不同微观驾驶行为对基本路段交通流运行特征的影响

王 益,荣 建

(北京工业大学城市交通学院，北京 100124)

0 引言

研究驾驶行为被认为是提高道路服务水平，减少道路交通事故，改善车辆设计，开发车载安全设备的重要方法.而驾驶行为的参数直接影响交通流的参数.Lownes和Machemehl[1]利用VISSIM仿真平分析了驾驶行为参数对通行能力的敏感性.Yannes和Lownes[2]进一步验证了驾驶员特征之间的关系以及如何影响仿真的通行能力.Pueboobpaphan[3]等回顾了手动驾驶、辅助驾驶、混合交通条件下驾驶员和车辆特性与交通流稳定性之间关系.结果显示，驾驶员和车辆的特征对交通流稳定性都有影响.为确保仿真结果的准确和可靠，必须对驾驶行为参数进行校准和验证.Gomes等[4]研究了选定的调整参数对拥挤高速公路的影响，并对仿真模型进行校准.Brockfeld等[5]分析和验证了各种仿真(VISSIM,PARAMICS,ARTEMIS,AIMSUN)软件中的车辆跟驰模型.

前人对驾驶行为与交通流关系研究中较少考虑驾驶员的特征.然而，驾驶员因素是“人-车-路-环境”系统中最重要的部分.驾驶是从信息获取、传递、处理到操作的一个动态过程.而驾驶员的特征是驾驶行为表现的基础.驾驶员之间的差异跟年龄、性别、经济水平、教育程度、健康状况、性格特征都有关系.Knipling等[6]研究了高风险驾驶员中个体差异对安全性的影响.驾驶员不仅会控制驾驶行为，而且其个体之间的差异也会直接或间接影响驾驶行为，进而影响交通流.

因此，本文将驾驶员分为3类，并利用3类驾驶员的特性对仿真软件中跟驰和换道模型进行参数调整，并分析每种驾驶行为下不同车道位置的交通流特征.本研究具有以下特点：

1)由于驾驶员存在个体差异，将被测试驾驶员分为3类：激进的、中等的、谨慎的.通过对典型中国驾驶员驾驶行为模型的参数估计，并对驾驶特性展开深入研究.

2)通过仿真软件分析了3类驾驶员的驾驶行为对交通流的影响，并明晰了个体差异、驾驶行为和交通流之间的关系.

3)与之前的单一研究驾驶员与交通流、驾驶行为与交通流之间的关系不同，本文探究了驾驶员特征、驾驶行为、交通流3者之间的相互关系.

1 研究思路及实验设计

1.1 研究思路

本文采用驾驶模拟器与微观交通仿真相结合的方法.首先，利用驾驶模拟器收集驾驶适应性指标，如听力、视力、操作机能等；收集动态驾驶指标，如平均行驶速度、加速度、换道次数等.其次，采用主成分分析法确定主要构成指标，并使用聚类分析将驾驶员分为3类.然后，根据模拟器采集的行为数据对交通仿真软件中微观驾驶行为参数进行校准，并收集交通流数据.最后，分析3类驾驶员对交通流稳定性的影响.研究流程如图1所示：

图1 研究框架

1.2 实验设计

1.2.1 驾驶模拟器场景构建

根据研究的内容和需求，制定了相应的道路场景方案.该场景主要由北京城市快速环路(双向6车道)组成.道路两侧建筑物均采用北京市类型的建筑物，以确保驾驶员驾驶时的感受更贴近现实.

图2 驾驶环境截图

1.2.2 交通条件设置

驾驶模拟器中的交通状况根据2003年北京市三环交通调查数据确定，行车速度为40～80 km/h，V/C比为0.8～1，行车密度为20～40 pcu/km，车头时距为2～8 s.交通组成方面，小车82.3%，中车12.4%，大车5.3%.驾驶员基本驾驶环境见图2.

1.2.3 实验参与者描述

此次实验有45名驾驶员参与实验，所有驾驶员的驾龄均在5年以上.由于在动态驾车的过程中有的驾驶员晕车，导致部分实验无法顺利完成.除去这些驾驶员共有32 名有效驾驶员样本.

