城市道路非機(jī)動車騎行品質(zhì)評價:一種自然騎行實驗方法

倪 穎,王詩菡,周詩旖

(同濟(jì)大學(xué)道路與交通工程教育部重點實驗室,上海201804)

引 言

自行車作為一種可持續(xù)的交通模式,與機(jī)動化交通相比具有獨特的優(yōu)勢,不僅可以減少污染物排放,緩解交通擁堵,實現(xiàn)門到門的連續(xù)性出行[1-2],還有利于促進(jìn)健康積極的生活方式[3-4],在世界各地均受到鼓勵。然而,除了自行車由于其固有的質(zhì)量差異和直接暴露使騎行者容易受到傷害,對外界環(huán)境品質(zhì)異常敏感外[5-6],大多數(shù)現(xiàn)有的道路環(huán)境往往以機(jī)動車為主導(dǎo)進(jìn)行規(guī)劃和設(shè)計,忽視了自行車出行的利益[7],導(dǎo)致騎行環(huán)境存在安全隱患,舒適性有待提高。因而,需要建立科學(xué)、合理、全面、可操作的自行車騎行品質(zhì)評價體系,為設(shè)施規(guī)劃設(shè)計、運(yùn)行管理提供有力依據(jù)。

國內(nèi)外文獻(xiàn)中對于自行車交通服務(wù)品質(zhì)的研究主要包括兩類:基于交通設(shè)施特征的評價,以及基于自然騎行實驗獲取的騎行行為特征的評價。在早期的研究中,許多評價模型是基于基礎(chǔ)設(shè)施和交通流特征開發(fā)的。例如,自行車安全指數(shù)評級(BSIR)模型[8]、自行車服務(wù)水平(BLOS)模型[9-12]、自行車適宜性評分模型[13]、自行車兼容性指數(shù)(BCI)模型[14],其中最常用的衡量標(biāo)準(zhǔn)是BLOS,這也是HCM[15]中提出的。這里模型所采用的特征參數(shù)往往包括車道寬度、自行車與車輛的分離形式、交通流狀況等,這些因素被證明對自行車騎行品質(zhì)有顯著影響,但其數(shù)據(jù)的收集方式耗時費力,主要為三大類:騎行者攔截調(diào)查、實地調(diào)研及視頻調(diào)研。導(dǎo)致能獲取的數(shù)據(jù)樣本有限,數(shù)據(jù)內(nèi)容質(zhì)量及范圍也很有限,且缺乏騎行行為等較客觀的影響因素。近年來,隨著機(jī)動車自然駕駛實驗的發(fā)展,該方法已成為當(dāng)下提高機(jī)動車安全流行的工具,且借鑒轉(zhuǎn)移到對自行車的研究中。研究人員通過設(shè)計實驗車,進(jìn)行自然騎行實驗來收集騎行行為數(shù)據(jù),如速度、加速度、轉(zhuǎn)向角等來評估騎行品質(zhì)[1,16-17]。實驗車上可以配備視頻攝像頭和一些傳感器,如GPS接收器、速度傳感器、加速度計、陀螺儀傳感器、磁力計和壓力制動傳感器等[16,18-19]。這種方法可得到大量全面的動態(tài)騎行數(shù)據(jù),具有一定的客觀性,可彌補(bǔ)傳統(tǒng)方法中僅基于設(shè)施類要素特征評價研究的不足,補(bǔ)充對騎行品質(zhì)有重要影響但缺失的影響因素,為騎行品質(zhì)相關(guān)研究帶來新的思路和方法。已有研究綜合利用行為與環(huán)境數(shù)據(jù)進(jìn)行騎行品質(zhì)評價,但在評價指標(biāo)方面并不完善,設(shè)施方面考慮的因素較少,僅有機(jī)非分隔形式、人非分隔形式[20],以及路面的質(zhì)量[17];而騎行行為特征方面,現(xiàn)有研究大多數(shù)僅僅分析行為的統(tǒng)計學(xué)指標(biāo),如加速度的平均值,標(biāo)準(zhǔn)差等,無法全面地衡量騎行品質(zhì)。

基于上述分析與研究缺陷,本文提出了更為完整的騎行品質(zhì)評價體系,基于自然騎行實驗收集交通設(shè)施類和騎行行為參數(shù),建立了科學(xué)全面的城市道路騎行品質(zhì)評價模型。

