高速公路施工區(qū)合流路段交通沖突模型

朱順應(yīng), 鄒 禾, 蔣若曦, 肖文彬，王 紅

(武漢理工大學(xué) 交通學(xué)院，武漢 430000)

高速公路改擴建、養(yǎng)護施工區(qū)因持續(xù)時間短，事故資料少，交通沖突作為一種非事故統(tǒng)計技術(shù)對于高速公路施工區(qū)的交通安全評價具有很好的適用性[1-2]. 現(xiàn)有交通沖突研究方法主要分為集計方法和非集計方法. 集計方法[3-4]多采用統(tǒng)計模型建立特定時空內(nèi)的交通沖突模型，并對沖突頻率與道路條件、交通條件因素進行回歸尋找出兩者之間的關(guān)系，其不足在于難以評估微觀的道路環(huán)境下的交通沖突狀況. 非集計方法[5-6]是以單個交通沖突為研究對象的方法，非集計方法的研究多為通過車輛運動學(xué)建立交通沖突的物理模型，大部分非集計交通沖突研究只對沖突兩車進行研究分析，未考慮沖突兩車的相鄰車輛對于沖突兩車的影響，考慮相互作用車輛較少.

本文以單個交通沖突為研究對象，同時參考車聯(lián)網(wǎng)技術(shù)[7-8]，考慮沖突主體兩車之外的車輛對交通沖突主體的影響，使用機器學(xué)習(xí)通過大量數(shù)據(jù)訓(xùn)練構(gòu)造交通沖突貝葉斯網(wǎng)絡(luò)模型，研究交通沖突與速度、加速度等12個交通微觀信息之間的相互關(guān)系，基于機器學(xué)習(xí)的貝葉斯網(wǎng)絡(luò)與其他建模方法相比，可以更為直觀地表達出微觀數(shù)據(jù)與交通沖突之間的關(guān)系. 同時對交通沖突模型在交通領(lǐng)域?qū)嚶?lián)網(wǎng)下無人駕駛干預(yù)沖突技術(shù)提出了展望.

1 數(shù)據(jù)采集與分析

1.1 數(shù)據(jù)采集

為了構(gòu)建交通沖突貝葉斯網(wǎng)絡(luò)模型，在2019年1月10日至1月25日，選取了濟青高速公路改擴建施工區(qū)多個區(qū)段合流區(qū)，通過雷達采集交通沖突數(shù)據(jù). 高速公路改擴建合流路段是在施工區(qū)對兩車道進行合流變?yōu)閱诬嚨赖穆范危袃煞N類型：一種是匝道合流路段；另一種是車輛變換車道同時合流的路段. 合流路段道路狀況變化較大，交通情景復(fù)雜，具有重要的研究價值，本次實驗所選的施工區(qū)合流路段，設(shè)計車速為100 km/h，施工時限速為80 km/h. 兩種合流路段采集現(xiàn)場如圖1所示，為了考慮施工區(qū)道路技術(shù)條件難以量化因素，選擇多個不同區(qū)段進行數(shù)據(jù)采集，以提升訓(xùn)練得到的貝葉斯網(wǎng)絡(luò)對于不同交通場景的適應(yīng)性.

(a)匝道合流路段

(b)轉(zhuǎn)幅合流路段

本次數(shù)據(jù)采集時間包含早高峰8:00—9:00時，晚高峰16:00—17:00時以及平峰10:00—11:00時、15:00—16:00時，采集地點為濟南-青島高速公路K130+800、K176+800、K259+500、K277+300、K283+500、K287+700六個標(biāo)段，共采集了25 h的數(shù)據(jù)，經(jīng)過整理，保留數(shù)據(jù)完整的35 418幀的數(shù)據(jù).

本次實驗使用SmartRader SR600G型路段跟蹤雷達，覆蓋長度為200 m，將雷達架設(shè)在高速公路上方高架橋或道路側(cè)向較高點，可以對道路車輛行駛數(shù)據(jù)進行精確的采集，相比傳統(tǒng)的數(shù)據(jù)采集方式，雷達可在夜間光線較差時工作，采集的數(shù)據(jù)連續(xù)性更好，在模型中的表達能力更強. 每秒采集10幀數(shù)據(jù)，以幀為單位獲得的數(shù)據(jù)，數(shù)據(jù)量更大，數(shù)據(jù)更為精確，位置誤差小于0.3 m，速度誤差小于0.3 m/s.

