基于超車事件分析的非機(jī)動(dòng)道路服務(wù)水平評價(jià)

周 旦， 許 鐳， 顧國斌， 嚴(yán)勇力， 趙紅專

(桂林電子科技大學(xué)建筑與交通工程學(xué)院， 桂林 541004)

隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展，中國城市的道路交通需求大幅度增加。特別的，非機(jī)動(dòng)車的保有量和使用量增長顯著[1]。中國的非機(jī)動(dòng)車出行也逐漸由過去單一的傳統(tǒng)人力自行車出行轉(zhuǎn)變?yōu)槿肆ψ孕熊嚭碗妱?dòng)自行車并存的出行方式，尤其在地勢較為平坦的部分中小城市，電動(dòng)自行車的出行比重更高。在混行非機(jī)動(dòng)交通流中，由于電動(dòng)自行車的速度相對較快，且更便捷與省力，因此，在混行非機(jī)動(dòng)車道內(nèi)經(jīng)常發(fā)生超車事件，尤其是電動(dòng)自行車對人力自行車的超車行為。在超車過程中會(huì)加重騎行者額外的精神負(fù)擔(dān)，且對騎行者的正常行駛造成干擾，因此，超車事件數(shù)可被用于混行非機(jī)動(dòng)車道路服務(wù)水平評價(jià)[2]。

Botma[3]首先建立了自行車超車事件計(jì)算模型，并認(rèn)為自行車流量、速度和道路寬度等對超車事件數(shù)影響顯著，此方法也被道路通行能力手冊(HCM2000)[4]中自行車道路服務(wù)水平評價(jià)所采用。Beura等[5]使用模糊神經(jīng)網(wǎng)絡(luò)算法，構(gòu)建了一個(gè)適用于不均勻交通量的BLOS模型，且經(jīng)過分析可知路段寬度、交通流量以及路邊停車活動(dòng)是對該模型有重要影響的敏感性因素。中國非機(jī)動(dòng)車騎行環(huán)境較為復(fù)雜，道路流量大且人力自行車與電動(dòng)自行車混行現(xiàn)象突出。閆星臣等[6]應(yīng)用高斯函數(shù)分析了城市非機(jī)動(dòng)道路內(nèi)超車事件數(shù)與主要影響因素之間的關(guān)系。顏佳佳[7]基于均速標(biāo)準(zhǔn)差和均速離散差值等指標(biāo)與非機(jī)動(dòng)車道路服務(wù)水平評價(jià)標(biāo)準(zhǔn)建立聯(lián)系，為非機(jī)動(dòng)車道寬度與通行能力的相互關(guān)系研究奠定了基礎(chǔ)。李玉清[8]基于多值元胞自動(dòng)機(jī)模型，提出了一種以密度、平均速度、負(fù)荷度等為評價(jià)指標(biāo)的自行車道服務(wù)水平評價(jià)方法。

國外在非機(jī)動(dòng)車超車事件和服務(wù)水平評價(jià)方面的研究當(dāng)中，更多的是側(cè)重于對傳統(tǒng)人力自行車的研究，對于電動(dòng)自行車的研究則非常少，這主要基于他們的國情，而中國的混行非機(jī)動(dòng)交通流現(xiàn)象則更為突出，所以國外學(xué)者得出的結(jié)論與規(guī)范標(biāo)準(zhǔn)并不能很好的表征中國的道路運(yùn)行狀況。中國學(xué)者在建立服務(wù)水平評價(jià)體系時(shí)，主要是圍繞傳統(tǒng)的交通流參數(shù)得出結(jié)論，而很少考慮到騎行者的主觀感受，且往往評價(jià)指標(biāo)較多，無法簡潔直觀地進(jìn)行評價(jià)?；诖耍F(xiàn)從混行非機(jī)動(dòng)交通流的特性出發(fā)，將超車事件數(shù)列為混行非機(jī)動(dòng)車道服務(wù)水平的評價(jià)指標(biāo)，并結(jié)合騎行者的主觀感受建立混行非機(jī)動(dòng)車道服務(wù)水平分級標(biāo)準(zhǔn)。以期為混行非機(jī)動(dòng)車道路運(yùn)行狀態(tài)判別以及規(guī)劃與管理提供理論依據(jù)。