1 實驗數(shù)據(jù)采集及處理

1.1 實驗車設(shè)計

本研究的自然實驗車設(shè)計如圖1所示,豎桿靠左把手處豎直安裝運(yùn)動攝像頭GoPro Hero3+,能夠拍攝騎行前方實況,輔助數(shù)據(jù)分析及驗證實驗有效性?？孔蟀咽痔幩桨惭b9軸姿態(tài)角度傳感器,可采集三維方向的加速度、角速度及角度,并設(shè)置采集速率為10 Hz,即0.1 s回傳一次數(shù)據(jù),能有效獲取自行車騎行特征。正前方騎行方向為y軸方向,垂直方向為z軸方向,右橫向為x軸方向,三維坐標(biāo)系如圖1所示。

圖1 實驗車設(shè)計與其對應(yīng)坐標(biāo)系

1.2 自然騎行實驗

為收集數(shù)據(jù),本研究展開了自然騎行實驗。通過路網(wǎng)調(diào)查,以涵蓋多種路段為原則,選定實驗地點如下圖2所示,包含18條路段,組織20名志愿者(10男10女)在2018年11月26日至11月28日的8:30-10:30及15:30-17:30進(jìn)行騎行實驗,調(diào)查時間段內(nèi)均為晴天。

圖2 自然騎行實驗范圍

實驗過程中,GoPro Hero3+收集騎行者前方的環(huán)境信息,并記錄研究路段的設(shè)施類特征作為評估指標(biāo),包括機(jī)非分隔類型、人非分隔類型、路邊停車情況、公交站數(shù)量、出入口數(shù)量、周邊用地類型、機(jī)動車流量、非機(jī)動車流量、行人流量。路段的斷面類型包含了常見的三大類:機(jī)非物理分隔、機(jī)非劃線分隔和機(jī)非混行,另外,周邊環(huán)境要素和交通流要素均有顯著的差異性,其中機(jī)動車流量(veh/h)含有三個等級:低[0,360)、中[360,600)、高(600以上);非機(jī)動車流量含有三個等級:低[0,320)、中[320,620)、高(620以上);行人流量也含有三個等級:低[0,200)、中[200,400)、高(400以上)。上述流量的低中高的劃分方法參考文獻(xiàn)[7]。

此外,傳感器每0.1 s采集一次三維方向的加速度、角速度及角度。騎行者在完成一個路段時,會停止騎車并對該路段的騎行品質(zhì)感受進(jìn)行打分(對應(yīng)評分1-5分,分別表示非常不滿意、不滿意、一般滿意、滿意及非常滿意)。共獲得364個樣本,一位騎行者在一個路段上騎行一次算作一個樣本。在去除無效的傳感器數(shù)據(jù)后,最終的有效樣本為342個。

1.3 騎行行為參數(shù)提取

為了有效分析騎行行為特征,本文綜合提取了反映橫向穩(wěn)定性、縱向穩(wěn)定性以及垂直方向顛簸程度的行為參數(shù)。

1.3.1 橫向穩(wěn)定性

根據(jù)對視頻的觀察,認(rèn)為當(dāng)實驗者在騎行過程中為躲避其他障礙物而擺動車頭,且兩者之間的距離小于1 m時,存在橫向規(guī)避行為。通過對回避騎行和穩(wěn)定騎行數(shù)據(jù)的分析可知,z軸角度的變化能直接反映及描述避讓行為的過程。本文提出橫向穩(wěn)定性失衡時間及失衡程度兩個行為指標(biāo)。

橫向穩(wěn)定性的失衡時間基于z軸角度的變化衡量,根據(jù)z-score標(biāo)準(zhǔn)化算法的公式進(jìn)行判斷,該算法多應(yīng)用于數(shù)據(jù)極值及趨勢的識別,公式如下

式中θz為z軸角度;σ為z軸角度的標(biāo)準(zhǔn)差。結(jié)合實驗效果及意義,z≥2或≤-2時,即判斷為處于橫向穩(wěn)定性失衡過程中。統(tǒng)計符合上述要求的θz的個數(shù)以表示橫向穩(wěn)定性的失衡時間N z。

