基于道路交通環(huán)境的非機(jī)動車騎行行為特征研究

曹士強(qiáng)， 邊 揚(yáng)， 榮 建， 許丹丹

(交通工程北京市重點(diǎn)實(shí)驗(yàn)室(北京工業(yè)大學(xué))， 北京 100124)

?

基于道路交通環(huán)境的非機(jī)動車騎行行為特征研究

曹士強(qiáng)， 邊 揚(yáng)， 榮 建， 許丹丹

(交通工程北京市重點(diǎn)實(shí)驗(yàn)室(北京工業(yè)大學(xué))， 北京 100124)

為促進(jìn)路段非機(jī)動車服務(wù)水平評價及騎行環(huán)境改善，以道路交通環(huán)境為基礎(chǔ)，研究非機(jī)動車騎行行為特征是十分必要的. 以機(jī)非實(shí)體隔離、未施劃人行橫道的非機(jī)動車專用道為研究對象，在騎行行為特征影響因素分析的基礎(chǔ)上，針對具有不同道路交通環(huán)境的典型路段采集非機(jī)動車騎行行為信息，應(yīng)用二維運(yùn)動圖像解析技術(shù)與數(shù)理統(tǒng)計分析方法研究速度、加減速度、加速度變化率、橫向偏移率等騎行行為特征，剖析不同道路交通環(huán)境下騎行行為特征的特點(diǎn)；在此基礎(chǔ)上，利用廣義回歸神經(jīng)網(wǎng)絡(luò)建立基于道路交通環(huán)境的非機(jī)動車騎行行為特征模型. 通過模型精度分析，證明基于道路交通環(huán)境的廣義回歸神經(jīng)網(wǎng)絡(luò)模型對非機(jī)動車騎行行為特征的預(yù)測效果良好.

非機(jī)動車; 道路交通環(huán)境; 騎行行為特征; 廣義回歸神經(jīng)網(wǎng)絡(luò)

Study on Non-motorized Vehicle Riding Behavior Characteristics

0 引言

近年來，許多國家對非機(jī)動車交通的發(fā)展給予了充分重視，非機(jī)動車交通正處于蓬勃發(fā)展階段. 荷蘭、丹麥和德國等國家為提高自行車出行，施劃了大量的自行車專用道，并實(shí)施交通靜化措施，保證了自行車良好的出行環(huán)境，形成了難以抵擋的騎行誘惑[1]，使得自行車出行成為發(fā)展趨勢. 然而北京市的自行車出行方式比例卻由2000年的38.5%下降至2013年的12.1%[2]，呈現(xiàn)逐年下降的趨勢. 對比北京市與國外其他城市非機(jī)動車發(fā)展現(xiàn)狀，不難發(fā)現(xiàn)北京市的非機(jī)動車出行環(huán)境更加惡劣，同時非機(jī)動車路權(quán)難以得到有效保障. 不同的非機(jī)動車出行環(huán)境決定不同的騎行行為特征，也決定著出行者是否選擇非機(jī)動車出行. 因此，有必要研究在不同的出行環(huán)境下非機(jī)動車騎行行為，促進(jìn)非機(jī)動車出行現(xiàn)狀的改善.

現(xiàn)階段，非機(jī)動車騎行行為特征的研究主要集中于騎行行為特征與相關(guān)的騎行行為模型. 其中，在非機(jī)動車騎行行為特征方面，張起森[3]、梁春巖[4]研究有機(jī)非物理隔離路段與無機(jī)非物理隔離路段的速度特征，建立了自行車交通流三參數(shù)模型；潘曉東[5]以跑車與電動自行車為研究對象開展非機(jī)動車騎行行為實(shí)驗(yàn)，研究不同性別、不同車輛類型的交通流特征；在非機(jī)動車騎行行為模型方面，李艷霞[6]、張晉[7]、魏麗英[8]等基于元胞自動機(jī)模型或其改進(jìn)模型建立自行車交通流模型. 梁肖[9]建立基于心理生理力學(xué)的感知模型與考慮氣質(zhì)類型的軌跡選擇行為模型，研究自行車微觀行為. 但現(xiàn)有研究未能分類或簡單地依據(jù)城市道路橫斷面研究非機(jī)動車騎行行為特征，忽略了不同道路交通環(huán)境具有不同騎行行為特征的特點(diǎn)，研究結(jié)論無法適用于其他道路；同時以往研究主要針對自行車展開，對電動自行車相關(guān)研究涉及較少，因此，以往研究已不能完全適用于電動自行車高度發(fā)達(dá)的混合非機(jī)動車交通流條件.

