李熙瑩 梁靖茹 郝騰龍

（1.中山大學(xué)智能工程學(xué)院 廣州 510006；2.中山大學(xué)廣東省智能交通系統(tǒng)重點(diǎn)實(shí)驗(yàn)室 廣州 510006；3.中山大學(xué)視頻圖像智能分析與應(yīng)用技術(shù)公安部重點(diǎn)實(shí)驗(yàn)室 廣州 510006）

0 引 言

隨著城市化發(fā)展，城市主干道及快速路承擔(dān)著巨大的交通壓力，在交通量增加的同時(shí)也伴隨著安全風(fēng)險(xiǎn)的攀升。公共交通線路也往往規(guī)劃在此類路段，由于公交車車型大、與其他車輛運(yùn)動(dòng)差異大，機(jī)動(dòng)車混行會(huì)對(duì)穩(wěn)定車流造成不同程度的擾動(dòng)，帶來(lái)額外的車輛運(yùn)行安全風(fēng)險(xiǎn)[1-2]。因此，深入且定量的交通安全風(fēng)險(xiǎn)研究能夠作為大型公交車風(fēng)險(xiǎn)管理的理論依據(jù)，支撐公交線路避險(xiǎn)、公交專用道設(shè)置等措施的制定。

大型車輛與小汽車在同車道行駛的混合交通安全風(fēng)險(xiǎn)一直是道路交通關(guān)注的重點(diǎn)，例如，趙笑月等[3]在高速公路場(chǎng)景研究了大車混入率對(duì)嚴(yán)重沖突率的影響。公交車作為城市普遍存在的1 種大型車，與其他的大型車輛行車特性存在明顯差異。陳峻等[4]量化研究了城市公交車對(duì)社會(huì)車輛行車速度的影響。蓋靖元[5]驗(yàn)證了混合車流中的沖突與車速離散有著極大關(guān)聯(lián)，其中，公交車不僅自身車速差異化，同時(shí)影響區(qū)域內(nèi)其他車輛的速度穩(wěn)定性，極大增加了交通安全風(fēng)險(xiǎn)。

隨著交通數(shù)據(jù)精度的提升，研究通過(guò)識(shí)別交通沖突度量公交車在混合機(jī)動(dòng)車中的風(fēng)險(xiǎn)系數(shù)。例如，Goh 等[6-7]為了研究公交優(yōu)先策略是否能降低公交行車風(fēng)險(xiǎn)，通過(guò)微觀仿真的方法計(jì)算公交車的沖突頻次等指標(biāo)研究不同狀態(tài)下的安全風(fēng)險(xiǎn)，并通過(guò)公交風(fēng)險(xiǎn)分析公交專用道的必要性，結(jié)果表明公交車與小汽車分離避免了公交車在交通流中的速度波動(dòng)影響，減少了大部分追尾及側(cè)撞沖突。Qi等[8]和Bansal等[9]基于碰撞時(shí)間研究了公交站附近混合車流的交通沖突統(tǒng)計(jì)分布，估計(jì)區(qū)域內(nèi)的交通安全風(fēng)險(xiǎn)，該研究旨分析公交沖突的空間分布。另外，Diah 等[10]還研究了獲取公交車沖突數(shù)據(jù)的交通視頻監(jiān)控技術(shù)。

交通沖突技術(shù)[11]主要利用時(shí)間空間度量指標(biāo)判別沖突，包括碰撞時(shí)間（time to collision，TTC）[12]、后侵入時(shí)間（post encroachment time，PET）[13]及碰撞時(shí)間差（time difference to collision，TDTC）[14]等。謝濟(jì)銘等[12]采用擴(kuò)展TTC進(jìn)行多車道交織區(qū)跟馳行為中的風(fēng)險(xiǎn)判別；Qi 等[13]利用改進(jìn)的PET 預(yù)測(cè)合流區(qū)的車輛變道沖突。由于大型公交車隨出入站變道時(shí)會(huì)形成更多沖突，經(jīng)典TTC 模型難以直接應(yīng)用在車輛變道、轉(zhuǎn)向行為，需要擴(kuò)展異車道沖突的建模；PET模型忽略了車輛實(shí)時(shí)速度的影響，屬于沖突事后指標(biāo)，公交車與小汽車速度差異較大，不考慮實(shí)時(shí)速度的模型無(wú)法對(duì)沖突過(guò)程進(jìn)行預(yù)測(cè)；TDTC 模型結(jié)合了前2種方法，但所需數(shù)據(jù)精度要求較高，在應(yīng)用中易存在偏差。因此，對(duì)于大型公交車與小汽車之間的交通沖突，需要結(jié)合具體的應(yīng)用場(chǎng)景對(duì)經(jīng)典沖突模型進(jìn)行改進(jìn)。