1.2 數(shù)據(jù)描述及分析

本文以B車和C車之間的交通沖突為研究主體，A、D車為整條道路上除C車外與B車相距最近的車輛，A、B、C、D車可以在相同的車道也可以在不同的車道，車輛位置由前到后分別為A、B、C、D. 研究加入A、D車的車輛信息以綜合考慮研究沖突主體的兩車B、C受道路上的相鄰車輛A、D的影響. 后續(xù)部分將4車分別描述為：相鄰車輛A、沖突車輛B、沖突車輛C、相鄰車輛D，單個沖突微觀研究范圍如圖2所示.

圖2 單個沖突微觀研究范圍

本次實驗視頻識別得到的數(shù)據(jù)為某一幀的車輛信息，此處選取TDTC(time difference to collision)作為實驗的沖突指標(biāo). TDTC定義為在某個時刻，假定車輛的速度和方向保持不變，兩輛車通過當(dāng)前軌跡的交叉點(沖突點)的時間差[9]. TDTC作為一種新的沖突指標(biāo)能同時對異車道沖突、同車道沖突進行識別，也可對沖突的前期預(yù)測分析，很好地彌補了TTC(time to collision)和PET(post encroachment time)的不足[10]. 因為高速公路施工區(qū)的車輛行為比正常路段更為復(fù)雜，TDTC的特點使得其作為高速公路施工區(qū)的沖突指標(biāo)具有很好的適應(yīng)性. 以t時刻，沖突車輛B、沖突車輛C兩車為沖突主體簡單描述TDTC的概念，如圖3所示.

圖3 TDTC概念描述

(1)

式中：TC為C車到達沖突點M的所需時間,s；VC為C車在t時刻的瞬時速度，m/s2；sC為C車t時刻距沖突點M的距離,m；TB為B車到達沖突點M的所需時間, s；VB為B車t時刻的瞬時速度，m/s2；sB為B車t時刻到達沖突點M的距離,m.

當(dāng)B、C兩車無交點M時兩車無沖突. 在訓(xùn)練集中，目標(biāo)變量為B、C車之間的交通沖突，通過TDTC指標(biāo)進行判斷，本文參考國內(nèi)外相關(guān)研究，同時考慮高速公路施工區(qū)這一特殊交通場景，選取TDTC為3 s為嚴(yán)重沖突的閾值，通常在TDTC遠大于3 s時，將交通沖突劃歸潛在沖突，因為本次貝葉斯網(wǎng)絡(luò)建模受限于數(shù)據(jù)量，需要通過控制變量的離散類型以提高模型的精確度，同時考慮到交通事故與嚴(yán)重沖突的相關(guān)性遠大于一般沖突，此次只將交通沖突分為嚴(yán)重沖突、一般沖突、無沖突3種類型.

1.3 變量選擇及數(shù)據(jù)離散

借鑒學(xué)者對前后兩車輛在特定斷面上的交通沖突微觀分析技術(shù)，考慮前后左右4個近鄰車輛在較大區(qū)域時空上的連續(xù)相互作用，選擇與交通沖突(目標(biāo)變量)可能具有相關(guān)性的12個微觀交通數(shù)據(jù)作為構(gòu)建貝葉斯網(wǎng)絡(luò)的變量. 下面分別對這些變量進行介紹.

ΔVx為B、C車縱向速度差，即C車縱向車速減去B車縱向車速(可為負)；ΔVy為B、C車橫向速度差，即C車橫向車速減去B車橫向車速(可為負)；ΔVAB為A、B車速度差，即B車速度減去A車速度(可為負)；ΔVCD為C、D車速度差，即D車速度減去C車速度(可為負)；aB為B車加速度，即B車的加速度；aC為C車加速度，即C車的加速度；LAB為A、B車輛距離，即A車與B車之間的距離；YBC為B、C車橫向間距，即B車與C車之間的橫向距離；XBC為B、C車縱向間距，即B車與C車之間的縱向距離；LCD為C、D車輛距離，即C車與D車之間的距離；ω為車輛類型；θ為合流路段類型；φ為沖突類別.

為了提高訓(xùn)練數(shù)據(jù)的表達能力，加強貝葉斯網(wǎng)絡(luò)模型的穩(wěn)定性，首先需要對數(shù)據(jù)進行離散處理. 通過查閱交通沖突領(lǐng)域的相關(guān)文獻[11-13]，同時考慮高速公路施工區(qū)這一特殊交通場景，分析各個變量與B、C車交通沖突的關(guān)系，確定了離散的具體閾值見表1.

