高速公路合流區(qū)車輛跟馳行為分車道差異性

（長安大學(xué)汽車學(xué)院，陜西 西安 710064）

0 引言

高速公路合流區(qū)作為主線道路與匝道交匯的特殊路段，其含有車輛的加減速、頻繁變換車道、匝道交通流匯入主線行駛等行為的復(fù)雜交通環(huán)境易對駕駛員的正常操作產(chǎn)生干擾，導(dǎo)致主線交通流不穩(wěn)定和交通事故頻發(fā)[1]。有研究表明，高速公路分合流區(qū)域公里事故率是其他路段的4～6 倍，該區(qū)域?qū)偈鹿识喟l(fā)路段，存在的交通安全問題較為突出[2]。因此，對高速公路分合流區(qū)域駕駛員的微觀駕駛行為相對于普通路段的差異性進行深入研究，對于理解高速公路特殊路段的交通流特性、完善該區(qū)域安全管理機制、降低交通事故率具有重要意義。

車輛跟馳行為是一種基礎(chǔ)的微觀駕駛行為，描述了在交通環(huán)境不適合超車的情況下同一車道內(nèi)列隊行駛的相鄰兩車之間的相互作用。車輛跟馳概念最早于20 世紀50 年代初被提出，經(jīng)大量學(xué)者深入研究，已形成了較為完備的車輛跟馳理論[3]。國外對跟馳行為的研究開展較早，主要集中于各類跟馳模型的提出與改進[3-5]，以及基于跟馳車輛軌跡數(shù)據(jù)和駕駛?cè)朔磻?yīng)特性數(shù)據(jù)的跟馳行為特征分析[6-7]。國內(nèi)外駕駛?cè)松硖匦浴Ⅰ{駛習(xí)慣和道路條件等方面存在的差異，使得國外模型在國內(nèi)的適用性受限。而國內(nèi)對跟馳行為的研究起步較晚，較多研究為對國外跟馳模型的改進，如考慮側(cè)向車道、前后多車和跟隨車偏離車道中心線等特定因素影響下的跟馳模型構(gòu)建[8-10]，此外，部分學(xué)者對信號控制交叉口、環(huán)形交叉口等特殊路段和駕駛員個體特征等影響下跟馳行為呈現(xiàn)的特征進行了分析[11-13]。上述研究雖考慮到了復(fù)雜交通流對跟隨車輛的影響，但由于高速公路合流區(qū)域?qū)嵻嚥杉Y數(shù)據(jù)較困難，暫無學(xué)者針對該區(qū)域交通流影響下車輛跟馳行為相對于普通路段的差異性進行探討。合流區(qū)域復(fù)雜的交通流特性和地形特征，使得各車道駕駛員受到的干擾不一樣，導(dǎo)致各車道內(nèi)車輛表現(xiàn)出的跟馳行為有所不同。因此，開展合流區(qū)域內(nèi)跟馳行為研究，對于補充特殊路段車輛跟馳軌跡基礎(chǔ)數(shù)據(jù)庫，完善對復(fù)雜交通流影響下車輛跟馳行為特性的掌握有重要意義。

本文基于從高速公路合流區(qū)域拍攝的視頻中獲取的車輛跟馳軌跡數(shù)據(jù)，提取并量化了11個表征跟馳行為特性的特征參數(shù)，從跟馳車速穩(wěn)定性、跟馳行為傾向性和橫向位置穩(wěn)定性3個維度，探討了不同車道跟馳車輛受區(qū)域內(nèi)交通流影響所表現(xiàn)出來的跟馳行為差異性。結(jié)合粒子群優(yōu)化（Particle Swarm Optimization,PSO）算法和模糊C均值（Fuzzy C-Means,FCM）算法分別從3 個維度對駕駛員的跟馳行為特征進行聚類，深入分析不同車道跟馳行為存在的差異性。通過對合流區(qū)微觀駕駛行為的研究，可更好地理解高速路合流區(qū)內(nèi)駕駛員的行為特征、特殊的區(qū)域交通流特性與交通事故狀況3 者之間存在的內(nèi)在關(guān)聯(lián)，能為進一步開展高速公路合流區(qū)域事故風(fēng)險評價提供依據(jù)。