目前交通沖突技術(shù)大多研究單一車輛主體的沖突識(shí)別方法及風(fēng)險(xiǎn)預(yù)測(cè)。朱順應(yīng)等[11]提出，非自由流中的交通沖突存在“區(qū)域連鎖”效應(yīng)，一對(duì)交通主體發(fā)生沖突后，后者采取的避險(xiǎn)行為往往會(huì)影響到其他臨近車輛的行駛；交通事故鏈的研究[15]指出識(shí)別連續(xù)性碰撞風(fēng)險(xiǎn)能夠?yàn)樽钄喽嘬囀鹿侍峁┗A(chǔ)。尤其對(duì)于大型公交車來(lái)說(shuō)，長(zhǎng)車型和運(yùn)動(dòng)差異易干擾周圍區(qū)域內(nèi)多輛車而間接造成多個(gè)交通沖突，形成連續(xù)性安全風(fēng)險(xiǎn)。多個(gè)交通主體連鎖沖突使得部分車輛避險(xiǎn)困難，行駛路徑不穩(wěn)定，且區(qū)域內(nèi)車輛行駛速度與方向的差異性極易使得沖突解除后形成再次沖突，造成的安全風(fēng)險(xiǎn)不斷增加。目前有部分研究關(guān)注到多個(gè)交通主體的聚集性風(fēng)險(xiǎn)分析，例如，容穎等[16]對(duì)雙車道公路劃分車輛群，提出了車輛群風(fēng)險(xiǎn)度量模型，快速定位高風(fēng)險(xiǎn)的車輛群體；梁軍等[17]和楊瀾等[18]通過(guò)建立車輛狀態(tài)網(wǎng)絡(luò)識(shí)別交通事故鏈，在車聯(lián)網(wǎng)環(huán)境下預(yù)警每個(gè)車輛的潛在交通沖突并阻斷事故鏈。以上研究未涉及多車沖突在短時(shí)間內(nèi)的連續(xù)風(fēng)險(xiǎn)，需要建立多個(gè)沖突間的因果關(guān)聯(lián)并追溯風(fēng)險(xiǎn)源頭，來(lái)實(shí)現(xiàn)城市公交車在混行交通中的聚集性風(fēng)險(xiǎn)量化分析。

在數(shù)據(jù)采集上，基于航拍車輛軌跡的方法能夠結(jié)合車輛運(yùn)動(dòng)信息和交通信息。趙笑月等［3］使用無(wú)人機(jī)采集濟(jì)青高速公路的視頻數(shù)據(jù)，基于特征點(diǎn)匹配檢測(cè)車輛以采集交通沖突數(shù)據(jù)。航拍車輛軌跡連續(xù)性好、運(yùn)動(dòng)參數(shù)精確，能夠在不同場(chǎng)景下泛用，對(duì)交通安全風(fēng)險(xiǎn)研究具有較高的應(yīng)用價(jià)值。

綜上，目前對(duì)城市公交車行車風(fēng)險(xiǎn)的研究尚存在難以識(shí)別異車道風(fēng)險(xiǎn)、多車沖突關(guān)系未建立、安全風(fēng)險(xiǎn)分析不夠量化等問(wèn)題。因此，筆者基于廣州市廣州大橋路段車輛軌跡數(shù)據(jù)，建立擴(kuò)展二維TTC 模型和時(shí)序性沖突樹(shù)模型，形成城市公交車在區(qū)域混合車流中的安全風(fēng)險(xiǎn)量化分析方法。

1 研究方法

圖1 為本研究的方法框架。在數(shù)據(jù)采集階段，基于航拍交通視頻的采集與車輛檢測(cè)獲取帶有精細(xì)屬性的車輛軌跡數(shù)據(jù)；在沖突識(shí)別與關(guān)聯(lián)建立階段，通過(guò)二維TTC 模型識(shí)別跟馳與變道沖突，并基于沖突樹(shù)模型建立連鎖沖突關(guān)聯(lián)；最后量化分析公交車帶來(lái)的交通安全風(fēng)險(xiǎn)。

