基于靈敏度學(xué)習(xí)的交通方式安全參數(shù)結(jié)構(gòu)模型

周艷龍， 王武宏， 郭宏偉， 蔣曉蓓

(北京理工大學(xué) 交通運輸工程系， 北京 100081)

?

基于靈敏度學(xué)習(xí)的交通方式安全參數(shù)結(jié)構(gòu)模型

周艷龍， 王武宏， 郭宏偉， 蔣曉蓓

(北京理工大學(xué) 交通運輸工程系， 北京 100081)

不同的交通方式具有不同的運動參數(shù)，運行環(huán)境也不同，因此其交通安全水平也不同. 為發(fā)現(xiàn)這些動力學(xué)性質(zhì)之間的關(guān)聯(lián)性，運用基于馬爾可夫鏈的靈敏度學(xué)習(xí)方法，依據(jù)步行、自行車、汽車等交通方式運動參數(shù)建立交通方式的參數(shù)結(jié)構(gòu)模型，從而實現(xiàn)對各種交通方式的安全水平和運動參數(shù)分布情況定的量化評價. 模型考慮的動力學(xué)參數(shù)包括最大速度、加速度、最小適應(yīng)速度、轉(zhuǎn)彎半徑、速度與損壞程度等，依據(jù)靈敏度學(xué)習(xí)理論，在不同參數(shù)間的馬爾可夫過程的基礎(chǔ)上由反向推導(dǎo)得到安全運動參數(shù)結(jié)構(gòu). 模型分析結(jié)果顯示，在交通參與者追求快速出行的同時，需要充分考慮其他動力學(xué)特征對交通安全的影響，以形成安全可靠的出行過程.

混合交通； 參數(shù)結(jié)構(gòu)； 循環(huán)交通； 交通安全

0 引言

交通工具的速度的增加，加快了人類社會的發(fā)展節(jié)奏[1]. 但快速的交通工具成為了人類生命的最大敵人. 當(dāng)今世界上每年因交通事故死亡70多萬人，傷殘2 000～2 500萬人，20世紀(jì)，世界上已有3 300多萬人在車輪下喪生[2]，現(xiàn)代城市交通環(huán)境面臨兩大嚴(yán)峻挑戰(zhàn)：交通擁堵和交通安全事故[3]. 現(xiàn)有的調(diào)查顯示，95%的交通事故是由人為原因引起的[4]，有效解決途徑則為交通工具輔助駕駛，美國高速公路安全保險機(jī)構(gòu)最近的一項研究顯示，超過 60%的交通事故可以通過為汽車配備包括盲點提示等基礎(chǔ)的智能輔助系統(tǒng)加以避免[5]. 這種輔助駕駛雖然可以保護(hù)駕駛員的安全，但這種駕駛體驗不完全適應(yīng)駕駛員生理、心理狀況，往往會被駕駛?cè)藛T所忽視[6].

對于交通安全，國外最常用的是利用汽車每車公里平均事故次數(shù)、地區(qū)或路段的事故、交通事故隨時間的變化規(guī)律來預(yù)測和評價交通安全水平，作為交通安全間接評價方法的交通沖突技術(shù)是代替?zhèn)鹘y(tǒng)的事故評價較為全面的方法，但交通沖突的觀察比較復(fù)雜，實現(xiàn)困難[7-9]. 國內(nèi)通常采用事故率法[10]、交通沖突技術(shù)[13]、強度分析法[12]等. 采用強度分析法統(tǒng)計分析了我國的交通事故與道路條件，并得出了適合我國的道路條件與交通事故的關(guān)系模型[11]. 更進(jìn)一步的來說，使用強度分析法并加入指標(biāo)的相對參照數(shù)據(jù)來統(tǒng)計各類交通行為及環(huán)境的指標(biāo)，會大大地提高不同道路指標(biāo)間比較的科學(xué)合理性[12]. 中國交通沖突技術(shù)則是根據(jù)交通沖突的程度代表了交通事故的多少，利用分析道路條件與交通沖突的關(guān)系來評價交通安全水平[13].

