无控制人行横道车辆避让率估计方法研究.docx

无控制人行横道车辆避让率估计方法研究 张陈楠 杨城城 摘 要：无控制人行横道行人与车辆相遇时，双方各自选择通过或等待的决策是相互独立的为量化无控制人行横道處的车辆避让率，通过皮尔逊分析法研究了影响人车交互过程的主要因素，在此基础上以影响人车交互的主要因素为变量建立了路段无控制人行横道人车交互避让率估计模型，可为交通管理部门对交通安全的改善和通行效率的提高提供借鉴，具有实践价值关键词：交通工程;人车交互;概率模型;避让率：U491.1 ：A ：1006—7973（2020）08-0131-03在无信号控制路段人行横道处，行人与车辆相遇时以人车交互规则通过，即车辆应当礼让行人先行通过，然后车辆通过而在实际交通环境中，部分驾驶员存在抢先行人通过的现象，在很大程度上增加了人车冲突的概率，在严重时还可能进一步引发交通事故实际交通环境中存在4种人车交互情形：①车让人同时人让车;②车让人;③人让车;④人不让车同时车不让人如图1所示车辆避让率是指车辆与过街行人之间上述4种情形发生的过程依据相关规定，“车让人”已由一种理念转变为具有强制性的交通法规这将在一定程度上改变驾驶员与过街行人的交互行为，进而引起人车交互避让率的改变。

目前，国内外众多学者针对无控制人行横道人车交互行为的影响因素进行了较多研究已有研究发现交通环境因素[1， 2]、行人因素[3]、车辆因素[4]等均会影响信号控制交叉口人车交互机制而人车交互行为也会直接影响信号控制交叉口交通模型（包括通行能力估计模型、延误估计模型等、信号配时等）Kathuria [5]等人研究利用先进的轨迹数据分析非信号交叉口在复杂交通环境下的道路使用者交互行为，提出了一种基于道路使用者行为的行人—车辆交互行为分类方法TingFu [6]基于视觉的轨迹数据研究了无信号控制交叉口人车交互第二阶段的交互行为;胡宏宇等[7]基于视频图像处理技术分析了信号交叉口人车交互行为中交互行为的辨识方法本文则在上述学者研究基础上，运用交叉口视频数据分析交叉口人车交互行为，建立人行横道处的人车交互模型通过此模型可得到不同人车交互的概率，此概率可用于交叉口或路段通行人行横道的安全程度估计，判断人车交互的危险程度，并根据模型中的参数实施交通管理措施，以提高道路的交通安全1 人车交互影响因素1.1 行人决策影响因素根据前人研究，在无控制人行横道处影响行人选择通过与否的因素包括以下方面：交通监控设施、光线强度、车流量、车速、道路宽度、车辆与行人的距离、车辆种类、人行横道几何因素（长度和宽度等）、行人流量、行人特征。

在对影响行人决策的因素进行相关性分析之前，首先通过问卷调查对其中的车辆特征、行人特征以及光线强度进行定量描述车辆特征：行人在面对不同种类的车辆时，感受到的安全程度是不同的研究中将所有车辆进行了3个方面的划分：小型车（小汽车）、中型车以及大型车，并根据李克特五分量将过街行人对不同特征车辆的安全感知程度进行5级划分设计调查问卷，于上海市杨浦区内江路—控江路、安图路—延吉东路交叉口处对行人发放并现场收回通过问卷调查得到行人对不同特征车辆的安全感知程度：小汽车1.44、中型车2.51和大型车3.75行人特征：人车交互时不同行人会对车辆决策产生影响[8]在研究中，对行人进行三个类别的划分：青年、中年及老年人与车种特征研究类似，通过问卷调查得到驾驶员对青年、中年及老年人的让行意愿分别为1.30、1.720和2.45光线强度：光线强度也会对人车决策产生影响[9]研究中定义人车交互时在白天、傍晚和夜间的光线值分别为3、2和1经过对车辆特征、行人特征以及光线强度的量化以后，所有影响人车交互过程的因素在分析时便可量化取值然而，由于有些影响因素结论的得出不是采用定量方法，导致无法判断这些因素与避让率的相关程度。

因此，在建模之前首先需要分析行人（车辆 ）避让率与各影响因素之间的相关性，研究中使用SPSS软件采取Pearson相关性分析法进行分析采用视频观测的方式进行数据采集（包括交通环境状况），观测地点：上海市杨浦区周家嘴路、隆昌路、控江路和延吉中路四条具有无信号控制人行横道的路段于2019年7月18日通过视频观测得到各路段40组实际数据（如表1）通过对表1中的数据进行Pearson相关分析表明：车辆与行人的距离、车辆种类、车流量、车速、人行横道长度以及过街行人流量的双尾显著性水平均小于0.05，说明这些影响因素与行人选择通过或等待的决策有显著的相关关系在所有双尾显著性水平小于0.05的影响因素中，其中，相关性表中的正值表示该影响因素与行人决策是正相关关系，反之表示负相关关系1.2 车辆决策影响因素与1.2中的行人决策影响因素方法类似（表2），得到在所有影响车辆通过或让行的因素中（人行横道宽度、车辆与行人的距离、车流量、车速、车辆种类、道路宽度、光线强度以及监控设施的有无、行人特征、行人流量、人行横道长度），行人流量、车流量、车速、行人特征系数、人行横道长度、车辆与行人的距离的双尾显著性水平小于0.05，表明这些因素是驾驶员在人车交互过程中考虑的主要因素。

