為嶺回歸估計參數(shù)。

當(dāng)某些變量之間的相關(guān)性比較大的時候，XTX的行列式會接近于0。綜合皮爾遜相關(guān)系數(shù)和嶺回歸兩者的結(jié)果，并兼顧之前的研究和自身駕駛的直觀感受，篩選確定基于城市景觀的交通安全的影響因素如下：

(1)不同場景元素(道路、人行道、建筑、圍墻、護欄、植物、天空、行人、汽車)的占比情況；

(2)街區(qū)類型；

(3)與城市中心的距離；

(4)可移動場景元素種類數(shù)。

3 結(jié)果

3.1 城市景觀與交通安全的相關(guān)性

本研究在確定了12種城市交通安全狀況影響因素的基礎(chǔ)上，采用多元回歸分析的方法分析了影響因素和交通事故率之間的關(guān)系。圖5中，展示了事故率與12種影響因素之間的多元回歸分析結(jié)果。其中標(biāo)注的顏色用來區(qū)別影響因素的正相關(guān)與負(fù)相關(guān)，對應(yīng)格子的顏色表示Bete標(biāo)準(zhǔn)化系數(shù)值的大小，*表示顯著性水平。如圖所示，發(fā)現(xiàn)不同的影響因素與不同時段的交通事故率的相關(guān)性各不相同。其中，“道路”、“人行道”、“建筑”、“圍墻”、“護欄”、“天空”、“行人”和“汽車”與事故率成負(fù)相關(guān)。相反,“植物”、“路段類型”、“與城市中心的距離”和“可移動場景元素的種類數(shù)”與事故率成正相關(guān)。

圖5 事故率與12種影響因素之間的多元回歸分析結(jié)果Fig.5 Results of multiple regression analysis between accident rates and 12 influencing factors

研究結(jié)果顯示位于城市中心的商業(yè)區(qū)會比與城市中心距離較遠(yuǎn)的郊區(qū)更為安全，這一發(fā)現(xiàn)早已被證實[14]。在郊區(qū)，較少的可移動場景元素導(dǎo)致行車速度較快，加上交通設(shè)施的不完善，交通事故率較高。相比之下，商業(yè)區(qū)的行車速度較慢，標(biāo)志標(biāo)線和柵欄等交通設(shè)施的鋪設(shè)導(dǎo)致交通事故率偏低。另外，行人和車輛的占比對交通安全狀況的提高有積極的效果，并且白天的敏感程度比夜間偏高，但可移動場景元素種類這一因素對交通安全狀況有消極影響。“行人”和“汽車”占比的增加在一定程度上會降低交通流的速度并且降低事故率，但可移動場景元素種類的增加會分散駕駛員注意力從而提高事故率。還有一個有趣的結(jié)論，“植物”的占比與交通事故率成正相關(guān)，可能的原因是白天陽光透過樹葉產(chǎn)生光斑會導(dǎo)致駕駛員炫目，夜晚過多植物會降低照明效果，這需要進一步的研究。與高速公路不同，城市道路中“道路”的占比與事故率成負(fù)相關(guān)，并且Beta標(biāo)準(zhǔn)化系數(shù)很低，說明城市道路中車道數(shù)與交通事故率之間并不存在很顯著的關(guān)系。最后，“護欄”和“人行道”元素對提高城市交通安全狀況有積極效果，兩個因素均可降低道路交通要素之間的干擾從而減低交通事故率，不同的是“護欄”對白天事故率的敏感程度更高，而“人行道”恰恰相反。