1 駕駛員跟馳行為特征參數(shù)提取

為準確全面地探究車輛在通過高速公路合流區(qū)域時，受交通流影響表現(xiàn)出的跟馳行為特性，本文選取了11個特征參數(shù)來表征跟馳車輛在縱向和橫向上行駛狀態(tài)的變化，其中包含8 個表征車輛縱向跟馳狀態(tài)的特征參數(shù)和3 個表征車輛橫向跟馳狀態(tài)的特征參數(shù)（見表1）。選取標準為參數(shù)值過大或過小是否會引起同車道車輛的碰撞、是否明顯干擾相鄰車道的車輛行駛及是否會造成車內(nèi)乘員的不良反應(yīng)。

表1 跟馳行為特征參數(shù)選取

2 基于Tracker的車輛軌跡數(shù)據(jù)提取

選擇大疆Inspire 2無人機作為視頻采集設(shè)備，控制其飛至西安市丈八立交雙向6 車道高速公路合流區(qū)上方，并嚴格垂直于路面對300m 范圍內(nèi)區(qū)域進行視頻拍攝。視頻采集的時段選在2019年9 月15 日14:30—15:00 之間，為天氣晴朗、基本無風(fēng)、光線良好的工作日平峰時段，最大程度排除氣候變化對數(shù)據(jù)采集的不利影響。

從采集的視頻中截取出一段畫面抖動不明顯的3min 片段，并用Premiere 軟件的變形穩(wěn)定器效果進行處理，最大程度減小無人機輕微抖動對視頻數(shù)據(jù)提取的影響。視頻數(shù)據(jù)提取軟件選擇Tracker，軟件操作界面見圖1，提取車輛軌跡數(shù)據(jù)的具體過程如下。

圖1 車輛行駛軌跡追蹤軟件界面

（1）建立統(tǒng)一的坐標系并對圖像中的距離進行標定。以高速公路一個車道寬（3.75m）對圖像的距離進行標定，將x軸與內(nèi)側(cè)車道線重合，y軸垂直于車道線，將坐標系的原點O設(shè)置于距離入口大概150m處。

（2）對車輛進行編號，在車頭部分建立質(zhì)點，并將質(zhì)點的追蹤時間間隔設(shè)置為3 幀，采樣頻率為10Hz。

（3）將Tracker 中記錄的數(shù)據(jù)導(dǎo)出，得到了48輛跟馳車輛（其中，外側(cè)車道、中間車道和內(nèi)側(cè)車道各16輛）的行駛軌跡數(shù)據(jù)，包括前后車的編號、前車車長、采樣時刻、前后車位置坐標等，共計50 445條數(shù)據(jù)。

為驗證使用視頻方法提取車輛軌跡數(shù)據(jù)的可靠性，在視頻采集過程中安排一輛裝有車載GPS測速儀的試驗車行駛過拍攝路段，由車載GPS 測速儀實時采集試驗車車速數(shù)據(jù)。同時，無人機也對試驗車進行視頻拍攝，然后使用Tracker提取試驗車的軌跡數(shù)據(jù)。對車載GPS 測速儀采集的車速數(shù)據(jù)和Tracker中提取出的該試驗車的車速數(shù)據(jù)進行曼-惠特尼（Mann-Whitney）U檢驗，這是一種關(guān)于兩個獨立樣本的非參數(shù)檢驗方法，無需假定總體分布，可用來檢驗兩種方法獲取的數(shù)據(jù)是否存在顯著差異。車速數(shù)據(jù)如圖2 所示，用SPSS進行U檢驗的結(jié)果顯示p=0.525＞0.05，結(jié)果表明兩種方法獲取的數(shù)據(jù)并無顯著差異，因此使用視頻方法提取車輛軌跡數(shù)據(jù)是可靠的。

圖2 兩種方法獲取的試驗車車速數(shù)據(jù)

