主觀擁堵感知下駕駛?cè)寺窂秸{(diào)整行為決策研究

朱敏清，李昕曄，崔洪軍*，姚勝

(1.河北工業(yè)大學(xué)，建筑與藝術(shù)設(shè)計學(xué)院，天津300130；2.河北工業(yè)大學(xué)土木與交通學(xué)院，天津300401)

0 引言

隨著城市交通的快速發(fā)展，交通擁堵已成為大中城市的通病，不僅嚴重影響了城市發(fā)展和人民日常生活，同時也帶來了能源消耗、環(huán)境污染[1]等諸多問題。目前關(guān)于交通擁堵蔓延傳播現(xiàn)象的主流研究是從宏觀層面進行規(guī)律分析和現(xiàn)象描述。Saberi等[2]借助醫(yī)學(xué)疾病傳播SIR模型來描述交通擁堵擴散規(guī)律，但停留在宏觀的交通流擁堵狀態(tài)的描述，未直接研究車輛的擁堵通行狀況。部分學(xué)者采用交通流波動理論[3]、元胞傳輸模型[4]模擬擁堵路段交通擁堵擴散規(guī)律，但由于缺少不同路段間的流量聯(lián)系，僅限于模擬高速公路等單一路段交通流的擴散規(guī)律。也有部分學(xué)者借助更多的數(shù)學(xué)手段和計算機工具，如：陳美林等[5]以蜂窩網(wǎng)格單元檢測擁堵事件描述了各區(qū)域的交通狀態(tài)；韋偉等[6]通過改進的PLS-STAR(Partial Least Squares Regression-spatial temporal autoregressive)模型構(gòu)造了一種數(shù)據(jù)驅(qū)動的偶發(fā)擁堵時空傳播效應(yīng)評估方法。上述研究僅分析了交通擁堵后的現(xiàn)象及變化過程，忽視了駕駛員在擁擠狀態(tài)下的駕駛行為，未從內(nèi)在因素揭示路網(wǎng)中交通擁堵形成的擴散規(guī)律。

近年來，有學(xué)者開始在研究中加入出行者本身的行為特性。黃春陽等[7]采用多層有序Logit 貝葉斯模型深入分析出行者擁堵感知影響的差異程度。黃建華等[8]對道路網(wǎng)絡(luò)拓撲結(jié)構(gòu)和出行者面對預(yù)警信息時的行為特征對擁堵風(fēng)險傳播的影響進行了探討。基于上述研究，本文設(shè)計視頻實驗通過模擬擋風(fēng)玻璃、車窗及后視鏡三個主觀視角來判斷擁堵路況的實際駕駛情景，采用方差分析探究駕駛?cè)说膫€體特征和出行特征對于路徑調(diào)整決策的影響，并基于二項Logistic 構(gòu)建駕駛?cè)嗽谠庥鰮矶聲r即刻的路徑調(diào)整決策模型，進一步分析駕駛?cè)嗽趽頂D狀態(tài)下路徑的研判調(diào)整行為，從而揭示駕駛?cè)嗽谕具^程中與擁堵感知和路徑調(diào)整規(guī)律的關(guān)系，深入探究交通擁堵形成和消散的內(nèi)因。

1 實驗設(shè)計

1.1 視頻采集

在視頻素材采集之前，對天津市的擁堵路段進行實車調(diào)查與篩選，最終選取擁堵較為頻繁的南京路作為調(diào)查路段，如圖1所示。視頻錄制分為兩部分同時進行：第1 部分為車內(nèi)的視頻錄制，用作實驗交通感知環(huán)境模擬素材，從行駛車輛的擋風(fēng)玻璃、主駕駛位車窗和副駕駛位車窗這3個視角進行錄制，并采用跟車法收集錄制視頻期間的客觀交通數(shù)據(jù)；第2 部分為在圖1 中A、B 兩點處的過街天橋上架設(shè)高清錄像儀進行車流錄制，結(jié)合高處攝影觀測法對跟車法收集到的背景交通流數(shù)據(jù)進行補充與驗證，保證視頻素材中交通流數(shù)據(jù)的準確性。將收集到每段視頻的區(qū)間車速采用SPSS軟件進行KMeans 聚類。選取與聚類中心車速最為相近的視頻作為實驗素材視頻，并按區(qū)間速度大小排列序號，每段視頻時長為60 s。視頻交通流參數(shù)如表1所示。

