山地城市交叉口車輛縱行運行特性

王延鵬， 劉小明， 彭金栓， 張河山， 徐進，3*

(1. 重慶交通大學交通運輸學院， 重慶 400074； 2. 廈門市市政工程設計院有限公司設計二院， 廈門 361015; 3. 重慶交通大學山區復雜道路環境“人-車-路”協同與安全重慶市重點實驗室， 重慶 400074)

城市道路交叉口是城市路網的關鍵節點[1]，然而，部分山地城市的道路交叉口因其特殊的地形構造，如坡度大、彎道和陡坡組合多等特點，更易造成交通擁堵或交通事故。因此，探究山地城市交叉口的車輛運行特征，厘清車-路與車-車之間的相互影響因素，將對緩解山地城市交通問題產生積極的作用。

現階段，有關城市道路交叉口運行特性的研究已經取得了一定的成果。龍巖松等[2]通過實車駕駛試驗采集信號交叉口車輛運行數據，明確了單車在交叉口的運行特性與模式。魏福祿等[3]通過采集左轉車輛運行數據，對全速度差跟馳模型進行改進，取得了較好的效果。馮仁科等[4]和Zhang等[5]通過實車試驗，利用GPS、眼動儀、心率檢測等設備，解釋了交叉口處車輛的運行特性。Montella等[6]通過聚類分析等方法分析了幾種交通設施對交叉口車輛速度、減速度和橫向位置的影響。Da等[7]基于最優控制理論，充分考慮時間、速度、加速度和距離等參數對車輛的影響，建立了各類交叉口的減速模型。上述研究的場景大部分為地勢平坦的常規交叉口，且存在數據采集方法樣本量較少的缺陷，研究結論的可移植性有待于進一步驗證。

目前，利用視頻圖像處理技術已成為獲得交通數據的重要手段之一。Ke[8]、彭博等[9]和巨志勇等[10]分別基于卷積神經網絡檢測、深度學習與三維模型圖像形變方法提出了視頻中車輛自動識別及軌跡構建框架。Barmpounakis等[11]和Chen等[12]使用無人機記錄路口交通流數據，并分別提出了提取車輛軌跡數據的低成本半自動方法；Grents等[13]和Fedorov等[14]通過設置兩級檢測器以及實時跟蹤器(simple online and realtime tracking，SORT)，提取視頻數據中的交通量、車型和速度等數據。此類研究主要基于視頻數據獲取交通實體的運行數據，但是存在操作繁瑣、數據精度不高等問題。

此外，受實際情況的限制，部分關于交叉口的車輛運行研究采用仿真手段進行。文獻[15-18]基于VISSIM仿真軟件，結合交叉口實際交通狀況，對仿真參數進行標定，分析改造前后交叉口的通行能力和運行狀態，評價改善后的平面交叉口運行狀況。Ma等[19]和Shao等[20]利用VISSIM軟件進行仿真和分析，評價左轉彎待行區設計形式以及新型U型轉彎車道的運行效率。該類研究主要基于仿真軟件，通過調整仿真模型的參數，開展運行特性的研究，美中不足之處在于仿真軟件源于國外，道路條件與駕駛員行為特征與國內存在差異，仿真結果的可靠性需要提升。

為此，現基于視頻分析云平臺DataFromSky AI，構建性能良好的光流算法(Lucas-Kanade，LK)，結合擴展卡爾曼濾波，提取無人機拍攝的交叉口視頻信息(速度、加速度和軌跡數據等)，按不同坡度類型，對山地城市十字形交叉口車輛減速階段的運行特性展開研究。通過厘清車輛在交叉口進口道的減速變化趨勢及其影響因素，刻畫山地城市交叉口車輛停車階段的駕駛行為特征，為交通數據的深度挖掘和交通仿真模型參數的修正提供數據基礎與分析方法，進一步完善山地城市道路交叉口車輛運行特性的相關研究。

1 交叉口視頻數據采集與預處理

1.1 交叉口選取

選取某山地城市共4個道路交叉口作為本次研究對象，其形式為十字形交叉和X形交叉，進口道包含緩坡、上坡以及下坡，是山地城市常見的典型交叉口。表1為交叉口相交道路主要技術參數，圖1為4個交叉口高空俯視圖以及進口道編號。

