等待階段使用手機(jī)對(duì)行人過(guò)街風(fēng)險(xiǎn)的影響

彭金栓，袁浩，宋臻，范子斌，楊祥浩，張磊

(重慶交通大學(xué)，交通運(yùn)輸學(xué)院，重慶 400074)

0 引言

行人作為道路交通系統(tǒng)中的弱勢(shì)群體，其過(guò)街安全性一直是國(guó)內(nèi)外學(xué)者聚焦的熱點(diǎn)。據(jù)統(tǒng)計(jì)，我國(guó)行人事故傷亡率約占總事故傷亡人數(shù)的20%，其中行人過(guò)街傷亡占比50%以上[1]。行人過(guò)街過(guò)程可以劃分為等待和運(yùn)動(dòng)兩個(gè)階段，過(guò)街啟動(dòng)時(shí)刻一般被視為這兩個(gè)階段的分界點(diǎn)[2]。對(duì)整個(gè)行人過(guò)街過(guò)程中的交通行為特征進(jìn)行解析，對(duì)于充分掌握行人過(guò)街規(guī)律，針對(duì)性優(yōu)化過(guò)街系統(tǒng)具有重要的理論和現(xiàn)實(shí)意義。

在對(duì)過(guò)街行為進(jìn)行調(diào)查研究時(shí)，多從速度、視覺(jué)和心理特性等維度展開(kāi)，解析行人過(guò)街的風(fēng)格特征與風(fēng)險(xiǎn)致因[3-4]。信息化時(shí)代，行人過(guò)街使用手機(jī)現(xiàn)象越發(fā)普遍，極易誘發(fā)分心，對(duì)行人過(guò)街安全產(chǎn)生潛在威脅。為探索使用手機(jī)對(duì)過(guò)街行為特性的影響，國(guó)內(nèi)外學(xué)者進(jìn)行了廣泛關(guān)注與研究。姜康等[5]引入分心感知相關(guān)概念，結(jié)合計(jì)劃行為理論分析行人過(guò)街運(yùn)動(dòng)發(fā)現(xiàn)，行為意向和知覺(jué)行為控制是影響行人使用手機(jī)的主要因素。TAPIRO 等[6]發(fā)現(xiàn)，等待階段使用手機(jī)會(huì)減少行人信息檢索頻次，延后過(guò)街啟動(dòng)時(shí)間，易錯(cuò)過(guò)可通行間隙。JIANG等[7]發(fā)現(xiàn)，運(yùn)動(dòng)階段使用手機(jī)會(huì)導(dǎo)致行人注意力明顯下降，觀測(cè)周圍環(huán)境頻率降低。TIAN等[8]研究表明，運(yùn)動(dòng)階段使用手機(jī)將導(dǎo)致行人自身步速和步幅長(zhǎng)度顯著減小，跨步時(shí)間及其變異性增大。SALTOS 等[9]分析近年事故分布規(guī)律發(fā)現(xiàn)，行人過(guò)街使用手機(jī)導(dǎo)致的交通事故數(shù)呈指數(shù)增長(zhǎng)趨勢(shì)。CAMPISI等[10]研究指出，運(yùn)動(dòng)階段使用手機(jī)可能會(huì)誘發(fā)分心行為，導(dǎo)致行人違章概率增大。PE?I?等[11]基于觀測(cè)數(shù)據(jù)構(gòu)建多元邏輯回歸模型，結(jié)果顯示，運(yùn)動(dòng)階段使用手機(jī)群體違章概率約為正常過(guò)街行人的8.5 倍。違章會(huì)增大行人過(guò)街風(fēng)險(xiǎn)，苑紅偉等[12]基于事故統(tǒng)計(jì)數(shù)據(jù)發(fā)現(xiàn)，與行人相關(guān)的交通事故中，行人違章致死率約為24.6%。

綜上所述，已有研究存在以下不足：大多聚焦運(yùn)動(dòng)階段，缺乏考慮等待階段使用手機(jī)對(duì)行人過(guò)街特征以及過(guò)街風(fēng)險(xiǎn)產(chǎn)生的影響；鮮有研究將過(guò)街風(fēng)險(xiǎn)貫穿等待和運(yùn)動(dòng)兩個(gè)階段，不利于對(duì)風(fēng)險(xiǎn)內(nèi)涵的精準(zhǔn)量化。本文針對(duì)行人等待階段使用手機(jī)的現(xiàn)象，提取不同群體在等待及運(yùn)動(dòng)兩階段的行為特征差異，探索不同特征與違章情況的內(nèi)在聯(lián)系，進(jìn)一步評(píng)估過(guò)街風(fēng)險(xiǎn)。研究結(jié)果可以為行人交通安全教育框架擴(kuò)容、信號(hào)燈配時(shí)自適應(yīng)優(yōu)化、人—車沖突預(yù)警規(guī)則改進(jìn)等提供一定的理論支撐。