對于橫向穩(wěn)定性的失衡程度,可使用z軸角速度的均方根表示,公式如下

式中ωzt為t時刻z軸角速度;T為統(tǒng)計樣本的時間長度。

1.3.2 縱向穩(wěn)定性

縱向安全通常與突然加速和制動有關(guān)。通過數(shù)據(jù)分析,是否加減速與y軸加速度有明顯的相關(guān)性。結(jié)合實驗中加減速過程的特征分析及文獻(xiàn)研究[21],認(rèn)為當(dāng)a y≥0.168g時,有加速過程存在,當(dāng)a y≤-0.294g時,有減速過程存在。

1.3.3 顛簸程度

騎行顛簸程度一定程度上能反應(yīng)騎行的舒適性與安全性,對騎行品質(zhì)有重要的影響。根據(jù)文獻(xiàn)及理論分析[22],騎行顛簸程度能通過豎直方向的加速度反應(yīng)。

考慮到當(dāng)z軸加速度為1g時,自行車將處于靜止的垂直狀態(tài),因此本研究以重力加速度為參考,提出用加速度的均方根來表示整個自行車的顛簸程度,如下式所示

式中a zT代表z軸加速度的均方根,a zt為t時刻的z軸加速度,T為統(tǒng)計樣本時間長度。根據(jù)現(xiàn)有文獻(xiàn)的換算[22],當(dāng)a zT≤0.1337g時,認(rèn)為顛簸程度低;當(dāng)a zT∈(0.1337g,0.2587g)時,認(rèn)為顛簸程度中等,當(dāng)a zT≥0.2583g時,認(rèn)為顛簸程度高。

表1總結(jié)了本文提出的騎行行為特征參數(shù)。對數(shù)據(jù)傳感器的原始數(shù)據(jù)進(jìn)行處理,獲取上述行為特征參數(shù)。為了后續(xù)數(shù)據(jù)處理及利于模型解釋,將參數(shù)均進(jìn)行歸一化處理,轉(zhuǎn)為無量綱參數(shù),如下式所示

表1 騎行行為特征參數(shù)總結(jié)表

式中Xnorm為歸一化后的數(shù)據(jù),X為原始數(shù)據(jù),Xmax和Xmin分別代表原始數(shù)據(jù)集的最大值和最小值。

2 騎行品質(zhì)評價體系

2.1 關(guān)鍵評價指標(biāo)篩選

本文基于三大交通設(shè)施類要素:斷面設(shè)計要素、周邊環(huán)境要素及交通流要素,結(jié)合三個維度的動態(tài)騎行行為特征:橫向穩(wěn)定性、縱向穩(wěn)定性以及垂直向顛簸程度,共12個特征參數(shù)對路段的騎行品質(zhì)進(jìn)行評價。

使用有序Logit回歸模型進(jìn)行評價指標(biāo)的篩選,得出對騎行品質(zhì)有顯著影響的關(guān)鍵評價指標(biāo)。本次的有序Logit模型樣本量為342,被解釋變量觀察值Y為志愿者對應(yīng)的騎行品質(zhì)評價。影響因素X即從騎行品質(zhì)評價指標(biāo)中進(jìn)行篩選。模型一納入設(shè)施參數(shù)及行為特征參數(shù),模型二僅納入設(shè)施類參數(shù)。經(jīng)過多重比較,當(dāng)模型中納入橫向失衡程度、橫向失衡時間及減速時間參數(shù)時,各參數(shù)效果最為顯著,結(jié)果如表2所示。模型一的R2相比于模型二提高約0.08,說明動態(tài)騎行特征參數(shù)的加入能夠提高模型的精度。最終的評價指標(biāo)位如表2所示的9大指標(biāo)。

表2 有序Logit模型結(jié)果對比

在模型一的輸出結(jié)果中,各個變量的系數(shù)能定性地表示各參數(shù)對騎行品質(zhì)的正負(fù)面影響?？偟膩碚f,機(jī)非有物理分隔、橫向穩(wěn)定性失衡時間減少、自行車流量增加、減速時間減少、行人流量增加、機(jī)動車流量降低、人非有物理分隔、非商業(yè)用地及橫向穩(wěn)定性失衡程度減少能提高騎行品質(zhì)評分,對騎行品質(zhì)有正面影響。