圖1 方法框架Fig.1 Method framework

1.1 車輛軌跡數(shù)據(jù)提取

車輛信息提取的精度直接影響了交通沖突識(shí)別的準(zhǔn)確性，筆者采取了基于深度卷積神經(jīng)網(wǎng)絡(luò)的車輛提取與跟蹤算法，保證車輛軌跡的精確度。在車輛檢測(cè)階段，采用YOLOv4算法[19]提取車輛目標(biāo)，該算法在提高準(zhǔn)確度的同時(shí)保持了實(shí)時(shí)檢測(cè)速度。為更好地表達(dá)航拍視頻中的小目標(biāo)車輛特征，采用航拍交通數(shù)據(jù)集VisDrone2019[20]訓(xùn)練網(wǎng)絡(luò)特征權(quán)重，識(shí)別公交車（bus）和小汽車（car）這2類機(jī)動(dòng)車。

在實(shí)際的航拍場(chǎng)景中的測(cè)試結(jié)果見(jiàn)表1，利用圖像檢測(cè)中的AP（average precision）和mAP（mean average precision）指標(biāo)評(píng)價(jià)檢測(cè)效果[21]。其中，AP值衡量某一類別的平均精度，其值為precision-recall曲線與坐標(biāo)軸圍成的面積；mAP值為所有類別的AP平均值。測(cè)試結(jié)果中mAP值達(dá)到90.82%，car 類型和bus類型的AP值分別達(dá)到99.25%和82.39%。

表1 車輛檢測(cè)測(cè)試結(jié)果Tab.1 Test result of vehicle detection

采用DeepSORT 跟蹤算法[22]對(duì)提取到的車輛目標(biāo)進(jìn)行軌跡跟蹤，并進(jìn)行圖像像素與實(shí)際距離的比例換算，形成每1 輛車完整的行駛軌跡數(shù)據(jù)。同時(shí)提取車輛的其他精細(xì)屬性，包括：x軸與y軸行駛速度、車輛實(shí)時(shí)所屬車道及跟馳車輛ID 信息，其中x軸為圖像中沿車道行駛方向軸，y軸為圖像中車輛橫向方向軸。帶屬性的車輛軌跡數(shù)據(jù)樣例見(jiàn)表2，其時(shí)間精度為0.1 s，空間精度約為0.08 m/px。

表2 車輛軌跡數(shù)據(jù)樣例Tab.2 Examples of vehicle trajectory data

1.2 二維TTC模型

對(duì)比較為成熟的沖突模型，碰撞時(shí)間是同時(shí)考慮車輛間速度差與距離的過(guò)程量，所需要的數(shù)據(jù)參數(shù)易于準(zhǔn)確提取，相比于其他模型擁有較為廣泛的實(shí)際應(yīng)用。其定義為道路上的前后車輛若保持當(dāng)前速度行駛將發(fā)生碰撞的時(shí)間，計(jì)算見(jiàn)式（1）。

式中：xi與xj分別為后車i與前車j的車頭位置，m；x?i與x?j分別為它們的行駛速度，km/h；li為車輛i的車長(zhǎng)，m。

TTC模型的條件中擬定了車輛均沿同車道方向行駛，只有跟馳中的前后車輛有發(fā)生沖突碰撞的可能性，因此在實(shí)際使用中無(wú)法預(yù)估變道與轉(zhuǎn)向沖突。而實(shí)際中大型公交車常因行駛中變道而影響異車道多車輛正常行駛，為了保證沖突數(shù)據(jù)的完整性，需要提取精確的跟馳沖突與橫向沖突支撐后續(xù)的分析。

基于經(jīng)典TTC 模型，筆者提出能夠同時(shí)識(shí)別縱向與橫向沖突的二維TTC 模型。模型沿用了TTC的計(jì)算公式，縱向沖突即為經(jīng)典TTC 識(shí)別的跟馳沖突，同時(shí)通過(guò)車輛軌跡中的橫向位移與橫向速度，識(shí)別橫向沖突（包括側(cè)面刮擦與變道沖突）。二維TTC計(jì)算見(jiàn)式（2）～（3）。

式中：i與j為前后車輛對(duì)；xi與xj分別為它們的x軸車頭位置，m；lj為車長(zhǎng)，m；x?i與x?j為x軸行駛速度，km/h；m與n為橫向車輛對(duì)；ym與yn分別為它們的y軸右側(cè)車輛位置，m；wm為車寬，m；y?m與y?n為y軸行駛速度，km/h。當(dāng)TTCx小于閾值時(shí)出現(xiàn)跟馳沖突，TTCy小于閾值時(shí)出現(xiàn)橫向沖突。

