溫惠英,成 杰,趙 勝

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

0 引 言

隨著我國(guó)機(jī)動(dòng)車擁有量和公路里程增加,交通安全問題日益嚴(yán)峻,嚴(yán)重威脅著道路使用者的生命財(cái)產(chǎn)安全。為減少交通事故發(fā)生并降低事故危害,有必要主動(dòng)對(duì)事故風(fēng)險(xiǎn)進(jìn)行識(shí)別,而對(duì)交通事故風(fēng)險(xiǎn)的影響因素進(jìn)行研究是風(fēng)險(xiǎn)識(shí)別的基礎(chǔ)。

目前已有大量針對(duì)事故風(fēng)險(xiǎn)影響因素的研究,根據(jù)數(shù)據(jù)來源大致可分為傳統(tǒng)的基于事故數(shù)據(jù)的影響因素分析和基于安全替代措施的影響因素分析兩類。基于事故的影響因素分析主要以事故數(shù)據(jù)為基礎(chǔ),選取駕駛員特性、車輛類型、道路線形、環(huán)境等多種因素作為自變量[1],以是否發(fā)生事故或事故的嚴(yán)重程度[2]為因變量,建立模型進(jìn)行分析。在使用的模型方面,Logit模型[3-4]、負(fù)二項(xiàng)回歸模型[5]、機(jī)器學(xué)習(xí)[6]等均被用于研究,但最為常用的是以Logit模型為代表的傳統(tǒng)離散選擇模型。

但由于交通事故數(shù)據(jù)存在統(tǒng)計(jì)周期長(zhǎng)、數(shù)量少,導(dǎo)致基于事故數(shù)據(jù)的研究存在局限性。該類研究多基于事故發(fā)生前后較長(zhǎng)時(shí)間的宏觀數(shù)據(jù),研究范圍集中在宏觀尺度,較少考慮事故發(fā)生前后交通狀態(tài)對(duì)事故發(fā)生的影響。

為了彌補(bǔ)這些缺陷,研究者提出了基于交通沖突的沖突替代技術(shù)。研究顯示,交通事故和交通沖突存在強(qiáng)相關(guān)性[7]。與事故數(shù)據(jù)相比,交通沖突指標(biāo)獲取容易、樣本量大,可更好反映事故風(fēng)險(xiǎn)發(fā)生前后車輛和交通流狀況及變化過程[8]。

隨著道路檢測(cè)設(shè)備的發(fā)展及計(jì)算機(jī)圖像處理技術(shù)的進(jìn)步,視頻數(shù)據(jù)[9]、路側(cè)感知數(shù)據(jù)[10]、自然駕駛數(shù)據(jù)[11]等可以描述每輛車運(yùn)動(dòng)特征的微觀多源數(shù)據(jù)得以用于實(shí)時(shí)微觀風(fēng)險(xiǎn)研究。與以往基于事故數(shù)據(jù)的研究不同,微觀風(fēng)險(xiǎn)研究多使用沖突替代指標(biāo)建立模型,研究前后車速度差、車頭間距等車輛間微觀交互特征[12-13]對(duì)風(fēng)險(xiǎn)的影響,并發(fā)現(xiàn)碰撞風(fēng)險(xiǎn)會(huì)受到微觀行為影響。在研究方法上,Logit模型也[14]被廣泛使用。

目前的研究很少將微觀和宏觀特征同時(shí)納入模型進(jìn)行分析,沒有全面考慮各類因素影響,且使用的時(shí)間片數(shù)據(jù)較長(zhǎng),不能很好描述風(fēng)險(xiǎn)發(fā)生前的交通特征。綜上,筆者基于車輛微觀軌跡數(shù)據(jù)集(HighD數(shù)據(jù)集),使用交通沖突指標(biāo)表征風(fēng)險(xiǎn),提取沖突風(fēng)險(xiǎn)前1 s內(nèi)的數(shù)據(jù)進(jìn)行處理,同時(shí)綜合考慮車輛自身運(yùn)動(dòng)狀態(tài)、與周圍車輛的交互以及宏觀交通流狀態(tài)三方面因素,并考慮到數(shù)據(jù)異質(zhì)性,分別建立隨機(jī)參數(shù)和均值異質(zhì)性隨機(jī)參數(shù)Logit模型,對(duì)車輛沖突風(fēng)險(xiǎn)的影響因素進(jìn)行研究。