本文首先以機(jī)非實(shí)體隔離、未施劃人行橫道的非機(jī)動車專用道為研究對象，研究無其他交通主體干擾條件下非機(jī)動車騎行行為特征，建立基于道路交通環(huán)境的非機(jī)動車騎行行為特征廣義回歸神經(jīng)網(wǎng)絡(luò)模型，為其他類型的非機(jī)動車道研究奠定基礎(chǔ).

1 非機(jī)動車騎行行為特征影響因素分析

非機(jī)動車騎行行為特征的主要影響因素為道路環(huán)境條件與交通環(huán)境條件. 其中，道路隔離形式、道路寬度等道路環(huán)境條件是非機(jī)動車騎行行為的載體，決定非機(jī)動車流受到的干擾類型；非機(jī)動車流量、電動自行車混合率與相鄰機(jī)動車道的機(jī)動車流量、車輛組成等交通環(huán)境條件是非機(jī)動車騎行行為的影響因素，決定非機(jī)動車流受到的干擾程度.

針對機(jī)非實(shí)體隔離、未施劃人行橫道的非機(jī)動車專用道而言，由于不存在其他交通流的干擾，非機(jī)動車騎行行為特征的道路環(huán)境影響因素為非機(jī)動車道寬度；交通環(huán)境影響因素包括非機(jī)動車流量、非機(jī)動車密度、電動自行車混合率與反向行駛流率比.

2 非機(jī)動車騎行行為信息采集與提取

選取具有不同道路環(huán)境與交通環(huán)境的機(jī)非實(shí)體隔離、未施劃人行橫道的非機(jī)動車專用道道路，運(yùn)用視頻錄像調(diào)查方法采集非機(jī)動車騎行行為信息并進(jìn)行相關(guān)數(shù)據(jù)提取.

2.1 非機(jī)動車騎行行為信息采集

為獲取不同道路交通環(huán)境下非機(jī)動車騎行行為數(shù)據(jù)，需要選取非機(jī)動車流量連續(xù)漸變的時段與具有不同道路基礎(chǔ)屬性的路段開展調(diào)查. 因此，在工作日早高峰7:00—9:00與晚高峰17:00—19:00，選取北京市朝陽門南大街(三豐胡同—朝外南街)、復(fù)興門外大街(三里河南六巷—白云路)和中關(guān)村北大街(清華大學(xué)附屬中學(xué)—紫荊路)3條具有機(jī)非實(shí)體隔離、未施劃人行橫道的非機(jī)動車專用道進(jìn)行視頻錄像調(diào)查. 調(diào)查地點(diǎn)實(shí)景圖與路段屬性分別如圖1與表1所示.

圖1 調(diào)查地點(diǎn)實(shí)景圖

道路名稱起訖點(diǎn)隔離形式非機(jī)動車道寬度/m朝陽門南大街三豐胡同—朝外南街實(shí)體隔離36復(fù)興門外大街三里河南六巷—白云路實(shí)體隔離31中關(guān)村北大街清華大學(xué)附屬中學(xué)—紫荊路實(shí)體隔離51

2.2 非機(jī)動車騎行行為信息提取

基于調(diào)查視頻，選取滿足不同道路結(jié)構(gòu)參數(shù)、非機(jī)動車密度、電動自行車混合率、非機(jī)動車反向行駛流率比的視頻片段，應(yīng)用二維運(yùn)動圖像解析技術(shù)，以0.02 s為周期，手動標(biāo)記視頻片段中通過調(diào)查路段的所有非機(jī)動車的瞬時位置，輸出坐標(biāo)信息、速度信息和加速度信息，數(shù)據(jù)樣式如圖2所示.

