基于DeepLabV3+模型的軌道站點影響區自行車出行環境評價

朱震軍, 張芮嘉 , 張勇 , 過秀成 , 韓吉 , 徐逸清

(1.南京林業大學汽車與交通工程學院, 南京 210037; 2.東南大學交通學院, 南京 211189)

《交通強國建設綱要》中指出要強化城市軌道交通與其他交通方式銜接,完善城市步行和非機動車交通系統,提升步行、自行車等出行品質[1]。自行車具有自主靈活,連續便捷,可達性高的特點,將自行車與軌道交通銜接,可有效解決“最后一公里”問題,在一定程度上延伸軌道站點影響區范圍。軌道站點影響區是指出行者使用某種通勤方式在一定地理范圍、時間之內到達或離開軌道站點所構成的區域范圍[2]。

目前,軌道站點影響區自行車出行環境存在路權無法得到充分保證、綠道建設不夠完善、自行車停車設施分布不夠合理等問題,影響自行車出行的便捷性、舒適性和安全性等[3]。且自行車出行環境評價多依賴于主觀經驗,與自行車出行者感知的道路環境存在一定差距。因此,提取并量化道路環境變量,合理評價軌道站點影響區自行車出行環境,為自行車出行環境優化策略提供方向,對促進自行車接駁出行效率和服務品質提升具有重要意義。

學者們對軌道站點影響區自行車出行環境評價多從便捷性、安全性、舒適性等方面考慮,選取土地利用、道路設施等“5Ds”建成環境做為指標[4]。Guo等[5]考慮可達性、安全性,選取道路密度、公交站點密度、自行車道密度等指標對自行車出行環境進行評價。Chen等[6]考慮可達性,選取土地利用混合度、服務設施密度等指標評估自行車出行環境。

軌道站點影響區的自行車出行環境評價模型也存在差異,相關研究基于離散選擇模型[6]、線性回歸模型[7-8]等構建自行車出行環境偏好模型,或運用綜合賦權法[9]、層次分析法[10-11]求解自行車出行環境影響因素的權重,進而評價自行車出行環境。例如,張智勇等[12]運用層次分析法-熵值法的組合賦權法構建自行車出行環境模糊綜合評判模型。

現有研究多聚焦于“5Ds”建成環境評價自行車出行環境,然而,自行車出行者在騎行過程中還會受到與道路空間要素相關的建成環境的影響,如綠視率、天空可視度。此外,評價方法主要依賴主觀經驗,評估結果準確度較低。因此,現采集多源數據,選取舒適性、安全性、便捷性和可達性評價指標,運用DeepLabV3+提取道路空間要素特征;使用空間設計網絡分析(spatial design network analysis,sDNA)對路網結構特征進行分析;基于聚類算法對道路進行分類,評價重點路段自行車出行環境,并以南京市三山街站點為例進行實證分析。

1 數據與方法

1.1 研究區域

以南京市1號線三山街站作為研究對象,該站點影響區內多為商業用地和居住用地,自行車出行活動相對集中且出行者具有多樣化的需求。因此,對三山街站進行定量化評價自行車出行環境具有一定的代表性。選用85%分位數接駁騎行距離可以有效避免極端數值,適合作為軌道站點自行車接駁吸引范圍[12]。根據實地調查數據,選取三山街站的85%分位數接駁騎行距離1 500 m范圍影響區為研究區域。考慮路網中的阻力,如交叉口數量、道路長度等,采用ArcGIS服務區分析法確定軌道站點影響區范圍,如圖1所示。

圖1 站點1 500 m范圍影響區Fig.1 The catchment area within 1 500 m of station

1.2 數據采集與處理

路網數據、街景數據和實地調查等數據能夠便捷地獲取軌道站點影響區道路空間環境數據。通過對站點周邊的路網數據進行拓撲處理,形成較貼合實際的自行車路網;經實地調查獲得站點騎行距離,從而確定出軌道站點影響區;考慮出行者視覺感知,應用百度地圖獲得影響區內道路街景圖片。

(1)路網數據:從OpenStreetMap地圖獲取三山街站點周邊道路數據,主要屬性包括道路ID、名稱、道路等級、長度、是否為單行道等信息,其中道路等級劃分為高速公路、快速路、主干路、次干路、三級道路、輔道等。在ArcGIS軟件中對道路進行拓撲處理,并刪除無法通行自行車道路,最終得到339條道路。