模型中跟馳中的前后車關(guān)系依靠車道線即可建立，橫向沖突中的車輛對(duì)關(guān)系的建立卻沒(méi)有明確的界線。如圖2 所示，通過(guò)車輛在x軸位置建立橫向沖突的車輛對(duì)關(guān)系。2 車發(fā)生橫向沖突必須滿足的位置條件有：①車輛在行駛過(guò)程中存在某一時(shí)刻，它們并列行駛且橫向TTC小于沖突閾值；②若保持同樣的橫向速度行駛，車輛將發(fā)生碰撞，此時(shí)它們?nèi)詾椴⒘行旭偂Ｒ虼?，?dāng)相鄰車道2車滿足以下關(guān)系，則能夠建立車輛對(duì)關(guān)系。

圖2 橫向車輛對(duì)關(guān)系建立條件Fig.2 Conditions to establish lateral vehicle pairs

1.3 連鎖沖突識(shí)別方法

混合機(jī)動(dòng)車流中常出現(xiàn)多個(gè)沖突連續(xù)發(fā)生，其危險(xiǎn)性比沖突逐一發(fā)生更大，因此需要建立考慮多車輛沖突的風(fēng)險(xiǎn)模型。

由圖3（a）～（b）可見(jiàn)：已有研究中建立了車輛群模型[16]和事故鏈模型[17-18]。其中，車輛群模型利用車輛位置及車間距將多車道車輛分為多個(gè)群體，并以群內(nèi)平均TTC和PET評(píng)估車輛群風(fēng)險(xiǎn)度。該方法將具有潛在關(guān)系的多車輛劃分為群塊結(jié)構(gòu)，實(shí)現(xiàn)了風(fēng)險(xiǎn)區(qū)域的快速識(shí)別，但未量化群內(nèi)個(gè)體間的沖突相互影響。事故鏈模型則將每個(gè)車輛與附近車輛建立狀態(tài)網(wǎng)絡(luò)，依據(jù)車輛行駛狀態(tài)與外界狀態(tài)（天氣等）計(jì)算每個(gè)鏈條的狀態(tài)危險(xiǎn)度，危險(xiǎn)度等級(jí)高的多個(gè)相鄰車輛形成事故鏈。該方法能夠識(shí)別車輛間互相關(guān)聯(lián)的潛在風(fēng)險(xiǎn)，對(duì)阻斷連續(xù)碰撞風(fēng)險(xiǎn)有較好的應(yīng)用價(jià)值。

圖3 不同方法的模型結(jié)構(gòu)對(duì)比Fig.3 Model structure comparison of different methods

為了實(shí)現(xiàn)短時(shí)間內(nèi)聚集區(qū)域行車連續(xù)風(fēng)險(xiǎn)的識(shí)別與量化，筆者根據(jù)車輛沖突時(shí)的避險(xiǎn)反應(yīng)，建立沖突樹(shù)模型，見(jiàn)圖3（c），將沖突的連鎖過(guò)程轉(zhuǎn)化為樹(shù)結(jié)構(gòu)的動(dòng)態(tài)生成。相比較其他方法，這種結(jié)構(gòu)通過(guò)上下結(jié)點(diǎn)關(guān)系易于建立車輛之間的沖突作用關(guān)系并分析連續(xù)風(fēng)險(xiǎn)的致因。

圖4 連鎖沖突的刺激-反應(yīng)過(guò)程Fig.4 The stimulus-response process of chained conflict

將連鎖沖突效應(yīng)視為樹(shù)模型的建立，其根結(jié)點(diǎn)為造成連鎖沖突的主因車輛，樹(shù)模型中該車輛直接造成的沖突為直接沖突，其他為連鎖沖突，沖突樹(shù)中的沖突個(gè)數(shù)體現(xiàn)了該連鎖沖突效應(yīng)的嚴(yán)重性。對(duì)于某觀測(cè)時(shí)段中按時(shí)間排列的所有沖突(p=1,2,…,N)建立沖突樹(shù)的關(guān)系結(jié)構(gòu)。