1 數(shù)據(jù)準(zhǔn)備

1.1 HighD數(shù)據(jù)集介紹

HighD數(shù)據(jù)集(the highway drone dataset)是一個(gè)使用無人機(jī)拍攝的2017、2018年德國(guó)高速公路的自然車輛軌跡的數(shù)據(jù)集,覆蓋范圍約420 m。研究團(tuán)隊(duì)使用了先進(jìn)算法對(duì)數(shù)據(jù)進(jìn)行后處理[15],定位誤差小于10 cm,每秒包含連續(xù)的25幀信息。每條軌跡數(shù)據(jù)都包含車輛的運(yùn)動(dòng)特征和物理特征,包括車輛的ID、車輛類型、橫向和縱向位置、速度、加速度、車道、TTC等。由于該數(shù)據(jù)集有數(shù)據(jù)詳細(xì)、高分辨率、低誤差的優(yōu)點(diǎn),被廣泛運(yùn)用于各類研究。

1.2 沖突風(fēng)險(xiǎn)樣本數(shù)據(jù)提取

交通沖突是交通參與者相互作用產(chǎn)生的,含義為在時(shí)間或空間上接近到一定程度,如果不采取規(guī)避措施改變運(yùn)動(dòng)狀態(tài)將發(fā)生碰撞事故,是事故的前兆,目前最常用的沖突指標(biāo)是碰撞時(shí)間tTTC。tTTC的定義為:當(dāng)后車速度大于前車時(shí),若兩車?yán)^續(xù)以當(dāng)前速度行駛且不改變行駛軌跡,后車與前車距離碰撞發(fā)生的剩余時(shí)間計(jì)算如式(1):

(1)

式中:VF為后車速度;VP為前車速度;xF為后車位置坐標(biāo);xP為前車位置坐標(biāo);lF為后車長(zhǎng)度。

tTTC反映了兩車的接近程度,tTTC值越小,說明兩車發(fā)生事故的風(fēng)險(xiǎn)越大。為此,研究使用tTTC作為事故風(fēng)險(xiǎn)識(shí)別的指標(biāo)。根據(jù)文獻(xiàn)[16],選擇2 s作為風(fēng)險(xiǎn)判定的閾值,即當(dāng)tTTC小于2 s時(shí),認(rèn)為存在碰撞風(fēng)險(xiǎn)。

由于越接近碰撞發(fā)生時(shí)刻的交通參數(shù)重要性越強(qiáng),將tTTC小于2 s的時(shí)刻記為零時(shí)刻,選取零時(shí)刻前1 s的原始軌跡數(shù)據(jù),提取車輛在橫、縱向上的微觀運(yùn)動(dòng)特征,并對(duì)其進(jìn)行處理得到?jīng)_突風(fēng)險(xiǎn)前1 s的微觀及宏觀交通流特征。

此外,為了比較正常情況下的交通狀況與存在風(fēng)險(xiǎn)時(shí)的差異,還需要提取正常情況的樣本。參考文獻(xiàn)[17],采用病例對(duì)照的方法,選取的風(fēng)險(xiǎn)樣本與正常樣本比例為1∶4。為排除風(fēng)險(xiǎn)事件對(duì)正常交通流存在的后續(xù)影響,在提取正常樣本時(shí)不考慮風(fēng)險(xiǎn)發(fā)生前后20 s內(nèi)的數(shù)據(jù)。在正常樣本提取時(shí),為更好反映分布情況,將tTTC始終大于2 s且滿足要求的數(shù)據(jù)按四分位數(shù)分為4組,從每組中等比例隨機(jī)抽樣,最終得到240個(gè)風(fēng)險(xiǎn)樣本和960個(gè)正常樣本。

2 指標(biāo)選取及模型建立

2.1 指標(biāo)選取

目前的安全評(píng)價(jià)相關(guān)研究中,根據(jù)使用數(shù)據(jù)的不同,模型選用的自變量主要可分為宏觀交通流特征(如流量、密度、平均速度、大車比例等)和微觀特征(速度、加速度、車頭間距等)兩大類。研究表明,不僅微觀因素對(duì)交通沖突風(fēng)險(xiǎn)有較強(qiáng)影[18],宏觀交通流狀態(tài)與沖突間也存在顯著關(guān)聯(lián)[19]。為更全面研究影響沖突風(fēng)險(xiǎn)的因素,筆者從車輛自身運(yùn)動(dòng)狀態(tài)、與周圍車輛微觀交互、車道宏觀交通流狀態(tài)3個(gè)方面選取指標(biāo)以建立模型。

