方 勇，郭忠印

（同濟大學 道路與交通工程教育部重點實驗室，上海201804）

雙車道公路機動車交通行為主要包括自由行駛、跟馳行駛與超車行駛3類［1］.當駕駛員采取危險的駕駛行為，如超速、頻繁超車、低車頭時距值的跟馳行為，從而引起雙車道公路交通系統(tǒng)的失調，極易發(fā)生側翻、刮擦、碰撞事故.這是雙車道公路交通事故率持續(xù)較高的主要原因之一［2］.

機動車交通行為是復雜的，受到多種因素影響，一直是交通領域研究熱點.國內(nèi)外研究主要是從微觀層面通過特定路段機動車交通行為調查研究單一因素對機動車交通行為的影響，如道路線形條件［3－4］、交通條件［3，5－6］、天氣狀況［7］，或通過微觀仿真利用機動車交通行為臨界狀態(tài)直接建立跟馳行為與超車行為的理論模型［8－9］.從單因素或者微觀仿真模型直接評價機動車交通行為安全性，不能從中觀層次反映雙車道公路運行環(huán)境對機動車交通行為的影響，而且微觀特性對于雙車道安全改造的宏觀決策顯然是不完全的，也是不科學的.因此，應從系統(tǒng)的角度綜合雙車道公路系統(tǒng)的各要素全面地評價機動車交通行為的安全性.

1 安全性狀態(tài)判別指標與評價標準

根據(jù)雙車道公路機動車交通行為類型劃分［1］，模型采用的安全性狀態(tài)評價指標如下.

（1）超速指數(shù)CS.CS為路段機動車超速差值與限速值的比值，量綱為一，用于比較自由流下不同路段之間機動車超速行為安全性.

式中：ΔVcs為自由流下機動車超速差值；Vs為路段限速值，未明示限速路段取設計速度作為限速值；VC為自由流下機動車行駛速度.

（2）平均車頭時距H.根據(jù)文獻［10］研究成果，將車頭時距4.8s作為雙車道公路機動車自由駕駛行為與跟馳行為之間的界定閾值.因此可以將小于5 s的車頭時距根據(jù)相應區(qū)間大小劃分安全等級以表征路段機動車跟馳行為安全性.

（3）安全超車視距S.根據(jù)文獻［9，11］對給定行駛速度下的雙車道公路超車視距的研究成果為依據(jù)劃分超車行為安全性.

根據(jù)以上分析，雙車道公路機動車交通行為安全性指標及其等級劃分標準見表1.

表1 雙車道公路機動車交通行為安全性指標等級Tab.1 Safety indicators level of vehicle behaviors on two－lane highway

2 機動車交通行為安全評估模型構建思路

影響雙車道公路機動車交通行為的因素眾多［1－7］.它們是交通量、交通流組成、平曲線半徑、縱坡坡度、視距、路面摩擦系數(shù)與能見度指標、交通干擾、駕駛員生理與心理指標、交通工程設施、交通監(jiān)控設施等.如果把各種影響因素都考慮到建模中，既不可能也不必要，如駕駛員生理疲勞具有隨機性，個體指標不能反映整體駕駛員共有特性，建模中應忽略這類個體指標.因此，有必要選取與機動車交通行為關聯(lián)度大的因素，結合已有文獻［3－7］機動車交通行為的研究成果，選取交通量Q、交通組成W、平曲線半徑R、縱坡坡度i、可視距離D、路面摩擦系數(shù)F、干擾程度P與駕駛員反應時間T八個指標作為影響雙車道公路機動車交通行為較大的因素.這些指標都與機動車交通行為安全性之間存在著一定的非線性關系.然而由于我國雙車道公路安全研究相關的數(shù)據(jù)資料處于積累階段，基礎數(shù)據(jù)比較匱乏，很難通過數(shù)理統(tǒng)計建立這種多指標的非線性關系.BP（back propagation）神經(jīng)網(wǎng)絡是一種能很好地解決非線性問題的工具，且具有良好的容錯性和魯棒性，特別適合進行多維輸入到多維輸出的非線性映射［12］.此外該方法具有良好的自學習能力，隨著學習的增加，可進一步優(yōu)化模型.