已有研究多集中于安全評價、從宏觀方面考察交通方式的安全特性等，而較少從微觀層面開展交通方式安全評價研究. 不同交通方式具有不同的動力學(xué)特征，各種特征之間存在復(fù)雜的交互影響關(guān)系，直接影響交通安全. 輔助駕駛提高人對交通環(huán)境信息的間接判斷，無非是在現(xiàn)有的交通工具運動參數(shù)的基礎(chǔ)上，在傳輸?shù)饺祟惛兄沫h(huán)節(jié)前，增加對這些運動參數(shù)結(jié)構(gòu)的處理，進(jìn)而使得人們對駕駛環(huán)境和駕駛狀態(tài)的感知. 安全的運動參數(shù)結(jié)構(gòu)可以給駕駛輔助系統(tǒng)以適合人類感知的最佳運動參數(shù)結(jié)構(gòu). 因此，在保證駕駛員駕駛的完全體驗下，調(diào)整交通工具的運動參數(shù)結(jié)構(gòu)成為可靠的選擇. 本研究從步行、自行車和汽車3種最典型交通方式入手，依據(jù)靈敏度學(xué)習(xí)理論，從最大速度、加速度、最小適應(yīng)速度、轉(zhuǎn)彎半徑、速度與損壞程度等安全運動參數(shù)結(jié)構(gòu)，分析不同參數(shù)間的馬爾可夫過程，實現(xiàn)各種交通方式的安全水平和運動參數(shù)分布情況的量化評價.

1 主要交通方式的運動參數(shù)分析

任何種類的交通工具都具有眾多的運動參數(shù). 那么根據(jù)什么樣的交通工具以及運動參數(shù)，是完成建立安全的交通工具運動參數(shù)結(jié)構(gòu)的根本基礎(chǔ)，如何選擇這些是一個重要的節(jié)點. 為了選取其中重要的交通工具類型和運動參數(shù)種類，就要分析交通工具的主要作用和能力以及相對應(yīng)的安全事故率.

1.1 分析主要交通工具的選取分析

交通工具其自身屬性主要是指交通工具在滿足居民出行需求時所表現(xiàn)出來的特性，如需付出的貨幣成本、交通工具行駛速度快慢、行程的可控性、機(jī)動性，出行者在行程中的感受如舒適度、私密性等. 這里選取步行、自行車和小汽車3種交通方式.

步行最大特點是步行者在可以任意支配自身體力的情況下，不用借助其他手段就能順利完成一定距離的出行. 由于步行者不借助其他的交通工具，因而具有更高的自由度，可以自主決定路線、速度等，直接到達(dá)目的地. 步行是人的自主行為，與步行者的生理、心理狀況相適應(yīng). 一般而言出行距離在1 km范圍內(nèi)，是一種較優(yōu)的出行方式.

自行車最大特點是以人力為動力的交通工具，使得人在距離間跨越上可以減少克服自身重力，與步行方式相比，具有更好的速度和行駛距離，在速度和路線上人的自主性受到一定的限制，較適合2～10 km的出行，對體力的要求較大.

小汽車最大的特征就是速度快、舒適便捷、私密性好、機(jī)動性好，但是其動力來源和速度的降低完全不是人的自主行為，這些完全與交通工具本身相關(guān)，這些與人的生理和心理狀況的適應(yīng)性很弱，且人對速度等運動參數(shù)感知能力相對很弱. 但適合長途的出行.

在日益嚴(yán)重的城市交通事故中，有小汽車主導(dǎo)的城市交通事故占有重大比例. 而對于步行，由于其主導(dǎo)形成的城市交通事故可謂微乎其微. 另一方面，人們對各類交通工具需要掌握操作技能的時間. 小汽車駕駛技能的學(xué)習(xí)，以致實現(xiàn)靈活地駕駛需要相當(dāng)長的時間和實踐，新交法規(guī)定在1年實習(xí)期，需要持有同類型記錄3年以上的駕駛?cè)伺阃{駛才可以上高速公路. 而自行車只是一種需要較短學(xué)習(xí)時間的交通工具.

