徐慧智 武騰飛 裴玉龍

（東北林業(yè)大學(xué)交通學(xué)院 哈爾濱 150040）

0 引 言

隨著城市化進程加快，道路基礎(chǔ)設(shè)施趨于完善，城市道路網(wǎng)絡(luò)中設(shè)置了大量的交通標志。交通標志起到傳導(dǎo)道路信息的作用，將交通管理者意圖傳導(dǎo)給駕駛員，以幫助駕駛員快速且安全的到達目的地。而隨著交通標志增多，駕駛員辨識交通標志過程也變得更加復(fù)雜，即駕駛員的操作行為、心理變化等受到交通標志影響程度也變得復(fù)雜。

目前，國內(nèi)外學(xué)者就交通標志與駕駛員內(nèi)在關(guān)系研究取得了豐碩成果。朱荔等[1]為探究指路標志對駕駛?cè)擞绊?基于認知心理學(xué)理論分析駕駛?cè)藢χ嘎窐酥菊J知行為及其影響因素,構(gòu)建了駕駛?cè)藢χ嘎窐酥菊J知需求模型,并通過問卷調(diào)查驗證了模型的正確性。陳岳峰等[2]為探究指路標志對互通立交區(qū)域車輛駕駛?cè)笋{駛行為與交通流的綜合影響，基于駕駛模擬，構(gòu)建了綜合考慮駕駛?cè)笋{駛行為、交通流的互通立交區(qū)指路標志效用評價模型。裴玉龍等[3]為探究外側(cè)車道中大型車對駕駛?cè)笋{駛視野遮擋的影響,構(gòu)建了交叉口路側(cè)交通標志時間遮擋模型。結(jié)果表明,在交叉口進口道交通量、綠信比等參數(shù)不變的條件下,小型車駕駛?cè)隋e過交通標志的概率與中大型車比例呈正相關(guān)。邵海鵬等[4]為探究精確度量交叉口指路標志信息的有效性，基于人機系統(tǒng)理念，綜合考慮影響駕駛?cè)伺袛嗟母鞣N因素，構(gòu)建了交叉口指路標志信息有效性量化模型。呂能超等[5]通過試驗分析不同信息量的交通標志對駕駛?cè)苏J知負荷的影響規(guī)律，驗證交通標志信息量對負荷加載的有效性。劉小明等[6]針對組合交通標志信息量閾值缺乏量化依據(jù)的問題,設(shè)計了包含指路標志與車道行駛方向標志的組合標志,測定了被試者視認組合標志的正確率及反應(yīng)時間,得到組合標志信息量閾值。Shinar等[7]研究在交通標志中添加文本對駕駛員理解力的影響，結(jié)果表明，適當(dāng)增加文本表明可提高駕駛員的理解力并減少理解符號所需時間，從而提高交通安全；Schnell等[8]從交通標志文字大小及背景亮度對交通標志信息采集時間及傳輸準確度進行探究。彭余華等[9]基于高速公路作業(yè)區(qū)文字類交通標志信息特性、駕駛?cè)艘曊J特性，構(gòu)建了車輛行駛模型,并改進傳統(tǒng)文字高度算法模型,最終提出了綜合考慮行車速度、視認特性及標志信息量等的漢字高度優(yōu)化模型。李厚杰等[10]從駕駛員的認知規(guī)律、車輛到達規(guī)律、視認過程等利用數(shù)學(xué)模型和實際案例結(jié)合的方法對路側(cè)遮擋問題進行探究，得到了遮擋概率計算模型。徐良杰等[11]研究冰雪環(huán)境條件下彎道交通標志色彩對駕駛員心理效應(yīng)的影響。關(guān)偉等[12]為揭示交通標志誘發(fā)駕駛員彎道前制動操作過程，構(gòu)建駕駛員認知模型,并采用模擬駕駛實驗方法進行驗證。王雨桐等[13]針對如何提高駕駛員對誘導(dǎo)信息的采用意愿的問題,基于結(jié)構(gòu)方程模型(structural equation modeling,SEM)及改進式科技接受模型(technology acceptance model,TAM),構(gòu)建駕駛行為影響研究模型，結(jié)果表明，交叉口誘導(dǎo)信息的采用意向受駕駛員對信息的感知、信任程度及交通狀況影響。林雨等[14]探究了交通標志的視角閾值與車速、天氣條件相互關(guān)系,并量化數(shù)值表達。易恬[15]針對公交駕駛員不良駕駛行為，利用交通心理學(xué)、交通行為學(xué)、組織行為學(xué)等理論，構(gòu)建了基于主成分分析法與信度分析法公交駕駛員的不良駕駛行為評價指標體系。任慧君等[16]提出了利用車載GPS模塊采集公交車駕駛行為，并提取超速、急加速、急減速、急轉(zhuǎn)彎駕駛行為數(shù)據(jù)，進而評估駕駛行為的安全性。楊艷群等[17]針對公交車對城市交通標志識別等展開調(diào)查，結(jié)果表明，道路養(yǎng)護中的不同標志對不同類型的駕駛員產(chǎn)生不同的信息量。