表1 數(shù)據(jù)離散描述

2 貝葉斯網(wǎng)絡(luò)建模

2.1 貝葉斯網(wǎng)絡(luò)原理簡介

貝葉斯網(wǎng)絡(luò)是概率論與圖論的結(jié)合體，由兩部分組成，一部分為一個有向無環(huán)圖,由代表變量的節(jié)點及連接這些節(jié)點有向邊構(gòu)成；另一部分為給定數(shù)據(jù)的條件概率表，它決定了變量之間的關(guān)系強度. 對于一個有n個節(jié)點(x1,x2,…,xn)的聯(lián)合概率分布的表示形式為

(2)

式中：P(xi|parent(xi))為與節(jié)點i相關(guān)的局部條件概率分布，parent(xi)為標(biāo)記節(jié)點i的父節(jié)點 (如果節(jié)點i沒有父節(jié)點，parent(xi)可以為空)[14].

2.2 貝葉斯網(wǎng)絡(luò)建模

貝葉斯網(wǎng)絡(luò)建模包括結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)兩個步驟.

2.2.1 結(jié)構(gòu)學(xué)習(xí)

貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)即確定貝葉斯網(wǎng)絡(luò)的有向無環(huán)圖(DAG). 考慮到此次試驗的變量個數(shù)較多，模型復(fù)雜，為了提高貝葉斯網(wǎng)絡(luò)模型的精度，將融合先驗知識對貝葉斯網(wǎng)絡(luò)進行結(jié)構(gòu)學(xué)習(xí)[15-16]. 最終基于先驗知識確定的變量相互關(guān)系為

[(ΔVx,φ);(ΔVy,φ);(aB,φ);(aC,φ)]∈δe，

(3)

(4)

式中δe，δa的解釋如下：(x,y)∈δe表示在搜索學(xué)習(xí)的過程中x→y這個結(jié)構(gòu)始終存在于網(wǎng)絡(luò)結(jié)構(gòu)中；(x,y)∈δa表示在搜索學(xué)習(xí)的過程中，始終存在x→y或者y→x.

采用MATLAB軟件，融合先驗知識學(xué)習(xí)得到的貝葉斯網(wǎng)絡(luò)結(jié)果，如圖4所示.

圖4 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)結(jié)果

2.2.2 參數(shù)學(xué)習(xí)

在確定了貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)后，需要對貝葉斯網(wǎng)絡(luò)進行參數(shù)學(xué)習(xí)，參數(shù)學(xué)習(xí)實質(zhì)上是在已知網(wǎng)絡(luò)結(jié)構(gòu)的條件下，來獲得每個節(jié)點的條件概率表(CPT). 本次采集的數(shù)據(jù)集為完善數(shù)據(jù)集，無缺失數(shù)據(jù)，采用最大似然估計的方法進行參數(shù)學(xué)習(xí).

下面以C車加速度ac變量為例，比較實際計算的條件概率與參數(shù)學(xué)習(xí)的結(jié)果，簡單描述參數(shù)學(xué)習(xí)過程，見表2.

表2 C車加速度的參數(shù)學(xué)習(xí)

由表2可以看出，無缺失數(shù)據(jù)的狀況下，對貝葉斯網(wǎng)絡(luò)C車加速度進行的參數(shù)學(xué)習(xí)與實際計算結(jié)果一致，參數(shù)估計無誤差.

2.3 可靠性驗證

考慮到采集的數(shù)據(jù)來自于6個路段，為了驗證訓(xùn)練得到的貝葉斯網(wǎng)絡(luò)對于不同交通場景的適應(yīng)性，本文引進K-Fold交叉驗證的方式對機器學(xué)習(xí)得到的貝葉斯網(wǎng)絡(luò)進行驗證[17]. 該驗證方式可以對模型的泛化能力進行評價，即檢驗訓(xùn)練得到的貝葉斯網(wǎng)絡(luò)對于各種不同交通場景的適用性. 本文中K值取10，對貝葉斯網(wǎng)絡(luò)進行交叉驗證.

利用交叉驗證的方法對貝葉斯網(wǎng)絡(luò)進行驗證，驗證結(jié)果表明無沖突識別精度為97.84%，一般沖突識別精度為78.16%，嚴(yán)重沖突識別精度為71.69%，總體精度為88.82%.

交叉驗證結(jié)果表明該貝葉斯網(wǎng)絡(luò)識別的交通沖突類型可靠性較高，也說明了該網(wǎng)絡(luò)模型對于不同交通場景均具有較高的適用性.

3 基于模型的交通沖突影響因素分析

目前貝葉斯網(wǎng)絡(luò)的推理方法種類很多，本文采用聯(lián)合樹算法進行推理，因為其應(yīng)用較廣，研究較成熟[18].

3.1 單變量對交通沖突的影響分析

以車輛類型對交通沖突的影響為例，說明單變量對交通沖突影響分析，不同車輛類型的高速公路施工區(qū)交通沖突類型的概率分布，如圖 5 所示.