1 非機(jī)動(dòng)車交通流數(shù)據(jù)采集

1.1 調(diào)查路段

選取廣西壯族自治區(qū)內(nèi)桂林市、柳州市和南寧市典型混行非機(jī)動(dòng)車道路作為調(diào)查地點(diǎn)。這三座城市的主城區(qū)地勢較為平坦，非機(jī)動(dòng)車交通系統(tǒng)較為發(fā)達(dá)，非機(jī)動(dòng)車作為市民出行的最基本交通方式，數(shù)量非常龐大，特別是電動(dòng)自行車所占比重較高，獨(dú)立的非機(jī)動(dòng)車道內(nèi)人力自行車和電動(dòng)自行車混行現(xiàn)象突出。調(diào)查路段的選取原則主要包括以下三個(gè)方面：①非機(jī)動(dòng)車流量較大的城市主次干道上，具有機(jī)非物理隔離設(shè)施，道路平直，騎行視野較好；②遠(yuǎn)離道路交叉口、公交站臺(tái)、路側(cè)開口等且路內(nèi)沒有機(jī)動(dòng)車停車設(shè)施；③天氣狀況較佳，調(diào)查時(shí)間選取在工作日的7:00—9:00和17:00—19:00。選取10個(gè)重要路段進(jìn)行調(diào)查，各個(gè)路段的基本情況如表1所示。

表1 調(diào)查路段的基本情況Table 1 Investigate the basic situation of the road section

1.2 數(shù)據(jù)采集

在調(diào)查過程中，首先，設(shè)定長度為15 m的調(diào)查區(qū)域，部分路段的實(shí)況如圖1所示；其次，使用無人機(jī)對選取的路段進(jìn)行拍攝，記錄下非機(jī)動(dòng)車輛的實(shí)時(shí)運(yùn)行狀況；最后，使用視頻處理軟件，獲取每一輛車通過調(diào)查區(qū)域的時(shí)間、車型、速度等信息。

圖1 部分路段的實(shí)況Fig.1 Actual situation of some road sections

2 混行非機(jī)動(dòng)車道超車事件數(shù)預(yù)測模型

2.1 非機(jī)動(dòng)車超車事件

將單位時(shí)間內(nèi)、單位長度路段上，騎行者完成的一次超越行為定義為一個(gè)非機(jī)動(dòng)車超車事件，如圖2所示。將超車事件數(shù)定義為調(diào)查路段15 m范圍內(nèi)每分鐘發(fā)生的超車個(gè)數(shù)(個(gè)/min)[9]。在超車過程中騎行者需集中注意力感知周邊車輛及行車環(huán)境，并判斷安全距離以完成超車。騎行者行駛過程中超車事件越多，表明行駛過程受到的阻礙與困難越大，騎行舒適度也相應(yīng)降低。

圖2 非機(jī)動(dòng)車超車事件示意圖Fig.2 Sketch map of actual non motor vehicle overtaking events on some road sections

2.2 非機(jī)動(dòng)車流量

在調(diào)查區(qū)域內(nèi)以固定1 min為間隔統(tǒng)計(jì)非機(jī)動(dòng)車交通流量，并將其轉(zhuǎn)化為小時(shí)交通量(輛/h)。由于選取的調(diào)查路段寬度均不相等，因此，為了統(tǒng)一計(jì)算標(biāo)準(zhǔn)，將交通流量再除以非機(jī)動(dòng)車道寬度，得到每延米寬度下的非機(jī)動(dòng)車流量(輛/h/m)，如式(1)所示。同時(shí)為了準(zhǔn)確計(jì)算混行非機(jī)動(dòng)車道內(nèi)的交通流量，有必要將電動(dòng)自行車換算成人力自行車，基于超車沖突事件數(shù)，設(shè)定電動(dòng)自行車相對于人力自行車的換算系數(shù)為1.2[10]。