綜合國內(nèi)外研究現(xiàn)狀，現(xiàn)有研究在駕駛員視認性、禁令標志前置距離、路側(cè)交通標志遮擋、交通標志信息量等方面取得了一定的理論研究成果，但針對駕駛員駕駛行為與禁令標志分布量相關(guān)關(guān)系研究較少，因此，本文通過選取固定線路的公交車駕駛員進行自然駕駛調(diào)查，以尋求不同駕駛行為與禁令標志分布量（禁令標志分布量：單位長度的路段上所設(shè)置的標志數(shù)量）的關(guān)系。

1 自然駕駛行為調(diào)查

1.1 調(diào)查方案

調(diào)查線路為哈爾濱市101路公交線路，起終點分別為汽輪機廠、防洪紀念塔公交首末站，全程共設(shè)18站，運營里程為12.2 km。

調(diào)查時間為2017年9月18日—19日共計2 d，調(diào)查的時段為07：00—12：00，其中07：30—08：30為高峰時段，以每2站之間間隔作1次區(qū)間統(tǒng)計。

調(diào)查方法采用視頻錄像觀測法、自然駕駛調(diào)查與表格記錄法。其中，視頻錄像觀測法主要在駕駛員的頭頂上方安裝視頻采集器可記錄駕駛員的駕駛行為及車輛進出站時間等。

調(diào)查內(nèi)容主要為沿線禁令標志設(shè)置情況（主要為限速速度、禁止停車標志、禁止右轉(zhuǎn)、禁止鳴喇叭、禁止左轉(zhuǎn)）、駕駛員駕駛行為、時間節(jié)點等。其中駕駛行為主要包括停車、車道變換、加減速等行為。停車為駕駛員遇到信號燈或擁擠狀況下停車，主要包括信號停車、擁擠停車，不包括進入公交站停車；車道變換為車輛由一條車道行駛至另一條車道，分為自由車道變換、強制車道變換，不包括進出站車道變換；加減速行為主要分為加速、減速。

1.2 數(shù)據(jù)預(yù)處理

1.2.1 數(shù)據(jù)表征

為便于表征各調(diào)查數(shù)據(jù)，定義各指標。

區(qū)間時間間隔Δt也即公交車在2個站點之間的運行時間，單位為s；其中離站時間t1為公交車離開站點的時間，到站時間t2為公交車到達站點的時間。其計算模型見式（1）。

區(qū)間距離S為相鄰公交站距離，m；運行速度v為車輛在相鄰站點之間平均運行速度，km/h，其中區(qū)間時間不包括公交車輛在每個公交站的站停時間，但是包括行程過程中由于信號控制或交通擁擠的停車時間，且公交車與其他機動車混行，可認為公交車速度為沿線車流的運行速度，其計算模型見式（2）。

每公里停車次數(shù)PPK為不同區(qū)間內(nèi)停車次數(shù)PI與區(qū)間距離S的比值；每公里車道變換次數(shù)LCPK為不同區(qū)間內(nèi)車道變換次數(shù)LCI與區(qū)間距離S的比值；每公里加減速次數(shù)ADPK為不同區(qū)間內(nèi)加減速次數(shù)ADI與區(qū)間距離S的比值，km，其計算模型見式（3）～（5）。

