倪 穎,王詩(shī)菡,周詩(shī)旖

(同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室,上海201804)

引 言

自行車(chē)作為一種可持續(xù)的交通模式,與機(jī)動(dòng)化交通相比具有獨(dú)特的優(yōu)勢(shì),不僅可以減少污染物排放,緩解交通擁堵,實(shí)現(xiàn)門(mén)到門(mén)的連續(xù)性出行[1-2],還有利于促進(jìn)健康積極的生活方式[3-4],在世界各地均受到鼓勵(lì)。然而,除了自行車(chē)由于其固有的質(zhì)量差異和直接暴露使騎行者容易受到傷害,對(duì)外界環(huán)境品質(zhì)異常敏感外[5-6],大多數(shù)現(xiàn)有的道路環(huán)境往往以機(jī)動(dòng)車(chē)為主導(dǎo)進(jìn)行規(guī)劃和設(shè)計(jì),忽視了自行車(chē)出行的利益[7],導(dǎo)致騎行環(huán)境存在安全隱患,舒適性有待提高。因而,需要建立科學(xué)、合理、全面、可操作的自行車(chē)騎行品質(zhì)評(píng)價(jià)體系,為設(shè)施規(guī)劃設(shè)計(jì)、運(yùn)行管理提供有力依據(jù)。

國(guó)內(nèi)外文獻(xiàn)中對(duì)于自行車(chē)交通服務(wù)品質(zhì)的研究主要包括兩類:基于交通設(shè)施特征的評(píng)價(jià),以及基于自然騎行實(shí)驗(yàn)獲取的騎行行為特征的評(píng)價(jià)。在早期的研究中,許多評(píng)價(jià)模型是基于基礎(chǔ)設(shè)施和交通流特征開(kāi)發(fā)的。例如,自行車(chē)安全指數(shù)評(píng)級(jí)(BSIR)模型[8]、自行車(chē)服務(wù)水平(BLOS)模型[9-12]、自行車(chē)適宜性評(píng)分模型[13]、自行車(chē)兼容性指數(shù)(BCI)模型[14],其中最常用的衡量標(biāo)準(zhǔn)是BLOS,這也是HCM[15]中提出的。這里模型所采用的特征參數(shù)往往包括車(chē)道寬度、自行車(chē)與車(chē)輛的分離形式、交通流狀況等,這些因素被證明對(duì)自行車(chē)騎行品質(zhì)有顯著影響,但其數(shù)據(jù)的收集方式耗時(shí)費(fèi)力,主要為三大類:騎行者攔截調(diào)查、實(shí)地調(diào)研及視頻調(diào)研。導(dǎo)致能獲取的數(shù)據(jù)樣本有限,數(shù)據(jù)內(nèi)容質(zhì)量及范圍也很有限,且缺乏騎行行為等較客觀的影響因素。近年來(lái),隨著機(jī)動(dòng)車(chē)自然駕駛實(shí)驗(yàn)的發(fā)展,該方法已成為當(dāng)下提高機(jī)動(dòng)車(chē)安全流行的工具,且借鑒轉(zhuǎn)移到對(duì)自行車(chē)的研究中。研究人員通過(guò)設(shè)計(jì)實(shí)驗(yàn)車(chē),進(jìn)行自然騎行實(shí)驗(yàn)來(lái)收集騎行行為數(shù)據(jù),如速度、加速度、轉(zhuǎn)向角等來(lái)評(píng)估騎行品質(zhì)[1,16-17]。實(shí)驗(yàn)車(chē)上可以配備視頻攝像頭和一些傳感器,如GPS接收器、速度傳感器、加速度計(jì)、陀螺儀傳感器、磁力計(jì)和壓力制動(dòng)傳感器等[16,18-19]。這種方法可得到大量全面的動(dòng)態(tài)騎行數(shù)據(jù),具有一定的客觀性,可彌補(bǔ)傳統(tǒng)方法中僅基于設(shè)施類要素特征評(píng)價(jià)研究的不足,補(bǔ)充對(duì)騎行品質(zhì)有重要影響但缺失的影響因素,為騎行品質(zhì)相關(guān)研究帶來(lái)新的思路和方法。已有研究綜合利用行為與環(huán)境數(shù)據(jù)進(jìn)行騎行品質(zhì)評(píng)價(jià),但在評(píng)價(jià)指標(biāo)方面并不完善,設(shè)施方面考慮的因素較少,僅有機(jī)非分隔形式、人非分隔形式[20],以及路面的質(zhì)量[17];而騎行行為特征方面,現(xiàn)有研究大多數(shù)僅僅分析行為的統(tǒng)計(jì)學(xué)指標(biāo),如加速度的平均值,標(biāo)準(zhǔn)差等,無(wú)法全面地衡量騎行品質(zhì)。

