车联网环境下司机路径选择行为研究

2023-04-19文义凡李迎峰

智能计算机与应用 2023年3期

廖阳，文义凡，李迎峰

（1 西安建筑科技大学管理学院，西安 710055；2 陕西（高校）哲学社会科学重点研究基地陕西省房地产业绿色发展与机制创新研究中心，西安 710055）

0 引言

近年来，伴随着科学技术的进步和物质生活水平的提高，国内城市汽车保有数量以及汽车保有量超百万的城市数量都在不断增加，由此带来的城市交通拥堵问题也愈发严重。现如今，城市交通的规模与负荷也在加大，通过增加道路数量或扩大道路宽度和控制城市道路上的车辆数目来缓解交通压力，已经无法有效解决现有的城市交通问题。同时，交通网络以及信息时代的迅速发展，使得基于车联网环境下对道路资源的合理利用也达到了最大化，因而了解司机路径选择行为，更好地进行交通诱导，合理地分配路网流量、降低车辆延误时间，即已成为提高路网运行效率的有效策略。基于此，调查车联网环境下司机路径选择行为就显得尤为重要，这也为后续交通管理部门发布相关诱导信息提供理论支撑。

在车联网环境下，有许多因素会影响司机的感知与判断，从而影响司机的路径选择。在提供交通信息的同时，不仅是相关决策因素会影响司机路径选择，司机对信息的感知、理解与处理等也会导致不同路径选择结果。韦增欣等人［1］根据司机个人特性的路径选择，就是根据基于可能度和区间数相离度的多属性决策方法提出一种能够综合反映司机偏好的最优路径选择方法，为司机能更快地到达目的地提供一定的帮助。刘凯等人［2］考虑出行者日常出行习惯，构建混合用户均衡模型分析交通消息对于出行者路径选择行为的影响。 Chang 等人［3］根据大量的调查数据，通过多因素分析，研究驾驶员路径选择行为特征的出行路径，为构建智能交通系统平台提供了理论依据。陈坚等人［4］研究社交信息对路径选择的影响，设计无交通信息、部分交通信息和完全交通信息三种情形下的受验者路径选择行为实验并得到不同实验结论。傅志妍等人［5］提出出行者对社交网络交通信息感受的7 个潜变量，构建考虑潜变量的混合选择模型用以解释出行方式选择行为过程。李涛等人［6］基于有限理性理论，提出了有限理性模型，并松弛原有Logit 模型效用最大化假设，建立了有限理性下的Logit 模型，可以解释出行者路径选择决策中的一些有限理性行为。 Sangeetha等人［7］提出了一种基于模糊增益的动态蚁群算法，用于动态路径规划，得到安全、平滑的无碰撞路径规划，该算法在未来可以应用于实时道路网络和各种车辆路径问题的研究中。陈秀锋等人［8］研究城市交通中的诱导信息对于出行者驾驶路径选择行为的影响。 Deng 等人［9］研究了西安市11 000多辆出租车的轨迹数据，考虑通勤者的路线选择行为在不同距离出行中的异质性，更好地解释通勤者路线选择行为。高吉等人［10］通过对Logit 模型的应用来研究上海市居民出行方式及路径选择。

车联网环境下司机路径选择行为受多方面因素影响，本文基于Bovy 等人［11］对司机路径选择影响因素是通过采用模拟调查分析方法从不同的角度来分解影响因素，并从司机个体属性、出行特性、外界条件以及交通信息等方面设计调查问卷，接着通过统计分析影响司机路径选择的关键因子、作用机理及影响规律，最终利用二元Logit 模型可实现司机路径选择预测。基于本次研究结果，可提出相应的决策建议，提高城市交通运行效率，缓解交通压力。

1 司机路径选择行为

本文在车联网环境的背景下，探究司机路径选择行为影响因素及其作用机理。根据Wardrop［12］第一平衡原理，出行者会根据道路实际状况，在达到出行目的过程中选择更有利的出行路径。而司机路径选择行为可视为司机对出行预规划路径的不断选择调整过程。这里，研究给出了车联网环境下司机路径选择过程如图1 所示。

图1 车联网环境下司机路径选择过程Fig． 1 Drivers route selection process in the Internet of Vehicles environment

通过对现有国内外学者的研究进行分析，对影响司机路径选择因素做了系统整理与归纳，把司机路径选择影响因素归纳为4 类，分别为:司机个体属性类、出行特征类、外界条件类以及交通信息类，具体影响因子如图2 所示。