由于HighD數(shù)據(jù)集每秒有25幀,需將原始數(shù)據(jù)處理得到每秒的時(shí)間片段數(shù)據(jù),所選變量及特征描述如表1。其中車輛自身運(yùn)動(dòng)狀態(tài)、與周圍車輛的交互兩類特征為微觀特征,分車道宏觀參數(shù)為宏觀特征。

表1 選取的特征變量

在初步選取了模型變量后,對(duì)特征變量進(jìn)行篩選,去除與因變量相關(guān)性不高的變量,以提高模型效率。筆者使用皮爾遜相關(guān)系數(shù)(以下簡(jiǎn)稱相關(guān)系數(shù))和嵌入法進(jìn)行特征變量選擇。

相關(guān)系數(shù)是反應(yīng)變量間相似程度的統(tǒng)計(jì)量,常用于特征變量選擇,相關(guān)系數(shù)小于0.2則認(rèn)為兩特征變量之間相關(guān)性弱[20]。僅使用相關(guān)系數(shù)無法很好地對(duì)變量進(jìn)行選擇。為此,結(jié)合機(jī)器學(xué)習(xí)常用的特征選擇算法嵌入法(embedded)對(duì)特征進(jìn)行選擇。

嵌入法是一種特征選擇和算法訓(xùn)練同時(shí)進(jìn)行的方法,其特點(diǎn)是結(jié)合要使用的模型并根據(jù)模型評(píng)估結(jié)果進(jìn)行特征選擇,且每次都會(huì)遍歷所有特征。相比于其他特征選擇算法,嵌入法的結(jié)果直接基于模型的效用得出,考慮了特征對(duì)模型的貢獻(xiàn),能更好提升模型效果。而邏輯回歸由于帶有L1和L2懲罰項(xiàng),可以得到相關(guān)特征的權(quán)值系數(shù),其中L1正則化會(huì)在逐漸加強(qiáng)的過程中把對(duì)模型貢獻(xiàn)不大的特征的參數(shù)變成0,留下對(duì)模型有較大貢獻(xiàn)的特征,其本質(zhì)是一個(gè)特征選擇的過程。由于L1正則化的特質(zhì),邏輯回歸的特征選擇可以由嵌入法來完成,其系數(shù)能衡量特征的重要程度和貢獻(xiàn)度,從而篩選出讓模型高效的特征。

由于Logit模型和邏輯回歸模型(logistic regression)原理相同并可以相互轉(zhuǎn)化,采用基于邏輯回歸L1正則化的嵌入法對(duì)特征進(jìn)行進(jìn)一步篩選,并結(jié)合相關(guān)系數(shù)選擇以下特征變量,如表2。

表2 篩選后特征

2.2 二元Logit模型

2.2.1 普通二元Logit模型

為研究沖突風(fēng)險(xiǎn)與影響因素的關(guān)系,建立二元Logit模型。Logit是離散選擇模型的一種,常用于分類問題。由于Logit模型可表示一個(gè)因變量和多個(gè)互不相關(guān)的自變量間的回歸關(guān)系,常用于因變量是二值變量的影響因素分析。設(shè)存在沖突風(fēng)險(xiǎn)的樣本為y=1,正常樣本為y=0,風(fēng)險(xiǎn)發(fā)生概率分別為p和1-p。

…+βkxk=β0+βkX

(2)

式中:β0為函數(shù)的常數(shù)項(xiàng);X為自變量向量,即沖突影響因素;k為影響因素的個(gè)數(shù);βk為自變量對(duì)應(yīng)的系數(shù)向量。

在傳統(tǒng)Logit模型中,每個(gè)解釋變量的系數(shù)固定,即各影響因素在不同樣本中的影響程度相同。但實(shí)際中,同一變量對(duì)于不同樣本的影響并不固定。由于風(fēng)險(xiǎn)的復(fù)雜性,在建模過程中存在無法被觀測(cè)的因素,且已有變量在不同樣本上也存在差異,這些都會(huì)產(chǎn)生異質(zhì)性。