(2)街景數據:對道路網進行樣點分布處理,平均采樣點間距為50 m,共生成了1 966個樣點。獲取采樣點的坐標,使用Python軟件通過調用百度地圖的應用程序編程接口(application programming interface,API),獲取對應坐標點位置的街景照片,每張照片有采樣點的坐標位置和水平角度等信息。

(3)軌道站點數據:南京市軌道站點數據通過百度坐標抓取獲得三山街站點信息,屬性包括站點名稱、站點ID、是否為換乘站、相鄰站點ID。

(4)實地調查數據:調查內容包括出行者個人屬性、出行屬性和出行滿意度,調查問卷發放于2022年3月17日,截至5月1日共收集問卷289份,刪去無效問卷,保留有效問卷271份。

1.3 DeepLabV3+模型

卷積神經網絡作為深度學習技術的代表算法,可高效精準地實現圖像語義分割任務,而DeepLabV3+模型是基于卷積神經網絡開發的語義分割模型,引入編解碼模塊,提升圖像物體邊界的處理效果,進而獲得更為準確的圖像分割結果。這種方法可以測度天空、建筑、綠化和道路等不同街景要素的占比,評價城市道路空間視覺品質效果良好[13-14]。現有研究往往集中于將天空、綠化要素納入模型進行分析,護欄、自行車等要素在自行車出行環境評價方面還未充分挖掘,故使用DeepLabV3+模型做進一步評價。

調用訓練的開源數據集Cityscapes實現對爬取得到的道路環境進行圖像識別。DeepLabV3+整體的模型結構如圖2所示,通過擴張分離卷積控制深度卷積神經網絡,從而計算特征的分辨率,并調整濾波器的視野以捕獲多尺度信息,推廣標準卷積運算,計算公式如式(1)所示,擴張率r對應于輸入信號的步長,用上采樣核對輸入特征x做卷積運算,標準卷積是擴張率r=1的特例,而擴張卷積允許通過改變擴張率r自適應地修改濾波器wk的視野。

圖2 DeepLabV3+模型結構圖Fig.2 DeepLabV3+model structure diagram

(1)

式(1)中:yi為輸出特征;wk為濾波器在第k個位置參數;i為第i緯度;x為輸入特征;r為擴張率;K為濾波器尺寸。

2 評價指標選取與相關性分析

2.1 評價指標選取

自行車出行環境是支撐自行車與軌道交通接駁換乘的重要保障,環境的質量在一定程度上決定了人們騎行過程中的滿意程度。因此,要分析自行車出行環境影響因素,篩選出具有代表性的因素作為評價指標。與現有研究大多一致[15-19],從舒適性、安全性、便捷性、可達性進行分析。考慮到街景圖像識別的可操作性,對指標進行篩選,排除規劃性指標,如路面坡度和路面破損程度等。最終確定綠視率、天空可視度、機非隔離設施健全程度等評價指標評價軌道站點影響區自行車出行環境。

1)舒適性

綠視率是反映道路景觀環境的重要指標。綠視率的高低會對自行車出行者的心理和生理產生影響。該指標通過計算街景圖片中綠植所占比例獲得。

天空可視度可反映出道路的視線開敞程度,其水平的高低會影響出行者的視覺感知與空間體驗。該指標由計算天空要素在圖像所有要素中所占比例獲得。舒適性指標量化為

(2)

式(2)中:Gi為道路i的平均綠視率;Gg為4個方向綠化占比;Gj為道路j的平均天空可視度;Gs為4個方向天空占比;N為道路上采樣點n的數量。

2)安全性

自行車出行環境的安全性是影響自行車出行體驗的關鍵因素,機非隔離設施健全程度能反映出自行車出行是否具備單獨的形式空間。該指標計算街景照片中護欄要素的面積占比獲得。

自行車停放安全程度反映了自行車停放時受到機動車的干擾情況。過高的道路機動化率表明機動車交通擁有道路的絕對主導權,導致自行車停放安全感較差。該指標計算街景照片中機動車要素的面積占比獲得。安全性指標量化為

(3)