2 避让率模型2.1 行人决策概率模型以上模型分别得到了人车交互时车辆与行人的决策模型由于二者决策的相互独立性，当行人与车辆相遇时，所有的人车交互情形可分为表3中的四种（其中x=;y=）3 模型验证为验证模型的有效性，本文将无控制人行横道处的视频观测数据所得的避让率值与模型估计值进行对比以上海市杨浦区靖宇东路无信号控制人行横道为例，将行人与车辆分别选择通的过计算概率与实测概率对比，如下所示：图2表明：在本案例的人车交互过程中，行人选择通过的实测概率与模型的计算概率曲线重合程度较高，即所建模型与实际中获得的避让率误差较小，两者的平均误差为7.4%，最大误差为14.5%，最小误差为2.3%;同理，图3中驾驶员选择通过的实测概率与模型的计算概率曲线重合程度也较高，两者的平均误差为6.4%，最大误差为17.2%，最小误差为3.1%模型计算概率与实测概率的误差可能由以下原因引起：①模型对于某些影响因素的量化处理只是进行了基本划分，例如对交通监控设施的有无看成0-1变量，而实际中交通监控设施的强度因不同交通管理强度而不同;②模型中虽考虑了诸多影响行人与车辆决策的因素，但在实际人车交互情形中，车辆与过街行人在做决策时考虑的因素是多方面的，例如还可能包括天气因素、驾驶员对交通环境的熟悉程度等因素。

4 结论本文对路段无控制人行横道人车交互过程的影响因素做了总结，并建立了路段无控制人行横道人车交互避让率估计模型，并通过实例验证了该模型的有效性本文所建立的人车交互模型为更精确地估计路段通行能力、车辆延误及为交叉口信号配时提供了借鉴此外，本文所建立的人车交互模型中“人不让车同时车不让人”的概率大小，可作为特定人行横道处人车交互的安全性衡量指标参考文献：[1]孟虎，陈艳艳，刘花.信号交叉口行人过街遵章率预测模型[J].公路交通科技， 2012， 29（12）： 114-118+132.[2]VAN HOUTEN Ron， MALENFANT J. E. Louis， BLOMBERG Richard， et al. High-Visibility Enforcement on Driver Compliance with Pedestrian Right-of-Way Laws： 4-Year Follow-Up[J]. Transportation Research Record： J ournal of the Transportation Research Board， 2018， 2660（1）： 58-65.[3]XIN Xiu-ying， JIA Ning， MA Shou-feng， et al. Empirical and Simulation Study of Traffic Delay at Un-Signalized Crosswalks due to Conflicts between Pedestrians and Vehicles[J]. Transportmetrica B： Transport Dynamics， 2018， 7（1）： 637-656.[4]赵靖，杨晓光.行人-自行车对两种交叉口设计模式通行能力的影响[J].公路交通科技， 2016， 33（08）： 114-119+126.[5]A. Kathuria， and P. Vedagiri， “Evaluating pedestrian vehicle interaction dynamics at un-signalized intersections： A proactive approach for safety analysis，” Accident Analysis & Prevention， vol. 134， pp. 105316， 2020/01/01/， 2020.[6]T. Fu， W. Hu， L. Miranda-Moreno et al.， “Investigating secondary pedestrian-vehicle interactions at non-signalized intersections using vision-based trajectory data，” Transportation Research Part C： Emerging Technologies， vol. 105， pp. 222-240， 2019/08/01/， 2019.[7]胡宏宇，李志慧，魏巍，等.基于模糊邏辑的信号交叉口人车冲突判别方法[J].吉林大学学报（工学版）， 2014，44（03）： 637-641.[8]J. Mcmahon， T. Goddard， and A. Adkins， “Racial Bias in Driver Yielding Behavior at Crosswalks，” Transportation Research Part F： Traffic Psychology and Behaviour， vol. 33， pp. 1-6， 2015.[9]S. Stapleton， T. Kirsch， T. J. Gates et al.， “Factors Affecting Driver Yielding Compliance at Uncontrolled Midblock Crosswalks on Low-Speed Roadways，” Transportation Research Record： Journal of the Transportation Research Board， vol. 2661， no. 1， pp. 95-102， 2018. -全文完-。