1.2.4 实验过程

实验包括2部分：第一部分是驾驶员适应性实验，通过听力计、血压检测仪、视力测试仪等测量听力，血压，复杂反应，注意力分配，动态视力，夜视，驾驶控制等适应性指标.第二部分是驾驶模拟器实验.在驾驶模拟器环境中，受试者正常驾驶，并记录所有受试者的驾驶行为.

2 驾驶员特性分类

驾驶员之间的差异不仅体现在个体差异，在驾驶时会表现出特殊特征，驾驶员本身的注意力特征、知识水平、安全态度甚至当时的情绪都有可能影响到驾驶员在实际中的行为.选择2种类型的指标分析，更能全面反映驾驶时的差异.驾驶适应性指标：根据Greenwood[7]提出的事故倾向性理论检测驾驶员生理、心理素质.本文根据国家标准《机动车驾驶员身体条件及其评测要求》(GB 18463—2001)[8],在驾驶前采集了10个驾驶适应性指标.动态驾驶指标在驾驶过程中，采集了平均速度、最大速度、最大减速度、单位长度上的换道频率(实际换道次数/所驾驶路线长度)和最小可接受间隙.

2.1 驾驶员特性指标主成分分析

驾驶员特性指标共15个，且每个指标都能直接或间接影响驾驶行为，如果指标过多不容易发现其内在联系.因此，本文采用主成分分析法将15个指标转化成为少量不相关的变量.首先，对驾驶员分类数据进行标准化，计算其关系矩阵，特征值以及特征向量.变量的特征值和方差贡献率如表1所示.根据特征值大于0.6的特征，提取了7个变量作为主要成分，占数据变异性的83.649%.因子载荷矩阵如表2所示.

从主成分分析结果可知，年龄和驾龄在因子1上有较高的载荷，年龄和驾龄越长，驾驶越平稳，此因子容易描述驾驶员的经验，可称之为经验因素.平均车速、最高车速、换车道频率在因子2上有较高的载荷，不同类型驾驶员在速度和换车道频率上会有不同选择，此因子可以成为驾驶因素.依次类推，可计算每个主成分下关联度高的因素.

表1 因子解释原有变量总方差情况

注：采用主成分分析法.

表2 因子载荷矩阵

2.2 驾驶员特征聚类分析

借助SPSS软件，使用K-Means聚类方法，将32位驾驶员进行分类.根据驾驶行为和驾驶特性指标，均匀集聚每组的驾驶员.首先，采用系统指定的方式选定初始聚类中心.其次，依次计算每个样本数据点到中心的欧氏距离，如式(1)所示，按距离最短的原则将所有样本分派，形成分类.最后，计算各类中变量的均值，并以均值点作为新的类中心点，如果类中心点的偏移量小于指定的量则停止迭代，说明聚类收敛，分类结果有效，具体函数见式(2).

(1)

(2)

表3 驾驶员特性分类表

3 不同驾驶行为对交通流的影响

借助交通仿真软件[9].分析“速度-流量”关系和交通流稳定性对三类驾驶员的影响.

3.1 仿真环境搭建

整个系统框架分为3部分：输入模块，仿真模块和输出模块.各种模型之间的关系如图3所示.除了以上描述的驾驶行为模型外，还有一些其他的模型，如网格模型、自由流动模型以及模拟环境中的速度影响模型.

3.2 微观仿真参数调整

驾驶模拟实验数据被用于校准3种驾驶员的跟车和换道参数.参数包括加速度和减速度的反应时间，跟驰模型中GM模型系数，以及预期速度，换道行为的临界间隙.其中，用统计方法估计反应速度和期望速度，用最大似然估计校正GM模型的相关参数，Logit模型得到临界距离.表4示出了参数的校准值.

表4 3类驾驶行为微观仿真参数标定

图3 仿真模型之间关系

3.2 不同驾驶行为对交通流特性的影响分析

3.2.1 对基本路段通行能力的影响

图4 3种驾驶行为下交通流“速度-流量”关系

为研究不同驾驶行为对基本路段通行能力的影响，首先在仿真软件中构建了4 km城市快速路基本路段(无出入口)，并模拟了2 400 s.驾驶行为参数设置如表4.3类驾驶行为的“速度-流量”关系如图4所示，不同驾驶行为之间的交通流特性有明显差异.图4(a)显示，激进的驾驶行为仿真产生的最大交通量(通行能力)为2 200 pcu/h.此外，图4(b)(c)显示，保守驾驶行为仿真产生的最大交通量略大于中等驾驶行为，为1 800 pcu/h和1 700 pcu/h.

