貨車移動遮斷影響下的跟馳風險異質(zhì)性建模

謝世坤，楊 軫，戢曉峰

（1.同濟大學道路與交通工程教育部重點實驗室，上海 201804；2.昆明理工大學交通工程學院，云南昆明 650500）

受公路設計標準和地形地質(zhì)條件等綜合限制，山區(qū)雙車道公路呈路窄、彎多、坡陡等特征，行車環(huán)境極其復雜。同時，伴隨著物流業(yè)的快速發(fā)展，交通流中貨車占比不斷加大，加之貨車具有體積大、載重多、行駛速度相對慢等特性，會持續(xù)遮斷后車駕駛員行駛視線，由此導致后車低速跟馳、逆向借道或占用硬路肩超車等高風險駕駛行為頻繁發(fā)生，引發(fā)較高的事故風險。據(jù)統(tǒng)計，貨車-小客車事故占貨車事故的60%，其中，小客車駕駛員死亡率高達83%［1］，可見，貨車移動遮斷導致的行車安全問題已成為交通安全領域亟待解決的現(xiàn)實問題。

國內(nèi)外學者較早開展了低速貨車對道路通行能力及行車安全造成的影響研究，包括貨車移動瓶頸［2］、移動屏障［3］、貨車結伴效應［4］等。2021年，戢曉峰等［5］首次針對山區(qū)雙車道公路貨車遮斷現(xiàn)象展開研究，發(fā)現(xiàn)貨車遮斷導致小客車行車速度降低20～30 km·h-1，平均跟馳時距為小于《公路工程技術標準》中規(guī)定的最小安全值，一定程度上會增加小客車駕駛風險。由于貨車移動遮斷影響下不能及時獲取道路前方交通信息，后車駕駛員更傾向于跟馳行駛。跟馳行駛時受貨車壓迫和視距受限的影響，駕駛員會出現(xiàn)緊張等心理變化，導致駕駛員改變其跟馳行為，引起車頭時距等微觀駕駛特征改變影響交通流穩(wěn)定性。為量化與評估車輛跟馳風險，大多數(shù)學者從仿真實驗數(shù)據(jù)和自然駕駛數(shù)據(jù)出發(fā)，利用統(tǒng)計分析和機器學習等方法構建跟馳風險評估模型［6-9］。隨著研究不斷推進，風險場理論被提出并應用于行駛風險研究，如Wu［10］等基于風險場理論構建了自動駕駛車輛跟馳風險概率預測模型。

上述研究雖考慮了交通流對跟馳車輛的影響，但集中于高速和城市道路等多車道公路。與多車道公路相比，雙車道公路車輛運行更為復雜，車輛駕駛行為不僅受本車道前車干擾，同時受對向車道來車影響。并且山區(qū)雙車道公路特殊線形和貨車低速行駛性能會導致相鄰車輛跟馳行為與常規(guī)交通流不一致，后方小客車通常會選擇減速跟馳或跨線占道跟馳來等待超車機會，頻繁調(diào)整車速和占用對向車道，造成貨車移動遮斷路段交通流擾動，進而增加后方小客車跟馳風險［11-12］?；诖耍疚耐ㄟ^設計無人機車輛軌跡數(shù)據(jù)采集實驗，開展山區(qū)雙車道公路貨車移動遮斷發(fā)生機理及對小客車跟馳行為的影響研究。綜合考慮交通沖突風險可能性和嚴重度，建立貨車移動遮斷場景內(nèi)小客車跟馳風險評價方法和分級標準，采用隨機參數(shù)有序probit（FP-ORP）模型構建小客車跟馳行為風險預測模型，并基于邊際效應和彈性系數(shù)定量分析貨車移動遮斷場景下車輛屬性、駕駛員行為差異、跟馳特性與小客車跟馳風險間的相互關系，從而為道路交通管理部門制訂和實施山區(qū)公路交通安全管理辦法工作提供理論和技術支撐。