1 數(shù)據(jù)采集與提取

1.1 采集時(shí)間與地點(diǎn)

選擇重慶市南岸區(qū)萬(wàn)壽路與南城大道交叉口處南北向人行橫道作為數(shù)據(jù)采集地點(diǎn)，如圖1 所示。人行橫道總長(zhǎng)度為22 m，行人信號(hào)燈周期為100 s，其中紅燈時(shí)長(zhǎng)80 s，綠燈時(shí)長(zhǎng)20 s。調(diào)查發(fā)現(xiàn)，該路口工作日16:00-18:00 行人交通量較大，平均流量為400 人·h-1。為充分保證樣本數(shù)量，綜合考慮室外亮度對(duì)視頻效果的影響，拍攝時(shí)段選為工作日16:00-18:00，數(shù)據(jù)采集時(shí)間共6 d。

圖1 數(shù)據(jù)采集地點(diǎn)及設(shè)備Fig.1 Data acquisition location and equipment

1.2 采集設(shè)備

利用索尼HDR-PJ820E 圖像采集設(shè)備記錄行人過(guò)街狀態(tài)，通過(guò)回放提取行人動(dòng)態(tài)過(guò)街特征。采用雙機(jī)位水平角度拍攝形式，將拍攝設(shè)備置于人行橫道側(cè)向位置，降低對(duì)行人的干擾程度。此外，利用卷尺測(cè)量人行橫道各區(qū)段尺寸。

1.3 組織設(shè)計(jì)

將行人等待階段所在過(guò)街位置劃分為3 個(gè)區(qū)域，并按照車道延展線將運(yùn)動(dòng)階段劃分為4 個(gè)區(qū)域，如圖2 所示。通過(guò)視頻回放，篩選出過(guò)街等待階段中使用手機(jī)和正常等待兩類群體，觀察其后續(xù)過(guò)街行為。將運(yùn)動(dòng)階段使用手機(jī)群體樣本剔除，消除無(wú)關(guān)變量，得到過(guò)街風(fēng)險(xiǎn)評(píng)估的兩組對(duì)照。記錄并提取兩類群體過(guò)街行為特征，為后續(xù)分析提供數(shù)據(jù)支撐。

圖2 行人過(guò)街運(yùn)動(dòng)區(qū)域劃分Fig.2 Division of pedestrian crossing movement area

1.4 樣本提取

按照以上設(shè)計(jì)框架，對(duì)目標(biāo)人行橫道進(jìn)行連續(xù)12 h 的數(shù)據(jù)采集，得到過(guò)街行人總數(shù)3952 人，其中男性1864 人，女性2088 人。將行人按年齡劃分為少年(＜18 歲)、青年([18,40)歲)、中年([40,60)歲)和老 年(≥60 歲)，分別占據(jù)行人總數(shù)的6.02%、56.93%、30.93%及6.12%。通過(guò)回放視頻，篩選出正常等待過(guò)街3085 人，等待階段使用手機(jī)867 人。進(jìn)一步剔除運(yùn)動(dòng)階段使用手機(jī)樣本，最終得到正常過(guò)街群體(等待階段與運(yùn)動(dòng)階段均未使用手機(jī))696人，等待階段使用手機(jī)群體(簡(jiǎn)稱為使用手機(jī)群體)613人。

2 過(guò)街風(fēng)險(xiǎn)表征參數(shù)分析

本文擬基于違章視角映射行人過(guò)街風(fēng)險(xiǎn)。將行人違章形式劃分為3 類：未按時(shí)到達(dá)、搶行過(guò)街及空間違章。基于多元參數(shù)構(gòu)建過(guò)街違章分類模型，探索行為特征與違章形態(tài)的內(nèi)在聯(lián)系，進(jìn)一步提取行人過(guò)街風(fēng)險(xiǎn)重要表征參數(shù)。