式(3)中:Gm為道路m的平均機非隔離設施健全程度;Gf為4個方向護欄占比;Gp為道路p的平均自行車停放安全程度;Gc為4個方向機動車占比。

3)便捷性

自行車存取方便程度是道路自行車設施布設程度的直觀體現。設施布設率高表明自行車出行者需步行短距離便能存取車,容易出現自行車大量聚集停放的現象。通過計算街景圖片中自行車要素面積占比間接表示自行車布設程度,即

(4)

式(4)中:Gv為道路v的平均自行車存取方便程度;Gb為4個方向自行車占比。

4)可達性

可達性反映道路的便利性,用自行車出行中間性進行表征。基于角度距離的中間性被證實與實際觀察到的人、車行為分布具有良好的相關性。運用sDNA計算角度距離的中間性,可反映道路組織結構對自行車出行的可達性[20],即

(5)

(6)

式中:OD(y,z,x)為半徑R內通過道路x的道路y與z之間的最短拓撲距離;Betweeness(x)為道路x的中間性;W(y)為道路y權重;W(z)為道路z權重;P(z)為道路z在Ry的比例;O為道路集合,其中Ry為從道路y出發、在半徑R內可達的道路集合。

2.2 相關性分析

應用Pearson檢驗各指標間的相關性,如表1所示。自行車出行中間性與天空可視度、機非隔離設施健全程度的Sig.不顯著,表明這3個指標間無明顯相關性,同理可看出自行車存取方便程度與天空可視度、自行車停放安全程度與綠視率也無明顯相關性;其他指標間Sig.>0.05,Pearson相關系數都小于0.4,說明相關性弱,可忽略不計。經檢驗各指標相互獨立,后續在制定策略時,可暫不考慮各指標間的相互影響。

表1 各指標相關性檢驗結果Table 1 Correlation test results of various indicators

3 結果分析

3.1 自行車出行環境基本特征

運用DeepLabV3+模型提取圖像特征,識別出天空、護欄、綠化和自行車等要素類型,在此基礎上計算每張百度街景圖片中不同要素所占的比例。計算每個采樣點圖像的平均值,得到道路環境的舒適性、安全性、便捷性評價指標數據,運用sDNA計算路網中間性得到可達性評價指標數據。評價指標的量化結果呈現明顯的空間差異,如圖3所示。

圖3 評價指標量化結果圖Fig.3 Quantitative results of evaluation indicators

綠視率呈現中心高外圍低的特點,如圖3(a)所示。站點附近西側道路綠視率較高,這部分道路主要圍繞愚園和熙南里等公園景點。綠視率較低的路段集中在站點影響區外圍南側區域,該區域道路窄,車道寬為4 m,兩側覆蓋綠植較少;天空可視度呈現中心低外圍高的特點,如圖3(b)所示,天空可視度低的道路集中在站點附近傳統道路,如船板巷、集慶路和仙鶴街,此類道路大多植有枝葉茂密的行道樹,對天空有一定的遮擋;天空可視度高的多為拓寬改建類道路,如建鄴路,雖然在建設活動中道路兩側多伴有新建建筑的出現,但路面的橫向拓寬降低了建筑及行道樹對視野的遮擋。

機非隔離設施健全程度呈現西側高東側低的特點,如圖3(c)所示,站點附近中山南路、中華路、升州路等道路主要為主次道路,機非分隔多采用物理隔離,機非隔離設施健全程度較高。機非隔離設施健全程度較低的路段集中在站點影響區外圍南側區域,道路窄且大多是一塊板形式,存在混合交通;如圖3(d)所示,自行車停放安全程度呈現西側高東側低的特點,站點東側夫子廟古建筑、富有文化特色的居住小區較多,道路大多是一塊板或兩塊板形式,且兩側機動車停車泊位數較多,對自行車停放存在干擾影響。

自行車存取方便程度呈現西側低東側高特點,如圖3(e)所示,站點所在的中山南路和西側的升州路、來鳳街等主次道路存取自行車方便程度低,而站點東側水游城、南京市第一醫院和瞻園附近的道路存取車方便程度較高,可能由于租賃點不足或者調度不及時造成借還車需求的不平衡性。自行車出行中間性呈現明顯的中心高外圍低特點,如圖3(f)所示。南京萬象天地、熙南里、水游城及育群中學周邊的道路自行車出行中間性較高。影響區外圍道路自行車出行中間性偏低,主要分布在秦淮河風光帶以南和濱河以北的大多道路。