(1)

式(1)中：Qa為非機(jī)動(dòng)車單位小時(shí)流量，輛/h/m；q為1 min的非機(jī)動(dòng)車流量，輛/min；W為路段寬度，m。

2.3 車均占有空間

車均占有空間是道路工程設(shè)計(jì)規(guī)范中服務(wù)水平評價(jià)的主要指標(biāo)，但目前僅局限于對傳統(tǒng)人力自行車的探究，而對混行非機(jī)動(dòng)車運(yùn)行狀況的研究則較少。因此，將人力自行車和電動(dòng)自行車均納入研究范圍之內(nèi)。車均占有空間由調(diào)查區(qū)面積除以調(diào)查區(qū)域內(nèi)的混行非機(jī)動(dòng)車數(shù)量得到，借鑒雷雪琪等[11]方法，利用視頻處理軟件以固定5 s間隔為調(diào)查區(qū)域拍快照分別統(tǒng)計(jì)電動(dòng)自行車和人力自行車數(shù)量，以人力自行車為基準(zhǔn)折算非機(jī)動(dòng)車當(dāng)量并求和，再以連續(xù)60 s數(shù)據(jù)的平均值作為數(shù)據(jù)分析的基礎(chǔ)，如式(2)所示：

(2)

式(2)中：O為車均占有空間，m2/輛；S為調(diào)查區(qū)面積，m2；Qb為調(diào)查區(qū)內(nèi)的非機(jī)動(dòng)車總數(shù)，輛。L為調(diào)查區(qū)長度，m；P1,P2,…,P12分別為每個(gè)快照下調(diào)查區(qū)域內(nèi)的非機(jī)動(dòng)車輛數(shù)。

以南寧市邕江大橋、柳州市文昌路等4個(gè)路段為例，使用數(shù)據(jù)統(tǒng)計(jì)分析軟件對單位小時(shí)流量與車均占有空間進(jìn)行回歸分析。結(jié)果表明，單位小時(shí)流量對車均占有空間影響顯著，并成一元線性回歸關(guān)系，如表2所示。從該影響因素來看，單位小時(shí)流量越大，車均占有空間越小。這是因?yàn)樵诼范螌挾取C(jī)非隔離條件等一致的環(huán)境下，隨著路段流量增大，騎行者的騎行空間進(jìn)一步被壓縮，受到的干擾變大，舒適性也隨之降低。

表2 車均占有空間與單位小時(shí)流量的關(guān)系Table 2 The relationship between the space occupied by vehicles and the flow per hour

2.4 超車事件數(shù)預(yù)測模型

在混行非機(jī)動(dòng)車道內(nèi)，超車事件數(shù)會(huì)受到眾多因素的影響，如單位小時(shí)流量、車均占有空間、速度、電動(dòng)自行車比例、車道寬度等。由于調(diào)查路段中電動(dòng)自行車比例均大于80%，電動(dòng)自行車占比對超車事件數(shù)影響很小，故不對該因素進(jìn)行相關(guān)分析。為了明確上述因素對超車事件數(shù)影響的顯著性程度，建立多元線性回歸方程[12]。設(shè)隨機(jī)變量y與變量{χ1,χ2,…，χk}的多元線性回歸模型的一般形式為

y=β0+β1χ1+β2χ2+…+βkχk+ε

(3)

式(2)中：{β0,β1,β2,…,βk}為k+1個(gè)未知參數(shù)，稱為回歸系數(shù)；y為因變量；χ1,χ2,…,χk為k個(gè)自變量；ε為隨機(jī)誤差。因變量為超車事件數(shù)，自變量為主要影響因素。