2.1 重要特征提取

2.1.1 模型構(gòu)建

利用隨機(jī)森林算法構(gòu)建行人過(guò)街違章分類模型，通過(guò)網(wǎng)絡(luò)搜索算法獲得模型最優(yōu)超參數(shù)，最終確定模型決策樹(shù)總量N為450，遍歷搜索最大深度為5，葉子節(jié)點(diǎn)及繼續(xù)劃分分類最小樣本量為3[13]。定義A 類和B 類參數(shù)分別表示行人等待和運(yùn)動(dòng)階段過(guò)街行為特征，C 類參數(shù)表示行人基本屬性參數(shù)，D類參數(shù)為A、B兩類的集合。按8∶2比例將采集數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，對(duì)訓(xùn)練樣本進(jìn)行有放回隨機(jī)抽樣，以特征集合作為模型輸入，違章情況作為輸出，隨機(jī)選取部分特征，訓(xùn)練產(chǎn)生決策樹(shù)，重復(fù)N次操作構(gòu)建隨機(jī)森林模型。

由于啟動(dòng)時(shí)刻之后的行為特征不會(huì)對(duì)行人搶行過(guò)街產(chǎn)生影響，訓(xùn)練決策樹(shù)時(shí)僅選擇B、C類參數(shù)作為模型輸入項(xiàng)；選擇C、D類參數(shù)作為行人未按時(shí)到達(dá)和空間違章分類的特征輸入。利用隨機(jī)森林算法對(duì)測(cè)試集進(jìn)行訓(xùn)練，采用票選法甄斷行人違章類型，計(jì)算模型分類結(jié)果ACC(Accuracy)與AUC(Area Under Curve)值[14]，如表1所示。結(jié)果顯示，兩類群體在未按時(shí)到達(dá)、搶行過(guò)街以及空間違章三個(gè)維度分類效果均保持在較高水平(ACC 與AUC 值均大于0.8)，為后續(xù)行人過(guò)街風(fēng)險(xiǎn)表征參數(shù)提取提供重要理論依據(jù)。

表1 模型評(píng)價(jià)結(jié)果Table 1 Model evaluation results

2.1.2 特征提取

為提取過(guò)街風(fēng)險(xiǎn)表征參數(shù)，統(tǒng)計(jì)兩類群體違章情況中特征參數(shù)重要度，結(jié)果如圖3 所示。可知，影響行人未按時(shí)到達(dá)的重要特征參數(shù)為目標(biāo)速度未達(dá)成率、過(guò)街平均速度、綠燈反應(yīng)時(shí)間及啟動(dòng)速度(重要度大于10%)[15]。過(guò)街等待時(shí)間是影響行人搶行過(guò)街的主要因素(重要度大于20%)。過(guò)街位置選擇和過(guò)街等待時(shí)間是影響行人空間違章的主要因素(重要度大于10%)。由此，共得到影響行人過(guò)街風(fēng)險(xiǎn)的6 個(gè)重要表征參數(shù)，如表2 所示。在C 類屬性參數(shù)中，包含行人年齡、性別、手機(jī)分心類型(視覺(jué)、聽(tīng)覺(jué))等，均未能入列風(fēng)險(xiǎn)表征參數(shù)，表明其對(duì)過(guò)街風(fēng)險(xiǎn)的表征強(qiáng)度較弱。為此，在后續(xù)研究過(guò)程中，不再分析年齡、性別、手機(jī)分心類型等因素對(duì)過(guò)街風(fēng)險(xiǎn)的影響。

表2 過(guò)街風(fēng)險(xiǎn)表征參數(shù)Table 2 Crossing risk characterization parameters

2.2 特征參數(shù)分析

2.2.1 違章類型與風(fēng)險(xiǎn)表征參數(shù)的映射關(guān)系

圖4 為不同違章類型下風(fēng)險(xiǎn)表征參數(shù)分布情況。未按時(shí)到達(dá)類型下行人目標(biāo)速度未達(dá)成率和綠燈反應(yīng)時(shí)間更高，過(guò)街平均速度與啟動(dòng)速度更低；搶行過(guò)街和空間違章類型下均表現(xiàn)為行人等待時(shí)間更長(zhǎng)；等待區(qū)域1導(dǎo)致的行人空間違章概率較低，區(qū)域2 較高。結(jié)果表明，各風(fēng)險(xiǎn)表征參數(shù)在違章/未違章兩種狀態(tài)下均具有顯著差異，側(cè)面印證了風(fēng)險(xiǎn)特征提取準(zhǔn)確度較高，可用于后續(xù)行人過(guò)街風(fēng)險(xiǎn)評(píng)估。

圖4 不同違章條件下參數(shù)差異特性Fig.4 Parameter difference characteristics under different violation conditions