1 貨車移動遮斷形成機理

1.1 貨車移動遮斷

貨車動力性能差異大、行駛速度慢，其平均行駛速度小于車流整體平均速度（特別是小客車平均速度），對貨車后方車輛行駛擾動嚴重。而山區(qū)雙車道公路行車條件復雜，且道路無中央隔離帶，在貨車影響影響下，后方車輛近距離跟馳、占道超車等高風險駕駛現(xiàn)象普遍，導致較高的事故風險，該現(xiàn)象稱為貨車移動遮斷。

基于與云南省公路局聯(lián)合監(jiān)測的貨車移動遮斷現(xiàn)象，結合移動瓶頸理論［13］，提出山區(qū)雙車道公路貨車移動遮斷的概念，即某一低速貨車行駛在雙向兩車道公路上，由于道路線形條件和貨車性能限制，遮斷貨車后方駕駛員行駛視線，導致貨車后方出現(xiàn)單一或成隊等待超車的車輛，且該車輛（隊）隨交通流一起發(fā)生移動的現(xiàn)象。移動遮斷是靜態(tài)設施（道路線形）與動態(tài)設施（運行車輛），以及交通流內(nèi)部各車輛間相互作用的結果，其導致的道路時空資源損失隨時間空間動態(tài)變化的。如圖1所示。

圖1 山區(qū)雙車道貨車移動遮斷現(xiàn)象Fig.1 The classic scene of truck movement block on two-lane mountain highway

1.2 移動遮斷形成機理分析

結合交通流理論，解析雙車道公路貨車移動遮斷的發(fā)生機理，如圖2 所示。設某一長度為L，流量為q的山區(qū)雙車道路段，有正常行駛的貨車（速度為VT0，狀態(tài)①）和小客車（速度為VC0，狀態(tài)②，VT0＜VC0）。開始路段小客車以速度VC0運行，當小客車進入貨車遮斷場景后（t1時刻），路段車流將以速度VC1前進（VC1≤VT0，狀態(tài)③），整體交通流的速度不穩(wěn)定。根據(jù)交通工程學壓縮波模型，路段將形成速度小于VT0集結波F1（狀態(tài)④），即遮斷形成。當路段滿足超車條件后（t3時刻），小客車將以速度VC2超車（VC2＞VT0，狀態(tài)⑤），排隊車輛相繼完成超車，形成消散波F2（狀態(tài)V），路段車流重新進入正常行駛狀態(tài)（狀態(tài)②），即遮斷消失。當?shù)缆肪€形和交通流條件遠遠滿足超車需求時，道路通行效率則不被貨車移動遮斷影響。

圖2 山區(qū)雙車道貨車移動遮斷發(fā)生機理Fig.2 The mechanism of truck moving block on twolane mountain roads

由此可得，貨車移動遮斷包括跟馳和超車2 個階段，駕駛員在不同階段采取不同的操作行為。當對向車道交通流和本車道車輛間能夠提供可以超車和回車的能力時，小客車駛入對向車道完成超車；當超車條件不滿足時，小客車只能根據(jù)前方貨車行駛狀態(tài)來選擇合理車速跟馳行駛，并且時刻關注道路線形和對向車道交通流情況等待超車。通過對移動遮斷場景內(nèi)緊鄰小客車駕駛行為統(tǒng)計，發(fā)現(xiàn)超車行為占30.38%，而跟馳行為占69.62%，是雙車道公路貨車移動遮斷場景內(nèi)的典型駕駛行為。

當小客車在貨車移動遮斷場景內(nèi)跟馳行駛時，駕駛員視線長期被低速貨車遮擋，不能及時準確地獲取道路前方交通信息，導致小客車產(chǎn)生強烈的超車需求。后方駕駛員均想通過改變其駕駛行為超越其前方低速貨車，盡快離開貨車移動遮斷場景，出現(xiàn)頻繁變速（速度變異系數(shù)為0.463）、跨線行駛（橫向偏移分布在-0.83 m 至1.76 m 區(qū)間）、強制超車（40%超車視距小于規(guī)范值250 m）等危險行為，這些行為使得交通流極不穩(wěn)定，進而增加駕駛員行車風險。因此，本文以貨車移動遮斷影響下的小客車跟馳行為風險為評估對象。