基于上述分析與研究缺陷,本文提出了更為完整的騎行品質(zhì)評(píng)價(jià)體系,基于自然騎行實(shí)驗(yàn)收集交通設(shè)施類和騎行行為參數(shù),建立了科學(xué)全面的城市道路騎行品質(zhì)評(píng)價(jià)模型。

1 實(shí)驗(yàn)數(shù)據(jù)采集及處理

1.1 實(shí)驗(yàn)車(chē)設(shè)計(jì)

本研究的自然實(shí)驗(yàn)車(chē)設(shè)計(jì)如圖1所示,豎桿靠左把手處豎直安裝運(yùn)動(dòng)攝像頭GoPro Hero3+,能夠拍攝騎行前方實(shí)況,輔助數(shù)據(jù)分析及驗(yàn)證實(shí)驗(yàn)有效性?？孔蟀咽痔幩桨惭b9軸姿態(tài)角度傳感器,可采集三維方向的加速度、角速度及角度,并設(shè)置采集速率為10 Hz,即0.1 s回傳一次數(shù)據(jù),能有效獲取自行車(chē)騎行特征。正前方騎行方向?yàn)閥軸方向,垂直方向?yàn)閦軸方向,右橫向?yàn)閤軸方向,三維坐標(biāo)系如圖1所示。

圖1 實(shí)驗(yàn)車(chē)設(shè)計(jì)與其對(duì)應(yīng)坐標(biāo)系

1.2 自然騎行實(shí)驗(yàn)

為收集數(shù)據(jù),本研究展開(kāi)了自然騎行實(shí)驗(yàn)。通過(guò)路網(wǎng)調(diào)查,以涵蓋多種路段為原則,選定實(shí)驗(yàn)地點(diǎn)如下圖2所示,包含18條路段,組織20名志愿者(10男10女)在2018年11月26日至11月28日的8:30-10:30及15:30-17:30進(jìn)行騎行實(shí)驗(yàn),調(diào)查時(shí)間段內(nèi)均為晴天。

圖2 自然騎行實(shí)驗(yàn)范圍

實(shí)驗(yàn)過(guò)程中,GoPro Hero3+收集騎行者前方的環(huán)境信息,并記錄研究路段的設(shè)施類特征作為評(píng)估指標(biāo),包括機(jī)非分隔類型、人非分隔類型、路邊停車(chē)情況、公交站數(shù)量、出入口數(shù)量、周邊用地類型、機(jī)動(dòng)車(chē)流量、非機(jī)動(dòng)車(chē)流量、行人流量。路段的斷面類型包含了常見(jiàn)的三大類:機(jī)非物理分隔、機(jī)非劃線分隔和機(jī)非混行,另外,周邊環(huán)境要素和交通流要素均有顯著的差異性,其中機(jī)動(dòng)車(chē)流量(veh/h)含有三個(gè)等級(jí):低[0,360)、中[360,600)、高(600以上);非機(jī)動(dòng)車(chē)流量含有三個(gè)等級(jí):低[0,320)、中[320,620)、高(620以上);行人流量也含有三個(gè)等級(jí):低[0,200)、中[200,400)、高(400以上)。上述流量的低中高的劃分方法參考文獻(xiàn)[7]。

此外,傳感器每0.1 s采集一次三維方向的加速度、角速度及角度。騎行者在完成一個(gè)路段時(shí),會(huì)停止騎車(chē)并對(duì)該路段的騎行品質(zhì)感受進(jìn)行打分(對(duì)應(yīng)評(píng)分1-5分,分別表示非常不滿意、不滿意、一般滿意、滿意及非常滿意)。共獲得364個(gè)樣本,一位騎行者在一個(gè)路段上騎行一次算作一個(gè)樣本。在去除無(wú)效的傳感器數(shù)據(jù)后,最終的有效樣本為342個(gè)。