1.2 主要運動參數(shù)的選取分析

由于經(jīng)濟(jì)發(fā)展使得人們對交通運輸?shù)男枨笤黾? 這樣的需求使得交通工具主要提高速度和載質(zhì)量2種因素，而這2種因素的提高是相應(yīng)地提高交通工具的質(zhì)量M和交通工具的動力F的性能[14-15]. 這些直接影響到人在操作這些交通工具時與人的生理和心理的直接適應(yīng)性. 在交通事故中，大量的事故是由于駕駛員對交通工具的速度控制和車輛狀況的掌握不足而導(dǎo)致. 其中駕駛員在駕駛中通常依據(jù)其他車輛的行駛速度來估計自身車速，從而保持必要的行車距離. 日本學(xué)者中井俊一、北村晴朗等人的研究表明，事故傾性駕駛員速度估計不適合的比率遠(yuǎn)遠(yuǎn)高于安全駕駛員，且多表現(xiàn)出明顯的速度估計偏快的傾向[16]. 因此交通工具的速度因素中最大速度vmax成為影響交通工具安全性能的最大因素之一，隨著速度的增加人在使用交通工具時的可靠性和準(zhǔn)確性逐漸降低. 由于最大速度與相應(yīng)的動力性能F直接相關(guān). 可以根據(jù)動力學(xué)得最大速度vmax.

(1)

相應(yīng)的在駕駛不同交通工具時，由于速度估計偏快的傾向，使得人在感覺到不同速度的差距時需要采取不同的駕駛行為，其中可感受到最小的速度差距成為人們避免過快速度和正確的駕駛行為的關(guān)鍵所在，這個參數(shù)直接影響到人們對速度的掌握程度. 根據(jù)交通工具本身的結(jié)構(gòu)，形成了操作交通工具一個重要的參數(shù)及最小適應(yīng)速度vfeel=v/vmax成為另一個關(guān)鍵的運動參數(shù).

在駕駛交通工具時，為避免事故發(fā)生一般是控制交通工具的加速度與避開原來行駛軌跡的轉(zhuǎn)彎半徑這2種直接的方式. 但行駛中交通工具本身產(chǎn)生的加速度和轉(zhuǎn)彎半徑隨著速度的增加而改變. 特別是加速度和轉(zhuǎn)彎半徑和速度的關(guān)系為反比和二次方關(guān)系，這與人的心理感受不相適應(yīng)，使駕駛?cè)耸?zhǔn)確判斷. 根據(jù)相應(yīng)的動力學(xué)關(guān)系得到相應(yīng)速度v下的加速度a(v)，轉(zhuǎn)彎半徑r(v).

(2)

(3)

其中Z為風(fēng)阻力比例系數(shù)；f為運動摩擦系數(shù)；g為重力加速度.

2 基于靈敏度學(xué)習(xí)交通方式運動參數(shù)結(jié)構(gòu)模型

人們在操作交通工具時，人的行動都是使得整個交通工具的狀態(tài)趨于穩(wěn)定. 這個操作過程應(yīng)是對系統(tǒng)狀態(tài)的平穩(wěn)隨機(jī)策略的操作，在狀態(tài)一定的情況下，無論怎樣的隨機(jī)操作都是可預(yù)測的.

2.1 建立交通工具運動參數(shù)結(jié)構(gòu)模型

車輛的行駛狀態(tài)是一個隨機(jī)動態(tài)系統(tǒng)，該隨機(jī)動態(tài)系統(tǒng)隨著時間而演變. 在離散時間模型中，時間取離散值，記為l=0,1,2,…，為了研究系統(tǒng)的行為狀態(tài)，將這種時刻的系統(tǒng)狀態(tài)的量記為Xl，所有該系統(tǒng)的狀態(tài)集合可以稱為該系統(tǒng)的狀態(tài)空間的集合記為S，對于系統(tǒng)的狀態(tài)發(fā)展過程稱為系統(tǒng)的發(fā)展路徑記為X={X0,X1,…}[17]. 在時刻l根據(jù)系統(tǒng)狀態(tài)Xl，采取一個操作動作的行動記為Al∈A，其中A記為行動空間，通常操作的空間是有限的. 基于行動Al在狀態(tài)Xl得到一個操作動作的行動結(jié)果Yl，依據(jù)時刻l狀態(tài)Xl和行動結(jié)果Yl，從而形成下一時刻l+1的輸入Al+1以及系統(tǒng)狀態(tài)Xl+1. 從而可以得到輸出Yl和輸入Xl的歷史狀態(tài)是相同的，由此可見系統(tǒng)狀態(tài)的馬爾可夫性. 因此，只考慮在多個時刻后，無論什么樣的輸入，輸出結(jié)果的傾向性是相對唯一的.