禁令標志分布量TSD為不同區(qū)間內(nèi)禁令標志數(shù)量TS與區(qū)間距離S的比值，塊/km，計算模型見式（6）。

1.2.2 預(yù)處理結(jié)果

利用式（1）～（6）對采集的原始數(shù)據(jù)處理，其處理結(jié)果（1次觀測數(shù)據(jù)）見表1。

1.3 研究方案

根據(jù)上述計算模型對采集的駕駛員駕駛行為數(shù)據(jù)進行分時段處理，探究不同交通狀況下駕駛員的駕駛行為特征；而后為消除不同時段的駕駛員駕駛行為差異性，對同一區(qū)間間隔內(nèi)的不同時段的駕駛行為特征取平均值，進而與禁令標志分布量進行建模分析，若不能直接建模，則需重新分析，探究二者變化之間的相關(guān)關(guān)系，而后再建模分析。研究方案流程圖見圖1。

圖1 研究方案流程圖Fig.1 Research scheme flow chart

表1 數(shù)據(jù)預(yù)處理結(jié)果（1次觀測數(shù)據(jù)）Tab.1 Data preprocessing results(1 observation data)

2 調(diào)查結(jié)果及分析

2.1 駕駛行為特征

為了解駕駛員的駕駛行為特征，對駕駛員在高峰、平峰時間段內(nèi)每公里停車次數(shù)、每公里車道變換次數(shù)、每公里加減速次數(shù)進行統(tǒng)計分析，其結(jié)果見表2。

表2 描述統(tǒng)計結(jié)果Tab.2 Results of statistical description

2.1.1 停車特征

高峰時段，每公里停車次數(shù)平均值為4.25次/km，最大停車次數(shù)為15次/km，最小停車次數(shù)為1次/km。平峰時段每公里停車次數(shù)平均值為3.51次/km，最大停車次數(shù)為20次/km，最小停車次數(shù)為0次/km。其調(diào)查數(shù)據(jù)表明，運營過程中，停車的主要原因是信號控制和交通擁擠，高峰時段每公里停車次數(shù)多于平峰時段，說明高峰時段途經(jīng)沿線的交通狀況對車輛運行具有較大影響，導(dǎo)致其頻繁停車。

2.1.2 車道變換特征

高峰時段每公里車道變換次數(shù)平均值為5.31次/km，最大車道變換次數(shù)為8次/km，最小車道變換次數(shù)為0次/km。在平峰時段每公里車道變換次數(shù)平均值為4.96次/km，最大車道變換次數(shù)為3次/km，最小車道變換次數(shù)為0次/km。其調(diào)查數(shù)據(jù)表明，高峰時段駕駛員區(qū)間車道變換次數(shù)與每公里車道變換次數(shù)的駕駛行為均多于平峰時段，主要是交通壓力過大所導(dǎo)致車道變換的行為增多。平峰時段最大車道變換次數(shù)為30次/km，大于高峰時段最大車道變換次數(shù)為8次/km，表明在平峰時段由于車輛之間的干涉較少，部分駕駛員追求更快的速度，頻繁變換車道。

2.1.3 加減速特征

高峰時段每公里加減速次數(shù)平均值為12.97次/km，最大車道變換次數(shù)為33次/km，最小車道變換次數(shù)為4次/km。在平峰時段每公里加減速次數(shù)平均值為9.64次/km，最大車道變換次數(shù)為72次/km，最小車道變換次數(shù)為1次/km。表明在高峰時段駕駛員需要執(zhí)行更多次加減速行為，保證車輛正常行駛及獲取更多路權(quán)，平峰時段最大加減速次數(shù)與平峰時段相比有所增加，表明駕駛員為及時完成駕駛?cè)蝿?wù)，頻繁加減速。

2.2 車輛速度特征

高峰時段，平均區(qū)間速度為13.1 km/h，最大速度為25.2 km/h，最小速度為3.81 km/h；平峰時段，平均區(qū)間速度為19.4 km/h，最大速度為56.4km/h，最小速度為4.64 km/h。高峰時段平均區(qū)間運行速度較平峰時段降低32.54%，最大速度降低55.32%，最小速度降低17.83%，說明高峰時段的車流量大，道路較擁擠，致使車輛的速度減慢。車輛速度特征，見圖2。