2.2.2 隨機(jī)參數(shù)Logit模型

隨機(jī)參數(shù)模型通過將模型中的變量參數(shù)設(shè)置為固定參數(shù)和隨機(jī)項(xiàng)的組合,使變量系數(shù)可變化,降低異質(zhì)性影響。隨機(jī)參數(shù)Logit模型如式(3)、式(4):

(3)

βi=β+Γδi

(4)

式中:βi為樣本i的自變量Xi對(duì)應(yīng)的參數(shù)向量,服從某種分布,即βi～f(βi|θ);β為Xi對(duì)應(yīng)的隨機(jī)參數(shù)向量的均值向量,對(duì)所有樣本都相同;Γ為系數(shù)矩陣,表征各隨機(jī)參數(shù)間協(xié)方差及潛在相關(guān)性,其元素用于計(jì)算隨機(jī)參數(shù)的標(biāo)準(zhǔn)差,其對(duì)角線元素表示隨機(jī)參數(shù)的標(biāo)準(zhǔn)差;δi為協(xié)方差矩陣,是單位陣的隨機(jī)項(xiàng),服從標(biāo)準(zhǔn)正態(tài)分布,用于表征異質(zhì)性。

2.2.3 考慮均值異質(zhì)性的隨機(jī)參數(shù)Logit模型

隨機(jī)參數(shù)Logit模型不能解釋造成隨機(jī)系數(shù)的原因,為此引入考慮均值異質(zhì)性的隨機(jī)參數(shù)Logit模型,即設(shè)定隨機(jī)參數(shù)的均值中存在未觀察到的異質(zhì)性。在式(4)基礎(chǔ)上加入均值異質(zhì)性向量,即:

βi=β+ΔZi+Γδi

(5)

式中:Zi為樣本i中的均值異質(zhì)性向量,會(huì)影響βi的均值;Δ是對(duì)應(yīng)的估計(jì)參數(shù)向量。

由于隨機(jī)參數(shù)Logit模型的概率函數(shù)為非封閉型,不能直接求解,需要采用基于仿真的最大似然方法。參考文獻(xiàn)[21],選擇Halton序列抽樣,抽樣次數(shù)為500次,且隨機(jī)參數(shù)服從正態(tài)分布的效果更好。

由于Logit模型是非線性模型,其系數(shù)只能反映自變量x和響應(yīng)概率p的關(guān)系為正向還是負(fù)向,而無法進(jìn)一步解釋自變量x對(duì)p的影響。因此,引入邊際效應(yīng)來說明變量的變化對(duì)沖突風(fēng)險(xiǎn)的影響情況[2]。邊際效應(yīng)可以解釋為當(dāng)其他變量保持不變時(shí),某個(gè)自變量變化一個(gè)單位引起的響應(yīng)概率變化,連續(xù)變量的邊際效應(yīng)本質(zhì)是求偏導(dǎo)數(shù),自變量xk的邊際效應(yīng)M計(jì)算如式(6):

(6)

2.3 模型擬合評(píng)價(jià)

為比較模型的擬合優(yōu)度和預(yù)測(cè)精度,本文使用赤池信息準(zhǔn)則(AIC)和McFaddenR2(McFadden’s likelihood ratio index)進(jìn)行模型擬合評(píng)價(jià)。

2.3.1 AIC赤池信息準(zhǔn)則

AIC值越小,證明模型擬合效果越好。AIC統(tǒng)計(jì)量如式(5):

AAIC=-2(LL-K)

(7)

式中:LL為待評(píng)估模型的對(duì)數(shù)似然函數(shù)值;K為模型中參數(shù)數(shù)量。

2.3.2 McFaddenR2(偽R2)

McFaddenR2的取值范圍為0到1。待評(píng)估模型的McFaddenR2越大,則其相對(duì)于基準(zhǔn)模型的提高程度越大,計(jì)算如式(8):

(8)

式中:LL0是基準(zhǔn)模型的最大對(duì)數(shù)似然值。

3 模型結(jié)果與分析

3.1 模型比較

使用第2節(jié)選取的變量進(jìn)行建模,去除其中不顯著的變量,保留所有顯著變量作為最終的建模變量。對(duì)普通二元Logit模型、隨機(jī)參數(shù)Logit模型以及均值異質(zhì)性隨機(jī)參數(shù)Logit模型進(jìn)行參數(shù)標(biāo)定后,得到參數(shù)的結(jié)果和模型擬合指標(biāo)如表3。

表3 模型參數(shù)估計(jì)結(jié)果

由表3可知:

1)3個(gè)模型中,縱向速度標(biāo)準(zhǔn)差、橫向速度標(biāo)準(zhǔn)差、橫向加速度標(biāo)準(zhǔn)差、與前方車輛縱向速度差的平均值、與前方車輛橫向速度差的標(biāo)準(zhǔn)差、與前方車輛橫向加速度差的平均值、本車道平均車頭間距、相鄰車道大車比例、車道間平均橫向速度之差等9個(gè)變量在99%的置信水平上顯著。

2)與前方車輛縱向速度差的平均值、本車道平均車頭間距、車道間平均橫向速度之差等3個(gè)變量的系數(shù)為隨機(jī)參數(shù),其系數(shù)均值和標(biāo)準(zhǔn)差均在99%的置信水平上顯著,說明存在異質(zhì)性。

模型擬合優(yōu)度指標(biāo)如表4。由表4可知:相比普通二元Logit模型,隨機(jī)參數(shù)Logit模型的對(duì)數(shù)似然值由-172.996提高至-157.619,均值異質(zhì)性隨機(jī)參數(shù)Logit模型的對(duì)數(shù)似然值提高至-147.453;均值異質(zhì)性隨機(jī)參數(shù)Logit模型的AAIC值最小,且其RMcFaddenR2最大?？芍诞愘|(zhì)性隨機(jī)參數(shù)Logit模型擬合效果最好,隨機(jī)參數(shù)Logit模型次之,普通二元Logit模型最差。

表4 模型擬合優(yōu)度指標(biāo)對(duì)比

3.2 參數(shù)解釋

由于考慮均值異質(zhì)性的隨機(jī)參數(shù)Logit模型的擬合效果更好,將結(jié)合表3考慮均值異質(zhì)性的隨機(jī)參數(shù)Logit模型結(jié)果和表5邊際效應(yīng)結(jié)果對(duì)參數(shù)進(jìn)行分析,并對(duì)影響因素進(jìn)行分析。

表 5 均值異質(zhì)性隨機(jī)參數(shù)Logit模型的邊際效應(yīng)

3.2.1 車輛自身運(yùn)動(dòng)狀態(tài)

結(jié)合表3、表5可知:

1)在車輛自身運(yùn)動(dòng)狀態(tài)變量中,車輛縱向速度標(biāo)準(zhǔn)差、橫向速度標(biāo)準(zhǔn)差、橫向加速度標(biāo)準(zhǔn)差均對(duì)沖突風(fēng)險(xiǎn)有顯著影響,并且均與沖突風(fēng)險(xiǎn)呈正相關(guān)。

2)縱向速度標(biāo)準(zhǔn)差每增加一個(gè)單位,風(fēng)險(xiǎn)發(fā)生可能性增加1.9%?？v向速度標(biāo)準(zhǔn)差增大說明當(dāng)前車輛的縱向速度出現(xiàn)較大的波動(dòng),可能存在急加速或急減速等危險(xiǎn)駕駛行為,導(dǎo)致風(fēng)險(xiǎn)增加。

3)橫向速度標(biāo)準(zhǔn)差每增加一個(gè)單位,風(fēng)險(xiǎn)發(fā)生可能性增加2.1%。車輛的橫向速度出現(xiàn)較大波動(dòng)時(shí),說明其可能存在換道、分神駕駛或者疲勞駕駛等行為,或通過轉(zhuǎn)向來避免追尾沖突,與周圍車輛交互增多,導(dǎo)致沖突風(fēng)險(xiǎn)增大。

4)橫向加速度標(biāo)準(zhǔn)差每增加一個(gè)單位,風(fēng)險(xiǎn)發(fā)生可能性增加2.0%。橫向加速度的波動(dòng)性增大會(huì)導(dǎo)致駕駛員對(duì)于車輛的控制更難,產(chǎn)生風(fēng)險(xiǎn)可能性更大。

3.2.2 與周圍車輛的交互

由表3、表5可知:

1)在表征與周圍車輛交互的變量中,與前方車輛縱向速度差的平均值、與前方車輛橫向速度差的標(biāo)準(zhǔn)差、與前方車輛橫向加速度差的平均值均對(duì)風(fēng)險(xiǎn)有顯著影響。