由于目標追蹤的時間間隔為0.1s，導(dǎo)致提取的數(shù)據(jù)存在大量的噪聲信號，故利用快速傅立葉變換（Fast Fourier Transform,FFT）濾波算法對原始軌跡數(shù)據(jù)進行降噪處理，并用相關(guān)軟件計算得到表征車輛跟馳行駛狀態(tài)的11 個特征參數(shù)數(shù)據(jù)樣本。

3 粒子群優(yōu)化的FCM聚類算法

基于梯度下降的FCM 算法是一種局部搜索算法，對初始中心較敏感，容易陷入局部最優(yōu)[15]。而PSO 算法通過調(diào)整參數(shù)可獲得很強的尋找全局最優(yōu)解的能力，但在接近全局最優(yōu)解時收斂速度會非常緩慢[16]。因此本文選擇PSO 算法和FCM 算法相結(jié)合的聚類方法，對車輛跟馳行為特征參數(shù)進行聚類分析。算法的初始階段利用PSO 算法在整個d維樣本空間中搜索最佳聚類中心，當PSO算法找到全局最優(yōu)區(qū)域，即適應(yīng)度函數(shù)的值在多個連續(xù)迭代中的變化可以忽略不計時，聚類過程切換到FCM 聚類，可以更快的收斂速度和更高的準確性完成聚類任務(wù)。算法流程如圖3所示。

圖3 PSO-FCM算法流程圖

4 基于PSO-FCM 的跟馳行為聚類分析

為了探究車輛在高速公路合流區(qū)域內(nèi)的跟馳行為特征，以及不同車道的跟馳行為是否因側(cè)向車道車輛行為的影響不同而表現(xiàn)出明顯的差異性，利用PSO-FCM 算法從縱向和橫向兩個方向?qū)︸{駛員的跟馳行為特征進行聚類分析。參數(shù)設(shè)置為：粒子群規(guī)模N=20，慣性權(quán)重ωmax=0.9,ωmin=0.4，權(quán)重系數(shù)m=2，學(xué)習(xí)因子c1=c2=2，最大迭代次數(shù)itermax=100。考慮到基于距離的聚類效果評價指標不能很好地識別重疊的類別、對樣本噪聲點敏感等缺陷，本文選取Chen 等人[17]提出的非基于距離的模糊聚類有效性指數(shù)Vcs作為聚類效果評價指標，基于隸屬度矩陣計算出的類內(nèi)緊致度C和類間離散度S評價聚類結(jié)果。C越大聚類效果越好，S越小聚類結(jié)果越清晰，所以Vcs值越大，聚類效果越好，其計算公式如下：

式（1）～式（3）中：c為劃分的類別數(shù)；n為樣本個數(shù)；Cij為第j個樣本對第i類的緊致度；Sik為第i類和第k類樣本間的離散度，表示樣本點j屬于這兩個類別的隸屬度最小值；uij為第j個樣本對第i類的隸屬度；ukj為樣本j對第k類的隸屬度。

4.1 分車道縱向狀態(tài)差異性

基于表征車輛速度穩(wěn)定性的6 個特征參數(shù)對跟馳數(shù)據(jù)樣本進行聚類，劃分的類別數(shù)為3 時輸出的Vcs指數(shù)為0.734，聚類效果良好，結(jié)果如表2所示。

表2 基于車速穩(wěn)定性參數(shù)的跟馳行為特征聚類

由表2 可知，高速公路入口合流區(qū)域交通流穩(wěn)定性不好，基本不存在無變速穩(wěn)定跟馳狀態(tài)，而62.5%的駕駛員跟馳行駛時存在中度以上的變速行為，其中16.67%的駕駛員出現(xiàn)比較劇烈的車速變化。在內(nèi)側(cè)車道中，跟馳車輛速度相對穩(wěn)定，基本只存在輕中度變速行為，中度變速行為所占比例較大，說明內(nèi)側(cè)車道作為超車車道，駕駛員跟馳行為會受到側(cè)向車道車輛換道超車行為的干擾。中間車道中，跟馳車速比較穩(wěn)定，88.23%的駕駛員僅出現(xiàn)了輕中度的變速行為，僅有11.77%的駕駛員存在重度變速行為。外側(cè)車道跟馳車速的穩(wěn)定性較差，80%的駕駛員存在明顯的變速行為，且車道中33.33%的跟馳駕駛員存在重度的車速調(diào)整傾向，占到了整個影響區(qū)內(nèi)重度變速行為的62.5%，說明匝道匯入車輛對外側(cè)車道駕駛員的跟馳行為產(chǎn)生了較大的影響，迫使其不斷調(diào)整自車速度，來保證安全跟車行駛。