1.3 騎行行為參數(shù)提取

為了有效分析騎行行為特征,本文綜合提取了反映橫向穩(wěn)定性、縱向穩(wěn)定性以及垂直方向顛簸程度的行為參數(shù)。

1.3.1 橫向穩(wěn)定性

根據(jù)對(duì)視頻的觀察,認(rèn)為當(dāng)實(shí)驗(yàn)者在騎行過(guò)程中為躲避其他障礙物而擺動(dòng)車(chē)頭,且兩者之間的距離小于1 m時(shí),存在橫向規(guī)避行為。通過(guò)對(duì)回避騎行和穩(wěn)定騎行數(shù)據(jù)的分析可知,z軸角度的變化能直接反映及描述避讓行為的過(guò)程。本文提出橫向穩(wěn)定性失衡時(shí)間及失衡程度兩個(gè)行為指標(biāo)。

橫向穩(wěn)定性的失衡時(shí)間基于z軸角度的變化衡量,根據(jù)z-score標(biāo)準(zhǔn)化算法的公式進(jìn)行判斷,該算法多應(yīng)用于數(shù)據(jù)極值及趨勢(shì)的識(shí)別,公式如下

式中θz為z軸角度;σ為z軸角度的標(biāo)準(zhǔn)差。結(jié)合實(shí)驗(yàn)效果及意義,z≥2或≤-2時(shí),即判斷為處于橫向穩(wěn)定性失衡過(guò)程中。統(tǒng)計(jì)符合上述要求的θz的個(gè)數(shù)以表示橫向穩(wěn)定性的失衡時(shí)間N z。

對(duì)于橫向穩(wěn)定性的失衡程度,可使用z軸角速度的均方根表示,公式如下

式中ωzt為t時(shí)刻z軸角速度;T為統(tǒng)計(jì)樣本的時(shí)間長(zhǎng)度。

1.3.2 縱向穩(wěn)定性

縱向安全通常與突然加速和制動(dòng)有關(guān)。通過(guò)數(shù)據(jù)分析,是否加減速與y軸加速度有明顯的相關(guān)性。結(jié)合實(shí)驗(yàn)中加減速過(guò)程的特征分析及文獻(xiàn)研究[21],認(rèn)為當(dāng)a y≥0.168g時(shí),有加速過(guò)程存在,當(dāng)a y≤-0.294g時(shí),有減速過(guò)程存在。

1.3.3 顛簸程度

騎行顛簸程度一定程度上能反應(yīng)騎行的舒適性與安全性,對(duì)騎行品質(zhì)有重要的影響。根據(jù)文獻(xiàn)及理論分析[22],騎行顛簸程度能通過(guò)豎直方向的加速度反應(yīng)。

考慮到當(dāng)z軸加速度為1g時(shí),自行車(chē)將處于靜止的垂直狀態(tài),因此本研究以重力加速度為參考,提出用加速度的均方根來(lái)表示整個(gè)自行車(chē)的顛簸程度,如下式所示

式中a zT代表z軸加速度的均方根,a zt為t時(shí)刻的z軸加速度,T為統(tǒng)計(jì)樣本時(shí)間長(zhǎng)度。根據(jù)現(xiàn)有文獻(xiàn)的換算[22],當(dāng)a zT≤0.1337g時(shí),認(rèn)為顛簸程度低;當(dāng)a zT∈(0.1337g,0.2587g)時(shí),認(rèn)為顛簸程度中等,當(dāng)a zT≥0.2583g時(shí),認(rèn)為顛簸程度高。

表1總結(jié)了本文提出的騎行行為特征參數(shù)。對(duì)數(shù)據(jù)傳感器的原始數(shù)據(jù)進(jìn)行處理,獲取上述行為特征參數(shù)。為了后續(xù)數(shù)據(jù)處理及利于模型解釋,將參數(shù)均進(jìn)行歸一化處理,轉(zhuǎn)為無(wú)量綱參數(shù),如下式所示