2 數(shù)據(jù)采集與篩選

2.1 數(shù)據(jù)采集與處理

為獲取高精度的貨車移動遮斷軌跡數(shù)據(jù)，本文選取云南省典型山區(qū)雙車道元雙公路進行數(shù)據(jù)采集。在良好的天氣條件下，采用大疆御MAVIC 2專業(yè)版無人機在200 m高空進行連續(xù)拍攝，拍攝時間2019年9月25日至9月30日8：30～18：00，為提高拍攝結果的精度，地面比例標定方法采用專用鋼尺測定。

采用日本名古屋大學開發(fā)的視頻處理軟件George2.1 追蹤視頻中目標車輛的行駛軌跡數(shù)據(jù)。數(shù)據(jù)處理流程如圖3所示。設置車輛軌跡提取頻率為10 HZ，控制圖像坐標與地面坐標的精度誤差在±0.05 m 之內(nèi)，通過坐標變換、軌跡提取、軌跡平滑等流程，得到貨車移動遮斷場景內(nèi)的車輛行駛軌跡數(shù)據(jù)，如圖4所示。George2.1軟件能直接輸出的軌跡數(shù)據(jù)包括前后車ID、采樣時刻、車輛速度、橫向速度、縱向速度、加速度、橫向加速度、縱向加速度、前后車位置坐標等。

圖3 車輛軌跡數(shù)據(jù)處理流程Fig.3 Vehicle trajectory data processing flow

圖4 貨車移動遮斷場景內(nèi)的跟馳小客車跟馳軌跡Fig.4 Trajectory of the car-following in the truck movement blocking scene

2.2 跟馳片段提取

為保證模型參數(shù)標定和驗證需求，須從數(shù)據(jù)集中提取滿足貨車移動遮斷和跟馳條件的相關數(shù)據(jù)，保證包含充足完整的信息。在進行跟馳片段篩選前，先將貨車移動遮斷影響范圍進行限制，通過統(tǒng)計貨車場景下第一輛小客車開始減速或加速時的車頭間距，將貨車與其后方第一輛小客車車頭間150 m范圍確定為貨車移動遮斷的影響范圍。

從相鄰兩車的車頭間距和車頭時距判定跟馳狀態(tài)。交通流理論認為本車與前車間距在125 m范圍內(nèi)為跟馳行為，也有研究定義本車與前車的車頭時距小于5 s時為跟馳行為。對于雙車道公路而言，美國HCM［14］認為當車頭時距小于或等于5 s 時，車輛處于跟馳狀態(tài)。因此，提出雙車道貨車移動遮斷影響下的小客車跟馳狀態(tài)判定準則：小客車和貨車車頭時距小于或等于5 s。根據(jù)該準則對車輛軌跡數(shù)據(jù)進行篩選，并剔除掉幀、ID無法匹配、非正常駕駛速度等異常數(shù)據(jù)，得到110 組貨車移動遮斷場景下的跟馳行為軌跡數(shù)據(jù)，共計36 960 條。一個典型的跟馳片段如表1所示。圖中，VT是前導貨車速度；VC是跟馳小客車速度；a是跟馳小客車加速度；s是車輛間距；h是車頭時距。

表1 小客車—貨車跟馳片段實測數(shù)據(jù)Tab.1 A car-truck following process with measured data

3 基于ICRI的跟馳風險模型

3.1 跟馳模型變量選取

3.1.1因變量構建

風險可能性和嚴重度是評價風險的兩個維度，單維度評價不能準確量化交通事故風險。據(jù)此，本文提出結合風險可能和風險后果的綜合風險指數(shù)IR，表征貨車移動遮斷場景中小客車跟馳行為的風險程度，作為模型因變量。