基于表征跟馳行為傾向性的2 個特征參數(shù)對跟馳數(shù)據(jù)樣本進行聚類，劃分的類別數(shù)為3 時輸出的Vcs指數(shù)為0.769，說明聚類效果良好，結(jié)果如圖4和表3所示。

圖4 跟馳行為傾向性特征參數(shù)聚類結(jié)果

表3 基于跟馳行為傾向性參數(shù)的跟馳行為特征聚類

由圖4 和表3 可知，25%的駕駛員在跟馳行駛時表現(xiàn)比較激進，在車頭時距為2.5s 以內(nèi)的情況下，持續(xù)以高于前車約4.5km/h 的車速行駛，出現(xiàn)緊急狀況時，發(fā)生事故的概率較大。62.5%的駕駛員保持較為穩(wěn)健的跟馳行駛狀態(tài)，后車車速略高于或低于前車車速，車頭時距也較為安全。而12.5%的駕駛員出于安全考慮，行為更保守，以低于前車約11km/h的車速行駛，車頭時距也在3s 以上，這會對交通流產(chǎn)生一定的阻滯作用。

內(nèi)側(cè)車道中，75%的駕駛員跟馳行為比較穩(wěn)重，說明內(nèi)側(cè)車道車輛受側(cè)向車道車輛的干擾相對較小，駕駛員能以比較理想的跟馳狀態(tài)跟車行駛。中間車道穩(wěn)重型駕駛行為占了58.82%，但29.41%的駕駛員更傾向于保守型跟馳，占到了整個路段保守型跟馳行為的83.33%，說明中間車道駕駛員對跟馳車速和車頭時距的選擇受兩側(cè)交通流的影響較大。而外側(cè)車道中，存在46.67%的激進型跟馳行為，可理解為匝道匯入交通流對前車產(chǎn)生了影響，或由于主線優(yōu)先通行原則使得后車駕駛員加速通過入口區(qū)域，導(dǎo)致后車車速高于前車且車頭時距較小。

4.2 分車道橫向狀態(tài)差異性

以表征車輛跟馳狀態(tài)橫向變化特征的3 個特征參數(shù)μdl、μdr、sdm為聚類指標，利用PSO-FCM算法對48輛車跟馳數(shù)據(jù)樣本進行聚類分析。按各特征參數(shù)的特性，劃分的類別數(shù)為4 時Vcs指數(shù)的輸出值為0.823，達到了很好的聚類效果，結(jié)果如圖5和表4所示。

圖5 橫向狀態(tài)特征參數(shù)聚類結(jié)果

表4 基于橫向特征參數(shù)的跟馳行為特征聚類

由圖5 和表4 可知，僅有35.42%的駕駛員屬于橫向溫和型，會穩(wěn)定地沿著車道中心線跟車行駛。而64.58%的駕駛員會受到側(cè)向車道車輛的干擾，自發(fā)調(diào)整自車在車道內(nèi)的橫向位置。其中，14.58%的駕駛員屬于橫向激進型，其駕駛行為受兩側(cè)車道車輛影響較大，會不斷左右調(diào)整自車在車道內(nèi)的橫向位置。