2)與前方車輛縱向速度差的平均值是隨機(jī)變量,其參數(shù)服從均值為2.025、標(biāo)準(zhǔn)差為3.202的正態(tài)分布,該參數(shù)大于0的概率為73.64%,即隨著與前方縱向速度差的增大,有73.64%的個(gè)體碰撞風(fēng)險(xiǎn)可能增高;車輛與前車的平均縱向速度差邊際效應(yīng)為0.016,說明與風(fēng)險(xiǎn)呈正相關(guān),即其每增加一個(gè)單位,風(fēng)險(xiǎn)發(fā)生可能性增加1.6%。這是由于當(dāng)兩車縱向速度差較大時(shí),跟隨車輛速度大于前車,發(fā)生追尾沖突的風(fēng)險(xiǎn)也隨之增大。

3)由均值異質(zhì)性隨機(jī)參數(shù)Logit模型結(jié)果可知,變量“與前方車輛縱向速度差的平均值”的隨機(jī)參數(shù)均值會(huì)受到“自車橫向加速度標(biāo)準(zhǔn)差”的影響,其參數(shù)估計(jì)為正,這說明當(dāng)車輛的橫向加速度標(biāo)準(zhǔn)差增大時(shí),變量“與前方車輛縱向速度差的平均值”的參數(shù)均值增大,即發(fā)生沖突風(fēng)險(xiǎn)的概率增加。這可能是由于車輛的橫向加速度波動(dòng)影響駕駛員對(duì)車輛的控制水平,間接導(dǎo)致與前車車速差增加,或者車輛在換道過程中進(jìn)行加速超車,從而造成風(fēng)險(xiǎn)增大。

4)當(dāng)前車輛與前方車輛橫向速度差的標(biāo)準(zhǔn)差、與前方車輛平均橫向加速度差均為固定參數(shù)變量,邊際效應(yīng)分別為-0.020和0.006,即與前方車輛橫向速度差的標(biāo)準(zhǔn)差每增加一個(gè)單位,風(fēng)險(xiǎn)發(fā)生的概率降低2%,這可能是由于此時(shí)車輛正處于換道過程中,逐漸遠(yuǎn)離目標(biāo)車輛,追尾風(fēng)險(xiǎn)下降;而與前方車輛橫向加速度差的平均值每增加一個(gè)單位,風(fēng)險(xiǎn)發(fā)生的概率上升0.6%,這說明此時(shí)前車橫向速度變化更為劇烈,導(dǎo)致目標(biāo)車輛追尾風(fēng)險(xiǎn)略有增加。

3.2.3 分車道宏觀參數(shù)

由表3、表5可知:

1)在宏觀交通流特征中,本車道的平均車頭間距、相鄰車道的大車比例、車道間的平均橫向速度差對(duì)風(fēng)險(xiǎn)有顯著影響。其中本車道的平均車頭間距和車道間平均橫向速度差為隨機(jī)參數(shù)變量。

2)本車道平均車頭間距的系數(shù)服從均值為0.780,標(biāo)準(zhǔn)差為1.371的正態(tài)分布,表明該系數(shù)大于0的概率為71.5%,即隨著車道平均車頭間距的增大,有71.5%的個(gè)體沖突風(fēng)險(xiǎn)可能增加?？赡苁钱?dāng)該車道的平均車頭間距較大時(shí),可能誘發(fā)相鄰車道車輛的換道行為,而換道過程中車輛交互頻繁,從而導(dǎo)致風(fēng)險(xiǎn)增加,這與文獻(xiàn)[10]的結(jié)論相似。車道平均車頭間距的邊際效應(yīng)為0.006,即車道的平均車頭間距每增加一個(gè)單位,風(fēng)險(xiǎn)發(fā)生的可能性就會(huì)增加0.6%。而本車道平均車頭間距作為隨機(jī)參數(shù)變量沒有檢測(cè)出顯著的均值異質(zhì)性的變量,表明這一變量具有異質(zhì)性,但基于筆者數(shù)據(jù)還不能對(duì)其異質(zhì)性問題進(jìn)行解釋。

3)車道間平均橫向速度差的系數(shù)服從均值為0.985,標(biāo)準(zhǔn)差為1.427的正態(tài)分布,表明該系數(shù)大于0的概率為75.5%,即隨著目標(biāo)車輛所在車道與相鄰車道平均橫向速度差的增大,有75.5%的個(gè)體碰撞風(fēng)險(xiǎn)可能增大;其邊際效應(yīng)為0.007,即每增加一個(gè)單位,風(fēng)險(xiǎn)發(fā)生的概率就增加0.7%,可以解釋為當(dāng)前車道中有車輛處于換道過程,導(dǎo)致車道平均橫向速度增大,而換道過程中出現(xiàn)的車輛交互影響當(dāng)前車道其他車輛,也可能使目標(biāo)車輛風(fēng)險(xiǎn)增大。