（1）風險可能性

根據(jù)沖突特性及既有研究［17］，采用碰撞時間T判別跟馳風險概率。其定義為道路上行駛的車輛不采取避險措施，保持原有速度和軌跡行駛直至碰撞的時間，即

式中：TC(t)為t時刻小客車碰撞貨車的碰撞時間；XT(t)和XC(t)分別為t時刻貨車和小客車位置坐標；VT(t)和VC(t)分別為t時刻貨車和小客車地點車速；lT為貨車車長。

通過MATLAB 讀取移動遮斷場景內(nèi)貨車和小客車行駛軌跡數(shù)據(jù)，根據(jù)位置坐標及兩車行駛速度計算出T。參考相關研究成果［15］，采用統(tǒng)計學中累計頻率分布曲線對沖突風險進行差異化分級。將每起沖突的T值以1s 為間隔進行均等分組處理，計算每組數(shù)據(jù)的頻率及累積頻率并繪制累積頻率曲線圖（圖5）。根據(jù)帕累托定律分別選定15%、40%、60%、85%位累積頻率對應T值為不同風險概率等級判別標準［18］。如表2所示。

表2 不同沖突風險概率等級的碰撞時間閾值Tab.2 Time to collision thresholds for conflict risk probability levels

圖5 T累計頻率分布曲線圖Fig.5 Time to collision cumulative frequency distribution curve

（2）風險嚴重度

相同的T值代表發(fā)生碰撞的概率相同，但一個輕微事故與一個人員傷亡事故的嚴重程度區(qū)別明顯，故還應考慮沖突潛在碰撞的后果嚴重性。結合現(xiàn)有研究［16］，選取避撞減速度D衡量沖突風險的嚴重度。定義為跟馳間距較近的兩輛車，后車為規(guī)避碰撞所需的減速度，即

基于D計算值，同理選定15%、40%、60%、85%位累積頻率（圖6）對應D 值為不同風險概率等級判別標準，獲取不同沖突風險概率等級對應的沖突嚴重程度，如表3所示。

圖6 不同沖突風險嚴重程度等級的避撞減速度閾值Fig.6 D thresholds for different conflict risk severity levels

表3 不同沖突風險嚴重程度等級的避撞減速度閾值Tab.3 D thresholds for conflict risk severity levels

（3）跟馳風險等級

根據(jù)式（2）可知，D和T的倒數(shù)呈一元一次正相關關系，表明沖突風險概率等級系數(shù)和沖突嚴重度等級可以一一對應，即沖突風險概率越高，沖突風險嚴重程度概率也越高。已有研究表明沖突風險水平與事故間存在相關系數(shù)ρ［17］，且該系數(shù)與風險變化水平呈S 形曲線關系［18］，因此引入比數(shù)概念對風險系數(shù)進行對數(shù)轉換（表4），以精確描述交通沖突與交通事故間的關系。

表4 沖突風險系數(shù)轉換Tab.4 Conversion of collision risk coefficients

基于不同風險水平下T和D統(tǒng)一的風險系數(shù)，構造貨車移動遮斷場景內(nèi)小客車跟馳行駛時的綜合風險指數(shù)IR計算公式為如下：

式中：IR表示跟馳風險綜合指標，TC(Oi)表示沖突風險概率等級，DC(Oj)表示沖突嚴重度等級，i，j=0，1，2，3，4。

根據(jù)式（3）計算得到貨車移動遮斷場景內(nèi)小客車的IR值，將小客車跟馳風險水平劃分為四級（表5）：零風險水平（I），低風險水平（II）、中風險水平（III）、高風險水平（IV）。

