基于灵敏度学习的交通方式安全参数结构模型

周艳龙， 王武宏， 郭宏伟， 蒋晓蓓

(北京理工大学 交通运输工程系， 北京 100081)



基于灵敏度学习的交通方式安全参数结构模型

周艳龙， 王武宏， 郭宏伟， 蒋晓蓓

(北京理工大学 交通运输工程系， 北京 100081)

不同的交通方式具有不同的运动参数，运行环境也不同，因此其交通安全水平也不同. 为发现这些动力学性质之间的关联性，运用基于马尔可夫链的灵敏度学习方法，依据步行、自行车、汽车等交通方式运动参数建立交通方式的参数结构模型，从而实现对各种交通方式的安全水平和运动参数分布情况定的量化评价. 模型考虑的动力学参数包括最大速度、加速度、最小适应速度、转弯半径、速度与损坏程度等，依据灵敏度学习理论，在不同参数间的马尔可夫过程的基础上由反向推导得到安全运动参数结构. 模型分析结果显示，在交通参与者追求快速出行的同时，需要充分考虑其他动力学特征对交通安全的影响，以形成安全可靠的出行过程.

混合交通； 参数结构； 循环交通； 交通安全

0 引言

交通工具的速度的增加，加快了人类社会的发展节奏[1]. 但快速的交通工具成为了人类生命的最大敌人. 当今世界上每年因交通事故死亡70多万人，伤残2 000～2 500万人，20世纪，世界上已有3 300多万人在车轮下丧生[2]，现代城市交通环境面临两大严峻挑战：交通拥堵和交通安全事故[3]. 现有的调查显示，95%的交通事故是由人为原因引起的[4]，有效解决途径则为交通工具辅助驾驶，美国高速公路安全保险机构最近的一项研究显示，超过 60%的交通事故可以通过为汽车配备包括盲点提示等基础的智能辅助系统加以避免[5]. 这种辅助驾驶虽然可以保护驾驶员的安全，但这种驾驶体验不完全适应驾驶员生理、心理状况，往往会被驾驶人员所忽视[6].

对于交通安全，国外最常用的是利用汽车每车公里平均事故次数、地区或路段的事故、交通事故随时间的变化规律来预测和评价交通安全水平，作为交通安全间接评价方法的交通冲突技术是代替传统的事故评价较为全面的方法，但交通冲突的观察比较复杂，实现困难[7-9]. 国内通常采用事故率法[10]、交通冲突技术[13]、强度分析法[12]等. 采用强度分析法统计分析了我国的交通事故与道路条件，并得出了适合我国的道路条件与交通事故的关系模型[11]. 更进一步的来说，使用强度分析法并加入指标的相对参照数据来统计各类交通行为及环境的指标，会大大地提高不同道路指标间比较的科学合理性[12]. 中国交通冲突技术则是根据交通冲突的程度代表了交通事故的多少，利用分析道路条件与交通冲突的关系来评价交通安全水平[13].

已有研究多集中于安全评价、从宏观方面考察交通方式的安全特性等，而较少从微观层面开展交通方式安全评价研究. 不同交通方式具有不同的动力学特征，各种特征之间存在复杂的交互影响关系，直接影响交通安全. 辅助驾驶提高人对交通环境信息的间接判断，无非是在现有的交通工具运动参数的基础上，在传输到人类感知的环节前，增加对这些运动参数结构的处理，进而使得人们对驾驶环境和驾驶状态的感知. 安全的运动参数结构可以给驾驶辅助系统以适合人类感知的最佳运动参数结构. 因此，在保证驾驶员驾驶的完全体验下，调整交通工具的运动参数结构成为可靠的选择. 本研究从步行、自行车和汽车3种最典型交通方式入手，依据灵敏度学习理论，从最大速度、加速度、最小适应速度、转弯半径、速度与损坏程度等安全运动参数结构，分析不同参数间的马尔可夫过程，实现各种交通方式的安全水平和运动参数分布情况的量化评价.

1 主要交通方式的运动参数分析

任何种类的交通工具都具有众多的运动参数. 那么根据什么样的交通工具以及运动参数，是完成建立安全的交通工具运动参数结构的根本基础，如何选择这些是一个重要的节点. 为了选取其中重要的交通工具类型和运动参数种类，就要分析交通工具的主要作用和能力以及相对应的安全事故率.

1.1 分析主要交通工具的选取分析

交通工具其自身属性主要是指交通工具在满足居民出行需求时所表现出来的特性，如需付出的货币成本、交通工具行驶速度快慢、行程的可控性、机动性，出行者在行程中的感受如舒适度、私密性等. 这里选取步行、自行车和小汽车3种交通方式.