如果把影響雙車道公路機動車交通行為的因素集當成一個需要識別的模式，所對應的機動車交通行為狀態(tài)作為該模式識別的結果，可利用神經(jīng)網(wǎng)絡方法實現(xiàn)識別.由于駕駛員反應時間一般取值2.5 s.選用固定值對BP神經(jīng)網(wǎng)絡模型訓練意義不大，因此可不考慮該指標，實際采用｛Q，W，R，i，D，F(xiàn)，P｝7個指標作為輸入變量、｛VC，H，S｝作為輸出變量進行學習訓練，再根據(jù)輸出變量安全性評價標準，通過模糊邏輯確定各個輸出變量的隸屬度函數(shù)，從而可得到對應模糊集｛很安全、較安全、一般、較危險、很危險｝的隸屬度，結合考慮3類不同機動車交通行為對安全性影響的權重，以實現(xiàn)機動車交通行為安全性等級的綜合評價.

3 BP神經(jīng)網(wǎng)絡模型

3.1 模型學習訓練方法

采用3層BP神經(jīng)網(wǎng)絡建立機動車交通行為模型，如圖1所示.

圖1 機動車交通行為BP神經(jīng)網(wǎng)絡結構Fig.1 BP neural network structure of vehicle behaviors

BP模型隱含層神經(jīng)元數(shù)量p可由經(jīng)驗公式［12］確定.式中：m為輸入層神經(jīng)元數(shù)量；n為輸出層神經(jīng)元數(shù)量；a為常數(shù)，一般取1～9.

學習訓練過程中需要的最小樣本量q為［12］

機動車交通行為BP神經(jīng)網(wǎng)絡模型的隱含層與輸出層分別采用Sigmoid函數(shù)和Purelin線性激勵函數(shù)，即

式中：f（x）為隱含層輸出值，x為輸入值；g（x）為輸出層輸出值；w為權值；b為偏差.

由圖1可知m＝7，n＝3，按照式（2）計算取p＝9，再根據(jù)式（3）計算q≥93個；為提高訓練的可靠性，應該采集包含各輸入變量參數(shù)值范圍組成的、具有代表性的樣本路段，且為保證95%的置信度，每個路段每種機動車交通行為采集次數(shù)大于150次較為合適，以此計算每個樣本路段各種機動車交通行為安全性狀態(tài)判別指標均值，樣本路段數(shù)據(jù)表達式為［Q，W，R，i，D，F(xiàn)，P，VC，H，S］T.

3.2 獲取模型樣本量的試驗方法設計

為獲得訓練樣本，在湖南湘西地區(qū)選擇了5條雙車道公路，分3次調研，實際以采集的114個單元路段機動車交通行為的統(tǒng)計值作為輸出變量參數(shù)，相應運行環(huán)境參數(shù)作為輸入變量，在具體單位路段選取時應盡量包含指標的各種可能性的取值，見表2，其他變量參數(shù)特征為：①根據(jù)輸出變量各樣本路段數(shù)據(jù)統(tǒng)計得到交通量與交通組成.②不同天氣條件下路面摩擦系數(shù)取值范圍（0.2，0.7）［13］.③根據(jù)文獻［13－14］取可視距離值；④干擾程度分3級考慮，無出入口的基本路段為1級，受干擾程度最低；帶有出入口的基本路段為2級，受干擾程度較適中；過村鎮(zhèn)路段為3級，受干擾程度最嚴重.

表2 樣本路段選擇與現(xiàn)場觀測點布置方案Tab.2 Sample sections and observation point layout scheme

調研采用了一套多斷面機動車駕駛行為攝錄儀與2臺MetroCount 5600車輛分型統(tǒng)計系統(tǒng).其中多斷面機動車駕駛行為攝錄儀采用攝像存儲的辦法記錄雙車道公路上機動車的駕駛行為，布設如圖2所示，其中全景攝錄點4視現(xiàn)場情況確定；車輛分型統(tǒng)計系統(tǒng)配合多斷面機動車駕駛行為攝錄儀用于輔助路段部分點的機動車速度檢測.另外在調研路段路面上采用油漆進行標記，護欄上用紅色油漆或白色膠帶做標記，路面部分油漆寬度1～2cm，每15～20m一道，護欄上可以寬一些，取5cm標定現(xiàn)場控制點的位置和坐標，并做好樁號標記和現(xiàn)場的記錄工作.車輛分型統(tǒng)計系統(tǒng)布置方式見圖3.

