城市混合交通共享街道駕駛行為及行人過街安全研究*

文夏梅 傅立平 鐘 鳴 ▲ 潘曉鋒

（1.武漢理工大學國家水運安全工程技術(shù)研究中心 武漢 430063；2.武漢理工大學智能交通系統(tǒng)研究中心武漢 430063；3.武漢理工大學水路公路交通安全控制與裝備教育部工程研究中心 武漢 430063）

0 引 言

混合交通在發(fā)展中國家較為普遍，作為發(fā)展中國家的一員，中國也普遍存在著街道上各種車輛混合行駛的現(xiàn)象[1]。據(jù)資料統(tǒng)計，中國在混合交通中發(fā)生的交通事故中死亡人數(shù)超過發(fā)達國家汽車交通事故死亡人數(shù)的5倍。與中國一樣以混合交通為主要交通形式的印度、孟加拉國等東南亞及非洲國家，其交通事故死亡率和致死率也遠遠超過發(fā)達國家[2]。目前，我國絕大多數(shù)城市交叉口都設置信號燈以減少交叉口車輛混合行駛，而城市道路，特別是低等級道路上，因缺少交通控制標志、信號燈和行人及非機動車專用道，行人、機動車和非機動車混合出行現(xiàn)象較為普遍。

城市街道交通安全是我國道路安全的重要組成部分。我國的城市街道一般為慢行街道設計，共分2種：一種只供行人及自行車使用；另一種是機動車和非機動車一起使用[3]。在機動車和非機動車共同使用的慢行街道上，行人可隨時根據(jù)街道車流量情況穿過街道，從而構(gòu)成一段機動車、非機動車和行人的混合交通共享街道空間[4-5]。行人作為混合交通共享街道空間內(nèi)的弱勢群體，其安全性研究在中國“零死亡目標”中[6]具有十分重要的現(xiàn)實意義。

共享街道空間，是一種空間公用性的道路設計理念。國外學者對此進行了大量研究，如HAMILTON[7-8]對英國及歐洲的共享空間應用案例進行了系統(tǒng)描述，并闡述了將交通與街道中的城市公民完美結(jié)合的潛在可能性。Auttapone[9]等基于新西蘭奧克蘭市中心的研究區(qū)域評估共享空間方案，結(jié)果表明共享空間內(nèi)車輛速度與行人數(shù)量有關(guān)；Rob等[10]經(jīng)過案例分析認為在道路安全方面共享空間與未改善前的狀況相比更有利；Karndacharuk等[11]通過視頻調(diào)查和交通計數(shù)器收集數(shù)據(jù)，分析了共享空間的車速和潛在車輛沖突，探索了共享街道空間的安全性問題。Flannery等[12]通過實地調(diào)查和視頻觀察，對多車道環(huán)形交叉口車輛、行人和自行車的相互作用進行觀察，分析車輛車速和行人行為對交通安全的影響。為解決城市道路規(guī)劃人員對共享街道空間的安全性和設計的有效性的不確定問題，Sch?naue等[13]創(chuàng)建了一個基礎共享空間仿真模型。Beitel等[14]使用計算機視覺軟件自動提取道路使用者軌跡，分析加拿大蒙特利爾麥吉爾大學校園中自行車和行人并存時的風險。

目前，國內(nèi)學者在道路共享空間方面的研究主要集中在對城市街道共享空間的理念設計的研究[15-16]。對街道共享空間的安全性研究相對較少，有少部分學者通過仿真研究街道共享空間上的交通安全問題，如范定旺[17]通過調(diào)查共享道路空間沖突數(shù)和車輛、行人速度建立共享道路交通流模型，仿真不同情況下的車輛與行人的速度和沖突數(shù)，并進行聚類分析得出共享道路的交通安全評價指標。國內(nèi)學者在車輛與行人過街交互方面及道路混合交通進行了較多研究，如陳振起等根據(jù)機動車與行人及非機動車的混行程度對平面交叉口類型進行分類[18]；任剛等對交通混合程度最高的單幅道路中車流速度的影響因素進行研究，并建立了基于各影響因素的道路阻抗模型[19]：如馮樹民和裴玉龍[20]對不同條件下的行人過街與機動車的運行特性進行了分析；為評價行人在信號交叉口處的安全性，任剛等[21]基于行人過街特征和行人與機動車的沖突程度，運用SOMK算法分析行人過街危險度。以上研究對于共享道路空間的安全性分析奠定了基礎。