城市道路的交通安全狀況被證實不僅僅與街道單元有關(guān)系，與道路附近社區(qū)的設(shè)計存在密切的聯(lián)系。此外，城市的物理外觀被廣泛認(rèn)為在空間上存在發(fā)展和演變[5]，并且上文已證實交通事故率與“路段類型”存在明顯的相關(guān)性。因此，將“路段類型”作為控制變量獲取在不同街區(qū)類型下各影響因素對交通安全影響的敏感程度，進而探究城市發(fā)展演變過程中道路交通安全狀況影響因素的變化情況。圖6 展示了不同街區(qū)類型在不同時段影響因素與事故率的多元回歸分析結(jié)果。其中根據(jù)不同的街區(qū)類型展示出不同影響因素對于事故率的正相關(guān)(紅色)和負(fù)相關(guān)(藍(lán)色)關(guān)系，并對其進行排序。條的長度表示Beta標(biāo)準(zhǔn)化系數(shù)的數(shù)值大小，*表示顯著水平。從圖中可以簡單看到，對于不同的街道類型，同一個影響因素對事故率的相關(guān)性的大小和正負(fù)均不同。

圖6 不同街區(qū)類型的道路在不同時段影響因素與事故率的多元回歸分析結(jié)果Fig.6 Results of multiple regression analysis on influencing factors and accident rates of different types of blocks in different time periods

另外，商業(yè)區(qū)和郊區(qū)的街道單元的事故率對于“道路”的敏感程度要大于老城區(qū)的街道單元。就像Marine Millot提到的城市更新帶來了路網(wǎng)結(jié)構(gòu)以及道路布局的改變，引起了新的交通安全問題[15]。從道路布局方面，郊區(qū)和商業(yè)區(qū)在道路設(shè)計理念和原則方面是相近的，即擁有更高規(guī)格的道路橫斷面設(shè)計、更為完善的機非分離和人車分離措施。而老城區(qū)與它們相比稍微落后一點，“道路”的占比似乎對老城區(qū)的交通安全狀況沒有影響。其次，“可移動場景元素的種類數(shù)”的因素對事故率的影響均為正相關(guān)，并且位于商業(yè)區(qū)的街道的敏感程度最小，老城區(qū)次之，影響最大的是位于郊區(qū)的街道。這可能與商業(yè)區(qū)內(nèi)道路中完善的人車分離措施和郊區(qū)街道上較快的行車速度有關(guān)。在上一個結(jié)論的基礎(chǔ)上研究發(fā)現(xiàn)商業(yè)區(qū)和老城區(qū)的街道事故率與“植物”元素占比呈負(fù)相關(guān)，而郊區(qū)的街道卻恰恰相反。這說明視野范圍內(nèi)適當(dāng)?shù)闹参镎急葧档褪鹿事?，而如果植物過于繁茂遮擋視野、交通標(biāo)志或者照明，則會增加事故率，因此對街道的植物周期性的養(yǎng)護可以提高道路安全狀況。

“天空”和“建筑”元素的占比對郊區(qū)的街道事故率敏感程度遠(yuǎn)高于其他區(qū)域，這可能與行車疲勞有關(guān)。有研究表明駕駛員在視覺元素較少的道路行駛，其警惕性會降低并產(chǎn)生行駛疲勞感[16]。郊區(qū)的街道往往場景元素種類較少，駕駛員視野過于單調(diào)而導(dǎo)致視覺疲勞，視野范圍內(nèi)不影響駕駛安全性的場景元素占比的增加會提高行車安全性。

3.2 城市景觀的空間規(guī)律

Marc Antrop在研究城市景觀生態(tài)學(xué)時指出，城市化的進程在以不同的時間和空間發(fā)展，并且不同類型的區(qū)域其變化模式是不盡相同的，城市景觀具有動態(tài)性、復(fù)雜性和多功能性，了解城市景觀的變化情況有助于理解城市深層次的性質(zhì)[17]。