圖1 系統(tǒng)過程結(jié)構(gòu)

系統(tǒng)狀態(tài)Xl包括速度v、加速度a(v)、轉(zhuǎn)彎半徑r(v)、速度與損壞程度γ(v)、最小適應(yīng)速度vfeel，其中時刻的增加依據(jù)每增加一個行動策略，即每一次系統(tǒng)外界環(huán)境的判斷. 可得到系統(tǒng)狀態(tài)Xl的狀態(tài)轉(zhuǎn)移矩陣P[18].

(4)

其中mi,j(v)表示在速度為v時系統(tǒng)i等級安全狀態(tài)變?yōu)橄到y(tǒng)j等級安全狀態(tài)的概率.

因此可得到在每個速度下系統(tǒng)的最終狀態(tài)D(v)=P∞(v). 對于所有速度下的最終狀態(tài)的變化D(v)為系統(tǒng)安全等級狀態(tài)的變化. 操作交通工具是趨于保證交通工具狀態(tài)的安全，根據(jù)這一條件可由D(v)得到關(guān)于速度的轉(zhuǎn)移矩陣

(5)

其中ni,j表示在速度為i狀態(tài)轉(zhuǎn)變?yōu)樗俣萰狀態(tài)的概率.

通過對速度轉(zhuǎn)移矩陣取極值V∞，即得到速度V∞的穩(wěn)定分布狀態(tài). 聯(lián)合不同速度下D(v)的系統(tǒng)安全狀態(tài)，得到這個交通工具的完全的安全性指標(biāo)分布.

2.2 模型的獨立假設(shè)檢驗

為了保證在運用馬爾可夫鏈理論解釋該系統(tǒng)結(jié)構(gòu)中，速度的判斷轉(zhuǎn)移概率矩陣和系統(tǒng)狀態(tài)判斷轉(zhuǎn)移概率矩陣都判斷是否具有馬爾可夫鏈性質(zhì)，需要從統(tǒng)計學(xué)上的假設(shè)檢驗. 按照Anderson 和 Goodman[19]提出的標(biāo)準(zhǔn)檢驗馬氏鏈的平穩(wěn)性.

(6)

如果馬爾可夫鏈?zhǔn)瞧椒€(wěn)的，該計算式又可以寫為便于計算的形式[19]：

(7)

3 實例分析及模擬

根據(jù)對交通工具參數(shù)的分析，實例分析中需要得到每個交通工具的質(zhì)量M和交通工具的動力F的性能、最大速度vmax、運動摩擦系數(shù)、加速度、最小轉(zhuǎn)彎半徑，即可以得到每個交通工具的最大速度分布和安全分布狀態(tài)，為了方便起見，分別將每個交通工具的速度分為5個等級，安全性能分為5等級. 其中速度等級最高為最大速度，安全最高等級是最安全的.

3.1 模型的正向?qū)嵗治?/p>

通過計算可得到各交通工具的速度分布及安全等級分布，經(jīng)過檢驗各個馬爾可夫鏈均符合假設(shè). 通過對步行、自行車和小汽車3種主要交通方式的主要運動參數(shù)的分析可得到，步行的主要運動參數(shù)結(jié)構(gòu)既能滿足人們對速度的要求也能滿足人們對安全的需求. 可見在交通工具質(zhì)量增加的情況下，其動力性能的急劇增加是造成交通工具不安全的主要因素.