2 實(shí)驗(yàn)與分析

2.1 數(shù)據(jù)采集

使用DJI Phantom 4 型號(hào)無(wú)人機(jī)于廣州市廣州大橋路段進(jìn)行數(shù)據(jù)采集，所拍攝路段總長(zhǎng)約1 100 m，設(shè)計(jì)速度為60 km/h，包含了廣州大橋北公交站的2 個(gè)站臺(tái)?？奎c(diǎn)，共于7 個(gè)場(chǎng)景拍攝了約20 h 的航拍視頻，部分場(chǎng)景見(jiàn)圖5。從該路段數(shù)據(jù)中提取了66 559條車輛軌跡，包括2 571條公交車的軌跡。

圖5 數(shù)據(jù)采集部分場(chǎng)景Fig.5 Parts of data collection scenes

采用二維TTC模型計(jì)算每輛車在行駛過(guò)程中與其他車輛的碰撞時(shí)間，定義車輛i與車輛j行駛中在一定時(shí)間范圍Δt內(nèi)僅可能發(fā)生1 次沖突，當(dāng)2 輛車出現(xiàn)某一段時(shí)間的碰撞時(shí)間小于閾值t*時(shí)出現(xiàn)交通沖突，且TTCij為該過(guò)程中的最小碰撞時(shí)間。實(shí)驗(yàn)中Δt設(shè)為10 s，依據(jù)經(jīng)驗(yàn)將閾值t*設(shè)為3 s[23]，對(duì)碰撞時(shí)間小于3 s內(nèi)的沖突數(shù)據(jù)進(jìn)行分析。以此標(biāo)準(zhǔn)，共識(shí)別得到92 398 條沖突數(shù)據(jù)，其中包括63 848 條跟馳沖突和28 550 條橫向沖突，每條沖突數(shù)據(jù)包括的全部屬性見(jiàn)表3。

表3 沖突數(shù)據(jù)屬性含義Tab.3 Attributes meaning of conflict data

2.2 連鎖沖突識(shí)別效果

所識(shí)別的某一連鎖沖突鏈的發(fā)生過(guò)程見(jiàn)圖6，圖6（a）中車輛1 705與1 713發(fā)生根沖突，車輛1 713為主因車輛，而后共6輛車形成了一串連續(xù)的沖突樹(shù)，其中圖6（b）和圖6（d）為與主因車輛1 713發(fā)生的直接沖突，圖6（c）與圖6（e）為主因車輛1 713 造成的連鎖沖突。

圖6 連鎖沖突識(shí)別示例Fig.6 Examples of chained conflict identification

連鎖沖突中車輛的速度變化見(jiàn)圖7，分析該沖突樹(shù)中車輛行駛速度變化可知，根沖突（a）由車輛1 713變道行為引起，并對(duì)車輛1 705產(chǎn)生刺激；車輛1 705于222.3 s發(fā)生減速避險(xiǎn)反應(yīng)，從而形成了沖突（c），并對(duì)車輛1 720產(chǎn)生刺激；車輛1 720于223.4 s發(fā)生減速避險(xiǎn)反應(yīng)，從而形成了沖突（e）?？梢暬败囕v速度分析驗(yàn)證了沖突樹(shù)模型對(duì)連鎖沖突的識(shí)別效果。

圖7 連鎖沖突中車輛的速度變化Fig.7 Speed changes of vehicles in chained conflicts

2.3 公交車沖突頻率分析

為了研究城市公交車帶來(lái)的交通安全風(fēng)險(xiǎn)程度，并在不同路段交通狀態(tài)下進(jìn)行量化對(duì)比，筆者將采集路段數(shù)據(jù)分為4個(gè)交通狀態(tài)分析公交車形成交通沖突的頻率。4個(gè)交通狀態(tài)分別為：①交通處于擁堵流，平均車速小于10 km/h；②交通處于擁堵強(qiáng)制流，平均車速為10～20 km/h；③交通處于非擁堵不穩(wěn)定流，平均車速為20～30 km/h；④交通處于暢通狀態(tài)，平均車速大于30 km/h。將數(shù)據(jù)按照1 min 的時(shí)間間隔劃分為若干樣本，共得到614個(gè)有效樣本，并提取每個(gè)樣本內(nèi)公交車與小汽車的沖突數(shù)據(jù)，按照式分別計(jì)算平均每輛車1 min內(nèi)的沖突次數(shù)，即為第z個(gè)樣本的沖突頻率。