國內(nèi)外學者對共享道路空間安全性的分析主要運用現(xiàn)場或錄像計數(shù)調(diào)查方法，基于視頻軌跡分析共享街道內(nèi)機動車、非機動車對行人安全性的研究較少。如通過機動車、非機動車和行人的軌跡計算道路使用者的行駛速度，加速度等，進而分析小汽車、電動車和自行車的駕駛行為在混合交通共享空間中對行人過街安全的影響，特別是電動車在混合交通共享空間中車速相對較高，而行人作為共享道路空間中的弱勢群體，與電動車發(fā)生碰撞的概率較大。因此，基于道路使用者軌跡分析混合交通場景下共享空間中行人的安全性對道路交通安全具有重要的理論意義與應用價值。

本研究基于武漢市武昌區(qū)光谷步行街交通流視頻數(shù)據(jù)提取共享街道使用者（本文具體指使用共享街道的小汽車、電動車、自行車與行人）的微觀運動行為軌跡及車輛與行人的沖突，并構(gòu)建分析數(shù)據(jù)庫，根據(jù)其軌跡提取速度、位置等信息，定量分析機動車、非機動車、行人在共享街道中的微觀行為，進而對高流量及低流量不同情境下共享街道使用者的交互行為進行分析，并結(jié)合小汽車、電動車和自行車與行人的沖突對行人穿越共享街道的安全性進行分析。

1 視頻數(shù)據(jù)收集與處理

采用的街道交通流視頻數(shù)據(jù)來自于武漢市光谷廣場環(huán)島東南方向光谷步行街。采集視頻數(shù)據(jù)時，因武珞路方向武漢市地鐵2號線正在施工，有部分機動車選擇從光谷步行街繞道而行，同時周邊的文娛場所及辦公場所吸引了大量行人往來于所研究路段。光谷步行街的入口至東出口全長300 m，為單行道。本文在該步行街的中部采集數(shù)據(jù)，所研究區(qū)域見圖1～2，區(qū)域長17.6 m，寬7.8 m，該研究區(qū)域的道路使用者主要來往于A，B，C和D方向。

圖1 東南方向光谷步行街地理位置Fig.1 Geographic location of the study streetat the southeast of the Optical Valley

圖2 光谷步行街研究區(qū)域場景Fig.2 A scene of the study area：Optical Valley Pedestrian Street

1.1 混合交通流軌跡提取

經(jīng)過實地調(diào)研觀測，共收集了2017年8月25日、10月22日、10月24日包括周末及工作日光谷步行街的視頻交通流數(shù)據(jù)。經(jīng)過視頻分析，所獲取視頻中車輛行人交通特性在同一種車流狀態(tài)下無較大差別，本文截取其中具有代表性的工作日連續(xù)10 min不同流量的視頻數(shù)據(jù)進行軌跡提取。軌跡提取采用視頻處理軟件Tvalib，通過跟蹤視頻中的使用者不同特征以實現(xiàn)刻畫其移動軌跡的目的（見圖3），進而獲取使用者的位置坐標及每幀走過的距離數(shù)據(jù)。提取軌跡的技術(shù)流程圖見圖4。

圖3 共享街道使用者軌跡Fig.3 Trajectory of shared road users

圖4 提取軌跡技術(shù)流程圖Fig.4 Flowchart of trajectory extraction

1.2 混合交通流數(shù)據(jù)提取與計算

由于本文的研究對象為混合交通，其中包含行人過街等行為，現(xiàn)將共享街道使用者在視頻中出現(xiàn)的起點定為距離零點。

1）共享街道使用者軌跡里程。計算共享街道使用者軌跡里程采用歐式距離公式計算相鄰2個坐標的距離，再進行迭代相加，進而獲得整條軌跡的長度，計算公式見式（1）～（2）。