圖1 視頻素材路段示意圖Fig.1 Video material collection schematic diagram

表1 實驗交通流參數(shù)表Table 1 Experimental traffic flow parameters

1.2 模擬環(huán)境

實驗中采用3塊屏幕分別播放3個視角下的錄制視頻，以此來模擬實際在途時駕駛員的交通感知環(huán)境，如圖2所示。被試人分別在具有不同起訖點的3 類假定出行情境下通過觀看視頻來模擬真實出行路況下的路徑調(diào)整決策，起訖點分類設(shè)定如圖3所示，具體設(shè)定如下：

圖2 視頻實驗情景圖Fig.2 Video experiment scenario

圖3 OD分類拓撲圖Fig.3 OD classification topology

(1)OD1，目的地與駕駛員遭遇擁堵時的地點較近，調(diào)整路徑行駛后增加的行程距離為原規(guī)劃路徑剩余行駛距離的1倍以上；

(2)OD2，目的地與駕駛員遭遇擁堵時的地點較近，調(diào)整路徑行駛后與原規(guī)劃路徑剩余行駛距離相比，未額外增加行程距離；

(3)OD3，目的地與駕駛員遭遇擁堵時的地點較遠，調(diào)整路徑行駛之后增加的行程距離在原規(guī)劃路徑剩余行駛距離的1倍以內(nèi)。

1.3 實驗流程

本實驗共招募254名被試，其中根據(jù)實驗需要分別從視頻錄制當?shù)卣心?78 名，異地招募76 名。被試人基本信息如表2所示。

表2 被試人基本信息表Table 2 Participant's basic information

每位被試人在參與正式實驗之前，重復(fù)觀看3遍隨機抽取的5段視頻，并對視頻中的交通擁堵程度進行百分制評分，若3次比較結(jié)果差異超出10分則取消此被試人的實驗資格，最終共249名被試人獲得實驗資格。參照駕駛?cè)嗣鎸煌〒矶聲r的行為判斷邏輯，在正式實驗時，被試人將在設(shè)定好的3類出行情景下按照視頻序列標號進行擁堵感知，并模擬在途時的路徑調(diào)整決策。每位被試人員將重復(fù)3 次實驗，若同一被試人3 次評分的分差超出10分或3次決策均不一致，則剔除這一被試人的實驗數(shù)據(jù)，擁堵評分將取3 次實驗數(shù)據(jù)的均值，路徑調(diào)整決策將以2次或2次以上相同的實驗結(jié)果為準。

2 路徑調(diào)整決策的差異性分析

本實驗最終采集到本地被試人員534 組和異地被試人員213 組的主觀擁堵狀態(tài)評分以及路徑調(diào)整決策判斷數(shù)據(jù)。采用SPSS軟件中的一般線性模型進行路徑調(diào)整決策模型構(gòu)建前的方差分析，檢驗所選駕駛?cè)颂卣饕蛩貙τ诼窂秸{(diào)整決策是否具有顯著性差異。對于方差不具有齊性的部分數(shù)據(jù)，采用Brown-Forsythe檢驗和Welch檢驗替代。

2.1 個體特征差異分析

以被試人的個體特征(性別、年齡、駕齡、1周內(nèi)駕車出行次數(shù))作為分組自變量，將不同區(qū)間車速下被試人首次選擇不會換路的視頻序列標號作為因變量進行方差分析。結(jié)果顯示，性別的P 值為0.006，年齡、駕齡和1 周內(nèi)駕車出行次數(shù)的P 值均為0.000，故所選取的駕駛?cè)藗€體特征因素的不同會對其路徑調(diào)整決策產(chǎn)生顯著性差異。不同個體特征的被試人首次選擇不會換路的視頻序列標號均值統(tǒng)計如圖4所示(圖中橫坐標截取至視頻序列9)?？梢钥闯觯行詴缬谂赃x擇不會換路，說明男性對于擁堵的接受程度要高于女性；隨著年齡的不斷上升，視頻序列標號均值呈現(xiàn)先上升后下降的趨勢，在(25,40]歲到達頂峰，人群對于擁堵的接受程度較低，60 歲以上年齡段降到最小值，對于擁堵的接受程度較高；駕齡因素呈現(xiàn)出與年齡因素相同的趨勢，駕齡在5年以上和1年以下的人群對于擁堵的接受程度較高，更傾向于保持原路徑行駛，駕齡在[3,5)年的人群在面對擁堵時更傾向于換路徑行駛；此外，1 周內(nèi)駕車出行[1,3)次人群與其他人群相比接受擁堵的程度更高，更傾向于保持原路徑行駛，而[3,5)次出行的人群更傾向于進行路徑調(diào)整。

