基于生存分析的机非干扰规避行为分析与建模

赵发成， 王武宏， 郭宏伟， 蒋晓蓓

(北京理工大学， 北京 100081)



基于生存分析的机非干扰规避行为分析与建模

赵发成， 王武宏， 郭宏伟， 蒋晓蓓

(北京理工大学， 北京 100081)

针对城市道路中机非混行路段，机动车和非机动车可能发生相互干扰问题，在实测调查的基础上，建立了基于生存分析的模型，利用非参数法对机非干扰行为进行建模分析. 结果显示，当机动车和非机动车的道路宽度、交通流量等条件相同时，机动车驾驶员比非机动车骑行人对距离更为敏感，机动车和非机动车流量大，非机动车速度较高，机动车速度较低，干扰距离较小；反之，干扰距离较大. 结果为不同情况下机非干扰行为评价、机非隔离设施的设置、交通安全管理提供参考依据.

混合交通; 机非干扰; 冲突避让; 交通行为; 生存分析

0 引言

包含机动车和非机动车的混合交通流是我国城市混合交通的重要特征. 在混合交通中，机动车和非机动车之间的横向干扰现象非常严重，不仅影响机动车和非机动车的安全性，而且降低了交通通行效率.

研究人员对机非混合交通流的特性展开了理论分析和仿真研究. 贾顺平等[1]定量分析了不同自行车干扰状态下机动车速度的变化趋势，计算了可对不同道路条件下干扰程度进行比较的摩擦干扰系数和阻滞干扰系数；姚丹亚[2]提出了非机动车摩擦干扰对路段机动车流速度分布的影响；贾宁和马寿峰[3]建立了自行车干扰下机动车交通流模型并利用数值模拟研究了其行为；魏丽英和应力天[4]提出一种城市路段机非混合行驶条件下存在摩擦干扰的元胞自动机模型；王文明和关宏志[5]采用概率论理论和流体动力学理论2种不同的方法提出了机非混行路段的自行车阻滞干扰对交通流的延误影响模型.

已有研究多针对机非干扰行程的摩擦阻滞效应对交通效率的影响开展研究. 但在实际交通环境中，机非干扰因受到多种影响而表现出复杂的特性，如机动车驾驶人和非机动车驾驶人的规避行为、安全感知具有差异性. 本研究通过引入生存分析模型对机动车和非机动车之间干扰行为进行建模，得到在不同交通环境下机动车和非机动车之间的干扰距离和干扰概率，从而实现对机非干扰环境中的冲突规避行为和风险感知特征进行定量分析. 介绍了研究的理论基础，即生存分析方法和机非干扰特性；随后对基于生存分析法的机非冲突模型进行标定和讨论.

1 建立机非干扰生存分析模型

生存分析(Survival analysis)是指根据试验或调查得到的数据对生物或人的生存时间进行分析和推断，研究生存时间和结局与众多影响因素间关系及影响程度的方法. 这类方法被广泛应用于临床医学、生物医学、可靠性等领域[6]，随着科学的发展，近些年生存分析开始被应用于交通研究领域[7]. 生存分析中经常用的是参数法和非参数法. 非参数法采用参数估计的方法获得生存函数，不要求假设生存函数的分布形式，因而被广泛应用，本研究采用的即为非参数法.

(1)

式中：n为面临风险的个体，包括删失数据和非删失数据；t为前面提到的样本观测生存时间，r是满足tr≤t的任意随机变量，tr是等于实际生存时间的非删失数据，删失数据意味着实际生存时间比观测时间要长.

非机动车平稳性不好，经常出现摇摆，同时具有成群性，而非机动车灵活、易于转向、加减速等，还具有多变性的特点. 因此在城市道路交通中，非机动车对机动车的行驶会造成干扰影响. 当机动车和非机动车平行并排行驶时，且它们之间的纵向距离在10 m左右时，我们开始观测它们的驾驶行为，判断它们之间的横向干扰依据以下3种情况：

1) 机动车沿着直线匀速行驶，非机动车避让绕行或者减速行驶.

2) 非机动车沿着直线匀速行驶，机动车避让绕行或者减速行驶.

3) 机动车和非机动车都避让绕行或减速行驶.

出现以上3种情况之一即可认定机动车和非机动车之间发生横向干扰行为. 当机动车和非机动车并排行驶时，它们之间的距离d不断在变化，当d变小时，机动车驾驶员和非机动车骑行人单方或者双方会感到不安，会采取避让或减速的行为来保证自身安全，此时双方的距离定义为极限距离dm，图1所示为d的变化过程.