2.2.2 使用手機(jī)對(duì)過(guò)街風(fēng)險(xiǎn)表征參數(shù)的影響

為研究使用手機(jī)和正常過(guò)街兩類群體過(guò)街風(fēng)險(xiǎn)特征參數(shù)差異特性，對(duì)采集數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，如圖5所示，主要結(jié)果如下：

圖5 使用手機(jī)對(duì)風(fēng)險(xiǎn)表征參數(shù)的影響Fig.5 Effects of cell phone use on risk characterization parameters

(1)由圖5(a)可知，兩類群體等待階段的過(guò)街位置選擇沒(méi)有明顯差異，絕大多數(shù)選擇安全區(qū)域等待過(guò)街，只有極少部分行人(＜3%)選擇區(qū)域3 進(jìn)行等待。

(2)由圖5(b)、(c)可知，等待階段使用手機(jī)導(dǎo)致的分心效應(yīng)，其傳導(dǎo)特征從等待階段擴(kuò)散至運(yùn)動(dòng)階段。使用手機(jī)群體的過(guò)街等待時(shí)間總體高于正常過(guò)街群體。過(guò)街前手機(jī)分心導(dǎo)致行人對(duì)信號(hào)燈狀態(tài)信息檢索不及時(shí)，增大了綠燈反應(yīng)時(shí)間。

(3)由圖5(d)～(f)可知，為彌補(bǔ)綠燈反應(yīng)時(shí)間較長(zhǎng)導(dǎo)致的消極效應(yīng)，使用手機(jī)群體通常在過(guò)街啟動(dòng)時(shí)速度更快，但啟動(dòng)后速度逐漸放緩，導(dǎo)致后續(xù)過(guò)程區(qū)域內(nèi)實(shí)際速度低于目標(biāo)速度，行人整體目標(biāo)速度未達(dá)成率升高，過(guò)街平均速度降低。

進(jìn)一步對(duì)各特征參數(shù)進(jìn)行Mann-Whitney U差異性檢驗(yàn)，結(jié)果顯示，除過(guò)街位置選擇外，其余參數(shù)在兩類群體下均存在顯著差異。

3 行人過(guò)街風(fēng)險(xiǎn)評(píng)估

3.1 模型構(gòu)建

CRITIC 權(quán)重法[16]是兼顧特征數(shù)據(jù)變異性與相關(guān)性的一種綜合評(píng)價(jià)方法，利用數(shù)據(jù)標(biāo)準(zhǔn)差描述各指標(biāo)內(nèi)部變異程度，相關(guān)系數(shù)表示指標(biāo)之間矛盾度，基于客觀屬性衡量特征權(quán)重大小。對(duì)比層次分析法和模糊綜合評(píng)價(jià)法，CRITIC 權(quán)重法消除主觀因素影響，提高風(fēng)險(xiǎn)評(píng)估結(jié)果可信度；同時(shí)相比于熵權(quán)法和變異系數(shù)法，增加考慮指標(biāo)內(nèi)部相互關(guān)系，更為全面反映指標(biāo)影響程度，提高賦權(quán)準(zhǔn)確性。

本文利用CRITIC權(quán)重法構(gòu)建行人過(guò)街風(fēng)險(xiǎn)評(píng)估模型，具體建模步驟如下。

(1)假定評(píng)價(jià)樣本數(shù)量為n，評(píng)價(jià)指標(biāo)維度為m，構(gòu)建原始評(píng)價(jià)矩陣為

式中：xij為第i個(gè)樣本中第j個(gè)評(píng)價(jià)指標(biāo)的特征值，i=1,2,…,n；j=1,2,…,m。

(2)歸一化

式中：max(xj)、min(xj)分別為第j個(gè)評(píng)價(jià)指標(biāo)的最大值和最小值；為第i個(gè)樣本中第j個(gè)評(píng)價(jià)指標(biāo)原始變量無(wú)量綱化后的特征值。

(3)描述指標(biāo)變異程度

(4)計(jì)算各評(píng)價(jià)指標(biāo)矛盾度

式中：rkj為第k個(gè)與第j個(gè)評(píng)價(jià)指標(biāo)間的相關(guān)系數(shù)；Aj為指標(biāo)j的矛盾度。

(5)獲取各指標(biāo)信息量

式中：Cj為第j個(gè)評(píng)價(jià)指標(biāo)的信息量。(6)確定指標(biāo)權(quán)重

式中：Wj為第j個(gè)評(píng)價(jià)指標(biāo)的權(quán)重。

風(fēng)險(xiǎn)表征參數(shù)權(quán)重分布如表3所示，可知目標(biāo)速度未達(dá)成率、過(guò)街位置選擇及綠燈反應(yīng)時(shí)間對(duì)行人過(guò)街風(fēng)險(xiǎn)影響程度最大。