圖1 試驗交叉口俯視圖Fig.1 Top view of experimental intersection

表1 交叉口相交道路主要技術參數Table 1 Main technical parameters of the test objects

1.2 試驗設備與采集時間

利用無人機進行基礎視頻數據的采集，其型號為大疆御Mavic2 pro專業版，視頻采集的時間為2020年5—6月，分4次進行。為避免不良天氣及早、晚高峰交叉口車流量增大對車輛運行的影響，視頻采集均在晴天或多云天氣條件下，從9:00—16:30進行。視頻分辨率為3 840×2 160，幀速率為29.97 幀/s。

1.3 視頻數據預處理

到達試驗交叉口后，控制無人機上升至指定位置和高度，拍攝3～5 張交叉口照片后開始視頻錄制，圖2為操控無人機飛行的界面顯示，可實時查看拍攝情況。由于無人機拍攝時長和畫面比例原因導致無法同時采集4 個方向車流情況，因此一個交叉口分兩次進行采集，即一塊電池對應拍攝一個方向道路20 min的車流情況。同時，飛行高度需兼顧拍攝范圍、車輛識別效果和限高區域要求，設置飛行高度為150 m。

圖2 手機操作界面 Fig.2 Mobile phone operation interface

1.4 視頻數據預處理

DataFromSky AI視頻分析云平臺使用8個自由度的一般單應性模型描述兩個相鄰幀之間的轉換。首先，整個視頻序列配準到一個公共參考空間。然后，視頻被分割成段，以方便進行快速配準，配準過程分為局部配準和全局配準。其次，使用Lucas-Kanade方法，提取運動背景并細化配準輸出。接著利用擴展卡爾曼濾波對提取的運動數據(包括速度、加速度和軌跡)進行濾波，旨在降低數據噪聲。最后，使用任意視頻幀對視頻進行地理配準。

使用DataFromSky AI視頻分析云平臺，提取無人機視頻中的數據信息，進行深度和全自動流量分析并得到一個跟蹤日志，包含有關交通分析場景的信息以及帶有注釋的車輛軌跡參數等數據[21]，可在DataFromSky Viewer軟件中實時查看，其界面如圖3所示。完成地理配準、設置進出閘口、導出數據等設置及數據轉換、速度數據差值和加速度數據濾波等步驟后，得到初步分析結果。

圖3 DataFromSky Viewer軟件Fig.3 DataFromsky Viewer software

1.5 對比驗證試驗

以二塘路-匯龍路交叉口為試驗交叉口、車輛速度為評價指標，在使用無人機拍攝交叉口的同時，利用搭載測試設備Speedbox的試驗車輛(小型車)多次行駛經過試驗交叉口，圖4為試驗交叉口與車輛行駛路徑圖。將車載設備得到的車輛速度數據與分析平臺得到的數據進行對比分析，進而判斷其準確性。經過篩選，共截取3段車輛行駛有效數據進行分析。圖5為兩種方式得到的車輛運行速度對比圖。從圖5可以看出，利用DataFromSky AI所得到的車輛運行速度數據變化趨勢與車載設備Speedbox得到的幾乎相同，說明了DataFromSky AI平臺獲取的車輛運行參數數據具有一定的準確性與可靠性，能為后續研究提供支持。

圖4 對比驗證試驗設備與路線Fig.4 Compare and verify test equipment and route

圖5 對比試驗車輛運行速度曲線Fig.5 The vehicle speed curve of the comparison test

2 車輛速度整體變化特征

選取進口道路段類型為上坡、下坡和緩坡路段進口道來分析車輛在不同道路類型下減速停車過程的速度變化特征。為方便分析，將車輛進行編號，序號1表示停止線前所停的第一輛車，依此類推，如圖6所示。圖7和圖8分別為不同排隊序號下車輛的速度和速度均值變化曲線圖。

圖6 車輛編號Fig.6 The vehicle number

圖7 不同路段不同序號車輛速度曲線Fig.7 Speed curves of vehicles with different serial numbers in different sections

圖8 不同路段車輛速度均值曲線Fig.8 Average speed curve of vehicles in different sections

兩橋連接道13號進口道為上坡路段，車輛運行速度變化曲線圖如圖7(a)～圖7(c)所示。從減速率和速度降幅來看，序號1和序號2的車輛一開始進入交叉口時，其減速率下降趨勢較為平緩，速度降幅較小，臨近停止線時速度降幅增大并迅速減速至停止；而序號3和4的車輛采取持續平緩減速的制動措施，臨近停止線之前增加制動力。從截面初速度分布范圍的角度分析，上坡路段的初速度分布范圍大于下坡路段，圖7(a)～圖7(c)中車輛截面位置初速度大小差值分別為22.35、25.19、20.90 km/h，均已超過20 km/h，說明駕駛員在上坡路段進入交叉的初速度選擇上具有較大的差異性。圖8(a)為上坡路段兩橋連接道13號進口道車輛平均速度曲線圖。從圖8(a)中可以看出，整體上車輛在上坡路段進入交叉口的平均速度變化趨勢與下坡路段趨勢相同，但截面處的車輛初速度明顯小于下坡路段。其中，下坡路段截面初速度在40 km/h左右，而上坡路段截面初速度在30 km/h左右。