式中：cl為car 或bus；為第z個(gè)樣本中cl類型車輛發(fā)生的沖突數(shù)；為第z個(gè)樣本中cl類型車輛的數(shù)量。

不同交通狀態(tài)下2類車輛的沖突頻率累積頻率圖見(jiàn)圖8。由圖8 可見(jiàn)：①相比較小汽車，公交車的平均沖突頻率分布普遍后移，且交通狀態(tài)越擁堵，2種車輛的沖突頻率分布差異越明顯；②在Vˉ＜10 km/h的狀態(tài)下，30%以上的樣本中公交車的沖突頻率超過(guò)9次/（veh·min）（最高的樣本中達(dá)23次/（veh·min）），城市公交車在擁堵流中對(duì)交通安全風(fēng)險(xiǎn)影響極高。

圖8 2類車輛的沖突頻率累積頻率圖Fig.8 Cumulative frequency diagrams of conflict frequency of the 2 types vehicle

2.4 公交車沖突嚴(yán)重性分析

車輛對(duì)之間的碰撞時(shí)間越小，留給車輛的反應(yīng)時(shí)間越短，發(fā)生碰撞的概率越大，因此TTC的數(shù)值大小在一定程度上能夠衡量交通沖突的嚴(yán)重性。在4 種交通狀態(tài)下，分析采集的沖突數(shù)據(jù)中TTC的分布，見(jiàn)圖9。從TTC分布上可以看出，對(duì)于小汽車來(lái)說(shuō)，其沖突碰撞時(shí)間在前3個(gè)狀態(tài)分布幾乎不變，交通暢通狀態(tài)下TTC更集中于中部；對(duì)于公交車來(lái)說(shuō)，在越擁堵的狀態(tài)下其沖突碰撞時(shí)間分布越靠近小區(qū)間，沖突嚴(yán)重性越高。從累積頻率上可以看出，公交車與小汽車的沖突嚴(yán)重性在擁堵流與強(qiáng)制流狀態(tài)下差異最大，且差異集中在0～0.6區(qū)間，該區(qū)間內(nèi)公交車沖突分布高于小汽車1倍以上。

圖9 2類車輛的沖突TTC累積頻率圖Fig.9 Cumulative frequency diagrams of conflict TTC of the 2 types vehicle

為量化交通沖突的嚴(yán)重性，按照累積頻率的方法[24]劃分嚴(yán)重性等級(jí)，將所有沖突樣本的TTC按照從小到大排列，以前15%為嚴(yán)重沖突閾值，50%為中度沖突閾值，85%為輕微沖突閾值，得到嚴(yán)重沖突閾值為0.44 s，中度沖突閾值為1.20 s，輕微沖突閾值為2.18 s。3種等級(jí)的沖突統(tǒng)計(jì)結(jié)果見(jiàn)表4，公交車的嚴(yán)重沖突率達(dá)33.39%，該比例是小汽車的2倍。

表4 不同嚴(yán)重性等級(jí)的沖突統(tǒng)計(jì)結(jié)果Tab.4 Conflict statistics of different severity levels

針對(duì)不同交通狀態(tài)下的沖突嚴(yán)重性，依據(jù)3 個(gè)沖突等級(jí)進(jìn)行分析。采集數(shù)據(jù)中4個(gè)狀態(tài)下的公交車比例分別為4.00%，3.66%，3.65%，4.17%，為進(jìn)行等量對(duì)比，均折算為4.00%。表5為不同狀態(tài)下的沖突嚴(yán)重性分析結(jié)果，包括對(duì)2種車輛的嚴(yán)重/中度/輕微沖突率、沖突頻率和折算公交車沖突比例的分析。由表5可見(jiàn)：①在擁堵?tīng)顟B(tài)下，公交車的嚴(yán)重沖突率高達(dá)40.71%，平均每輛公交車每分鐘形成2.63個(gè)嚴(yán)重沖突，該狀態(tài)下公交車的安全風(fēng)險(xiǎn)影響極高；②在暢通狀態(tài)下，當(dāng)平均車速達(dá)到30 km/h 以上，小汽車的沖突頻率大幅度降低，嚴(yán)重沖突率僅為11.37%，相應(yīng)地，公交車的指標(biāo)降幅較小，嚴(yán)重沖突率仍達(dá)到24.01%，此時(shí)比例最高的中度沖突率達(dá)47.91%；③在沖突頻率上，在所有交通狀態(tài)下公交車沖突頻率均為小汽車的1.5～2 倍，其中嚴(yán)重沖突高達(dá)2.5～5 倍，遠(yuǎn)遠(yuǎn)高于交通研究中常用的大型車折算系數(shù)（平地上為1.5）；④對(duì)比折算公交車沖突比例與折算公交車數(shù)量比例（4.00%）可知，公交車沖突比例遠(yuǎn)遠(yuǎn)高于其車輛數(shù)比例，擁堵?tīng)顟B(tài)下超過(guò)10%的嚴(yán)重沖突均由公交車形成，而暢通狀態(tài)下17.25%的嚴(yán)重沖突由公交車形成。