圖2 車輛速度Fig.2 Vehicle speed

2.3 交通標志特征

城市道路交通標志分為主標志和輔助標志，主標志主要分為警告、禁令、指示、指路等。在本次調(diào)查的沿線道路上，路側(cè)設(shè)置警告、禁令、指示、指路這4種標志總數(shù)量為134塊，其中禁令標志65塊，所占比高達49%,沿途路段更多設(shè)置禁令標志，以規(guī)范駕駛員的不正確操作行為；警告標志設(shè)置14塊，所占比例僅為10%；指示、指路標志數(shù)量分別為32塊和23塊，其所占比例分別為24%和17%。交通標志分類及其數(shù)量特征見圖3。

圖3 交通標志分類及其數(shù)量特征Fig.3 Classification and quantity of traffic signs

本文主要研究禁令標志。根據(jù)統(tǒng)計結(jié)果，禁令標志分布量最小為0塊/km，最大為15塊/km，而根據(jù)趙淑婷[18]中交通標志分布量閾值實驗研究結(jié)果，合理的分布量閾值為38條/km，因此線路中的禁令標志分布量與現(xiàn)有研究結(jié)果一致。其中各區(qū)間禁令標志數(shù)量見圖4。

圖4 各區(qū)間禁令標志數(shù)量及其分布量Fig.4 Distribution of prohibition signs in each section

3 禁令標志分布量與駕駛行為關(guān)系解析

3.1 禁令標志分布量與駕駛行為平均值的關(guān)系

為消除因高峰、平峰導(dǎo)致所采集數(shù)據(jù)的差異性，對不同區(qū)間段內(nèi)不同時間段所統(tǒng)計的每公里停車次數(shù)、每公里車道變化次數(shù)、每公里加減速次數(shù)進行求平均值。其進行統(tǒng)計分析，描述性統(tǒng)計結(jié)果見表3。其中，每公里停車次數(shù)平均值的標準差為1.961，說明駕駛員在各個公交站間的停車次數(shù)變化不大；每公里車道變化次數(shù)平均值的標準差為2.536，說明駕駛員在各個公交站間的車道變換次數(shù)變化稍大；而每公里加減速次數(shù)平均值的標準差為4.540，說明駕駛員在不同公交站間的加減速行為變化較大。

表3 描述統(tǒng)計結(jié)果Tab.3 Results of statistical description

圖5 禁令標志分布量與不同駕駛行為散點圖Fig.5 Scattered plots of traffic sign distribution and driving behavior

為進一步了解禁令標志分布量與駕駛行為平均值的關(guān)系，做其散點圖，見圖5。禁令標志分布量與每停車次數(shù)平均值有略微的線性關(guān)系趨勢，但與每公里車道變換次數(shù)平均值、每公里加減速次數(shù)平均值之間線性關(guān)系不明顯，需進一步確認。

對禁令標志分布量與每公里停車次數(shù)平均值、每公里車道變換次數(shù)平均值、每公里加減速次數(shù)平均值進行相關(guān)性分析并檢驗，結(jié)果見表4。禁令標志與每停車次數(shù)平均值、每公里車道變化次數(shù)平均值、每公里加減速次數(shù)平均值之間的相關(guān)系數(shù)分別為-0.177，0.011，-0.094，其在置信度（雙測）為0.01時，相關(guān)性是不顯著的，因此可認為禁令標志分布量與駕駛行為平均值之間的關(guān)系不強。但是可以發(fā)現(xiàn)每停車次數(shù)平均值與每車道變化次數(shù)平均值、每加減速次數(shù)平均值的相關(guān)系數(shù)分別為0.858，0.915，每公里車道變化次數(shù)平均值與每加減速次數(shù)平均值的相關(guān)系數(shù)為0.721，因此可認為其在置信度（雙測）為0.01時，三者之間的相關(guān)關(guān)系是顯著的。