表5 貨車移動遮斷場景內(nèi)小客車跟馳風險等級Tab.5 Car-following risk level in truck movement block

3.1.2自變量選取

結合相關研究及現(xiàn)場調(diào)研，從交通流特性、跟馳特性和駕駛員風格等方面初步選取14 個影響跟馳行為風險的特征指標（表6）。其中，駕駛傾向指標是選取小客車橫向偏移、小客車橫向加速度和小客車縱向加速度3個指標，采用KNN無監(jiān)督聚類算法進行聚類，按照相似程度將其劃分為保守型、穩(wěn)健型和激進型。保守型駕駛員感知低速貨車的壓迫感最強，會較早產(chǎn)生減速意識，且強烈要求視線前方有足夠的空間滿足觀察對向車道行駛狀況和本車道前方行駛趨勢；穩(wěn)健型駕駛員感知到的貨車壓迫感次于保守型駕駛員；激進駕駛員感知到的貨車壓迫感最小，超車意識強烈。

表6 跟馳風險預測模型自變量Tab.6 Independent variables of the car-following risk prediction model

為保證模型預測精度，自變量之間不能出現(xiàn)多重共線性，因此對變量進行相關性分析。Spearman相關性檢驗不要求變量服從正態(tài)分布，且可以較好地減少異常值影響。因此本文采用Spearman 相關系數(shù)來檢驗變量間的相關性。若相關系數(shù)大于0.8，說明變量之間存在高度線性相關，則選取相對重要性較大的一個變量作為輸入?yún)?shù)。通過Spearman相關性檢驗（圖7），可以發(fā)現(xiàn)變量VT與變量VC的相關系數(shù)為0.82，表明VT與VC高度線性相關。為避免多重共線性的影響，剔除相關性系數(shù)較小的VC，其他變量作為模型自變量。

圖7 變量相關性矩陣Fig.7 Correlation matrix of variables

3.2 跟馳風險模型構建

車輛行駛風險是由人、車、路和環(huán)境中多個因素相互作用引發(fā)，數(shù)據(jù)采集無法全面記錄與事故風險相關的所有影響因素，而這些因素會影響參數(shù)估計和模型預測準確性［19］。RP-ORP模型可以解決傳統(tǒng)固定參數(shù)有序probit 模型（FP-ORP 模型）未能考慮個體差異的限制［20］。因此，為了解決數(shù)據(jù)采集中可能存在的異質(zhì)性，本文選取RP-ORP 構建山區(qū)雙車道公路貨車移動遮斷影響下的小客車跟馳風險預測模型，并與傳統(tǒng)FP-ORP 模型進行對比。跟馳風險概率通過效用函數(shù)y*推導得到，即

式中：y*貨車移動遮斷場景內(nèi)小客車跟馳風險等級，X為自變量向量集，β為系數(shù)向量，ε是誤差項。小客車跟馳風險y可通過式（4）映射得到，即

式中：y的分類由閾值μ參數(shù)確定；j是最高有序值。本文j有4 個等級，由于誤差服從標準正態(tài)分布，不同風險等級的沖突概率計算如下：

FP-ORP模型參數(shù)被預先假定為不隨樣本個體而變的固定參數(shù)［21］。然而每個變量都有一定的隨機效應，通過在每個系數(shù)上加上一個服從正態(tài)分布的隨機誤差項，則可導出RP-ORP 模型。RP-ORP 模型第k個解釋變量對第i起沖突的隨機效應計算如下：

式中：μk和σk分別是βk的均值和標準差；vik是第i起沖突不可觀測的隨機效應。

由于參數(shù)估計值只能反映各因素對于不同沖突風險水平的影響趨勢，不能定量化解釋變量影響效應。故采用彈性系數(shù)和邊際效應值進一步量化各影響因素對不同跟馳風險等級的影響程度。彈性系數(shù)是指變量增加1%時，某事故嚴重等級概率的變化值，由式（8）計算。

式中：Xjk表示等級j的第k個顯著變量。但彈性系數(shù)僅適用于連續(xù)變量，對于分類變量而言，概率不能由分類值微分直接得到。由于每起沖突中每個變量對于各類風險等級均可計算一個值，故通過公式（9）計算分類變量的邊際效應［22］，即

3.3 模型結果與分析

3.3.1參數(shù)估計結果

使用統(tǒng)計分析軟件Nlogit5.1進行模型求解，選取顯著性水平為0.05，利用蒙特卡洛方法估計參數(shù)結果，并采用Halton序列抽樣300次求解模型，模型估計結果如表7所示。