图1 非机动车和机动车之间距离d变化过程

生存分析中随着时间的推移，当达到生存时间t时，终止事件发生或者不发生，分别被定义为非删失数据和删失数据；在本研究中也同样如此，随着极限距离dm由大到小变化，机非干扰发生或者不发生，分别被定义为非删失数据和删失数据. 为了很好地利用这个模型，当分析机非干扰时，定义极限值

k=1/dm

(2)

观测数据被定义如下：

非删失数据：机动车和非机动车之间极限距离小于等于干扰距离dm，即极限值大于等于干扰极限值k，机非之间发生干扰；

删失数据：机动车和非机动车之间极限距离小于干扰距离dm，即极限值大于干扰极限值k，机非之间不发生干扰.

机非之间横向干扰分析和生存分析对比如表1所示.

表1 机非干扰和生存分析对比

2 实际调查与数据

调查选取北京市机非混行且有较大机动车和非机动车流量的道路进行，使用视频拍摄的方法进行视频采集. 视频采集时间选择在晚高峰时段(17:00—19:00)，采取俯视视角进行拍摄. 实际调查是在北京的4条典型道路上进行的，调查地点均为2条机动车道，1条非机动车道. 视频采集时对所有通过观测断面的机动车和非机动车进行记录. 选取的路段避开公交站、交叉口、出入口等影响机动车和非机动车运行的因素. 观测路段长约25 m，选取机动车和非机动车之间距离最近或发生干扰时前后约10 m的距离提取运动轨迹.

提取车辆运动轨迹的横向位置是完成视频采集后的重要工作. 由Ghosh[8]提出的线性变换的方法把视频坐标转化为实际坐标. 观测路段基本特征如表2所示. 当发生机非干扰时，表中并没有反映出机动车和非机动车之间的距离关系. 甚至在相同的距离时，有的机动车和非机动车发生横向干扰，有的不发生横向干扰，因此，生存分析法能够很好地解决这一问题.

表2 调查路段和样本基本特征

3 机非横向干扰模型估计

首先，通过生存分析模型对机非横向干扰行为进行建模估计，4条观测路段机非横向干扰概率和距离如图2所示. 机非干扰概率随着机动车和非机动车之间干扰距离的增大而减小. 对观测路段进行对比分析发现，不同的路段干扰距离各不相同. 在干扰概率相同时，路段1和路段3的干扰距离大于路段2和路段4. 需要指出的是,当道路上机动车流量和非机动车流量较小时，机非干扰概率也很小. 同时，一些其他的道路状况也对机非干扰概率和距离产生一定影响，如机动车和非机动车速度等.

图2 观测路段上机非横向干扰概率和距离

为了能够定量地描述机动车速度和非机动车速度对机非干扰的影响，建立不同非机动车速度和机动车速度下干扰距离和干扰概率模型，如图3所示.

4 机非干扰行为分析

以上估计的模型可以定量分析机非横向干扰行为和干扰距离之间的关系. 干扰距离随着道路交通条件的改变而不同，包括：非机动车和机动车速度、机动车流量、非机动车流量等. 以25%机动车和非机动车发生干扰的机非之间关系为例，即大部分(75%)机动车和非机动车之间不会发生横向干扰，如表3所示.

图3 不同非机动车和机动车速度下的干扰概率

从表3可看出：第2组的干扰距离最小，只有1.84 m；第3组的干扰距离最大，达到2.30 m. 不同组之间有较大差异，主要是机动车和非机动车流量引起的.

表3 机非干扰距离(25%干扰发生时)

第1组机动车流量最大，达到2 335辆/h，非机动车流量最小，仅为225辆/h，且非机动车流量远未达到饱和状态，非机动车道路上有足够的行驶空间，所以骑行者倾向于朝路缘石或人行道行驶以避开机非干扰，所以干扰距离较大；第2组的机动车和非机动车流量都比较大，分别为2 283辆/h、672辆/h，从采集的视频中可以看出，非机动车道路有些拥堵，同时机动车行驶缓慢甚至停止，为了能安全平稳行驶，骑行者靠近机动车道行驶甚至在相邻的机动车道路上行驶，所以干扰距离较小；第3组的机动车流量仅仅为1 576辆/h，但其他3组的机动车流量至少为2 283辆/h，第3组的非机动车流量最大，大量非机动车穿过机非分隔线在相邻的机动车道路上行驶，通过视频观测可以发现，大多数机动车都在远离非机动车行驶，所以第3组干扰距离比其他3组大；第4组机动车流量较大，达到2 534辆/h，非机动车流量适中，为356辆/h. 机动车行驶缓慢甚至停止，骑行者靠近机动车道行驶，所以干扰距离较小.