由圖5可知，當(dāng)B、C兩車都為小車時，交通沖突和嚴(yán)重交通沖突發(fā)生的概率均較低；當(dāng)B、C兩車為一輛小車與一輛大車時，交通沖突發(fā)生的概率和嚴(yán)重沖突發(fā)生概率有所增加；當(dāng)B、C兩車都為大車時，交通沖突的概率較兩車都為小車時增加，但嚴(yán)重沖突低于一輛大車與一輛小車的情景. 考慮到大車在高速行駛速度通常較快且因慣性較大，減速較慢，在高速公路合流區(qū)易提升交通沖突發(fā)生的概率. 當(dāng)B、C車均為大車時，因為道路環(huán)境復(fù)雜，且都為大車，通常會提前減速謹(jǐn)慎通過，故交通沖突發(fā)生概率較B、C車為一輛大車一輛小車時稍低. 在高速公路改擴建施工區(qū)的合流路段，大車對于交通沖突發(fā)生概率的影響較大.

車輛類型

類似地，基于學(xué)習(xí)得到的貝葉斯網(wǎng)絡(luò)可以分析各變量對高速公路施工區(qū)交通沖突的影響.

3.2 多變量對交通沖突的影響分析

3.2.1 綜合考慮B、C車橫向間距、縱向速度差對交通沖突的影響

以B、C車橫向間距、縱向速度差對交通沖突的影響為例，說明多變量對交通沖突影響分析，不同B、C車橫向間距、縱向速度差的高速公路施工區(qū)交通沖突類型的概率分布，如圖6所示.

圖6 B、C車橫向間距、縱向速度差對交通沖突的影響

由圖6可知，當(dāng)ΔVx>5 m/s,YBC≤1.5 m時，B、C處于同車道且后車速度比前車快，發(fā)生沖突的概率較高，且易發(fā)生嚴(yán)重沖突；當(dāng)ΔVx>5 m/s,YBC>1.5 m時，B、C兩車發(fā)生嚴(yán)重沖突的概率為19.38%，一般沖突的概率為29.35%. 此時，車輛間距大于1.5 m時，在高速公路施工區(qū)合流路段處于車道二轉(zhuǎn)一狀態(tài)，當(dāng)此時后車速度較前車速度快時，后車處于加速超車搶道行為，總結(jié)得到，車輛的超車搶道行為在一定程度上會提升與相鄰車輛發(fā)生沖突的概率.

3.2.2 對比分析A車與D車對B、C車交通沖突的影響

基于訓(xùn)練得到的貝葉斯網(wǎng)絡(luò)，對比分析A車與D車對B、C車交通沖突的影響，如圖7所示.

變量組合形式

變量組合形式

由圖7分析可知，A、D車的行駛狀態(tài)均會對B、C車發(fā)生交通沖突的概率產(chǎn)生影響，特別是當(dāng)A、D兩車距離交通沖突主體B、C車較近時，會提升交通沖突發(fā)生的概率. 比較A、D車輛對交通沖突的影響，發(fā)現(xiàn)A車對于B、C車沖突的影響較D車更大. 結(jié)果表明，駕駛員在駕駛車輛時，由于視覺關(guān)注點的原因，駕駛的注意重心相較于后方車輛D車會更多地傾向于前方車輛A，因此A車對B、C車沖突的影響大于D車，同時，在合流路段，匝道車輛加速駛?cè)胫鞯罆r，受前車影響很大，A車若處于減速狀態(tài)，會引起B(yǎng)車跟隨減速，提升B車與C車之間發(fā)生交通沖突的概率，在施工區(qū)應(yīng)在符合施工規(guī)范條件下，減少合流區(qū)長度，優(yōu)化合流區(qū)道路線形，使前車能盡快加速駛離合流區(qū).

3.2.3 對比分析不同類型合流路段與車輛類型對交通沖突的影響

由圖8分析可知，匝道合流路段交通沖突發(fā)生的概率高于轉(zhuǎn)幅合流路段，特別是當(dāng)B、C車為一輛小車和一輛大車時，交通沖突發(fā)生的概率較高. 由于高速公路施工區(qū)的匝道合流路段匝道兩旁的交通標(biāo)牌、防撞桶等設(shè)施較多，可能會干擾匝道駕駛員合入主道時的行車視距，因此易提高交通沖突發(fā)生的概率.

類似，可以基于高速公路施工區(qū)交通沖突貝葉斯網(wǎng)絡(luò)對其他單變量及多變量對交通沖突的影響進行分析.