步行最大特点是步行者在可以任意支配自身体力的情况下，不用借助其他手段就能顺利完成一定距离的出行. 由于步行者不借助其他的交通工具，因而具有更高的自由度，可以自主决定路线、速度等，直接到达目的地. 步行是人的自主行为，与步行者的生理、心理状况相适应. 一般而言出行距离在1 km范围内，是一种较优的出行方式.

自行车最大特点是以人力为动力的交通工具，使得人在距离间跨越上可以减少克服自身重力，与步行方式相比，具有更好的速度和行驶距离，在速度和路线上人的自主性受到一定的限制，较适合2～10 km的出行，对体力的要求较大.

小汽车最大的特征就是速度快、舒适便捷、私密性好、机动性好，但是其动力来源和速度的降低完全不是人的自主行为，这些完全与交通工具本身相关，这些与人的生理和心理状况的适应性很弱，且人对速度等运动参数感知能力相对很弱. 但适合长途的出行.

在日益严重的城市交通事故中，有小汽车主导的城市交通事故占有重大比例. 而对于步行，由于其主导形成的城市交通事故可谓微乎其微. 另一方面，人们对各类交通工具需要掌握操作技能的时间. 小汽车驾驶技能的学习，以致实现灵活地驾驶需要相当长的时间和实践，新交法规定在1年实习期，需要持有同类型记录3年以上的驾驶人陪同驾驶才可以上高速公路. 而自行车只是一种需要较短学习时间的交通工具.

1.2 主要运动参数的选取分析

由于经济发展使得人们对交通运输的需求增加. 这样的需求使得交通工具主要提高速度和载质量2种因素，而这2种因素的提高是相应地提高交通工具的质量M和交通工具的动力F的性能[14-15]. 这些直接影响到人在操作这些交通工具时与人的生理和心理的直接适应性. 在交通事故中，大量的事故是由于驾驶员对交通工具的速度控制和车辆状况的掌握不足而导致. 其中驾驶员在驾驶中通常依据其他车辆的行驶速度来估计自身车速，从而保持必要的行车距离. 日本学者中井俊一、北村晴朗等人的研究表明，事故倾性驾驶员速度估计不适合的比率远远高于安全驾驶员，且多表现出明显的速度估计偏快的倾向[16]. 因此交通工具的速度因素中最大速度vmax成为影响交通工具安全性能的最大因素之一，随着速度的增加人在使用交通工具时的可靠性和准确性逐渐降低. 由于最大速度与相应的动力性能F直接相关. 可以根据动力学得最大速度vmax.

(1)

相应的在驾驶不同交通工具时，由于速度估计偏快的倾向，使得人在感觉到不同速度的差距时需要采取不同的驾驶行为，其中可感受到最小的速度差距成为人们避免过快速度和正确的驾驶行为的关键所在，这个参数直接影响到人们对速度的掌握程度. 根据交通工具本身的结构，形成了操作交通工具一个重要的参数及最小适应速度vfeel=v/vmax成为另一个关键的运动参数.

在驾驶交通工具时，为避免事故发生一般是控制交通工具的加速度与避开原来行驶轨迹的转弯半径这2种直接的方式. 但行驶中交通工具本身产生的加速度和转弯半径随着速度的增加而改变. 特别是加速度和转弯半径和速度的关系为反比和二次方关系，这与人的心理感受不相适应，使驾驶人失去准确判断. 根据相应的动力学关系得到相应速度v下的加速度a(v)，转弯半径r(v).

(2)

(3)

其中Z为风阻力比例系数；f为运动摩擦系数；g为重力加速度.

2 基于灵敏度学习交通方式运动参数结构模型

人们在操作交通工具时，人的行动都是使得整个交通工具的状态趋于稳定. 这个操作过程应是对系统状态的平稳随机策略的操作，在状态一定的情况下，无论怎样的随机操作都是可预测的.

2.1 建立交通工具运动参数结构模型

车辆的行驶状态是一个随机动态系统，该随机动态系统随着时间而演变. 在离散时间模型中，时间取离散值，记为l=0,1,2,…，为了研究系统的行为状态，将这种时刻的系统状态的量记为Xl，所有该系统的状态集合可以称为该系统的状态空间的集合记为S，对于系统的状态发展过程称为系统的发展路径记为X={X0,X1,…}[17]. 在时刻l根据系统状态Xl，采取一个操作动作的行动记为Al∈A，其中A记为行动空间，通常操作的空间是有限的. 基于行动Al在状态Xl得到一个操作动作的行动结果Yl，依据时刻l状态Xl和行动结果Yl，从而形成下一时刻l+1的输入Al+1以及系统状态Xl+1. 从而可以得到输出Yl和输入Xl的历史状态是相同的，由此可见系统状态的马尔可夫性. 因此，只考虑在多个时刻后，无论什么样的输入，输出结果的倾向性是相对唯一的.