除了流量，机非干扰距离和干扰概率还与非机动车速度和机动车速度有关. 当干扰概率相同时(25%干扰发生时)，不同非机动车速度和机动车速度下的干扰距离各不相同.

当非机动车速度较小时，非机动车骑行人的危险规避能力较弱，所以非机动车骑行人会与机动车之间保持较大的距离；反之亦然. 速度最高组比速度最低组(速度相差7 m/s)机非间极限距离小于30 cm左右，如表4所示.

表4 不同非机动车速度下干扰距离(25%干扰发生时)

与非机动车不同，当机动车速度较小时，机动车驾驶员对危险规避能力较强；反之，速度较高时，规避危险能力较弱. 速度最高组比速度最低组(速度相差10 m/s)机非之间极限距离大于48 cm左右，如表5所示.

表5 不同机动车速度下干扰距离(25%干扰发生时)

5 结论

生存分析法被引入用来分析基于实际调查的机动车和非机动车之间横向干扰问题. 机动车和非机动车之间的距离被定义为删失数据和非删失数据. 非参数法被用来对干扰发生时机非之间极限距离进行估计，之后分析影响干扰距离和干扰概率的主要因素非机动车和机动车流量、非机动车和机动车速度. 结果显示，机动车驾驶员比非机动车骑行人对距离更为敏感，当其他条件相同时，机动车和非机动车流量较大，非机动车速度较高，机动车速度较低，干扰距离较小；反之亦然. 研究结果为机动车和非机动车避免冲突风险、机非隔离设施设置条件提供理论支撑. 但因为研究采用的模型无法体现外部变量的影响，因此在后续研究中需要考虑外部变量影响的分析模型，实现交通环境、道路条件、交通参与者特征等因素对机非冲突行为影响的深入分析.

[1] 贾顺平, 彭宏勤. 城市混合交通中自行车对机动车行驶影响的定量分析[J]. 交通运输系统工程与信息, 2008, 8(2): 58-63.

[2] 姚丹亚, 张超. 非机动车摩擦干扰对机动车流速度分布的影响研究[J]. 交通与计算机, 2008, 26(2): 1-5.

[3] 贾宁, 马寿峰. 自行车干扰下机动车交通流的元胞自动机模型[J]. 系统工程理论与实践, 2010, 30(7): 1333-1339.

[4] 魏丽英, 应力天. 基于元胞自动机的混合交通流机非摩擦干扰[J]. 系统工程理论与实践, 2010, 30(10): 1909-1913.

[5] 王文明, 关宏志. 自行车阻滞干扰对交通流的延误影响模型[J]. 交通运输工程与信息学报, 2011, 9(4): 81-87.

[6] Law less J F. Statistical models and methods for lifetime data [M ]. New Jersey: John Wiley & Sons, Inc, 2002.

[7] 郭宏伟, 高自友. 路内停车对非机动车交通行为影响研究[J]. 交通运输系统工程与信息, 2011, 11(1): 79-84.

[8] Sanjib Kumar Ghosh. Analytical photogrammetry [M]. Toronto: Pergamon Press, 1979.

Analyzing the Interference between Motor Vehicles and Non-motor Vehicles Based on the Survival Analysis

ZHAO Fa-cheng, WANG Wu-hong, GUO Hong-wei

(Beijing Institute of Technology, Beijng 100081， China)

Motor vehicles and non-motor vehicles may interfere with each other in the mixed traffic. The survival analysis model is established based on the field survey, and a non-parameter method is used to analyze the interference. The results show that the driver is more sensitive to the distance than the rider. When other conditions are the same,the higher the volumes of the motor vehicles and non-motor vehicles, the higher the speed of the non-motor vehicles, the lower the speed of the motor vehicles, and the smaller the interference distance. Results are helpful for the motor vehicle and non-motor vehicle interference evaluation, the setting conditions of the isolation facilities, traffic safety management.

mixed traffic; interference between motor vehicle and non-motor vehicles; conflict avoidance; non-motor vehicle; survival analysis

10.13986/j.cnki.jote.2015.01.006

2014- 10-05.

国家自然科学基金项目：城市机非混行道路路内停车的管控策略与安全改善(71301010)

赵发成(1988—)， 男， 硕士研究生， 研究方向为交通安全、驾驶行为. E-mail: zhaofacheng2008@126.com.

U 121

A

1008-2522(2015)01-30-05