圖2 二維運(yùn)動圖像解析軟件輸出數(shù)據(jù)樣式

針對3個調(diào)查地點(diǎn)分別提取40、57和83輛非機(jī)動車騎行行為信息，共獲取8 493條瞬時數(shù)據(jù)，以此作為非機(jī)動車騎行行為特征研究的基礎(chǔ)數(shù)據(jù).

3 非機(jī)動車騎行行為特征研究

在非機(jī)動車騎行行為信息提取的基礎(chǔ)上，應(yīng)用數(shù)理統(tǒng)計分析方法，研究平均速度、速度標(biāo)準(zhǔn)差等非機(jī)動車騎行行為特征，對比分析不同道路交通環(huán)境條件下的騎行行為.

3.1 非機(jī)動車騎行行為特征分析

在不同的道路交通環(huán)境條件下騎行時，騎行者的騎行速度、加減速度的大小與頻率以及橫向搖擺程度都存在明顯的差別. 因此，為了全面刻畫非機(jī)動車騎行行為特征，本文在速度相關(guān)指標(biāo)的基礎(chǔ)上，提出平均絕對加速度、平均絕對加速度變化率與平均絕對橫向偏移率3類指標(biāo)，其中平均絕對加速度表征所有非機(jī)動車交通的瞬時加減速度的大小情況，如式(1)所示；平均絕對加速度變化率表征相比于前一時刻，所有非機(jī)動車交通的加減速度變化情況，如式(2)所示；平均絕對橫向偏移率表征非機(jī)動車交通的搖擺特性，如式(3)所示.

(1)

式中，|a|ave為平均絕對加速度，m/s2；n為瞬時場景中非機(jī)動車的數(shù)量；ai為瞬時場景中第i輛非機(jī)動車的加速度，m/s2.

(2)

(3)

通過以上分析，機(jī)非實(shí)體隔離、未施劃人行橫道的非機(jī)動車專用道的騎行行為特征如表2所示，其中非機(jī)動車的平均速度為5.92 m/s；平均絕對加速度為1.38 m/s2；平均絕對加速度變化率為3.59 m/s3；平均絕對橫向偏移率為0.12 m/s.

表2 非機(jī)動車騎行行為特征指標(biāo)

3.2 非機(jī)動車騎行行為特征對比

繪制朝陽門南大街、復(fù)興門外大街、中關(guān)村北大街3種不同道路基礎(chǔ)屬性非機(jī)動車道的騎行行為特征雷達(dá)圖，如圖3所示. 從圖可得：①不同道路基礎(chǔ)屬性的非機(jī)動車道具有不同的騎行行為特征；②非機(jī)動車道寬度的設(shè)置存在適宜范圍. 在寬度適宜的非機(jī)動車道上騎行時，騎行者不會存在加減速度頻繁與大幅度搖擺的現(xiàn)象；當(dāng)寬度過大時，騎行者的安全性降低；而寬度過小時，騎行者之間的干擾程度明顯增加；③平均速度、平均絕對加速度、平均絕對加速度變化率與平均絕對橫向偏移率等騎行行為特征之間具有相同的變化趨勢，即當(dāng)騎行者騎行速度增加時，不同騎行者之間的速度差距加大，加減速度明顯，同時由于超越車輛與騎行的不穩(wěn)定性而導(dǎo)致橫向搖擺幅度變大.

圖3 不同道路環(huán)境條件下騎行行為特征對比圖

將前人研究的自行車和電動自行車的速度特征與本文研究結(jié)論進(jìn)行對比，如圖4所示. 本文研究得出的非機(jī)動車平均速度分別大于文獻(xiàn)[3-4]研究的自行車平均速度，但小于文獻(xiàn)[5]研究的電動自行車平均速度. 其原因在于現(xiàn)階段的非機(jī)動車交通流是由自行車與電動自行車組成的混合交通流，非機(jī)動車平均速度大于自行車平均速度而小于電動自行車平均速度的現(xiàn)象是必然存在的. 因此，不同的交通環(huán)境條件會對非機(jī)動車騎行行為產(chǎn)生較大影響.