图1 系统过程结构

系统状态Xl包括速度v、加速度a(v)、转弯半径r(v)、速度与损坏程度γ(v)、最小适应速度vfeel，其中时刻的增加依据每增加一个行动策略，即每一次系统外界环境的判断. 可得到系统状态Xl的状态转移矩阵P[18].

(4)

其中mi,j(v)表示在速度为v时系统i等级安全状态变为系统j等级安全状态的概率.

因此可得到在每个速度下系统的最终状态D(v)=P∞(v). 对于所有速度下的最终状态的变化D(v)为系统安全等级状态的变化. 操作交通工具是趋于保证交通工具状态的安全，根据这一条件可由D(v)得到关于速度的转移矩阵

(5)

其中ni,j表示在速度为i状态转变为速度j状态的概率.

通过对速度转移矩阵取极值V∞，即得到速度V∞的稳定分布状态. 联合不同速度下D(v)的系统安全状态，得到这个交通工具的完全的安全性指标分布.

2.2 模型的独立假设检验

为了保证在运用马尔可夫链理论解释该系统结构中，速度的判断转移概率矩阵和系统状态判断转移概率矩阵都判断是否具有马尔可夫链性质，需要从统计学上的假设检验. 按照Anderson 和 Goodman[19]提出的标准检验马氏链的平稳性.

(6)

如果马尔可夫链是平稳的，该计算式又可以写为便于计算的形式[19]：

(7)

3 实例分析及模拟

根据对交通工具参数的分析，实例分析中需要得到每个交通工具的质量M和交通工具的动力F的性能、最大速度vmax、运动摩擦系数、加速度、最小转弯半径，即可以得到每个交通工具的最大速度分布和安全分布状态，为了方便起见，分别将每个交通工具的速度分为5个等级，安全性能分为5等级. 其中速度等级最高为最大速度，安全最高等级是最安全的.

3.1 模型的正向实例分析

通过计算可得到各交通工具的速度分布及安全等级分布，经过检验各个马尔可夫链均符合假设. 通过对步行、自行车和小汽车3种主要交通方式的主要运动参数的分析可得到，步行的主要运动参数结构既能满足人们对速度的要求也能满足人们对安全的需求. 可见在交通工具质量增加的情况下，其动力性能的急剧增加是造成交通工具不安全的主要因素.

表1 交通工具的主要参数

表2 交通工具的速度分布

表3 交通工具的安全等级分布

对速度评价的速度分布结果表明，总体上各种交通工具都集中于较高的速度，对比不同交通工具可以得出，步行中人们对速度的控制基本上比较随意，分布广泛，说明人们在步行中为适应人本身的生理和心理状况，对速度的控制特别自主. 自行车的速度分布在较低速度的区域，是由于驾驶自行车与体力相关，这一点与人的生理和心理状况相关. 小汽车的速度，主要分布在最高速度，与人的生理和心理状况不直接相关，表现出人们对速度的追求.

安全等级总体是高等级安全，这符合现行交通中的事故率水平，由于在正常的非拥堵步行交通系统中大规模的交通事故不可能发生. 但还是会有一定的人与人之间的碰撞等等可能存在. 在自行车的交通系统中，碰撞和摩擦在所难免，但基本上不可能形成严重的事故. 对于小汽车这种交通工具，安全等级在各个层级上的表现可谓大而全，所以出现如此的分布是合理的. 这些可以验证模型中对交通工具的评价结果.

3.2 模型的反向推测

为了方便交通工具的运动参数设计，这里的反向推测的结果为最大速度、运动摩擦系数、加速度、最小转弯半径4个结果，其中将在运动摩擦系数和最小转弯半径确定的情况下得出相对应的最大速度和最小转弯半径.

为了实现交通工具的操作更加适应与人的心理和生理状况，这里推测用的安全等级分布将与步行的安全等级分布相一致.

表4 模型反向推测最大速度(km·h-1)/最小转弯半径(m)

可见设计交通工具需要更大的速度时，应该主要加大交通工具的速度灵敏度，即相应地加大加速度和相应地减小最小转弯半径.

4 结论

本文使用基于学习的马尔可夫过程，分析了人们在操作交通工具时的过程，得出交通工具在特定速度下的运行安全状态是一个马尔可夫过程，进而推导出基于速度的交通工具运行安全状态联系方程，在这个方程的基础上得到交通工具速度的马尔可夫过程，因此得到最终的交通工具速度等级分布，根据该分布及基于速度的交通工具运行状态方程得到最终的交通工具的安全等级. 证明了步行交通运动参数结构的优势，在将来的社会中，新的交通工具可参考这个模型更好地解决交通工具最终的安全等级. 打破交通工具在安全上创新的瓶颈.