圖2 樣本路段攝錄點設置示意Fig.2 Videotaping point settings for sample sections

圖3 車輛分型統(tǒng)計系統(tǒng)布置方式Fig.3 MetroCount 5600layout scheme

3.3 模型調試訓練與測試

3.3.1 模型調試訓練

模型調試訓練使用100個樣本路段數(shù)據(jù)，將訓練結果和實際路段機動車交通行為安全性狀態(tài)判別指標實際值進行比較，如圖4所示.

圖4 機動車三類交通行為實際值與訓練值比較Fig.4 Comparison of trained value and true value about vehicle behaviors

由圖4可以看出模型實際值與訓練值偏差較小.在100個訓練數(shù)據(jù)中，超速指數(shù)誤差小于1.5%的路段為96個，平均車頭時距誤差小于0.3s的路段為81個，超車視距誤差小于20m的路段為83個，有效性分別為96%，81%與83%，因此模型具有良好的相關性.

3.3.2 模型測試

測試數(shù)據(jù)使用剩余的14個樣本路段數(shù)據(jù)，測試結果如表3.

表3 機動車交通行為BP神經(jīng)網(wǎng)絡模型測試結果Tab.3 Test results of BP neural network model of vehicle behaviors

由表3可以看出，在14個測試路段中，其中超速指數(shù)誤差小于3%的有8個，小于5%的有10個，僅有103號路段與111號路段2個路段差值大于10%；平均車頭時距誤差小于0.5s的7個，小于1.0 s的12個，僅有103號路段與107號路段2個路段差值大于1.0s；超車視距誤差小于50m的有8個，僅有105號路段差值大于100m.由此可以看出，BP神經(jīng)網(wǎng)絡模型能夠較好地表達影響雙車道公路機動車交通行為的7個主要指標與機動車交通行為的關系，說明輸入變量選擇的科學性，也說明模型具有良好的應用價值.此外，可根據(jù)對雙車道公路運行環(huán)境指標的細化，如研究干擾程度對交通流影響模式，客觀量化干擾程度，可進一步提高神經(jīng)網(wǎng)絡模型預測精度，提高普通應用性.

4 模糊評判模型

4.1 模糊集與隸屬函數(shù)的確定

在機動車交通行為安全評價研究中，由于安全閾值的不確定性，可采用模糊評判方法［15］，可將安全水平很安全（ω1）、較安全（ω2）、一般（ω3）、較危險（ω4）、很危險（ω5）5個狀態(tài)構建模糊集，表達為｛ω1；ω2；ω3；ω4；ω5｝.

由于機動車交通行為安全性評價指標CS，H與S在安全評價標準上呈線性分布，因此選用三角形和半梯形隸屬度函數(shù)［16］可以比較客觀真實地反應實際情況，如圖5所示.

4.2 機動車交通行為安全等級劃分方法

圖5 模糊變量的隸屬度函數(shù)Fig.5 Membership functions of the fuzzy variables

安全等級劃分的邊界具有模糊性與經(jīng)驗性，且安全水平的變化是漸進上升的，從而利用5個模糊集可以更加精確地區(qū)分不同路段運行環(huán)境下機動車交通行為安全水平的差異.

基于以上分析，將不同類型的機動車交通行為分為5個等級：Ⅰ級、Ⅱ級、Ⅲ級、Ⅳ級與Ⅴ級，分別表示很安全、較安全、一般、較危險、很危險5種安全狀態(tài)，因此相應安全等級由相應模糊集最大隸屬度決定，如Ⅱ級為“較安全”狀態(tài)，由相應的最大隸屬度ω2控制.當安全水平介于“很安全”與“較安全”之間，ω2＞ω1，或者安全水平介于“較安全”與“一般”之間，ω2＞ω3，這2種情況時由ω2控制，因此安全狀態(tài)偏向于“較安全”狀態(tài)，可以認為機動車交通行為處于“較安全”狀態(tài)，ω2值越大，安全水平越高.