表4 數(shù)據(jù)相關(guān)性分析Tab.4 Data relevance analysis

3.2 禁令標志分布量與駕駛行為平均值變化量的關(guān)系

由上述分析結(jié)果可知，禁令標志分布量與不同駕駛行為平均值之間沒有表現(xiàn)強烈的相關(guān)關(guān)系。而從實際應(yīng)用效用角度考慮，當(dāng)設(shè)置禁令標志時，必定會對駕駛員駕駛行為產(chǎn)生一定約束，但其約束水平因禁令標志分布量不同而對駕駛員駕駛行為影響不同。因此考慮禁令標志分布量發(fā)生變化時與駕駛行為平均值變化之間的關(guān)系。針對每個公交站間內(nèi)禁令標志分布量、駕駛員每停車次數(shù)平均值、每公里車道變化次數(shù)平均值、每加減速次平均值進行求其變化量，并做散點圖，見圖6。由圖6可知，禁令標志分布量變化量與每停車次數(shù)平均值變化量線性關(guān)系不明顯，與每車道變換次數(shù)平均值變化量、每公里加減速次數(shù)平均值變化量存在線性關(guān)系，需進一步進行確認。

圖6 禁令標志分布量變化量與不同駕駛行為變化量Fig.6 Changes in the distribution of prohibition signs and driving behaviors

相關(guān)性分析及其檢驗結(jié)果，見表5。禁令標志分布量變化量與每停車次數(shù)平均值變化量、每公里車道變化次數(shù)平均值變化量、每公里加減速次數(shù)平均值變化量之間相關(guān)系數(shù)分別為0.499,0.825,0.624，其在置信度（雙測）為0.05時，每公里車道變換次數(shù)平均值變化量最為顯著，每公里加減速次數(shù)平均值變化量是顯著的，因此可認為禁令標志分布量變化量與每車道變換次數(shù)平均值變化量、每加減速次數(shù)平均值變化量都具有顯著的相關(guān)關(guān)系。同時看出，每加減速次數(shù)平均值變化量與每停車次數(shù)平均值變化量、每車道變換次數(shù)平均值變化量的相關(guān)系數(shù)為0.707,0.650，因此在置信度（雙測）為0.05時，其內(nèi)部的相關(guān)關(guān)系是顯著的。即可認為駕駛員進行停車、車道變換的過程中必然會伴隨著加減速。

表5 相關(guān)性分析Tab.5 Relevance analysis

3.2.1 禁令標志分布量變化量與每公里車道變換次數(shù)平均值變化量

對禁令標志分布量變化量與每公里車道變換次數(shù)平均值變化量進行曲線擬合，模型摘要和系數(shù)估計結(jié)果見表6。其中顯著性均小于顯著性水平0.05，而線性、二次項、立方模型常量顯著性均大于0.05，故排除，選擇最優(yōu)的指數(shù)模型。

表6 模型摘要Tab.6 Model summary

指數(shù)模型中的相關(guān)系數(shù)檢驗結(jié)果見表7，其各參數(shù)B分別為0.718，0.913，且顯著性水平分別為0.004，0.006，明顯小于顯著性水平0.05，因此可認為選擇的對數(shù)模型準確。其計算模型見式（7）。

表7 系數(shù)Tab.7 Coefficient

禁令標志分布量變化量與每公里車道變換次數(shù)平均值變化量的相關(guān)關(guān)系圖，見圖7。當(dāng)禁令標志分布量變化量逐漸增大時，每車道變換次數(shù)平均值變化量呈現(xiàn)逐漸增大狀態(tài)。當(dāng)禁令標志分布量變化量處于1.6以下時，每車道變換次數(shù)平均值變化量處于0.8以下，此階段變化比較穩(wěn)定；當(dāng)禁令標志分布量變化量處于1.6水平以上時，駕駛員每公里車道變換次數(shù)變化量不斷增加，處于一種突變狀態(tài)。

圖7 禁令標志分布量變化量與每公里車道變換次數(shù)平均值變化量Fig.7 The variation of the distribution of prohibition signs and the average change of lane change times per kilometer