表1 交通工具的主要參數(shù)

表2 交通工具的速度分布

表3 交通工具的安全等級分布

對速度評價的速度分布結(jié)果表明，總體上各種交通工具都集中于較高的速度，對比不同交通工具可以得出，步行中人們對速度的控制基本上比較隨意，分布廣泛，說明人們在步行中為適應(yīng)人本身的生理和心理狀況，對速度的控制特別自主. 自行車的速度分布在較低速度的區(qū)域，是由于駕駛自行車與體力相關(guān)，這一點與人的生理和心理狀況相關(guān). 小汽車的速度，主要分布在最高速度，與人的生理和心理狀況不直接相關(guān)，表現(xiàn)出人們對速度的追求.

安全等級總體是高等級安全，這符合現(xiàn)行交通中的事故率水平，由于在正常的非擁堵步行交通系統(tǒng)中大規(guī)模的交通事故不可能發(fā)生. 但還是會有一定的人與人之間的碰撞等等可能存在. 在自行車的交通系統(tǒng)中，碰撞和摩擦在所難免，但基本上不可能形成嚴(yán)重的事故. 對于小汽車這種交通工具，安全等級在各個層級上的表現(xiàn)可謂大而全，所以出現(xiàn)如此的分布是合理的. 這些可以驗證模型中對交通工具的評價結(jié)果.

3.2 模型的反向推測

為了方便交通工具的運動參數(shù)設(shè)計，這里的反向推測的結(jié)果為最大速度、運動摩擦系數(shù)、加速度、最小轉(zhuǎn)彎半徑4個結(jié)果，其中將在運動摩擦系數(shù)和最小轉(zhuǎn)彎半徑確定的情況下得出相對應(yīng)的最大速度和最小轉(zhuǎn)彎半徑.

為了實現(xiàn)交通工具的操作更加適應(yīng)與人的心理和生理狀況，這里推測用的安全等級分布將與步行的安全等級分布相一致.

表4 模型反向推測最大速度(km·h-1)/最小轉(zhuǎn)彎半徑(m)

可見設(shè)計交通工具需要更大的速度時，應(yīng)該主要加大交通工具的速度靈敏度，即相應(yīng)地加大加速度和相應(yīng)地減小最小轉(zhuǎn)彎半徑.

4 結(jié)論

本文使用基于學(xué)習(xí)的馬爾可夫過程，分析了人們在操作交通工具時的過程，得出交通工具在特定速度下的運行安全狀態(tài)是一個馬爾可夫過程，進(jìn)而推導(dǎo)出基于速度的交通工具運行安全狀態(tài)聯(lián)系方程，在這個方程的基礎(chǔ)上得到交通工具速度的馬爾可夫過程，因此得到最終的交通工具速度等級分布，根據(jù)該分布及基于速度的交通工具運行狀態(tài)方程得到最終的交通工具的安全等級. 證明了步行交通運動參數(shù)結(jié)構(gòu)的優(yōu)勢，在將來的社會中，新的交通工具可參考這個模型更好地解決交通工具最終的安全等級. 打破交通工具在安全上創(chuàng)新的瓶頸.

[1] 李長莉. 近代交通進(jìn)步的社會文化效應(yīng)對國人生活的影響[J]. 學(xué)術(shù)研究, 2008(11): 90-99.

[2] 任福田, 劉小明. 論道路交通安全[M]. 北京: 人民交通出版社, 2001.

[3] 付向梅. 智能運輸系統(tǒng)—未來交通運輸?shù)陌l(fā)展方向[J]. 黑龍江交通科技, 2005(1): 75-77.

[4] 王蒲生. 車禍泛濫的哲學(xué)反思[J]. 自然辯證法通訊, 2001(5): 1-8.

[5] Vicki L Neale. AN OVERVIEW OF THE 100-CAR NATURALISTIC STUDY AND FINDINGS[EB/OL]. [2005]. http:∥www. nhtsa. dot. gov/staticfiles/DOT/NHTSA/NRD/Multimedia/PDFs/Crash%20Avoidance/Driver%20Distraction/100Car_ESV05summary. pdf

[6] 賈慧星, 章毓晉. 車輛輔助駕駛系統(tǒng)中基于計算機(jī)視覺的行人檢測研究綜述[J]. 自動化學(xué)報, 2007(1): 84-90.