圖8 不同類型合流路段與車輛類型對交通沖突的影響

4 基于交通沖突預(yù)測的駕駛策略評估

可以基于表2的離散類型輸入已知的預(yù)測變量來對交通沖突進行預(yù)測，下面以采集的數(shù)據(jù)分布集中的1個例子來對交通沖突的預(yù)測過程進行描述，示例輸入信息見表3.

表3 示例變量信息

基于貝葉斯網(wǎng)絡(luò)的預(yù)測作用，可以為車輛的沖突規(guī)避措施提供指導(dǎo)，以本例中的C車為例，輸入表4各變量信息，可以得到該時刻B、C車不發(fā)生沖突的概率為38.75%，一般沖突的概率為34.82%，嚴(yán)重沖突的概率為26.43%. 本文利用貝葉斯網(wǎng)絡(luò)的預(yù)測功能，計算C車后續(xù)的行為對交通沖突的影響，并以此來指導(dǎo)C車采取最合適的交通沖突規(guī)避措施，以策略I為例說明過程，步驟為：1)減速至C車加速度-2 m/s270 m. 該策略鏈下B、C車交通沖突變化情況如圖9所示.

通過圖9可以看出，當(dāng)C車輛完成步驟1)時，發(fā)生嚴(yán)重沖突的概率由26.43%降低到20.34%，一般沖突概率由34.82%降低到33.27%；完成步驟2)時，嚴(yán)重沖突概率又降低到9.25%，一般沖突概率降低到27.59%；當(dāng)完成步驟3)時，嚴(yán)重沖突的概率降低至3.03%，一般沖突的概率降至12.83%，策略鏈I的3個步驟會逐步減低交通沖突發(fā)生的概率及嚴(yán)重性.

沖突規(guī)避步驟

類似地，該種交通沖突預(yù)測功能的應(yīng)用可以為車輛避免沖突發(fā)生的駕駛行為作出指導(dǎo)，通過將車輛的后續(xù)采取的駕駛策略輸入模型，輸出交通類型概率分布，通過得到的概率分布對駕駛策略進行評估，對車輛進行駕駛指導(dǎo)，可以有效規(guī)避沖突，改善安全性.

參考貝葉斯網(wǎng)絡(luò)建模的思想，可以基于搜索評分的算法對當(dāng)前駕駛狀態(tài)下所有后續(xù)可行駕駛策略進行搜索，后續(xù)通過交通沖突模型對各駕駛策略進行評估，選取評分最高的駕駛策略指導(dǎo)無人駕駛車輛后續(xù)駕駛，為無人駕駛對于車輛行駛的干預(yù)策略優(yōu)化提供了一種思路.

5 結(jié) 論

1)大型車的參與會提高交通沖突發(fā)生的概率以及沖突的嚴(yán)重性；車輛在高速公路施工區(qū)合流路段的超車搶道行為會提高交通沖突的概率；與沖突兩車的相鄰車輛會對交通沖突情況產(chǎn)生影響，因為駕駛員視覺的原因，沖突主體的前車對交通沖突影響更大；匝道合流路段發(fā)生交通沖突的概率和嚴(yán)重性較轉(zhuǎn)幅路段更高. 基于得到的結(jié)論可針對性的采取措施來降低交通沖突概率，提升交通安全水平，如分流大車；在特定路段采取管制措施禁止超車，設(shè)置車距確認(rèn)設(shè)施；在符合規(guī)范的條件下減少合流區(qū)長度，優(yōu)化道路線形等.

2)在交通沖突建模過程中，融合交通沖突領(lǐng)域的先驗知識，提前確定交通沖突模型的部分結(jié)構(gòu)，再基于數(shù)據(jù)學(xué)習(xí)得到最終的模型，可以在提高建模效率的同時，提高模型的精確度.

3)基于交通沖突模型，可以對車輛后續(xù)的駕駛策略進行評估或優(yōu)化，指導(dǎo)車輛駕駛，為無人駕駛對車輛駕駛行為的干預(yù)提供了一種新思路.

4)本研究主要考慮高速公路改擴建施工區(qū)合流路段的車輛因素，未引入道路參數(shù)與交通流數(shù)據(jù)(如主道匝道交通流量比、大車比等)，道路參數(shù)及交通流的影響在一定程度上已經(jīng)體現(xiàn)在采集到的微觀車輛信息內(nèi)，同時基于交叉驗證的結(jié)果，可以看出該不足之處對交通沖突模型的結(jié)果影響較小. 其次，受限于數(shù)據(jù)量，對預(yù)測變量的離散分類不夠細化，下一步將采集更多的數(shù)據(jù)，細化變量的離散類型，更精確的對交通沖突進行研究.