式中：li為相鄰2坐標點之間的距離，m；xi為1條軌跡中第i個軌跡點的橫坐標，m；yi為1條軌跡中第i個軌跡點的縱坐標，m；L為1條軌跡的長度，m。

2）共享街道使用者運動速度。通過視頻處理軟件獲得的數(shù)據(jù)包括共享街道使用者每幀走過的距離矢量，而通過查找觀測視頻的幀率，就能通過共享街道使用者每幀走過的距離矢量與觀測視頻幀率的乘積獲得使用者每一個坐標點對應的運動速度。

式中：V為道路使用者瞬時速度，m/s；v為共享街道使用者每幀走過的距離矢量；f為觀測視頻的幀率。

3）共享街道車輛與行人沖突。運用Kinovea軟件對視頻數(shù)據(jù)進行逐幀處理，測量各類型車輛與行人的后侵占時間（PET）。

式中：T1為先到達沖突區(qū)域的共享街道使用者的時間，T2為后到達沖突區(qū)域的共享街道使用者的時間。

基于以上原理，可得所有共享街道使用者的運動速度、軌跡里程及各類車輛與行人的后侵占時間。

2 車輛行為分析與討論

2.1 共享街道高流量時段車流微觀行為特性

截取2017年8月25日（周五）17:00—17:30具有代表性的高流量時段連續(xù)10 min的視頻交通流數(shù)據(jù)進行研究。視頻中采集到的小汽車、電動車、自行車以及行人的流量信息見表1。需要注意的是視頻中只有參與路段共享空間交互的使用者才在統(tǒng)計范圍內(nèi)，且由于該路段是混合交通流，車流及行人來自不同方向，因此在分析時不區(qū)分使用者來往的方向。

表1 高流量時段共享街道使用者車流信息Tab.1 Traffic volume of road users under the high-volume scenario

車輛在道路上的速度變化體現(xiàn)了駕駛員對道路環(huán)境變化的駕駛反應。因此，提取了共享街道中所有類型車輛包括小汽車、電動車、自行車隨距離而變化的瞬時速度，以及過街行人隨距離而變化的瞬時速度，見圖5。以共享街道使用者第一次被記錄的位置為距離零點。運用Tvalib進行檢測時，共享街道兩端易出現(xiàn)異常值，因此本文將視頻中共享街道兩端異常數(shù)據(jù)剔除，只保留所有使用者1～17 m的距離。

圖5中小汽車、電動車、自行車以及行人在共享街道區(qū)域其速度均呈現(xiàn)先下降后上升的趨勢。說明機動車和非機動車駕駛員都有禮讓行人的意識。

圖5 高流量時段共享街道使用者速度-距離關(guān)系圖Fig.5 Speed-distance relationship of road users under thehigh-volume scenario

為更準確的分析4類使用者在共享街道中的微觀行為，評估共享空間中行人的安全性，將各類使用者的速度按1 m粒度集成并將各類使用者分別按對應距離求均值，其趨勢圖見圖6，同時獲取小汽車、電動車、自行車與行人的沖突數(shù)據(jù)見表2。本文將車輛與行人的后侵占時間（PET）小于3 s識別為沖突，PET小于1.5 s識別為危險沖突[22]。

圖6 高流量時段共享街道使用者1 m內(nèi)集成速度Fig.6 Aggregated speed at 1 m resolution of road users underthe high-volume scenario

表2 高流量時段共享街道車輛與行人沖突信息Tab.2 Observed traffic conflicts of road users under the high-volume scenario