[7] American Association of State Highway and Transportation Official. Highway safety design and operations guide [S]. AASHTO, 1997.

[8] Ward N J, Waterman M, Joint. The psychology of driver aggression in relation to traffic events: A summary of a survey study[Z]. Scottish Road, 1996.

[9] ALSTROADS. Road safety audit[S]. Second ed. Standards Australia, 2002.

[10] 巴布可夫В Ф. 道路條件與交通安全[M]. 景天然, 譯. 上海: 同濟(jì)大學(xué)出版社, 1990: 16-25.

[11] 景天然. 交通事故與公路條件的關(guān)系[J]. 同濟(jì)大學(xué)學(xué)報: 自然科學(xué)版, 1991, 19(3): 287-294.

[12] 楊天軍, 張曉春, 楊曉光, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的城市道路交通安全評價研究[J]. 中國礦業(yè)大學(xué)學(xué)報, 2005, 34(1): 37-38.

[13] 張?zhí)K. 中國交通沖突技術(shù)[M]. 成都: 西南交通大學(xué)出版社, 1998: 1-16.

[14] 高成全, 邢燕. 我國城市化進(jìn)程中城市交通問題解決途徑探析[J]. 四川建筑, 2005(6): 8-9.

[15] 顧尚華. 世界各國自行車交通的發(fā)展[J]. 交通與運輸, 2009(1): 28-30.

[16] Maruyama K, Kitamura5. Speed anticipation reaction test as applied to bus drivers [J]. Tohoku Psychological Folia, 1965: 24-46.

[17] 孫榮恒. 隨機(jī)過程及其應(yīng)用[M]. 北京: 清華大學(xué)出版社, 2003.

[18] 何勇, 鮑一丹. 灰色馬爾柯夫預(yù)測模型及其應(yīng)用[J]. 系統(tǒng)工程理論與實踐, 1992(4): 59-63

[19] Anderson T W, Goodman L A. Statistical inference about Markov chains [J]. The Annuals of Mathematical Statistics, 1957, 28(1): 89-110.

[20] M勞斯. 隨機(jī)過程[M]. 北京: 中國統(tǒng)計出版社, 1997.

[21] 李丹鳳, 邵明安. 一維馬爾可夫鏈模擬黑河中游流域土壤質(zhì)地垂向變異[J]. 農(nóng)業(yè)工程學(xué)報, 2013(5): 71-80.

Modeling Safe Motion Parameters of Transportation Modes Using Sensitivity Learning Method

ZHOU Yan-long, WANG Wu-hong, GUO Hong-wei, JIANG Xiao-bei

(Department of Transportation Engineering, Beijing Institute of Technology, Beijing 100081，China)

Different transportation modes have different motion parameters and different operating environments. Therefore, the safety levels are also different and influential factors are complex. Aiming at evaluating the operating safety of transportation modes, the sensitivity learning method based on random Markov chain was used to examine the correlations between the motion parameters and operating safety of transportation modes. Three modes studied include walking, bicycle and motor vehilce. According to typical motion parameters: maximum speed, acceleration, adaptation speed, minimum turning radius, et al., this paper proposed the concept of sensitivity learning for these different modes of transportation and different motion parameters, and developed a model structure on transport parameters based on Markov processes between different parameters . This model structure can be used to evaluate the safety level of various modes of transportation and distribution of motion parameters. According to the reverse of the model,this paper obtains a certain security push motion parameters structure. These structures show that the people,who pursue high-speed travel,need to increase the impact of the acceleration and the corresponding minimum turning radiusto achieve a safe and reliable travel.

mixed traffic; parameter structure; bicycle traffic; traffic safety

10.13986/j.cnki.jote.2015.01.005

2014- 10- 10.

周艷龍(1988—)，男，碩士研究生，研究方向為交通安全評價、交通輔助駕駛、交通流理論研究. E-mail:tttzhou@126.com.

U 491

A

1008-2522(2015)01-25-05