內(nèi)側(cè)車道屬超車車道，駕駛員受側(cè)向車道車輛的影響較小，56.25%的跟馳行為屬橫向溫和型，車輛會保持在車道中心線附近行駛，僅有18.75%的駕駛員會受到中間車道的影響而向左偏移車道中心線行駛，而25%的駕駛員會受到左側(cè)對向來車的影響而偏向右側(cè)行駛。中間車道中，70.59%的駕駛員跟馳行駛時會受到兩側(cè)車道交通流的影響而偏離車道中心線行駛，但橫向位置比較穩(wěn)定，僅有11.76%的駕駛員存在頻繁左右調(diào)整位置的行為。外側(cè)車道的跟馳行為中，4 種類型的跟馳行為都存在，其中橫向激進型占33.33%，占整個路段該類行為的71.43%，可見整個路段出現(xiàn)的橫向激進型跟馳行為基本都發(fā)生在了外側(cè)車道，說明匝道和中間車道的車流對駕駛員跟馳行為產(chǎn)生了較大干擾，迫使其不斷調(diào)整橫向位置。同時，僅有20%的駕駛員會選擇偏向右側(cè)行駛，而26.67%的駕駛員選擇偏向左側(cè)行駛，說明匝道匯入交通流比中間車道交通流對外側(cè)車道駕駛員跟馳行為橫向位置選擇的影響更大。

4.3 跟馳行為分車道差異性總結(jié)

綜合上述分析可知，內(nèi)側(cè)車道車輛跟馳車速相對穩(wěn)定，基本只存在輕中度變速行為，受側(cè)向車道車輛的干擾相對較小，駕駛員能以比較理想的跟馳狀態(tài)跟車行駛，但作為超車車道，其他車道車輛的行駛狀態(tài)也會對其產(chǎn)生一定程度的影響；中間車道車輛速度較為穩(wěn)定，跟馳行為傾向于保守，駕駛員會根據(jù)兩側(cè)交通流的變化調(diào)整車速和車頭時距，偏離中心線行駛，但橫向位置相對穩(wěn)定；外側(cè)車道駕駛員受匝道匯入車輛和中間車道車輛的影響會不斷調(diào)整自車速度和其在車道中的橫向位置，跟馳行為也較為激進，存在較大的安全隱患。

可推斷，高速公路合流區(qū)不同車道內(nèi)駕駛員表現(xiàn)出的跟馳行為特征，與該區(qū)域內(nèi)匝道交通流匯入主線、車輛頻繁換道和變速等復(fù)雜的交通流特征存在較大關(guān)聯(lián)，即駕駛員受到交通環(huán)境的影響，在跟車過程中會不斷調(diào)整行駛狀態(tài)，且不同車道內(nèi)受到的影響不一樣，這將造成駕駛員明顯的駕駛行為差異，在一定程度上也會導(dǎo)致路段內(nèi)交通事故的發(fā)生。因此，與區(qū)域內(nèi)交通事故頻發(fā)的現(xiàn)狀結(jié)合起來，對該區(qū)域內(nèi)不同車道內(nèi)的車流進行有針對性的引導(dǎo)，可有效改善交通安全現(xiàn)狀，這對開展高速公路合流區(qū)域事故風(fēng)險評價的進一步研究具有重要意義。

5 結(jié)語

本文通過分析從無人機拍攝的視頻中獲取的車輛軌跡數(shù)據(jù)，探討高速公路合流區(qū)內(nèi)車輛跟馳行為特征及不同車道內(nèi)車輛受不同干擾而呈現(xiàn)出的行為差異。車輛的跟馳行為表現(xiàn)在合流區(qū)域內(nèi)并不穩(wěn)定，且不同車道內(nèi)的車輛跟馳狀態(tài)存在明顯差異。其中：外側(cè)車道駕駛員受到的影響最大，行駛狀態(tài)不穩(wěn)定且易表現(xiàn)出較激進的跟馳行為；中間車道次之；內(nèi)側(cè)車道相對穩(wěn)定，受區(qū)域交通流干擾相對較小。受限于數(shù)據(jù)獲取方式，本文僅對高速公路合流區(qū)內(nèi)不同車道車輛跟馳行為存在的差異進行了探討。此外，本文僅考慮了在其他車輛可能存在的橫向和縱向行駛狀態(tài)變化的影響下，后車跟隨前車行駛時在某一車道內(nèi)跟馳行為的變化情況。后續(xù)應(yīng)補充合流區(qū)域內(nèi)車輛換道的數(shù)據(jù)和交通事故數(shù)據(jù)，完善其他車輛的行為對后車換道行為決策和路徑選擇的影響研究，以量化此區(qū)域內(nèi)特殊的交通流特性與交通事故風(fēng)險的內(nèi)在聯(lián)系。