3.2 自行車出行環境評價

考慮到城市快速路與城市支路之間的空間環境特征存在差異。因此,有必要根據道路空間環境合理地對影響區道路進行分類,并以道路類型開展分類別的空間品質評價,從而排除因道路類型不同而產生的混淆因素干擾。

相關研究根據道路空間品質特征將道路分類為交通型、綜合型、生活型,經驗證結果與專家共識具有較好的一致性[21]。因此,根據四維度評價指標數據,考慮到算法的難易程度、數據匹配性及運行效率等因素,綜合不同算法的優缺點,采用K均值聚類算法確定站點影響區道路類型,如圖4所示。

圖4 道路聚類結果Fig.4 Road clustering results

類型1為交通型道路,如中南南路、中華路等;類型2為綜合型道路,如建康路、太平南路、白下路等;類型3為生活型道路,如馬府街、九條巷、致和街等。選取致和街、洋珠巷、中山南路等9條不同類型路段作為重點道路進行個案分析,如表2所示。

表2 站點影響區綜合性定量化評價結果表Table 2 Comprehensive quantitative evaluation results of the station catchment area

生活型道路以服務為主,側重人們的出行質量。致和街、柳葉街與馬府街綠視率相較于綜合型和交通型道路高,這類道路大多植有枝葉茂密的行道樹,因而綠視率高,但對天空有一定的遮擋,天空可視度普遍較低。馬府街安全性相較于致和街和柳葉街低,是由于馬府街北側是文化教育用地,通行車輛較多,存在潮汐式交通對自行車出行及停放的干擾影響。由于三山街站點所處的秦淮區為發展較早的區域,其服務能力已較為完善,自行車存取方便程度顯著高于另外兩個類型道路。但此類型道路存在斷頭路,自行車出行中間性較低。

綜合型道路是以商業消費為主的道路,道路兩側被商業建筑及店鋪圍合。此類道路活力高、人流量聚集、道路使用率高,但綠視率低于生活型道路,在后期規劃中可以優先進行改善。建康路自行車出行存取車便捷性低,可能由于租賃點不足或者調度不及時造成借還車需求的不平衡性,需有待優化。太平南路自行車出行安全度低,是因為直線式公交停靠站沿非機動車道設置,公交車輛停靠要占用非機動車道,造成公交車和非機動車之間的相互作用與影響。綜合型路網規劃較為完善,自行車出行中間性僅次于交通型道路。

交通型道路是以通勤為主的道路,需要中山南路和長樂路這種可達性較高的交通型道路來連接其他類型道路。中山南路、長樂路和中華路以車行為主,綠視率較低。其中,以中華路為首的交通性主干道沿線,這類道路兩側多以防護墻為主,道路兩側的景觀綠化多被遮擋,因此綠視率較低。中華路自行車出行存在一定安全性問題,機動車停放在非機動車道上,自行車需求量大,存在相互干擾的情況。中山南路與站點直接相連,自行車出行中間性最高,體現了站點核心區通常道路網規劃更加合理,自行車出行中間性也高于其他類型道路。

4 結論

應用多源數據,結合DeepLabV3+模型、sDNA分析量化舒適性、便捷性、安全性、可達性評價指標,采用聚類算法得到軌道站點影響區三種類型道路,選取重要路段進行自行車出行環境評價,得到以下結論。

(1)綠視率、天空可視度、自行車出行中間性具有“中心-外圍”差異;機非隔離設施健全程度、自行車停放安全程度和存取方便程度具有“東-西”差異。

(2)交通型、生活型、綜合型道路分別存在自行車存取方便程度低,自行車出行中間性、安全性低,各指標相對協調的特點,可通過合理布置標志標線或增加專用道的比例、制定合理的調度優化方案、打通鄰近街巷等方面進行優化改善。

本文研究對街景圖像進行了客觀數據分析,后續研究有待納入主觀數據(如基于虛擬現實和生理傳感器技術測出自行車出行者生理或心理數值變化),主客觀相結合角度下對自行車出行環境進行評價。此外,后續可在DeepLabV3+模型編碼器中進一步優化注意力機制,加強底層特征圖與高層特征圖的融合,彌補解碼器模塊大幅上采樣帶來的細節信息缺失,實現對街景圖像的精細化分割。