從表3統(tǒng)計(jì)分析的結(jié)果可以看出，對超車事件數(shù)影響顯著的因素包括路段寬度、單位小時(shí)流量以及車均占有空間。由于車均占有空間和單位小時(shí)流量成線性回歸關(guān)系，單位小時(shí)流量對超車事件數(shù)的影響更顯著，且在實(shí)際交通調(diào)查中，非機(jī)動(dòng)車流量更易統(tǒng)計(jì)，因此，舍去車均占有空間變量，建立超車事件數(shù)和路段寬度、單位小時(shí)流量的多元回歸關(guān)系模型。超車事件數(shù)與主要影響因素關(guān)系如圖3所示?；貧w模型擬合優(yōu)度R2=0.733，如式(4)所示：

表3 多元線性回歸模型檢驗(yàn)結(jié)果Table 3 Test results of multiple linear regression model

圖3 超車事件數(shù)與主要影響因素關(guān)系圖Fig.3 Relationship between overtaking events and main influencing factors

y=9.684W+0.013Qa-38.907

(4)

式(4)中：y為超車事件數(shù)。

由模型可知，超車事件數(shù)隨路段寬度及流量的增加而增加，其中單位小時(shí)流量對超車事件數(shù)的影響大于路段寬度對超車事件數(shù)的影響。

3 服務(wù)水平評價(jià)體系構(gòu)建

3.1 評價(jià)指標(biāo)選取

服務(wù)水平是衡量道路交通流中的車輛運(yùn)行好壞以及駕駛員和乘客所感受的量度表征[13]。因此，在確定混行非機(jī)動(dòng)車道路服務(wù)水平評價(jià)指標(biāo)時(shí)，既應(yīng)選取能反映交通流客觀運(yùn)行狀態(tài)的指標(biāo)，也應(yīng)考慮非機(jī)動(dòng)車交通出行者的主觀感受。2.4節(jié)給出了超車事件數(shù)的預(yù)測模型，它是混行非機(jī)動(dòng)交通流的重要特征之一，也是體現(xiàn)騎行舒適性的綜合性指標(biāo)。因此，選取超車事件數(shù)作為服務(wù)水平評價(jià)的客觀指標(biāo)。

在主觀評價(jià)方面，主要采用視頻片段打分法[14]，該方法主要是在密閉的空間環(huán)境中，邀請一定數(shù)量的志愿者，通過播放調(diào)查點(diǎn)視頻片段的方式，獨(dú)立地對每個(gè)片段進(jìn)行打分評價(jià)，分值為0～10，分值越低代表非機(jī)動(dòng)車道路服務(wù)水平質(zhì)量越差，反之則代表服務(wù)水平質(zhì)量更高。

本次調(diào)查共邀請到了30位志愿者，志愿者涵蓋了不同年齡層次的學(xué)生、老師以及社會(huì)群眾。在打分評價(jià)之前，首先對志愿者進(jìn)行相關(guān)培訓(xùn)，要求志愿者結(jié)合已給出的參考評價(jià)標(biāo)準(zhǔn)，如表4所示，回想在日常騎行過程中所遇到的各種騎行環(huán)境以及心理狀態(tài)。接著選取15個(gè)具有不同服務(wù)水平的道路視頻片段，志愿者通過觀測視頻中的騎行環(huán)境，為道路服務(wù)水平進(jìn)行評價(jià)。本次調(diào)查共獲得450個(gè)樣本，剔除掉部分不合理的樣本后，共有有效樣本421個(gè)。將評分結(jié)果樣本量按照[0,2)、[2,4)、[4,6)、[6,8)、[8,10]5個(gè)區(qū)間進(jìn)行對比統(tǒng)計(jì)，統(tǒng)計(jì)結(jié)果顯示大部分樣本的評分都趨向于中間值4～8分，而較為極端的情況則較少。