3.2.1 禁令標志分布量變化量與每公里加減速次數(shù)平均值變化量

對禁令標志分布量變化量與每公里加減速次數(shù)平均值變化量進行曲線擬合，模型摘要結(jié)果見表8。其中復(fù)合函數(shù)模型的顯著性為0.052，大于顯著性水平0.05，因此可排除。而觀察R平方，立方模型為0.730，其他模型都小于0.700，因此選擇最優(yōu)的立方模型。

表8 模型摘要Tab.8 Model summary

立方模型的系數(shù)檢驗結(jié)果見表9，其各參數(shù)B分別為-2.743，2.592，-0.524，1.058，且顯著性水平分別為0.012，0.008，0.011，0.002，明顯小于顯著性水平0.05，因此選擇的立方模型準確。其計算模型見式（8）。

表9 系數(shù)Tab.9 Coefficient

當(dāng)相鄰區(qū)間內(nèi)的禁令標志分布量變化逐漸增大時，每公里加減速次數(shù)平均值變化量呈現(xiàn)先減小后增加狀態(tài)，見圖8。當(dāng)禁令標志分布量變化量處于1.6以下時，每公里加減速次數(shù)變化量處于1.1以下，此階段變化比較穩(wěn)定，也即駕駛員在實際的駕駛過程中，其加減速操作反應(yīng)的變化最小，其駕駛行為處于一定的穩(wěn)定水平內(nèi)；當(dāng)禁令標志分布量變化量處于1.6水平以上時，駕駛員每公里加減速次數(shù)變化量處于1.1以上，在此種環(huán)境下，其加減速操作反應(yīng)的變化較大。

圖8 禁令標志分布量變化量與每公里加減速次數(shù)平均值變化量Fig.8 Variation of distribution of prohibition signs and average acceleration and deceleration times per kilometer

4 結(jié)束語

通過調(diào)查駕駛員駕駛行為、時間等基礎(chǔ)數(shù)據(jù)，并就駕駛員駕駛行為特征進行分析駕駛行為的內(nèi)在影響因素，采用相關(guān)性分析對禁令標志分布量變化與駕駛行為變化關(guān)系探究。得到以下結(jié)論。

1）在車輛的實際運行過程中，導(dǎo)致高峰時段每公里停車次數(shù)多于平峰時段主要原因是信號控制和交通擁擠，說明車輛途經(jīng)沿線的交通狀況對車輛運行有較大影響。

2）在駕駛員駕駛的過程中，平峰時段最大車道變換次數(shù)大于高峰時段最大車道變換次數(shù)，表明在平峰時段由于車輛之間干涉較少，駕駛員追求更快的速度，頻繁變換車道。高峰時段駕駛員為保證車輛的正常行駛以及獲取更多路權(quán)，進行頻繁的加減速。

3）禁令標志分布量與每公里車道變換次數(shù)平均值變化、每公里加減速次數(shù)平均值變化存在顯著的相關(guān)關(guān)系，每加減速次數(shù)平均值變化與每公里停車次數(shù)平均值變化、每車道變換次數(shù)平均值變化的相關(guān)關(guān)系是顯著的。也即駕駛員進行停車、車道變換的過程中必然會伴隨著加減速。

4）當(dāng)禁令標志分布量變化量處于1.6水平以下且每公里車道變換次數(shù)平均值變化量處于0.8以下，此階段變化比較穩(wěn)定，而后駕駛員每公里車道變換次數(shù)變化量不斷增加，處于一種突變狀態(tài)。當(dāng)禁令標志分布量變化量處于1.6以下時，每公里加減速次數(shù)變化量處于1.1以下，此階段變化比較穩(wěn)定，駕駛員駕駛行為處于一定的穩(wěn)定水平內(nèi)；當(dāng)禁令標志分布量變化量處于1.6水平以上時，駕駛員加減速操作反應(yīng)的變化較大。

5）本研究就不同區(qū)間的禁令標志分布量與不同駕駛行為之間關(guān)系研究。而在實際的交通系統(tǒng)中，駕駛員駕駛行為會受到駕駛員記憶效應(yīng)、道路特性、天氣狀況、交通流量等多種因素的交叉影響，在后續(xù)研究中會重點考慮，以探索不同因素的多重耦合作用。