[1] 李长莉. 近代交通进步的社会文化效应对国人生活的影响[J]. 学术研究, 2008(11): 90-99.

[2] 任福田, 刘小明. 论道路交通安全[M]. 北京: 人民交通出版社, 2001.

[3] 付向梅. 智能运输系统—未来交通运输的发展方向[J]. 黑龙江交通科技, 2005(1): 75-77.

[4] 王蒲生. 车祸泛滥的哲学反思[J]. 自然辩证法通讯, 2001(5): 1-8.

[5] Vicki L Neale. AN OVERVIEW OF THE 100-CAR NATURALISTIC STUDY AND FINDINGS[EB/OL]. [2005]. http:∥www. nhtsa. dot. gov/staticfiles/DOT/NHTSA/NRD/Multimedia/PDFs/Crash%20Avoidance/Driver%20Distraction/100Car_ESV05summary. pdf

[6] 贾慧星, 章毓晋. 车辆辅助驾驶系统中基于计算机视觉的行人检测研究综述[J]. 自动化学报, 2007(1): 84-90.

[7] American Association of State Highway and Transportation Official. Highway safety design and operations guide [S]. AASHTO, 1997.

[8] Ward N J, Waterman M, Joint. The psychology of driver aggression in relation to traffic events: A summary of a survey study[Z]. Scottish Road, 1996.

[9] ALSTROADS. Road safety audit[S]. Second ed. Standards Australia, 2002.

[10] 巴布可夫В Ф. 道路条件与交通安全[M]. 景天然, 译. 上海: 同济大学出版社, 1990: 16-25.

[11] 景天然. 交通事故与公路条件的关系[J]. 同济大学学报: 自然科学版, 1991, 19(3): 287-294.

[12] 杨天军, 张晓春, 杨晓光, 等. 基于BP神经网络的城市道路交通安全评价研究[J]. 中国矿业大学学报, 2005, 34(1): 37-38.

[13] 张苏. 中国交通冲突技术[M]. 成都: 西南交通大学出版社, 1998: 1-16.

[14] 高成全, 邢燕. 我国城市化进程中城市交通问题解决途径探析[J]. 四川建筑, 2005(6): 8-9.

[15] 顾尚华. 世界各国自行车交通的发展[J]. 交通与运输, 2009(1): 28-30.

[16] Maruyama K, Kitamura5. Speed anticipation reaction test as applied to bus drivers [J]. Tohoku Psychological Folia, 1965: 24-46.

[17] 孙荣恒. 随机过程及其应用[M]. 北京: 清华大学出版社, 2003.

[18] 何勇, 鲍一丹. 灰色马尔柯夫预测模型及其应用[J]. 系统工程理论与实践, 1992(4): 59-63

[19] Anderson T W, Goodman L A. Statistical inference about Markov chains [J]. The Annuals of Mathematical Statistics, 1957, 28(1): 89-110.

[20] M劳斯. 随机过程[M]. 北京: 中国统计出版社, 1997.

[21] 李丹凤, 邵明安. 一维马尔可夫链模拟黑河中游流域土壤质地垂向变异[J]. 农业工程学报, 2013(5): 71-80.

Modeling Safe Motion Parameters of Transportation Modes Using Sensitivity Learning Method

ZHOU Yan-long, WANG Wu-hong, GUO Hong-wei, JIANG Xiao-bei

(Department of Transportation Engineering, Beijing Institute of Technology, Beijing 100081，China)

Different transportation modes have different motion parameters and different operating environments. Therefore, the safety levels are also different and influential factors are complex. Aiming at evaluating the operating safety of transportation modes, the sensitivity learning method based on random Markov chain was used to examine the correlations between the motion parameters and operating safety of transportation modes. Three modes studied include walking, bicycle and motor vehilce. According to typical motion parameters: maximum speed, acceleration, adaptation speed, minimum turning radius, et al., this paper proposed the concept of sensitivity learning for these different modes of transportation and different motion parameters, and developed a model structure on transport parameters based on Markov processes between different parameters . This model structure can be used to evaluate the safety level of various modes of transportation and distribution of motion parameters. According to the reverse of the model,this paper obtains a certain security push motion parameters structure. These structures show that the people,who pursue high-speed travel,need to increase the impact of the acceleration and the corresponding minimum turning radiusto achieve a safe and reliable travel.

mixed traffic; parameter structure; bicycle traffic; traffic safety

10.13986/j.cnki.jote.2015.01.005

2014- 10- 10.

周艳龙(1988—)，男，硕士研究生，研究方向为交通安全评价、交通辅助驾驶、交通流理论研究. E-mail:tttzhou@126.com.

U 491

A

1008-2522(2015)01-25-05