4)根據(jù)均值異質(zhì)性隨機(jī)參數(shù)logit模型的結(jié)果,隨機(jī)參數(shù)變量“車道間平均橫向速度差”的參數(shù)均值會(huì)受到變量“自車橫向加速度標(biāo)準(zhǔn)差”的影響,其參數(shù)估計(jì)為負(fù)。說明當(dāng)車輛的橫向加速度標(biāo)準(zhǔn)差減小時(shí),變量“車道間平均橫向速度差”的參數(shù)均值增大,即由車道間平均橫向速度差引起風(fēng)險(xiǎn)的概率增大。說明在沖突風(fēng)險(xiǎn)前1 s內(nèi)車輛的橫向加速度波動(dòng)程度的降低反映在車道宏觀特征變量上有所滯后,即使此時(shí)車輛的橫向加速度變化很小,也可能會(huì)造成風(fēng)險(xiǎn)增加。

5)相鄰車道大車比例的參數(shù)為固定值,與風(fēng)險(xiǎn)呈負(fù)相關(guān),其邊際系數(shù)為-0.008,說明相鄰車道的大車比例每增加一個(gè)單位,風(fēng)險(xiǎn)發(fā)生的概率降低0.8%。這是由于當(dāng)相鄰車道的大車較多時(shí),本車道車輛傾向于保持車道行駛,并注意與前車的安全距離,從而使沖突風(fēng)險(xiǎn)略有下降。

4 結(jié) 論

選取HighD高分辨率軌跡數(shù)據(jù)集,使用TTC作為風(fēng)險(xiǎn)判別指標(biāo)并建立Logit模型對(duì)沖突風(fēng)險(xiǎn)的影響因素進(jìn)行分析。提取風(fēng)險(xiǎn)發(fā)生前1 s內(nèi)的車輛軌跡數(shù)據(jù),從車輛自身運(yùn)動(dòng)狀態(tài)、與周圍車輛的微觀交互以及宏觀交通流狀態(tài)3個(gè)方面計(jì)算特征變量,并使用特征選擇算法進(jìn)一步篩選出用于模型的特征。最后以是否存在碰撞風(fēng)險(xiǎn)為二元因變量,分別建立了普通二元Logit模型、隨機(jī)參數(shù)Logit模型和考慮均值異質(zhì)性的隨機(jī)參數(shù)Logit模型,得到如下結(jié)論:

1)對(duì)數(shù)似然、AAIC、RMcFaddenR2等模型擬合評(píng)價(jià)指標(biāo)的結(jié)果表明,均值異質(zhì)性隨機(jī)參數(shù)Logit模型相比普通二元Logit模型有更好的擬合效果最好,隨機(jī)參數(shù)Logit模型次之。

2)車輛自身的運(yùn)動(dòng)狀態(tài)、與前方車輛的交互以及宏觀交通狀態(tài)均對(duì)沖突風(fēng)險(xiǎn)有顯著影響。其中影響最大的特征依次是:車輛橫向速度標(biāo)準(zhǔn)差、與前方車輛橫向速度差的標(biāo)準(zhǔn)差、車輛橫向加速度標(biāo)準(zhǔn)差以及縱向速度標(biāo)準(zhǔn)差、相鄰車道大車比例。相比于車輛自身運(yùn)動(dòng)特征以及與前方車輛交互特征,在沖突風(fēng)險(xiǎn)前1 s內(nèi),宏觀交通特征的影響更小。

3)當(dāng)車輛自身的速度和加速度波動(dòng)增大時(shí),其沖突風(fēng)險(xiǎn)可能性增大;當(dāng)車輛與前方車輛的速度差增大時(shí)其風(fēng)險(xiǎn)可能性增大;本車道的平均車頭間距越小,車輛的風(fēng)險(xiǎn)性更大,相鄰車道的大車比例增大,車輛風(fēng)險(xiǎn)有所下降、而車道間平均橫向速度之差對(duì)風(fēng)險(xiǎn)有正向影響。