表5 沖突嚴(yán)重性分析結(jié)果Tab.5 Analysis result of conflict severity

2.5 公交車沖突聚集性分析

考慮到連鎖沖突會(huì)造成區(qū)域內(nèi)多個(gè)沖突不斷聚集，多個(gè)車輛行駛速度與方向發(fā)生變化，車輛難以即時(shí)采取措施避免碰撞，這種情況下更易造成交通事故。

將1.3 節(jié)所介紹的多車沖突模型與連鎖沖突樹(shù)進(jìn)行實(shí)例對(duì)比分析，間隔10 s記錄2個(gè)時(shí)刻聚集性風(fēng)險(xiǎn)的識(shí)別結(jié)果，包括每種方法識(shí)別出的聚集性風(fēng)險(xiǎn)數(shù)量以及每個(gè)風(fēng)險(xiǎn)內(nèi)部涉及到的車輛數(shù)和風(fēng)險(xiǎn)程度指標(biāo)，見(jiàn)表6。以時(shí)刻1為例，3種方法識(shí)別出的聚集風(fēng)險(xiǎn)數(shù)分別為11，3，3；11個(gè)車輛群內(nèi)涉及的車輛數(shù)分別為12，2，2，2，3，7，2，2，3，6，2，按照該模型計(jì)算得到的各群體行車風(fēng)險(xiǎn)度分別為0.167，0，0.5，0，0，0.286，0，0，0，0.333，0；3個(gè)事故鏈內(nèi)涉及的車輛數(shù)分別為4，5，3，其中高危險(xiǎn)的鏈條數(shù)分別為2，3，2；3個(gè)沖突樹(shù)內(nèi)涉及的車輛數(shù)分別為4，7，3，其中樹(shù)內(nèi)關(guān)聯(lián)的沖突數(shù)量分別為3，7，2，以及各沖突樹(shù)中每個(gè)沖突形成的時(shí)間分別為[0.4，0.7，1.6]，[1.9，3.2，3.2，3.2，4.8，4.9，6.2]，[0.2，2.5]，整個(gè)沖突樹(shù)的持續(xù)時(shí)間分別為1.2，4.3，2.3 s，第1個(gè)造成連續(xù)性沖突的車輛類型為car、bus和bus。

表6 不同方法量化聚集性交通風(fēng)險(xiǎn)的結(jié)果對(duì)比Tab.6 Comparison of the results from different methods to quantify gathered traffic risks

3 種方法均可以識(shí)別某一時(shí)刻聚集的高風(fēng)險(xiǎn)車輛，其中車輛群模型劃分出的群體數(shù)最多，但有多數(shù)行車風(fēng)險(xiǎn)度為0；事故鏈模型與沖突樹(shù)模型識(shí)別出的聚集風(fēng)險(xiǎn)相似，但事故鏈模型的危險(xiǎn)鏈數(shù)比鏈內(nèi)車輛數(shù)少30%～50%，這是由于事故鏈內(nèi)車輛并未在該時(shí)刻全部由危險(xiǎn)鏈關(guān)聯(lián)；而沖突樹(shù)還能識(shí)別多車風(fēng)險(xiǎn)在短時(shí)間內(nèi)造成的其他關(guān)聯(lián)沖突，因此樹(shù)內(nèi)所含沖突數(shù)量更多。相比其他方法，沖突樹(shù)模型能夠借助連鎖沖突跟蹤該聚集性高風(fēng)險(xiǎn)的持續(xù)發(fā)展，并能夠追溯主因車輛類型。

因此對(duì)比不同交通狀態(tài)下的沖突連鎖效應(yīng)，以量化公交車沖突聚集性。采用沖突連鎖效應(yīng)比例衡量沖突聚集性概率，其定義為某種車輛群體在一段時(shí)間內(nèi)參與到連鎖沖突中的沖突數(shù)比例；采用平均沖突樹(shù)長(zhǎng)度衡量沖突聚集范圍大小，其定義為平均每個(gè)沖突樹(shù)中的沖突次數(shù)。