小汽車在進入共享街道時就以1個相對較低的速度（M=2.88 m/s）行駛并持續(xù)減速，其與行人的沖突高達61.6%，而危險沖突僅占8.1%；電動車(M=3.83 m/s)和自行車(M=3.44 m/s)則以1個相對較高的速度進入共享街道，隨后進行減速，但其速度仍比小汽車高，且電動車與行人的沖突率和危險沖突率分別為52.1%，29.0%，自行車與行人的沖突率分別為77.2%，28.7%。結(jié)合以上數(shù)據(jù)，3類車輛中，電動車和自行車在共享街道區(qū)域駕駛過程中無論車輛速度還是危險沖突率都較高，因此在相同流量的情況下電動車和自行車相對于小汽車較易與行人發(fā)生沖突。

根據(jù)電動車、小汽車和自行車與行人沖突的累計頻率分布圖（見圖7）及其速度分布圖（見圖8）可知，在共享街道區(qū)域中，電動車的危險沖突累計頻率（55.7%）及其總體行駛速度(M=3.83 m/s)都最高，因此電動車在所有類型的車輛中對行人安全影響最大，在高流量的共享街道中極易與行人發(fā)生碰撞。

圖7 高流量時段累計沖突分布圖Fig.7 Cumulative conflict distribution underthe high-volume scenario

圖8 高流量時段共享街道使用者速度分布Fig.8 Speed distribution of road users under the high-volume scenario

2.2 低流量共享街道車輛微觀行為特性

截取了2017年10月24日（周二）15：30—16：00具有代表性的低流量時段連續(xù)10 m in視頻交通流數(shù)據(jù)進行研究。視頻中采集到的小汽車、電動車、自行車以及行人的流量信息，見表3。

低流量時段小汽車、電動車、自行車和行人的速度-距離關(guān)系見圖9，車輛先減速后加速駛離的趨勢仍較明顯，而行人的速度變化較高流量時段不顯著。

表3 低流量時段共享街道使用者車流信息Tab.3 Traffic flow of road users underthe low-volume scenario

小汽車、電動車和自行車在低流量時段進入共享街道的速度都較高且速度分層較為明顯，在整個運動過程中電動車的車速最高，而自行車在前9.5 m速度比小汽車高，9.5 m后小汽車加速駛離，其速度比自行車高但仍比電動車速度低，見圖10。

圖9 低流量時段共享街道使用者速度-距離關(guān)系圖Fig.9 Speed-distance relationship of road users in low-volume scenario

圖10 低流量時段共享街道使用者1 m內(nèi)集成速度Fig.10 Aggregated speed at 1 m resolution of road users underthe low-volume scenario

由表4可知小汽車與行人的沖突率和危險沖突率分別為41.7%，11.9%，電動車與行人的沖突率和危險沖突率分別為32.2%，25.9%，自行車與行人的沖突率和危險沖突率分別為57.7%，38.5%。

表4 低流量時段共享街道車輛與行人沖突信息Tab.4 Traffic conflicts of road users under the low-volume scenario

根據(jù)圖10及表4的數(shù)據(jù)分析，在低流量時共享街道中自行車較易與行人發(fā)生沖突，其次是電動車，說明自行車和電動車駕駛員禮讓行人的意識較小汽車駕駛員薄弱。

根據(jù)電動車、小汽車和自行車與行人沖突的累計頻率分布圖（見圖11）及其速度分布圖（見圖12）可知，在共享街道區(qū)域中，電動車的危險沖突（PET<1.5 s）累計頻率（84.4%）及其行駛速度(M=5.85 m/s)都最高，因此在低流量的共享街道中電動車極易與行人發(fā)生碰撞。

圖11 低流量情形累計沖突分布圖Fig.11 Cumulative conflict distribution under thelow-volume scenario

圖12 低流量時段共享街道使用者速度分布Fig.12 Speed distribution of road users underthe low-volume scenario