2.2 騎行品質(zhì)評價模型

上文的有序Logit模型能有效得出關(guān)鍵評價指標(biāo),但其預(yù)測精度有限,僅為約65%。為了提高預(yù)測精度,基于9個關(guān)鍵評價指標(biāo),使用隨機(jī)森林模型建立騎行品質(zhì)評價模型。隨機(jī)森林模型的算法是一種集成算法(Ensemble Learning),該算法屬于Bagging類型,其算法準(zhǔn)確率高,且對異常值如空值和系統(tǒng)噪聲都有較高的容忍[23]。主要包括以下幾步:

1)從原始樣本數(shù)據(jù)D中采樣成i個樣本D i。

2)假設(shè)原始樣本中屬性個數(shù)為a,每個樣本選擇a中的m個特征,利用最佳分割點方式建立決策樹;

3)重復(fù)以上過程i次,產(chǎn)生i棵決策樹;

4)對獲得的分類結(jié)果采用多數(shù)投票方式確定最優(yōu)分類結(jié)果。

由于可通過OOB ERROR來預(yù)測模型精度,建立模型時不需要建立測試集,所訓(xùn)練集的樣本量為342個,設(shè)置子樹數(shù)量為50時,OOB ERROR趨于穩(wěn)定,約為19.5%左右。最終模型的準(zhǔn)確率達(dá)到80.38%,評分誤差基本為1分。輸入?yún)?shù)重要性的排序如圖3所示,結(jié)果表明,重要性排為前三的參數(shù)均為騎行特征參數(shù),分別是橫向失衡時間、減速時間及橫向失衡程度,說明騎行特征參數(shù)的加入對騎行品質(zhì)評價模型的模型精度起到非常關(guān)鍵的作用。此外,非機(jī)動車流量、機(jī)非分隔類型以及行人流量也是較為重要的設(shè)施類參數(shù),在提升路段騎行品質(zhì)時可著重考慮管控。

圖3 輸入?yún)?shù)的重要性度量結(jié)果

3 模型應(yīng)用

本次應(yīng)用首先選定評價的范圍,如圖4所示,位于上海市楊浦區(qū),路網(wǎng)總長度約4 km。為了能獲取騎行數(shù)據(jù),邀請一名實驗人員使用自然實驗車沿著路段1～15進(jìn)行實地騎行。通過騎行品質(zhì)評價模型,輸入圖3中對應(yīng)的9個評價指標(biāo),即可得到該條路段自行車的騎行品質(zhì),根據(jù)其得分繪制騎行品質(zhì)地圖,如圖5所示。

圖4 模型應(yīng)用試驗范圍

圖5 騎行品質(zhì)地圖

4 總結(jié)與展望

本文主要研究了城市道路自行車騎行品質(zhì),將自然騎行實驗運(yùn)用到自然騎行評價的研究中,明確實驗?zāi)繕?biāo),選取合理的數(shù)據(jù)采集器,設(shè)計了符合目標(biāo)的自然騎行實驗車,豐富了數(shù)據(jù)收集的方法,能收集到騎行過程中客觀且高質(zhì)量的騎行特征數(shù)據(jù)。另外,大部分的傳統(tǒng)研究中,評價指標(biāo)集中在交通設(shè)施類數(shù)據(jù),本研究將騎行特征指標(biāo)納入指標(biāo)評價中,完善了評價的解釋性,同時提高了騎行指標(biāo)評價模型的精度。并且在騎行品質(zhì)評價模型建立前,合理且較為客觀地篩選關(guān)鍵評價指標(biāo),提高了預(yù)測模型的精度。以上海市楊浦區(qū)的路網(wǎng)為例,進(jìn)行模型應(yīng)用,基于騎行品質(zhì)評價模型可得出各路段的分?jǐn)?shù),繪制騎行品質(zhì)評價地圖,從而直觀得出城市道路自行車騎行品質(zhì)。

模型應(yīng)用階段車載儀器為9軸姿態(tài)角度傳感器,可操作性及可推廣性強(qiáng),在共享單車及公共自行車普及的背景下,可安裝于自行車上,獲取騎行特征數(shù)據(jù),突破傳統(tǒng)研究方法數(shù)據(jù)樣本量的有限性和數(shù)據(jù)質(zhì)量的局限性,能采集大量騎行特征數(shù)據(jù),實現(xiàn)模型的進(jìn)一步優(yōu)化與應(yīng)用。此外,未來可以對其他自行車交通設(shè)施(如交叉口)展開自行車騎行品質(zhì)的調(diào)查,進(jìn)而搭建更加完整的自行車騎行品質(zhì)研究體系。