圖4 不同交通環(huán)境條件下騎行行為特征對比圖

4 基于道路交通環(huán)境的非機(jī)動車騎行行為特征廣義回歸神經(jīng)網(wǎng)絡(luò)模型

由3.2節(jié)的分析可知，道路交通環(huán)境對非機(jī)動車騎行行為特征具有較大影響，因此，本文以道路交通環(huán)境為基礎(chǔ)，應(yīng)用廣義回歸神經(jīng)網(wǎng)絡(luò)建立非機(jī)動車騎行行為特征模型.

4.1 模型輸入變量確定

在非機(jī)動車騎行行為特征影響因素分析的基礎(chǔ)上，研究以非機(jī)動車道寬度、非機(jī)動車流量、非機(jī)動車密度、電動自行車混合率與反向行駛流率比的道路交通環(huán)境條件作為模型可能的輸入變量.

圖5 道路交通環(huán)境因素散點(diǎn)圖

繪制5類變量的散點(diǎn)圖，如圖5所示，由圖5可看出非機(jī)動車流量與非機(jī)動車密度存在一定的相關(guān)性. 同時，在控制其余變量的基礎(chǔ)上，針對兩兩變量進(jìn)行偏相關(guān)分析，相關(guān)系數(shù)如表3所示，其中非機(jī)動車道寬度、非機(jī)動車流量與非機(jī)動車密度3類變量之間的相關(guān)系數(shù)絕對值均大于0.7；電動自行車混合率與反向行駛流率比之間以及與其余變量的相關(guān)系數(shù)絕對值均小于0.4. 因此，非機(jī)動車道寬度、非機(jī)動車流量與非機(jī)動車密度具有較強(qiáng)的相關(guān)性. 由于非機(jī)動車密度指標(biāo)是交通流特征研究中最常用且最綜合的參數(shù)，因此研究確定非機(jī)動車密度、電動自行車混合率與反向行駛流率比作為模型最終的輸入變量.

表3 道路交通環(huán)境因素的相關(guān)系數(shù)

4.2 基于道路交通環(huán)境的非機(jī)動車騎行行為特征廣義回歸神經(jīng)網(wǎng)絡(luò)模型

廣義回歸神經(jīng)網(wǎng)絡(luò)(General Regression Neural Network，GRNN)是一種被廣泛應(yīng)用于函數(shù)逼近的徑向基神經(jīng)網(wǎng)絡(luò)，能夠深入挖掘數(shù)據(jù)之間的隱含關(guān)系，盡可能地逼近非線性系統(tǒng)，具有良好的逼近能力、分類能力與學(xué)習(xí)速度. 因此，針對道路交通環(huán)境與非機(jī)動車交通流特征之間未知的函數(shù)關(guān)系，本文采用廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行函數(shù)擬合.

利用道路交通環(huán)境數(shù)據(jù)與騎行行為特征數(shù)據(jù)，應(yīng)用Matlab軟件建立非機(jī)動車騎行行為特征廣義回歸神經(jīng)網(wǎng)絡(luò)模型. 該模型包括輸入層、徑向基隱含層與輸出層，其中輸入層輸入非機(jī)動車密度、電動自行車混合率與反向行駛流率比的道路交通環(huán)境條件，徑向基隱含層負(fù)責(zé)數(shù)據(jù)處理與預(yù)測，輸出層輸出平均速度、平均絕對加速度、平均絕對加速度變化率與平均絕對橫向偏移率等騎行行為特征指標(biāo).

本文將133組道路交通環(huán)境條件與騎行行為特征數(shù)據(jù)用于廣義回歸神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測試，其中83組基礎(chǔ)數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，50組基礎(chǔ)數(shù)據(jù)為測試數(shù)據(jù). 同時，應(yīng)用均方根誤差、平均絕對百分比誤差與負(fù)相關(guān)系數(shù)檢驗(yàn)?zāi)Ｐ途龋唧w如表4所示. 由表4可看出，模型的平均絕對百分比誤差均小于20%，負(fù)相關(guān)系數(shù)均小于0.15. 因此，本文建立的基于道路交通環(huán)境的非機(jī)動車騎行行為特征廣義回歸神經(jīng)網(wǎng)絡(luò)模型具有較高的精度，同時模型輸出與真實(shí)觀測值具有較強(qiáng)的相關(guān)性.