表3 過(guò)街風(fēng)險(xiǎn)表征參數(shù)權(quán)重分布Table 3 Weight distribution of street crossing risk characterization parameters

(7)量化風(fēng)險(xiǎn)評(píng)估結(jié)果

式中：Gi為第i個(gè)樣本的風(fēng)險(xiǎn)評(píng)估得分。

3.2 風(fēng)險(xiǎn)評(píng)估

依據(jù)上述構(gòu)建的風(fēng)險(xiǎn)評(píng)估模型，得到使用手機(jī)和正常過(guò)街兩類群體在不同約束條件下的風(fēng)險(xiǎn)評(píng)估結(jié)果，如圖6 所示。直觀可見(jiàn)，不同違章?tīng)顟B(tài)下使用手機(jī)群體過(guò)街風(fēng)險(xiǎn)均高于正常過(guò)街行人。綜合評(píng)分結(jié)果顯示，使用手機(jī)群體過(guò)街風(fēng)險(xiǎn)分布范圍為9.34～75.37，均值為37.78；正常過(guò)街群體過(guò)街風(fēng)險(xiǎn)分布區(qū)間為3.00～74.09，均值為29.96?；诰到y(tǒng)計(jì)結(jié)果，在對(duì)應(yīng)的數(shù)據(jù)采集背景及條件下，使用手機(jī)群體的過(guò)街風(fēng)險(xiǎn)相對(duì)正常過(guò)街群體整體增大了約26.1%，表明等待階段使用手機(jī)對(duì)行人產(chǎn)生的分心效應(yīng)，其影響將持續(xù)滲透至運(yùn)動(dòng)階段，并有擴(kuò)大過(guò)街風(fēng)險(xiǎn)的內(nèi)在趨勢(shì)。進(jìn)一步進(jìn)行Mann-Whitney U差異性檢驗(yàn)，結(jié)果顯示，使用手機(jī)與正常過(guò)街群體在不同違章?tīng)顟B(tài)下其風(fēng)險(xiǎn)評(píng)分存在顯著差異。

圖6 行人過(guò)街風(fēng)險(xiǎn)評(píng)估結(jié)果Fig.6 Results of pedestrian crossing risk assessment

4 結(jié)論

本文聚焦行人在等待階段使用手機(jī)的行為，提出一種全新的過(guò)街風(fēng)險(xiǎn)表征與量化框架，主要結(jié)論如下：

(1)從高維特征中提取重要參數(shù)，發(fā)現(xiàn)目標(biāo)速度未達(dá)成率、過(guò)街平均速度、綠燈反應(yīng)時(shí)間、啟動(dòng)速度、過(guò)街等待時(shí)間及過(guò)街位置選擇對(duì)行人過(guò)街違章有主要影響。

(2)等待階段使用手機(jī)對(duì)過(guò)街位置選擇影響較小，但會(huì)產(chǎn)生額外分心效果，導(dǎo)致行人反應(yīng)變慢，過(guò)街平均速度降低，并增大行人啟動(dòng)速度和目標(biāo)速度未達(dá)成率。

(3)目標(biāo)速度未達(dá)成率、過(guò)街位置選擇及綠燈反應(yīng)時(shí)間對(duì)過(guò)街風(fēng)險(xiǎn)影響程度最大。過(guò)街前使用手機(jī)，對(duì)行人造成的負(fù)效應(yīng)將從等待階段擴(kuò)散至運(yùn)動(dòng)階段，使用手機(jī)群體其過(guò)街風(fēng)險(xiǎn)相對(duì)正常過(guò)街群體增加了約26.1%。

與傳統(tǒng)研究相比，本文將等待階段行為特征納入過(guò)街風(fēng)險(xiǎn)涵蓋范圍，消除過(guò)街風(fēng)險(xiǎn)對(duì)運(yùn)動(dòng)階段過(guò)度依賴產(chǎn)生的弊端；基于行人違章角度挖掘過(guò)街風(fēng)險(xiǎn)表征參數(shù)，使得風(fēng)險(xiǎn)評(píng)估結(jié)果更為全面客觀；此外，精準(zhǔn)量化了等待階段手機(jī)分心對(duì)過(guò)街風(fēng)險(xiǎn)的影響機(jī)制及傳導(dǎo)效應(yīng)。相關(guān)研究成果可為行人過(guò)街安全教育、過(guò)街輔助設(shè)施的優(yōu)化與改進(jìn)等提供重要的決策依據(jù)。