下坡路段以兩橋連接道5號進口道為例，如圖7(e)～圖7(h)所示，該路段車輛停車排隊序號為1、2、3和4的初速度分布范圍分別為27.30～55.12 km/h、26.40～44.31 km/h、20.71～45.26 km/h和25.44～39.90 km/h。1號車輛的截面初速度分布范圍更為分散，而2、3和4號車輛的初速度范圍更為集中。其原因是1號輛車在進入交叉口時，沒有前方車輛的影響，駕駛員對速度的選擇范圍更大、自由性更高；而2、3和4號車輛需要根據前車速度變化而進行速度調整，車速變化幅度較小，截面初速度較為集中。由進口道的車輛平均速度曲線圖[圖8(b)]可以明顯看出，越靠近停止線的車輛，整體平均速度越大，隨著序號增加，車輛平均速度逐漸降低。同時，距離停止線越遠，車輛截面初速度也逐漸降低。從減速率來看，序號1到序號4的車輛減速率逐漸增大，車輛在前方無車或少車情況下的減速率較小，駕駛員會緩慢降低車速直至停止；而當前方車輛數較多時，駕駛員往往采取的制動幅度更大，車速降低更快，制動距離更短。觀察減速停車位置點分布可知，越靠近停止線的車輛平均速度曲線低點更集中且平滑，減速停車點區間越小；而靠后的車輛平均速度曲線低點起伏波動較大，減速終點分布區間較寬。

緩坡路段以蘭花路1號進口道為例，其車輛運行速度變化曲線圖和平均速度曲線圖如圖7(i)～圖7(l)、圖8(c)所示。整體來看，車輛在緩坡路段進入交叉口的速度變化趨勢與上坡、下坡路段基本一致，車輛在緩坡進口道路段進入交叉口時，其初速度變化范圍較大，序號3、4尤其明顯，說明車輛在緩坡路段進入交叉口行駛的速度可選擇范圍更大。此外，減速停車位置點分布顯示，序號為1、2的車輛，其位置分布范圍較為集中，區間大小一般在10 m范圍之內，這與下坡、上坡路段基本一致；而序號為3、4的車輛，其位置分布區間較大，部分區間大小已大于10 m，如圖7(k)和圖7(l)所示，說明駕駛員在緩坡進口道路段并處于排隊序號靠后時，無論是速度范圍還是減速停車位置范圍，駕駛員的速度可選擇性均較大，自由度較高，但截面位置初速度整體上還是小于序號靠前的車輛。

綜上，在同一交叉口不同坡度的進口道路段，車輛的速度在變化趨勢、截面位置初速度大小及分布范圍、速度降幅及減速停車位置分布區間上既有相似性，也有差異性。其中，差異性因不同路段類型而表現不同，整體上車輛在上坡路段進入交叉口的初速度比下坡路段和緩坡路段小，且越靠近停止線處其速度降幅更大；而相似性則表現為停車排隊序號越小，即越靠近停止線位置的車輛初速度越大，其分布范圍較大，在靠近停止線時速度降幅增大，減速停車位置點分布區間較小；而序號越大的車輛在進入交叉口時就已逐漸采取制動措施，其初速度及其分布范圍較小，速度降幅也相對較小，減速停車位置點分布區間較大。

3 車輛停車位置點分布規律

以進口道停止線為參考線，計算不同序號各車輛停車點與其距離，分別得到上坡、下坡和緩坡路段車輛停車位置點分布情況，如圖9和圖10所示。

由圖9可知：不同路段類型和同一路段類型不同進口道車輛停車距離均有所差異，整體上車輛在下坡路段的停車點位置分布更分散，停車區間較大，停車距離最大值出現在緩坡路段。在不同坡度的路段，隨著車輛排隊序號增大，其停車距離也逐漸增大，基本呈線性上升趨勢。車輛停車位置越靠近停車線，其停車位置點分布越集中，而越靠后分布越分散，位置離散度更高，說明當車輛在交叉口進口道停車時，前方車輛駕駛員傾向緊挨著停車，其停車間距較小，而后方車輛駕駛員對于停車位置點的選擇自由度更高，停車間距較大。