表1 騎行行為特征參數(shù)總結(jié)表

式中Xnorm為歸一化后的數(shù)據(jù),X為原始數(shù)據(jù),Xmax和Xmin分別代表原始數(shù)據(jù)集的最大值和最小值。

2 騎行品質(zhì)評(píng)價(jià)體系

2.1 關(guān)鍵評(píng)價(jià)指標(biāo)篩選

本文基于三大交通設(shè)施類要素:斷面設(shè)計(jì)要素、周邊環(huán)境要素及交通流要素,結(jié)合三個(gè)維度的動(dòng)態(tài)騎行行為特征:橫向穩(wěn)定性、縱向穩(wěn)定性以及垂直向顛簸程度,共12個(gè)特征參數(shù)對(duì)路段的騎行品質(zhì)進(jìn)行評(píng)價(jià)。

使用有序Logit回歸模型進(jìn)行評(píng)價(jià)指標(biāo)的篩選,得出對(duì)騎行品質(zhì)有顯著影響的關(guān)鍵評(píng)價(jià)指標(biāo)。本次的有序Logit模型樣本量為342,被解釋變量觀察值Y為志愿者對(duì)應(yīng)的騎行品質(zhì)評(píng)價(jià)。影響因素X即從騎行品質(zhì)評(píng)價(jià)指標(biāo)中進(jìn)行篩選。模型一納入設(shè)施參數(shù)及行為特征參數(shù),模型二僅納入設(shè)施類參數(shù)。經(jīng)過(guò)多重比較,當(dāng)模型中納入橫向失衡程度、橫向失衡時(shí)間及減速時(shí)間參數(shù)時(shí),各參數(shù)效果最為顯著,結(jié)果如表2所示。模型一的R2相比于模型二提高約0.08,說(shuō)明動(dòng)態(tài)騎行特征參數(shù)的加入能夠提高模型的精度。最終的評(píng)價(jià)指標(biāo)位如表2所示的9大指標(biāo)。

表2 有序Logit模型結(jié)果對(duì)比

在模型一的輸出結(jié)果中,各個(gè)變量的系數(shù)能定性地表示各參數(shù)對(duì)騎行品質(zhì)的正負(fù)面影響?？偟膩?lái)說(shuō),機(jī)非有物理分隔、橫向穩(wěn)定性失衡時(shí)間減少、自行車(chē)流量增加、減速時(shí)間減少、行人流量增加、機(jī)動(dòng)車(chē)流量降低、人非有物理分隔、非商業(yè)用地及橫向穩(wěn)定性失衡程度減少能提高騎行品質(zhì)評(píng)分,對(duì)騎行品質(zhì)有正面影響。

2.2 騎行品質(zhì)評(píng)價(jià)模型

上文的有序Logit模型能有效得出關(guān)鍵評(píng)價(jià)指標(biāo),但其預(yù)測(cè)精度有限,僅為約65%。為了提高預(yù)測(cè)精度,基于9個(gè)關(guān)鍵評(píng)價(jià)指標(biāo),使用隨機(jī)森林模型建立騎行品質(zhì)評(píng)價(jià)模型。隨機(jī)森林模型的算法是一種集成算法(Ensemble Learning),該算法屬于Bagging類型,其算法準(zhǔn)確率高,且對(duì)異常值如空值和系統(tǒng)噪聲都有較高的容忍[23]。主要包括以下幾步:

1)從原始樣本數(shù)據(jù)D中采樣成i個(gè)樣本D i。

2)假設(shè)原始樣本中屬性個(gè)數(shù)為a,每個(gè)樣本選擇a中的m個(gè)特征,利用最佳分割點(diǎn)方式建立決策樹(shù);

3)重復(fù)以上過(guò)程i次,產(chǎn)生i棵決策樹(shù);