圖4 個體特征均值統(tǒng)計量圖Fig.4 Individual characteristic mean statistics

2.2 出行特征差異分析

采用出行特征(出行目的、起訖點分類、周邊路網(wǎng)熟悉程度)作為分組自變量，將不同區(qū)間車速下被試人首次選擇不會換路的視頻序列標號作為因變量進行方差分析。結(jié)果顯示，出行目的、起訖點分類和周邊路網(wǎng)熟悉程度的P 值均為0.000，故所選取的出行特征各分類均對路徑調(diào)整決策有顯著性差異。不同出行特征的被試人首次選擇不會換路的視頻序列標號均值描述性統(tǒng)計如圖5所示(圖中橫坐標截取至視頻序列8)，彈性出行保持原路徑行駛的傾向性最大，其次是接送孩子，換路行駛傾向性最大的為通勤出行。對于不同起訖點分類：第1 類OD 出行的人群換路徑行駛的傾向性最大，其次是第3類OD出行的人群，第2類OD出行人群保持原路徑行駛的傾向性最大，說明路徑調(diào)整之后的繞路距離占原規(guī)劃路徑的比例越大，保持原路徑行駛的傾向性也越大。對周邊路網(wǎng)陌生的人群比熟悉的人群更傾向于保持原路徑行駛。

圖5 出行特征均值描述統(tǒng)計量圖Fig.5 Descriptive statistics of mean value of travel characteristics

3 基于主觀擁堵狀態(tài)的路徑調(diào)整決策模型

3.1 變量賦值及預(yù)測結(jié)果

選取駕駛員個體特征因素、出行特征因素、主觀擁堵感知評分和路段區(qū)間車速作為自變量，由于因變量為二值變量，自變量為數(shù)值型連續(xù)變量與由將定類變量轉(zhuǎn)換成的虛擬變量，因此采用二項Logistic回歸模型[9]，模型結(jié)構(gòu)為

式中：P為z=1(選擇為會調(diào)整路徑)時的預(yù)測概率；Xi為自變量，X1,X2,…,Xn分別為個體特征、出行特征、主觀擁堵感知程度和路段區(qū)間車速；n為自變量的個數(shù)；β0為截距；β1,β2,…,βn分別為X1,X2,…,Xn的偏回歸系數(shù)。

則選擇不會調(diào)整路徑的概率為

選擇會調(diào)整路徑與選擇不會調(diào)整路徑的概率之比，即發(fā)生比Odds為

為了度量某一自變量對因變量(是否選擇會調(diào)整路徑)的影響程度，定義優(yōu)勢比(OR)，其計算公式為

式(5)表明：在保持其他自變量不變的情況下，自變量Xi改變1 個單位，OR變?yōu)樵瓉淼膃xp(βi)倍。當自變量Xi的OR值遠大于或遠小于1 時，對因變量影響較大；當OR接近于1時，Xi對因變量的影響程度較小。

變量賦值如表3所示，模型采用SPSS 軟件通過逐步回歸的方法進行參數(shù)估計，經(jīng)過14940次迭代獲得的回歸系數(shù)如表4所示，模型的預(yù)測結(jié)果如表5所示，模型的偽擬合優(yōu)度值RP為0.57，通常情況下，RP≥0.3 說明模型的擬合度較高，因此該模型具有較好的擬合優(yōu)度；且模型的整體預(yù)測準確率為92.6%，模型預(yù)測效果較好。