图2 司机路径选择影响因子Fig． 2 Drivers route selection influence factors

2 研究方法与数据调查统计

2．1 数据来源

文中数据主要采用调研问卷方式获取。调研内容主要分为3 个部分。第一部分为路网司机的统计学特征，包括司机的性别、年龄、驾龄、学历、职业、月收入以及驾驶风格等，从而确定司机的社会属性。第二部分为司机出行经历调查，主要包括出行目的、出行频率、出行距离、路径选择依据、路网熟悉程度等。第三部分主要为司机择路态度。共发放调研问卷588 份，其中，有效问卷561 份，有效率为95.4%。

2．2 二项Logit 模型

由于本文研究的问题对象“司机在道路拥堵时是否选择变道”为二分类问题，因而选用了通常适用于估计以二分变量为因变量的模型的二元Logistic 回归方法。

该模型中，设Y∈｛0，1｝，P（Y＝1｜X）为事件Y在条件X的作用下发生的概率，取值范围为［0，1］；相应地，P（Y＝0｜X）为事件Y在条件X的作用下不发生的概率。优势比Odds ＝P／（1 -P），取值范围为［0，＋∞）。对Odds取自然对数，可将概率P从取值范围［0，1］映射至（-∞，＋∞），从而建立广义线性模型:

对上式求解可得:

其中，X＝（1，X1，…，Xk）T；β＝（β0，β1，…，βk）T，β0为常数项，βk为各变量的回归系数。

以“在道路拥堵时是否选择变道”为因变量Y，取值为1 时表示变道，取值为0 时表示不变道；自变量为反映司机的基本信息、出行经历和择路态度等信息的变量。各变量的赋值定义，以及各选项的选择比例见表1。

表1 SP 调查问卷统计表Tab． 1 Statistical table of SP questionnaire

2．3 模型标定

本文应用SPSS 26.0 软件对模型进行二元Logistics 回归和关键因子筛选，并采用“输入法”将各变量引入模型。筛选关键因子的标准为显著性水平0.1。逐步剔除显著性水平大于0.1 的因子，最终筛选得到的变量组合以及相应的系数估计结果见表2。

表2 Logit 回归估计结果Tab． 2 Logit regression estimation results

结果表明驾龄、驾驶风格、出行频率、出行距离、路径选择依据、以及受访司机出行路径选择受交通状况和信息的发布时机、发布内容、发布方式与准确度的影响程度，这10 个因子对拥堵时是否改变路径有显著的影响。性别、年龄、学历、职业、月收入、出行目的、路网熟悉程度，以及受访司机出行路径选择受道路类型、车辆特征和天气状况的影响程度，这10 个因子对拥堵时是否改变路径没有显著影响。具体分析如下:

在非分类变量（有序变量）中，驾龄的系数为0.255（P＝0.031＜0.05），这表明驾龄越长的司机拥堵时改变路径的概率更高。出行频率的系数为0.502（P＝0.000＜0.05），这表明出行频率越高的司机，拥堵时改变路径的概率更高。出行距离的系数为0.415（P＝0.000＜0.05），这表明司机出行距离越远，遇到拥堵时改变路径的概率更高。在司机的择路态度方面，交通状况、信息发布时机、信息发布内容、信息发布方式和信息准确度的系数分别为0.390、0.244、0.232、0.328 和0.189，相应的P值均小于0.05，这表明受交通状况和信息发布情况影响程度较高的司机，遇到拥堵时改变路径的概率更高。

分类变量中，驾驶风格方面，普通型和激进型的系数分别为1.812 和2.907，P值均小于0.05，这表明普通型和激进型司机遇到拥堵时改变路径的概率明显高于保守司机（模型设定的基准水平），且积极型司机改变路径的概率更高。路径选择依据方面，个人经验的系数为0.521（P＝0.049＜0.05），这表明依靠个人经验选择路径的司机相较依靠交通信息诱导的司机（模型设定的基准水平），在拥堵时变更路线的概率更高；而依据家人或朋友推荐或利用其他方式选择路径的司机，变更路线的概率较基准水平的差异并不明显。

综上可知，驾龄长、驾驶风格较激进、出行频率高、出行距离长、路径选择依据个人经验、及路径选择更易受到交通状况和信息发布情况影响的司机，在遇到拥堵时改变路径的概率更高。

续表1

2．4 模型准确性检验

为检验模型的准确性，本文对比了561 份样本中受访司机遇到拥堵时是否改变路径的实测值和预测值。对预测值取0.5 为临界值，预测值大于等于0.5 的为变更路径，小于0.5 的为不变更路径，结果见表3。结果表明，临界值取0.5 时，模型的总体预测准确率为78.3%，预测效果较好。其中，对不改变路径的预测准确率为59.6%，对改变路径的预测准确率为87.3%。