選取測試機動車交通行為BP神經(jīng)網(wǎng)絡模型可靠性的14個路段說明上述的應用.根據(jù)表1的評價標準，14個路段機動車交通行為安全性等級評價結果如表4.由表4可知，利用模糊評判方法得到的各類機動車交通行為安全等級比利用經(jīng)典集合理論評價結果更加精確，不僅表現(xiàn)為預測的安全等級與實際的一致性更高，且相應等級都以隸屬度加以區(qū)分.

表4 機動車交通行為安全性等級評價Tab.4 Safety evaluation results of vehicle behaviors

表4 （續(xù)）Tab.4 （Cont.）

5 基于空間向量理論的機動車交通行為安全性綜合評價

對于考慮單一類型的機動車交通行為安全性，可直接根據(jù)隸屬度大小決定屬于某安全等級，可以采用三維向量形式描述3類雙車道公路機動車交通行為處于的安全狀態(tài).為了綜合性地對各路段的機動車交通行為安全性作比較以及為實際安全工程改造或者安全管理提供決策支持，有必要結合三維權重向量的綜合評價指標以描述路段機動車交通行為的安全性.本文針對3類機動車交通行為各自安全等級以及3類機動車交通行為指標重要程度的權重值綜合確定的空間向量作為機動車交通行為安全性綜合評價指標.

式中：VBS為機動車交通行為安全性綜合評價向量；ωi，ωj，ωk分別為自由流超速行為、跟馳行為、超車行為3類機動車交通行為安全性空間向量；a1，a2，a3分別為用層次分析法確定的與3類機動車交通行為安全重要程度相關的權重常數(shù)，經(jīng)計算得（0.558，0.320，0.122）.

由于3類機動車交通行為各自獨立，各自空間向量分別表達為ωi＝（ωi，0，0），ωj＝（ωj，0，0），ωk＝（ωk，0，0），因此，利用空間直角坐標系表達4類空間向量各自關系見圖6，圖中α，β，γ分別表示為VBS與ωi，ωj，ωk之間的夾角.

圖6 機動車交通行為安全性空間向量Fig.6 Space vector of vehicle behaviors safety

根據(jù)圖6可以看出，綜合評價指標向量VBS大小表征了3類機動車交通行為的綜合安全性，α，β，γ反應了機動車交通行為綜合安全性傾向于某類行為的偏好程度，相應角度值越小表示越偏好于該類機動車交通行為.此外，計算多個路段相應的綜合評價指標向量，通過綜合向量之間的夾角余弦值與頂點間距離度量（一般采用歐氏距離）可以表征多個路段間機動車交通行為安全性相似程度，如圖7所示，以路段M與路段N說明.從圖7可以看出距離度量（VBSm，VBSn）衡量的是各路段空間各點間的絕對距離，跟各個點所在的位置坐標直接相關，表征各路段機動車交通行為綜合安全性的絕對大小差異性；而余弦相似度cosθ衡量的是空間向量的夾角，體現(xiàn)方向上的差異，表征各路段機動車交通行為綜合安全性的偏好差異性.因此，可以利用綜合評價向量表達單個路段機動車交通行為綜合安全性，且可比較相鄰路段機動車交通行為安全一致性，也可利用多個路段機動車交通行為安全性綜合值和相似度等參數(shù)為安全改進決策提供科學支持.

圖7 路段機動車交通行為安全性相似度示意Fig.7 Similarity expression of vehicle behaviors safety

6 結語

（1）引入神經(jīng)網(wǎng)絡方法解決運行環(huán)境與機動車交通行為之間的非線性問題，利用模糊評判方法劃分機動車交通行為安全等級，通過14個路段測試數(shù)據(jù)的對比反映模型具有一定的科學性與應用性.該方法與以往的機動車交通行為安全性評價方法相比具有以下特點：①運行環(huán)境七大主要指標易于觀測，使評價指標易用于預測與安全性分析；②評價結果更加真實可靠；③使得機動車交通行為安全研究從微觀行為向中觀行為研究過渡，能夠為管理者提供更多的信息支持.

（2）利用綜合評價向量表達機動車交通行為綜合安全性的方法能夠有效地表達單個路段、相鄰路段、多個路段以及路網(wǎng)的機動車交通行為安全性，且該方法可拓展應用于道路交通系統(tǒng)綜合安全性各個領域.

［1］AASHTO.Highway safety manual［R］.Washington D C：American Association of State Highway and Transportation Officials，2010.