采集嚴(yán)重與中度沖突數(shù)據(jù)進(jìn)行分析，連鎖沖突識(shí)別結(jié)果見(jiàn)表7，14.67%的小汽車沖突形成了連鎖沖突，平均沖突樹(shù)長(zhǎng)度為3.18次；30.75%的公交車沖突形成了連鎖沖突，平均沖突樹(shù)長(zhǎng)度為4.23次。

表7 連鎖沖突識(shí)別結(jié)果Tab.7 Results of chained conflict recognition

沖突連鎖效應(yīng)比例見(jiàn)圖10。擁堵?tīng)顟B(tài)下35%以上的公交車交通沖突形成了連鎖效應(yīng)，比起小汽車高出1倍，公交車為連鎖沖突形成的重要主體；暢通狀態(tài)下該比例則大幅度減少，在平均速度大于30 km/h的狀態(tài)下幾乎不存在沖突連鎖效應(yīng)。平均沖突數(shù)長(zhǎng)度分析結(jié)果見(jiàn)圖11。擁堵?tīng)顟B(tài)下公交車引起的沖突樹(shù)長(zhǎng)度平均比小汽車高出1 次沖突，沖突聚集范圍更廣；暢通狀態(tài)下則相對(duì)較低。

圖10 沖突連鎖效應(yīng)比例結(jié)果Fig.10 Results of the conflicts chain effect proportion

圖11 平均沖突樹(shù)長(zhǎng)度分析結(jié)果Fig.11 Results of average conflict tree length analysis

3 結(jié)束語(yǔ)

1）筆者將經(jīng)典的碰撞時(shí)間擴(kuò)展為二維TTC 模型，構(gòu)建了跟馳沖突與橫向沖突數(shù)據(jù)；根據(jù)車輛行駛刺激-反應(yīng)理論建立沖突之間的關(guān)聯(lián)，將區(qū)域連鎖沖突抽象為含時(shí)序性的沖突樹(shù)并實(shí)現(xiàn)識(shí)別；同時(shí)將所提出的沖突技術(shù)應(yīng)用在實(shí)際數(shù)據(jù)中，提供了1種研究城市公交車在區(qū)域混合交通中的沖突風(fēng)險(xiǎn)量化方法。

2）沖突樹(shù)模型能夠有效地依據(jù)連鎖沖突量化聚集性交通風(fēng)險(xiǎn)，并實(shí)現(xiàn)連鎖過(guò)程的微觀重構(gòu)和主因車輛的追溯。在實(shí)例分析中：擁堵流中公交車的沖突頻率極高，30%的公交車沖突超過(guò)9 次/min；公交車的嚴(yán)重沖突率為小汽車的2.5～5 倍，擁堵?tīng)顟B(tài)下達(dá)40%；公交車造成的連鎖沖突比例為小汽車的2倍，擁堵流中該比例高達(dá)36%，影響車輛數(shù)也更多，在聚集區(qū)域內(nèi)事故風(fēng)險(xiǎn)大大提高。通過(guò)量化分析可知，任何交通狀態(tài)下公交車給混合交通帶來(lái)的安全風(fēng)險(xiǎn)都更大，尤其在擁堵?tīng)顟B(tài)下公交車與小汽車的風(fēng)險(xiǎn)差異最大。

3）經(jīng)過(guò)城市公交車風(fēng)險(xiǎn)分析，可以從實(shí)際數(shù)據(jù)中得到某路段中公交車在各交通狀態(tài)下的運(yùn)行風(fēng)險(xiǎn)程度，從而為安全風(fēng)險(xiǎn)防范、公交專用道規(guī)劃等措施提供理論基礎(chǔ)。

4）本文僅針對(duì)城市基本路段研究公交車行車風(fēng)險(xiǎn)的量化分析方法，若應(yīng)用在快速路匝道、無(wú)信號(hào)燈交叉口等特殊路段，還需要驗(yàn)證分析方法并補(bǔ)充量化指標(biāo)。此外，后續(xù)研究中可以基于車路協(xié)同將連鎖沖突應(yīng)用于連續(xù)行車風(fēng)險(xiǎn)的實(shí)時(shí)預(yù)警。