圖9 不同路段車輛停車距離Fig.9 Parking distance of vehicles in different sections

以下坡路段為例，對比車輛停車距離峰值可知，丹回路、匯龍路、二塘路和兩橋連接道停車距離峰值分別為33.4、33.8、37.7、38.5 m，對應進口道平均縱坡坡度分別為2.6%、3.0%、5.2%和7.2%，隨著道路縱坡坡度增大，其停車距離也逐漸增大，一定程度上反映出道路縱坡坡度會影響車輛停車位置點及其分布情況。同時，結合圖10可知，序號1、5對應的停車距離均值的最大值和最小值分別為4.44 m、32.92 m和2.99 m、29.54 m，差值為1.45 m和3.38 m，側面說明排隊序號較小的車輛停車位置點分布更集中，較大則分散。

圖10 車輛停車距離均值柱狀圖Fig.10 Histogram of mean value of vehicle parking distance

4 車輛速度與停車距離相關性

圖11為上坡、下坡和緩坡路段車輛在啟動后經過停止線位置處的速度V與其停車距離L的散點圖。從圖11可看出，車輛經過上坡、下坡和緩坡路段停止線位置處的速度V均隨著停車距離L增大而增大，基本呈逐漸上升趨勢。說明靠近停止線排隊停車的車輛停車距離小，其停止線位置通過速度也較小；而距離停止線較遠的車輛停車距離較大，其通過速度也較大，即車輛的速度與其停車距離具有較強的正相關性。

比較圖11(a)～圖11(d)可知，進口道同為下坡類型時，隨著道路縱坡坡度增加，相同停車距離下車輛的通過速度會有小幅增加，說明路段坡度會影響車輛的通過性特征。同時，觀察各散點圖趨勢線可知，停車距離小的區域對應的趨勢線更彎曲，即靠近停止線位置處車輛速度增加明顯，說明排隊序號靠前的車輛啟動后在短距離內提速大，與圖7中車輛速度均值曲線變化相一致。

圖11 下坡、上坡和緩坡V-L散點圖Fig.11 Down slope, up slope and gentle slope V-L scatter plot

利用SPSS(統計產品與服務解決方案)軟件分別對上坡、下坡和緩坡路段停止線位置處的車輛速度V與其停車距離L進行曲線擬合并建立關系模型。通過對比不同形式的函數擬合情況，選擇擬合度最高的表達式作為其關系模型，分別用V1～V8表示。其中，上坡路段調整后的可決系數R2分別為0.833 3和0.656 3，下坡路段為0.828 7、0.670 7、0.786 9和0.852 8，緩坡路段為0.701 6和0.705，均大于0.6，具有統計學意義。故車輛在不同路段的停止線位置處的速度V與停車距離L的關系模型如表2所示。

表2 速度V與停車距離L的關系模型Table 2 The relation model between speed V and stopping distance L

5 結論

通過將交叉口高空視頻圖像上傳至云平臺得到車輛運行數據，對車輛在停車減速過程中的速度變化特征、停車點位置分布規律及停止線處速度與停車距離相關性進行分析，并建立關系模型，進一步明確了車輛在交叉口停車減速階段運行特性，為山地城市道路交叉口安全設計、仿真模型參數修正和提高仿真精度等方面提供了理論支撐和數據支持。

(1)不同坡度的路段，越靠近停止線位置，車輛的初速度和分布范圍越大，下坡路段截面初速度約為40 km/h，上坡路段截面初速度約為30 km/h，上坡路段車輛截面位置初速度、減速率和速度降幅均小于下坡路段。

(2)序號較小的車輛，車輛停車位置點分布較為集中，區間大小一般在10 m范圍之內，基本呈線性上升趨勢。

(3)下坡路段車輛停車點位置分布更分散，停車區間較大，排隊序號較小的車輛停車位置點分布更集中，停車距離均值的最大值和最小值的差值為1.45 m，序號較大的車輛停車位置點分布較分散，停車距離均值的最大值和最小值的差值為3.38 m。

(4)車輛經過上坡、下坡和緩坡路段停止線位置處的速度V均隨著停車距離L增大而增大，具有較強的正相關性。