由表7 可知，模型收斂時RP-ORP 模型的對數(shù)似然擬合值從218.38 提高至231.66，AIC值從260.4 下降到251.7，說明考慮異質(zhì)性的隨機參數(shù)模型擬合效果更好。此外，兩模型收斂時對數(shù)似然值構造似然比統(tǒng)計量LR值為13.28，高于11.07（自由度為5 時，在95%的置信區(qū)間內(nèi)似然比統(tǒng)計量臨界值為11.07），再次證明RP-ORP 模型適應度高于FP-ORP模型。

在滿足95%置信水平條件下，貨車縱向加速度、跟馳車頭間距、跟馳持續(xù)時間、跟馳速度差、激進型駕駛員5 個變量與小客車跟馳風險水平顯著相關。其中，跟馳持續(xù)時間和駕駛傾向（激進型）參數(shù)為隨機參數(shù)，且在0.001的顯著性水平上顯著。

3.3.2模型結果分析

根據(jù)模型估計結果（表7）和顯著變量邊際效應（圖8），分析各顯著變量對小客車跟馳風險的影響方向和強度。

圖8 顯著變量的邊際效應Fig.8 Marginal effects for significant variables

表7 FP-ORP模型和RP-ORP模型的估計結果Tab.7 Estimation results for FP-ORP model and RP-ORP model

（1）貨車縱向加速度

貨車縱向加速度每增加1 個單位，小客車處于中風險、高風險跟馳狀態(tài)的概率分別降低1.49%和4.94%。說明移動遮斷場景內(nèi)貨車加速度越大（行駛速度越快），對跟馳小客車的期望速度影響越小，小客車更加謹慎駕駛，從而更不容易處于高風險狀態(tài)。

（2）跟馳過程平均車頭間距

跟馳間距每增加1 個單位，小客車處于零風險和低風險行駛狀態(tài)的概率分別增加149.86%和58.38%，處于中風險和高風險行駛狀態(tài)的概率分別減少67.92%和225.32%。主要由于貨車體積大，車身長，易形成視覺盲區(qū)。當小客車與貨車間距較大時，小客車在遇到緊急情況時有足夠的反應時間，從而可以避免追尾等碰撞事故發(fā)生，從而降低跟馳風險。

（3）跟馳持續(xù)時間

跟馳時間對應系數(shù)服從N（-0.094，0.0832）的正態(tài)分布，對行車風險的影響存在異質(zhì)性效應。根據(jù)正態(tài)分布累計概率計算結果可知（圖9），有12.92%跟馳持續(xù)時間較長的小客車

圖9 跟馳時間變量正態(tài)分布Fig.9 Normal distribution of car-following time

駕駛員傾向于產(chǎn)生更高的行駛風險。87.08%跟馳時間較長的小客車駕駛員傾向于產(chǎn)生較低的行駛風險。對應圖8可知，跟馳持續(xù)時間每增加1個單位，跟馳行為處于零風險、低風險的概率分別增加182.28%、71.01%。其異質(zhì)性效應來源于雙車道公路不同交通條件下的跟馳時間對風險水平的影響不同。當車流量較小時，小客車一旦受貨車移動遮斷影響選擇立即超車，由于貨車影響不能準確判斷道路前方信息，會導致車輛風險增加。當車流量較大時，小客車駕駛員持續(xù)跟馳行駛，但一直處于準備超車的狀態(tài)，可能出現(xiàn)超車條件不完全滿足但選擇超車，進而增加車輛行駛風險。

（4）跟馳速度差

速度差每增加1 個單位，小客車處于中風險和高風險跟馳狀態(tài)的概率會分別增加23.79%和78.94%，處于低風險和零風險跟馳水平概率會分別降低20.45%和52.51%。原因是車輛間速度差越大，遇到突發(fā)狀況時駕駛人需要更長的認知和反應時間。且根據(jù)能量守恒定律，當碰撞發(fā)生時，速度越大能量越大，導致事故越嚴重。因此，小客車與貨車的速度差越大，小客車跟馳風險水平越高。