3 不同流量時段行人安全性對比分析

共享街道內(nèi)車輛的速度與城市快速路、主干道和次干道等機非分離的道路上的車輛速度相比，相對較低。但正因為車輛速度都較低，且各種道路使用者的道路通行權(quán)并不明確，我國目前還沒有相關(guān)法律法規(guī)對共享街道內(nèi)的車輛行為進行限制，特別是電動車。電動車在我國屬于非機動車，大部分駕駛電動車的駕駛者并沒有接受嚴格的車輛駕駛考試，因此很多電動車駕駛者交通意識較為淡薄。本文對低流量及高流量時段內(nèi)各種道路使用者的運動速度進行了描述性統(tǒng)計和獨立樣本t檢驗，結(jié)果見表5。

表5 共享街道使用者運動速度描述性統(tǒng)計和獨立樣本t檢驗結(jié)果Tab.5 Descriptive statistics and t-test results of speed of road users

高流量和低流量共享街道的小汽車速度有顯著差異(P=0.007<0.05），從描述性統(tǒng)計的角度看，高流量時段的小汽車（M=2.883,SD=1.350）能在更短的時間內(nèi)將車輛速度降低到零，而低流量時段的小汽車(M=4.355,SD=1.590）將速度降為0的時間更長，且低流量小汽車的危險沖突累計頻率（28.6%）是高流量時段危險沖突累計頻率（13.2%）的近2倍（見圖13（a））；高流量和低流量共享街道的電動車速度有顯著差異(P=0.000<0.05），且高流量時段較低流量時段的電動車平均速度低，低流量電動車的危險沖突累計頻率（80.4%）遠高于高流量時段危險沖突累計頻率（55.7%）（見圖13（b））；高流量和低流量共享街道的自行車速度有顯著差異(P=0.036<0.05），高流量時段的自行車(M=3.444,SD=0.710）能在更短的時間內(nèi)控制車輛速度到安全范圍，而低流量時段的自行車（M=4.234,SD=1.285）將速度降到安全范圍的時間更長，且低流量自行車的危險沖突累計頻率為66.7%，比高流量時段危險沖突累計頻高30.3%（見圖13（c））。高流量和低流量共享街道的行人速度沒有顯著差異(P=0.806>0.05）。

根據(jù)以上數(shù)據(jù)分析，在低流量時段無論是小汽車、電動車還是自行車的速度及危險沖突累計頻率都比高流量時段高，因此在低流量時段行人過街風險較大，其中低流量時段對行人安全影響較大的是電動車，因為在所有車輛速度都處于一個較低水平時，整個行駛過程車速越高，危險沖突累計頻率越高，則該類型車輛則越少禮讓行人，與突然過街的行人發(fā)生碰撞的概率就越大。

圖13 車輛高低流量時段速度對比Fig.13 Speed comparison between the automobiles,electronic motorcycles and bikes under the high-volume andthe low-volume scenario

4 結(jié) 論

1）高流量和低流量共享街道上的小汽車、電動車和自行車在進入共享街道后都有先減速后加速的過程，說明在共享街道中，機動車和非機動車都有禮讓行人的交通安全意識。

2）共享街道中的電動車和自行車在共享街道的制動過程中，無論在低流量時段還是高流量時段其速度和危險沖突率相對于小汽車均保持在較高水平。說明在共享街道中電動車和自行車較易與行人發(fā)生沖突。

3）獨立樣本t檢驗結(jié)果表明除了行人，所有其它的共享街道使用者在高流量時段的速度與低流量時段的速度都存在顯著的差異，且高流量時段車輛與行人的危險沖突累計頻率（小汽車：13.2%、電動車：55.7%、自行車：30.3%）均小于低流量時段的危險沖突累計頻率（小汽車：28.6%、電動車：80.4%、自行車：66.7%），說明在路段流量較低時，過街行人的安全風險較大，特別是電動車對行人過街的安全性影響最大。

由于視頻處理軟件檢測車輛軌跡誤差，數(shù)據(jù)未涵蓋其他類型的共享街道空間，導致本研究存在一定的局限性。未來可基于交通管理視頻大數(shù)據(jù)對車輛在共享街道空間上的運動行為進行研究，且可根據(jù)車輛及行人行為模式進一步對共享街道空間的交通安全進行風險評估。