3.2.2 对交通流稳定性的影响

为研究不同驾驶行为对基本路段上交通流稳定性的影响，构建了4 250 m单向双车道基本路段(无出入口)，并分析了3种驾驶行为特性对交通流稳定性的影响.在1 500 m位置附近设置了800 m场的减速区域，在第800～1 200 s的仿真时段内实现车辆减速.在仿真过程第600～1 800 s时间段内，设置输入交通量为1 500 pcu/h.从图5可以看出，在减速区域，仿真时间第800～1 200 s间，交通拥堵在1 500 m处形成.激进驾驶行为下交通流表现出的最大密度为80 (veh·km-1)/ln,并出现较大幅度的波动.相应地，保守驾驶行为和中等驾驶行为下交通流更为稳定，波浪数量更少，波幅更小，且密度分别为65 (veh·km-1)/ln，70 (veh·km-1)/ln.

图5 3种驾驶行为下交通流“密度-时间-空间”关系

4 结束语

本文介绍了驾驶模拟器与交通仿真相结合的方法，研究了3种驾驶行为对宏观交通流的影响.首先，驾驶行为分为3类：激进的，保守的和中等的.其次，利用驾驶模拟实验3种驾驶员的驾驶行为参数进行了校准，并利用交通仿真技术对交通流量的影响进行了分析.从“速度-流量”曲线来看，激进的驾驶行为下最大交通量达到2 200 pcu/h.激进行为的驾驶员在行驶时，更偏好保持较小的车头时距以及频繁的换车道来追求更快的预期速度.保守和中等的驾驶员在行驶时与前车则保持较大的车头时距，故表现出的最大交通量小于激进下的驾驶行为.从交通流稳定性看，“密度-时间-空间”关系发生较大扰动时，激进驾驶行为下交通流更加不稳定，主要是因为激进驾驶行为的驾驶员更偏好换道.

不同的驾驶行为对基本路段交通流运行存在显著的影响.通过采用一些工程或者政策，减少驾驶行为之间的差异，可以对减少交通流的负面影响.尤其针对激进驾驶行为特征下的驾驶员，虽然保持较小车头时距使得通行能力最大，但频繁的换道行为使得稳定性降低.因此，未来有必要对驾驶行为进行评估，通过培训、教育或者奖励等干预措施，减小激进驾驶行为对交通流的负面影响.

[1] Lownes N,Machemehl R.Sensitivity of simulated capacity to modification of VISSIM driver behavior parameters[J].Transportation Research Record: Journal of the Transportation Research Board,2006 (1988): 102-110.

[2] Yannes C D,Lownes N E.Identifying Capacity Interactions in Response to Simulated Driver Behavior[R].09-1472,USA: Transportation Research Board,2009.

[3] Pueboobpaphan R,Van Arem B.Driver and Vehicle Characteristics and Platoon and Traffic Flow Stability: Understanding the Relationship for Design and Assessment of Cooperative Adaptive Cruise Control[J].Transportation Research Record,2010,2189(2189): 89-97.

[4] Gomes G,May A,Horowitz R.Congested freeway microsimulation model using VISSIM[J].Transportation Research Record: Journal of the Transportation Research Board,2004 (1876): 71-81.

[5] Brockfeld E,Kühne R,Wagner P.Calibration and validation of microscopic models of traffic flow[J].Transportation Research Record: Journal of the Transportation Research Board,2005 (1934): 179-187.

[6] Knipling R R.Individual Differences and the "High-Risk" Commercial Driver [M].USA: Transportation Research Board,2004.

[7] Greenwood M,Woods H M.The incidence of industrial accidents upon individuals: With special reference to multiple accidents[M].London: HM Stationery Office,1919.

[8] GB 18463—2001机动车驾驶员身体条件及其评测要求[S]

[9] 荣建.高速公路基本路段通行能力研究[D].北京: 北京工业大学,1999.