表4 主觀打分評價(jià)標(biāo)準(zhǔn)Table 4 Subjective scoring evaluation criteria

3.2 服務(wù)水平劃分K-means模型

K-means聚類算法是一種基于種類劃分的算法，它選用距離作為相似性的評價(jià)指標(biāo)[15]。混行非機(jī)動(dòng)車道服務(wù)水平評價(jià)是一個(gè)較為模糊的概念，需綜合考慮多種主、客觀影響因素?；诖?，主要建立以主觀評價(jià)打分和超車事件數(shù)兩個(gè)指標(biāo)為輸入，以服務(wù)水平評價(jià)等級為模型輸出的K-means分類模型。

K-means算法步驟：第一步,輸入實(shí)驗(yàn)所需的數(shù)據(jù)即實(shí)際交通調(diào)查中所獲得的主觀打分及超車事件數(shù)，為了消除二者之間不同量綱的影響，選用Z得分法對原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

第二步，參照現(xiàn)行道路工程設(shè)計(jì)規(guī)范和主觀打分評價(jià)標(biāo)準(zhǔn)等將混行非機(jī)動(dòng)車道服務(wù)水平劃分為5個(gè)等級，故取K=5，即將所有樣本經(jīng)過訓(xùn)練后得到5個(gè)集合。

第三步，從所有調(diào)查樣本中隨機(jī)抽取5個(gè)樣本作為初始中心點(diǎn)。

第四步，計(jì)算剩余樣本與5個(gè)樣本中心點(diǎn)的歐式距離并作對比，距離哪個(gè)中心點(diǎn)近，就把這個(gè)樣本劃分到哪個(gè)中心點(diǎn)所歸屬的集合，即

ci=argminj‖xi-μj‖2

(5)

式(5)中：xi為樣本數(shù)據(jù)；μj為聚類中心。

第五步，所有樣本歸于集合后，一共會(huì)產(chǎn)生5個(gè)集合，接著重新計(jì)算集合中心點(diǎn)，如式(6)所示，并迭代前面的步驟，直到集合中心點(diǎn)的位置收斂時(shí)結(jié)束[16]。

(6)

式(6)中：n為樣本數(shù)量。

最終的聚類結(jié)果如表5所示，第1類別為非常暢通狀態(tài)，共有85個(gè)樣本；第2類別為較暢通狀態(tài)，包含114個(gè)樣本，第3類別為一般擁堵狀態(tài)，包括81個(gè)樣本，第4類別為較擁堵狀態(tài)，同樣包含81個(gè)樣本，第5類別為非常擁堵狀態(tài)，涵蓋60個(gè)樣本。算法共輸入421個(gè)樣本，有效識(shí)別樣本421個(gè)，遺漏0個(gè)樣本，該算法對輸入的樣本具有較好的識(shí)別性。

表5 K-means算法聚類結(jié)果Table 5 Clustering results of K-means algorithm

3.3 服務(wù)水平評價(jià)標(biāo)準(zhǔn)

依據(jù)K-means算法得到的聚類結(jié)果，可知主觀評價(jià)打分和超車事件數(shù)呈負(fù)相關(guān)關(guān)系，即當(dāng)超車事件數(shù)增加時(shí)，主觀打分會(huì)相應(yīng)地降低?；诔囀录?shù)和交通流參數(shù)之間的關(guān)系并結(jié)合騎行者主觀評價(jià)打分，可以將混行非機(jī)動(dòng)車道路服務(wù)水平劃分為5個(gè)等級，具體如表6所示。

表6 混行非機(jī)動(dòng)車道路服務(wù)水平評價(jià)標(biāo)準(zhǔn)Table 6 Evaluation standard of mixed non motor vehicle road service level

4 應(yīng)用案例

4.1 路段概況

選取桂林市解放東路和南寧市民族大道C段為實(shí)例驗(yàn)證路段，解放東路是桂林市東西走向的主干道之一，采用三塊板道路斷面形式，機(jī)非隔離設(shè)施為綠化隔離帶。民族大道是南寧市東西走向的標(biāo)志性交通廊道，為四幅式道路，在輔道中采用護(hù)欄作為機(jī)非隔離設(shè)施。兩條路段周邊主要分布各類商業(yè)中心、休閑設(shè)施等，混行非機(jī)動(dòng)車流量較大，超車事件頻發(fā)。路段實(shí)況如圖4所示。