（5）駕駛員駕駛傾向

激進型駕駛員對應的系數(shù)服從N（0.599，1.1392）的正態(tài)分布。根據(jù)圖10 可知，70.19%的激進型駕駛員更容易處于風險更高的行駛狀態(tài)，29.81%的激進型駕駛員更不容易處于高風險行駛狀態(tài)。且由圖8可得，相對于保守型駕駛員，激進型駕駛員處于中風險和高風險行駛狀態(tài)的可能性會分別增加36.57%和95.71%。此差異性結果可歸因于不同行駛場景下小客車駕駛員駕駛風格對風險水平的影響不同。據(jù)統(tǒng)計，激進型駕駛員平均橫向偏移86.93cm，其行駛軌跡呈遠離行車方向車道、靠近對向車道的趨勢，部分小客車越過行車方向車道邊界線行駛，導致車輛可能出現(xiàn)與對向來車發(fā)生刮擦、彎道路段轉向失控等現(xiàn)象，增加高風險行駛水平的發(fā)生率。但部分小客車駕駛員出現(xiàn)軌跡偏移，其目的是為了盡可能獲取貨車前方道路信息并尋找超車機會，當發(fā)現(xiàn)對向車道來車或沒有足夠的超車視距時，駕駛員返回原車道，進而降低行駛風險水平。

圖10 激進型駕駛員變量正態(tài)分布Fig.10 Normal distribution of radical driver

4 結論

本文從山區(qū)雙車道公路貨車影響行為出發(fā)，首次提出考慮道路線形和交通流特性的“貨車移動遮斷”概念，并結合交通波理論和貨車移動瓶頸理論構建貨車移動遮斷效應模型，揭示了山區(qū)雙車道公路貨車移動遮斷特性及發(fā)生機理。通過無人機高空錄像采集貨車移動遮斷視頻數(shù)據(jù)，提出了綜合交通沖突風險和嚴重度的跟馳風險表征指標，并采用RPORP 構建考慮異質(zhì)性的小客車跟馳行為風險等級預測模型。主要研究成果如下：

（1）移動遮斷是由特殊道路線形，性能差異速度不一的車輛組成一類新的“混合交通”運行中所表現(xiàn)出來的現(xiàn)象，其形成過程減速跟馳（遮斷形成）和加速超車（遮斷消散）兩個階段，會導致平均行駛速度小于車流整體平均速度，影響交通流穩(wěn)定性和安全性。

（2）考慮異質(zhì)性的RP-ORP 模型可以更加準確的擬合貨車移動遮斷影響下的小客車跟馳行為風險，預測特定條件下跟馳行為在不同風險等級的概率。識別出貨車縱向加速度、跟馳車頭間距、跟馳持續(xù)時間、小客車與貨車速度差、激進型駕駛員5個變量顯著影響小客車跟馳風險水平，且跟馳持續(xù)時間和激進型駕駛員2 個變量具有隨機參數(shù)特性，對跟馳風險存在異質(zhì)性效應。

（3）受限于數(shù)據(jù)采集條件，本文僅從車輛行駛特性和駕駛行為特性研究了貨車移動遮斷影響下的小客車跟馳行為，后期將設計以道路線形條件為變量的貨車移動遮斷動態(tài)仿真實驗，進一步擴展數(shù)據(jù)樣本展開深度研究，優(yōu)化跟馳風險預測模型的精度和可移植性。下一步將在小客車跟馳行為風險研究的基礎上融合超車行為、并道行為風險，綜合評估移動遮斷下小客車的駕駛行為風險。

作者貢獻聲明：

謝世坤：數(shù)據(jù)處理、模型構建、實證分析、結果討論；

楊軫：研究方法、結果討論、論文修訂；

戢曉峰：總體框架、思路梳理、結果討論。