4)對(duì)獲得的分類結(jié)果采用多數(shù)投票方式確定最優(yōu)分類結(jié)果。

由于可通過(guò)OOB ERROR來(lái)預(yù)測(cè)模型精度,建立模型時(shí)不需要建立測(cè)試集,所訓(xùn)練集的樣本量為342個(gè),設(shè)置子樹(shù)數(shù)量為50時(shí),OOB ERROR趨于穩(wěn)定,約為19.5%左右。最終模型的準(zhǔn)確率達(dá)到80.38%,評(píng)分誤差基本為1分。輸入?yún)?shù)重要性的排序如圖3所示,結(jié)果表明,重要性排為前三的參數(shù)均為騎行特征參數(shù),分別是橫向失衡時(shí)間、減速時(shí)間及橫向失衡程度,說(shuō)明騎行特征參數(shù)的加入對(duì)騎行品質(zhì)評(píng)價(jià)模型的模型精度起到非常關(guān)鍵的作用。此外,非機(jī)動(dòng)車(chē)流量、機(jī)非分隔類型以及行人流量也是較為重要的設(shè)施類參數(shù),在提升路段騎行品質(zhì)時(shí)可著重考慮管控。

圖3 輸入?yún)?shù)的重要性度量結(jié)果

3 模型應(yīng)用

本次應(yīng)用首先選定評(píng)價(jià)的范圍,如圖4所示,位于上海市楊浦區(qū),路網(wǎng)總長(zhǎng)度約4 km。為了能獲取騎行數(shù)據(jù),邀請(qǐng)一名實(shí)驗(yàn)人員使用自然實(shí)驗(yàn)車(chē)沿著路段1～15進(jìn)行實(shí)地騎行。通過(guò)騎行品質(zhì)評(píng)價(jià)模型,輸入圖3中對(duì)應(yīng)的9個(gè)評(píng)價(jià)指標(biāo),即可得到該條路段自行車(chē)的騎行品質(zhì),根據(jù)其得分繪制騎行品質(zhì)地圖,如圖5所示。

圖4 模型應(yīng)用試驗(yàn)范圍

圖5 騎行品質(zhì)地圖

4 總結(jié)與展望

本文主要研究了城市道路自行車(chē)騎行品質(zhì),將自然騎行實(shí)驗(yàn)運(yùn)用到自然騎行評(píng)價(jià)的研究中,明確實(shí)驗(yàn)?zāi)繕?biāo),選取合理的數(shù)據(jù)采集器,設(shè)計(jì)了符合目標(biāo)的自然騎行實(shí)驗(yàn)車(chē),豐富了數(shù)據(jù)收集的方法,能收集到騎行過(guò)程中客觀且高質(zhì)量的騎行特征數(shù)據(jù)。另外,大部分的傳統(tǒng)研究中,評(píng)價(jià)指標(biāo)集中在交通設(shè)施類數(shù)據(jù),本研究將騎行特征指標(biāo)納入指標(biāo)評(píng)價(jià)中,完善了評(píng)價(jià)的解釋性,同時(shí)提高了騎行指標(biāo)評(píng)價(jià)模型的精度。并且在騎行品質(zhì)評(píng)價(jià)模型建立前,合理且較為客觀地篩選關(guān)鍵評(píng)價(jià)指標(biāo),提高了預(yù)測(cè)模型的精度。以上海市楊浦區(qū)的路網(wǎng)為例,進(jìn)行模型應(yīng)用,基于騎行品質(zhì)評(píng)價(jià)模型可得出各路段的分?jǐn)?shù),繪制騎行品質(zhì)評(píng)價(jià)地圖,從而直觀得出城市道路自行車(chē)騎行品質(zhì)。

模型應(yīng)用階段車(chē)載儀器為9軸姿態(tài)角度傳感器,可操作性及可推廣性強(qiáng),在共享單車(chē)及公共自行車(chē)普及的背景下,可安裝于自行車(chē)上,獲取騎行特征數(shù)據(jù),突破傳統(tǒng)研究方法數(shù)據(jù)樣本量的有限性和數(shù)據(jù)質(zhì)量的局限性,能采集大量騎行特征數(shù)據(jù),實(shí)現(xiàn)模型的進(jìn)一步優(yōu)化與應(yīng)用。此外,未來(lái)可以對(duì)其他自行車(chē)交通設(shè)施(如交叉口)展開(kāi)自行車(chē)騎行品質(zhì)的調(diào)查,進(jìn)而搭建更加完整的自行車(chē)騎行品質(zhì)研究體系。