圖4 非機(jī)動(dòng)車道實(shí)況Fig.4 Non motorized vehicle lane

4.2 服務(wù)水平評價(jià)

根據(jù)超車事件數(shù)預(yù)測模型，以某工作日高峰時(shí)段的混行非機(jī)動(dòng)車流調(diào)查數(shù)據(jù)為例，如表7和表8所示，對兩個(gè)路段的服務(wù)水平進(jìn)行評價(jià)與分析。

表7 桂林解放東路非機(jī)動(dòng)車道早高峰時(shí)段交通流參數(shù)Table 7 Traffic flow parameters of non-motorized Lane in Jiefang East Road in Guilin during morning peak hours

表8 南寧民族大道C段非機(jī)動(dòng)車道晚高峰時(shí)段交通流參數(shù)Table 8 Traffic flow parameters of non motorized lane at Section C of Minzu Avenue in Nanning during peak hours

根據(jù)式(4)給出的預(yù)測模型，分別代入表7與表8中路段寬度和單位小時(shí)流量的數(shù)值。其中對于桂林市解放東路，可得第1 min的超車事件數(shù)為11個(gè)，參照表6，對應(yīng)的服務(wù)水平等級為第二級。第2～5 min的超車事件數(shù)分別為14、18、13、14個(gè)，同理對應(yīng)的服務(wù)水平依次為二級、三級、二級和二級。據(jù)此可以判斷，桂林市解放東路非機(jī)動(dòng)車道在早高峰(7:48—7:53)時(shí)段的服務(wù)水平為第二級，運(yùn)行狀態(tài)可描述為騎行者基本可以自由駕駛，能夠自主選擇速度或超車，但稍有約束，相互間干擾較少。對于南寧市民族大道C段，經(jīng)計(jì)算可得第1～5 min的超車事件數(shù)分別為21、15、22、21、15個(gè)，參照表6，對應(yīng)的服務(wù)水平依次為四級、三級、四級、四級和三級。由此可以判斷，南寧市民族大道C段非機(jī)動(dòng)車道在晚高峰(17:52—17:57)時(shí)段的服務(wù)水平為第四級，運(yùn)行狀態(tài)可描述為車流密集，駕駛者騎行速度低，車輛間相互干擾多，駕駛者不斷尋求空隙以便超車。兩條路段雖然都位于城市中心地帶，但服務(wù)水平出現(xiàn)較為明顯的差異主要是因?yàn)樵绺叻宀糠稚虡I(yè)中心營業(yè)時(shí)間較遲，工作人員上班時(shí)間相應(yīng)延后，故人流、車流量相對較少。而晚高峰由于下班、購物車流相互疊加，導(dǎo)致道路服務(wù)水平明顯偏低。這與實(shí)際調(diào)查情況一致，由此表明研究結(jié)果具有較好的實(shí)踐與應(yīng)用價(jià)值。

5 結(jié)論

通過實(shí)地交通調(diào)查與數(shù)據(jù)分析，建立了基于單位小時(shí)流量和路段寬度的超車事件數(shù)預(yù)測模型，并應(yīng)用K-means聚類算法構(gòu)建了基于超車事件數(shù)和主觀感受打分的混行非機(jī)動(dòng)車道路服務(wù)水平評價(jià)標(biāo)準(zhǔn)，且通過實(shí)際案例驗(yàn)證了該評價(jià)標(biāo)準(zhǔn)是可行的。該評價(jià)方法不僅能夠簡潔、有效地反映非機(jī)動(dòng)車道路的運(yùn)行狀況，還能夠?yàn)槌鞘蟹菣C(jī)動(dòng)車道路的規(guī)劃與管理提供理論依據(jù)。