［2］郭忠印.道路安全工程［M］.北京：人民交通出版社，2012.GUO Zhongyin.Road safety engineering［M］.Beijing：China Communications Press，2012.

［3］Haneen F，Shlomo B，Abishai P，et al.A passing gap acceptance model for two－lane rural highways［J］.Transportmetrica，2009，5（3）：159.

［4］Schneider IV W H，Savolainen P T，Moore D N.Effects of horizontal curvature on single－vehicle motorcycle crashes along rural two－lane highways［J］.Transportation Research Record 2194，2010：91.

［5］邵春福，魏麗英，賈斌.交通流理論［M］.北京：電子工業(yè)出版社，2012.SHAO Chunfu，WEI Liying，JIA Bin.Tragic flow theory［M］.Beijing：Publishing House of Electronics Industry，2012.

［6］王欣，李文權，王煒.基于駕駛行為共性建模的速度－密度關系研究［J］.公路交通科技，2008，25（9）：116.WANG Xin，LI Wenquan，WANG Wei.Study on the speeddensity relationship based on modeling common characteristics of driving behavior［J］.Journal of Highway and Transportation Research and Development，2008，25（9）：116.

［7］何杰，劉霞，陳一鍇，等.惡劣天氣路面條件對行車安全的影響［J］.交通運輸工程學報，2011，11（1）：58.HE Jie，LIU Xia，CHEN Yikai，et al.Influence of road condition on running safety in atrocious weather［J］.Journal of Traffic and Transportation Engineering，2011，11（1）：58.

［8］許倫輝，羅強，吳建偉，等.基于最小安全距離的機動車跟馳模型研究［J］.公路交通科技，2010，27（10）：95.XU Lunhui，LUO Qiang，WU Jianwei，et al.Study of carfollowing model based on minimum safety distance［J］.Journal of Highway and Transportation Research and Development，2010，27（10）：95.

［9］單曉峰，夏東，王昊.雙車道公路超車兩難區(qū)域研究［J］.公路交通科技，2007，24（3）：111.SHAN Xiaofeng，XIA Dong，WANG Hao.Dilemma zone in two－lane highways［J］.Journal of Highway and Transportation Research and Development，2007，24（3）：111.

［10］常玉林，王煒，鄧衛(wèi)，等.雙車道公路車頭時距分布模型研究及應用［J］.東南大學學報，1999，26（6）：108.CHANG Yulin，WANG Wei，DENG Wei，et al.Research of the headway distribution models on two lane highways and their applications［J］.Journal of Southeast University，1999，26（6）：108.

［11］王潤琪，周永軍，肖傳恩.雙車道公路超車視距計算方法［J］.交通運輸工程學報，2011，11（3）：68.WANG Runqi，ZHOU Yongjun，XIAO Chuanen.Calculation method of overtaking sight distance for dual－lane highway［J］.Journal of Traffic and Transportation Engineering，2011，11（3）：68.

［12］胡守仁，沈青.神經(jīng)網(wǎng)絡應用技術［M］.長沙：國防科技大學出版社，1993.HU Shouren，SHEN Qing.Technology ＆applicafions of artificial neural network［M］.Changsha：National University of Defense Technology Hall，1993.

［13］方勇，李志勇，岳志平，等.山區(qū)公路平曲線路段動態(tài)限速與預警方案［J］.公路工程，2012，37（4）：1.FANG Yong，LI Zhiyong，YUE Zhiping，et al.Dynamic speed limit and warning program on horizontal curve section of mountain highway［J］.Highway Engineering，2012，37（4）：1.

［14］王佐，劉建蓓，郭騰峰.公路空間視距計算方法與檢測技術［J］.長安大學學報：自然科學版，2007，27（6）：44.WANG Zuo，LIU Jianpei，GUO Tengfeng.Calculating method and appraising technique of highway 3D－view sight distance［J］.Journal of Chang’an University：Natural Science Edition，2007，27（6）：44.

［15］彭祖增，孫韞玉.模糊數(shù)學及其應用［M］.武漢：武漢大學出版社，2002.PENG Zuzeng，SUN Yunyu.Fuzzy maths and application［M］.Wuhan：Wuhan University Press，2002.

［16］Gulley N，Jang J S.Fuzzy－logic toolbox［R］.Natick：The Math Works Inc，1995.