表3 變量賦值表Table 3 Variable assignment

表4 Logistic方程回歸系數(shù)表Table 4 Logistic equation regression coefficient result

表5 模型預(yù)測分類表Table 5 Model prediction classification

3.2 結(jié)果分析

3.2.1 個體特征對路徑調(diào)整的影響

由表4可知，所選駕駛?cè)藗€體特征因素均對路徑調(diào)整決策有顯著影響。當出行特征以及交通狀態(tài)一致時，相對于女性，男性使Logit(P)平均上升了0.216 個單位，即男性保持原路徑的可能性顯著增高。結(jié)合表4中的優(yōu)勢比，可知男性保持原路徑的可能性是女生的1.241 倍，女性在相同擁堵條件下比男性更易選擇調(diào)整路徑，這與韓春陽等[8]的研究結(jié)果相吻合，女性對于交通流變化的反應(yīng)比男性更為敏感。類推可知，(25,50]歲的人群對于因變量的影響程度較大，更傾向于調(diào)整路徑，而60歲以上的老年人更青睞于保持原路徑行駛，符合圖3中所描述的特征。主要原因有以下兩個方面：①如圖6所示，60歲以上的老年人由于年紀較大且多為彈性出行對行程時間沒有嚴格要求，故更傾向于保持原路徑行駛；②[18,25]歲的青年駕齡短，駕駛技術(shù)較低故更傾向于保持原路徑行駛，而(25,50]歲的人由于駕駛技術(shù)的提升，且多為通勤出行和接送孩子，對行程時間有較為嚴格的要求，故在面對擁堵時更傾向于換路徑行駛?？梢钥闯觯捎谛率珠_車行駛時較為謹慎保守導(dǎo)致駕齡在1年以下的人群對于因變量的影響程度較大，更偏向于保持原路徑行駛；隨著駕齡增加到[3,5)年，駕駛技術(shù)逐漸成熟，人們開始傾向于調(diào)整路徑。此外，駕車出行次數(shù)較少的人群對于因變量的影響程度較大，這一人群更傾向于調(diào)整路徑行駛，其原因可能為此部分人群開車較少，對于擁堵路況的忍耐程度較低。隨著駕車出行次數(shù)的增加，人們慢慢開始偏向于保持原路徑行駛。

圖6 年齡段與出行目的交叉分析占比圖Fig.6 Cross-analysis of proportion of age groups and trip purpose

3.2.2 出行特征對路徑調(diào)整的影響

就出行特征因素而言，通勤出行保持原路徑的可能性是彈性出行的58.3%，接送孩子的保持路徑的可能性是彈性出行的56.7%，可以發(fā)現(xiàn)，通勤出行和接送孩子換路行駛的傾向性更大，這與近年來家長們越來越重視孩子的學(xué)校教育密不可分，且這兩種出行目的對行程時間的要求較為嚴格，而彈性出行一般對行程時間沒有嚴格要求，故彈性出行換路傾向性最??；第1 類OD 出行的人群保持路徑的可能性是第3 類OD 出行的2.719 倍，第2 類OD 出行的人群保持路徑的可能性是第3 類OD 出行的45.6%，說明調(diào)整路徑后增加的行駛距離占剩余行駛距離比例越大，保持原路徑行駛的可能性越大；熟悉周邊路網(wǎng)的人群保持路徑的可能性是陌生人群的11.3%，說明當駕駛?cè)嗣鎸π碌穆窙r環(huán)境時，更傾向于保持原規(guī)劃路徑繼續(xù)行駛；駕駛?cè)酥饔^擁堵評分增加1分，則保持原路徑行駛的可能性為之前的92.5%；區(qū)間車速每增加1 km·h-1，駕駛?cè)吮３衷窂叫旭偟目赡苄詾橹暗?.223倍。

4 結(jié)論

本文通過構(gòu)建基于駕駛?cè)酥饔^擁堵感知函數(shù)的路徑調(diào)整決策模型，探究駕駛?cè)嗽趽頂D狀態(tài)下路徑的研判調(diào)整行為，揭示了駕駛?cè)嗽谕具^程中與擁堵感知和路徑調(diào)整規(guī)律的關(guān)系,可為交通擁擠形成機制和擴散規(guī)律提供基礎(chǔ)依據(jù)，對于降低擁堵事件對交通效率的影響，緩解交通擁擠具有重要意義。主要結(jié)論如下：

(1)駕駛?cè)说膫€體特征和出行特征不同均導(dǎo)致其路徑調(diào)整決策產(chǎn)生顯著性差異。

(2)駕駛?cè)说膫€體特征對駕駛?cè)说穆窂秸{(diào)整決策具有顯著影響，其中在相同擁堵狀態(tài)下男性更易保持原路徑行駛；(25,50]歲人群較其他年齡段更青睞于調(diào)整路徑行駛；駕齡在1年以下的人群更偏向于保持原路徑行駛；駕車出行次數(shù)為較少的人群更傾向于調(diào)整路徑行駛。

(3)駕駛?cè)说某鲂刑卣鲗︸{駛?cè)说穆窂秸{(diào)整決策具有顯著影響，其中在相同擁堵狀態(tài)下彈性出行最易保持原路徑行駛，其次是通勤出行，接送孩子最易換路行駛；調(diào)整路徑后增加的行駛距離占剩余行駛距離比例越大，保持原路徑行駛的可能性越大；熟悉周邊路網(wǎng)的人群更易調(diào)整路徑行駛；主觀擁堵感知程度越大，區(qū)間車速越低，其保持原路徑的可能性越低。