表2顯示了街道單元所處不同街道單元類型與街景信息之間的關(guān)系。從表中可以看到隨著街道單元與區(qū)域中心距離的增加，郊區(qū)的道路中“道路”元素占比顯著增加，商業(yè)區(qū)的道路中“道路”元素占比稍微增加，而老城區(qū)的道路中“道路”元素占比并沒有顯著相關(guān)性。除此之外，郊區(qū)的道路中“植物”元素的占比與距離之間有顯著負(fù)相關(guān)關(guān)系，商業(yè)區(qū)的道路則呈負(fù)相關(guān)關(guān)系，但老城區(qū)的道路呈正相關(guān)關(guān)系。該結(jié)果可能由于商業(yè)區(qū)的道路修建年代較晚，靠近區(qū)域中心的街道單元較其他街道綠化率高，位于老城區(qū)的道路修建年代較早，靠近區(qū)域中心的街道單元除草、修剪等綠化養(yǎng)護措施較完善，而遠(yuǎn)離區(qū)域中心的街道單元植物過于茂盛。關(guān)于郊區(qū)道路呈現(xiàn)顯著負(fù)相關(guān)這一現(xiàn)象的原因可能為隨著遠(yuǎn)離區(qū)域中心，道路的車道數(shù)的增加導(dǎo)致駕駛員視野范圍內(nèi)綠化占比的減少。另外，“建筑”和“天空”元素的占比情況與“植物”恰恰相關(guān)，兩方面存在此消彼長的關(guān)系。

表2 街道單元所處不同街道單元類型與街景信息之間的關(guān)系1)Table 2 Relationship between the different street unit types in which the street unit is located and the streetscape information

另外，隨著街道單元遠(yuǎn)離區(qū)域中心，郊區(qū)和商業(yè)區(qū)的道路中所有視覺元素占比的變化情況大致相同，相較之下，郊區(qū)比商業(yè)區(qū)擁有更大的相關(guān)性系數(shù)。然而，老城區(qū)的道路情況與前兩者會有明顯的區(qū)別。隨著城市的發(fā)展，主要的城市更新方式是由郊區(qū)發(fā)展為商業(yè)區(qū)然后變?yōu)槔铣菂^(qū)。其中，郊區(qū)和商業(yè)區(qū)道路的場景元素空間分布規(guī)律相似，因為郊區(qū)與商業(yè)區(qū)相比區(qū)域較大，場景元素的占比二者差異性較大，所以郊區(qū)道路的相關(guān)性系數(shù)會比商業(yè)區(qū)的大。簡單來說，郊區(qū)在場景元素空間分布規(guī)律上可以視為商業(yè)區(qū)的放大版。但當(dāng)城市更新到老城區(qū)階段，某些場景元素空間分布規(guī)律會與前兩個階段有所不同，需要對此階段單獨考慮。

1)皮爾遜系數(shù)(*p<0.01，**p<0.005，***p<0.001)

4 結(jié)論

本文采用豐富的、易提取的和不斷增長的街景圖像作為研究城市景觀的數(shù)據(jù)來源，并以此為基礎(chǔ)提出了一個研究城市景觀的量化框架，試圖從數(shù)量上探究城市景觀與交通安全之間的聯(lián)系。

一方面，研究確定了基于城市景觀的不同影響因素對不同城區(qū)事故率的貢獻差異性，例如商業(yè)區(qū)和老城區(qū)內(nèi)“植物”占比的增加會對交通安全有積極影響，但在郊區(qū)卻恰恰相反。這一結(jié)論將支持城市的設(shè)計理論和成果，可以通過適當(dāng)增減某些場景元素的占比和交通安全設(shè)施的鋪設(shè)來達到增加交通安全的目的。另一方面，還發(fā)現(xiàn)了可能會推動城市規(guī)劃理論發(fā)展的規(guī)律。例如：1)越靠近市中心的道路單元其交通狀況越安全；2)郊區(qū)和商業(yè)區(qū)的城市景觀分布規(guī)律極其相似，但老城區(qū)卻有較大區(qū)別。這些潛在的或反直覺的規(guī)律可能會引導(dǎo)研究者挖掘城市景觀的更深層的規(guī)律。