表4 基于道路交通環(huán)境的非機(jī)動車騎行行為特征廣義回歸神經(jīng)網(wǎng)絡(luò)模型誤差

5 結(jié)束語

本文針對機(jī)非實(shí)體隔離、未施劃人行橫道的非機(jī)動車專用道開展視頻錄像調(diào)查，應(yīng)用二維運(yùn)行圖像解析技術(shù)研究非機(jī)動車騎行行為特征，并對比分析不同道路交通環(huán)境下騎行行為特征的特點(diǎn)；從道路交通環(huán)境角度出發(fā)，建立非機(jī)動車騎行行為特征廣義回歸神經(jīng)網(wǎng)絡(luò)模型. 該模型精度較高，可以實(shí)現(xiàn)通過簡便的交通調(diào)查獲取非機(jī)動車騎行行為特征的功能. 但論文需要進(jìn)一步完善不同出行環(huán)境下的非機(jī)動車騎行行為特征及其模型，使其普遍應(yīng)用于非機(jī)動車騎行行為特征的研究與實(shí)踐工作中.

[1] 約翰·普切爾, 拉爾夫·比勒, 孫苑鑫. 難以抵擋的騎行誘惑: 荷蘭、丹麥和德國的自行車交通推廣經(jīng)驗(yàn)研究[J]. 國際城市規(guī)劃 , 2012, 27(5): 26-42.

[2] 北京交通發(fā)展研究中心. 北京市交通發(fā)展年度報告[R]. 北京, 2014.

[3] 張起森, 張亞平. 道路通行能力分析[M]. 北京: 人民交通出版社, 2002.

[4] 梁春巖. 自行車交通流特性及應(yīng)用研究[D]. 長春: 吉林大學(xué), 2007.

[5] 潘曉東, 趙曉翠, 楊軫, 等. 非機(jī)動車騎行行為實(shí)驗(yàn)研究[J]. 長沙交通學(xué)院學(xué)報, 2008, 24(4): 62-66.

[6] 李艷霞. 基于多值元胞自動機(jī)的自行車流模型模擬及分析研究[D]. 北京: 北京交通大學(xué), 2007.

[7] 張晉, 王慧, 李平. 基于元胞自動機(jī)(CA)的自行車流建模及仿真[J]. 公路交通科技, 2006, 23(1): 125-129.

[8] 魏麗英, 應(yīng)力天. 基于元胞自動機(jī)的自行車交通流仿真建模[J]. 吉林大學(xué)學(xué)報, 2011, 41(1): 51-55.

[9] 梁肖. 自行車微觀行為動力學(xué)建模及仿真研究[D]. 北京: 北京交通大學(xué), 2012.

Based on Road and Traffic Environment

CAO Shi-qiang, BIAN Yang, RONG Jian, XU Dan-dan

(Beijing Key Laboratory of Traffic Engineering (Beijing University of Technology), Beijing 100124, China)

In order to promote the level of service evaluation and riding environment improvement of non-motorized vehicles, it is necessary to study non-motorized vehicle riding behavior characteristics based on road and traffic environment conditions. This paper specifically studied non-motorized vehicle lanes physically separated from vehicular traffic and without crosswalk markings. Based on the analysis of riding behavior influence factors, the paper collected information of non-motorized vehicles riding behavior on typical sections with different road and traffic environment conditions.It researched on riding behavior characteristics such as speed, acceleration, acceleration rate of change, lateral movement using the 2D motion image analysis technology and mathematical statistics analysis method.It analyzed the riding behavior characteristics under different road and traffic environment conditions. Based on the road and traffic environment conditions, we finally established non-motorized vehicle riding behavior characteristic model by using the general regression neural network.The results show that general regression neural network (GRNN) model can better predictnon-motorized vehicle riding behavior characteristics based on road and traffic environment conditions.

non-motorized vehicle; road and traffic environment; riding behavior characteristics; GRNN

10.13986/j.cnki.jote.2015.04.008

2015- 03- 31.

北京科技計劃項目(Z141100000714008).

曹士強(qiáng)(1990—)， 男， 碩士研究生， 主要研究方向?yàn)榻煌ㄒ?guī)劃與交通流理論. E-mail：caosq@126.com.

U 491

A

1008-2522(2015)04-44-05