王孜健，李心怡，景 峻，李 鵬，么新鵬

（1.山東高速集團(tuán)有限公司，山東 濟(jì)南 250000；2.同濟(jì)大學(xué)道路與交通工程教育部重點實驗室，上海 201804）

1 研究背景

道路安全始終是最值得關(guān)注的社會問題之一。隨著中國交通水平的發(fā)展，人均汽車保有量不斷提高，交通事故發(fā)生的數(shù)量整體呈上升趨勢[1]。為了降低交通事故發(fā)生的概率，加強(qiáng)對交通安全的研究至關(guān)重要。

隨著智能化交通安全管控的不斷發(fā)展，交通安全替代分析方法（Surrogate Safety Analysis）在學(xué)界中也引發(fā)人們的關(guān)注。交通安全替代分析方法以其“未遂先兆”、高效快速的特點，與“事后主動”、數(shù)據(jù)收集周期長的通過歷史碰撞數(shù)據(jù)分析相比，更具優(yōu)勢。安全評價指標(biāo)的構(gòu)建，在交通安全替代分析領(lǐng)域中有著廣泛的應(yīng)用價值。

針對車-車沖突，現(xiàn)有主流交通沖突分析技術(shù)主要基于恒定速度駕駛。 其中， 碰撞時間（Time-To-Collision，TTC）是跟車沖突研究領(lǐng)域中廣泛應(yīng)用的指標(biāo)，其計算公式如下所示：

式（1）中：tTTC（t）為t時刻兩車碰撞時間，s；Xlead（t）為t時刻前車縱向位置，m；Xfollow（t）為t時刻后車縱向位置，m；llead為前車的車身長度，m；X˙follow（t）為t時刻后車的縱向速度，m/s；為t時刻前車的縱向速度，m/s。

碰撞時間（TTC）由HAYWARD[2]于1971 年首次提出，其假設(shè)在車輛與車輛碰撞預(yù)測的過程中，以恒定的現(xiàn)有車速和行駛狀態(tài)到兩車相撞所間隔的時間作為判斷兩車相撞的風(fēng)險程度。然而，這一假設(shè)忽略了車輛在駕駛過程中的速度及行駛狀態(tài)變化，缺乏了對車輛與車輛交互影響過程中的動態(tài)演化機(jī)制，因此其不能準(zhǔn)確反應(yīng)車-車交互過程中的實際風(fēng)險演化特征。

現(xiàn)有針對碰撞時間的改進(jìn)研究主要基于TTC 的計算結(jié)果和統(tǒng)計分布展開，如暴露碰撞時間（Time Exposed TTC，TET）和累積危險碰撞時間（Time Integrated TTC，TIT）[3]。前者的定義為：規(guī)定閾值，計算所有車輛TTC 在該時間和區(qū)域內(nèi)低于該閾值的時間之和。但該指標(biāo)無法表示低于閾值的程度?？赡艽嬖赥ET 相同，但低于閾值程度顯著不同的情況。TIT針對TET 的缺點進(jìn)行改進(jìn)，計算TTC 在該時間和區(qū)域內(nèi)低于閾值的時間積分。與TTC 相比，TIT 和TET 的優(yōu)勢在于用新指標(biāo)替代在一個時間段內(nèi)使用一個路段的所有對象的TTC 值。但這兩個指標(biāo)僅對某時間段內(nèi)某段道路的整體安全進(jìn)行評價，不能表示兩車間實時安全性。

由于以上方法依然基于恒定速度假設(shè)，并未從根本上彌補(bǔ)TTC 未考慮車-車交互影響的缺點，本文擬通過改變軌跡預(yù)測的方式對TTC 進(jìn)行改進(jìn)，利用全域軌跡數(shù)據(jù)，提取跟車場景，構(gòu)建LSTM 軌跡預(yù)測模型，計算改進(jìn)碰撞時間（improved TTC，iTTC）。

2 數(shù)據(jù)準(zhǔn)備

2.1 數(shù)據(jù)來源

數(shù)據(jù)來源于同濟(jì)大學(xué)道路交通安全與環(huán)境教育部工程研究中心開發(fā)的同濟(jì)道路軌跡數(shù)據(jù)平臺（TJRD TS）[4]。數(shù)據(jù)集包括山西五盂智慧高速的基于毫米波雷達(dá)和激光雷達(dá)采集的全域軌跡數(shù)據(jù)，以0.1 s 為間隔采集。本文所用的數(shù)據(jù)為2021 年7 月、8 月、9 月于山西五盂智慧高速路段（K347+600—K352+690）采集的車輛軌跡數(shù)據(jù)集，共計63 397 059 條數(shù)據(jù)，其中核心數(shù)據(jù)如表1 所示。

表1 核心數(shù)據(jù)描述

2.2 數(shù)據(jù)處理

由于本數(shù)據(jù)集由毫米波雷達(dá)和激光雷達(dá)采集，工作時受環(huán)境影響大，可能存在數(shù)據(jù)缺失或假數(shù)據(jù)，因此應(yīng)當(dāng)對該數(shù)據(jù)集進(jìn)行處理。通過數(shù)據(jù)清洗，將缺失率較高的車輛軌跡和行駛軌跡明顯不合理的車輛軌跡進(jìn)行剔除。篩除異常數(shù)據(jù)后，使用線性插值法補(bǔ)足缺失片段，然后利用卡爾曼濾波去除數(shù)據(jù)中的噪聲。

2.3 跟車場景提取

由于本文的研究對象是跟車場景，因此實際使用的是從數(shù)據(jù)集中提取的跟車行為片段，目前從該數(shù)據(jù)集提取了26 007 個車輛跟車事件。跟車事件認(rèn)定的方式為[5]：①雷達(dá)目標(biāo)的識別號為LV（前車）大于0 且保持不變，以保證FV（后車）的前車是同一個LV；②LV（前車）和FV（后車）之間的縱向距離在7～120 m 區(qū)間內(nèi)，以排除堵車的情況；③LV（前車）和FV（后車）之間的橫向距離小于2 m，以確保LV（前車）和FV（后車）位于同一條車道上；④跟車事件的持續(xù)時間大于15 s，保證每個跟車事件有足夠的數(shù)據(jù)用于分析。

從整個數(shù)據(jù)集中抽取出16 905 個跟車事件，每個事件由若干條記錄構(gòu)成，每個記錄包含了前后車的運動學(xué)狀態(tài)等信息。

3 行車風(fēng)險致因模型構(gòu)建

3.1 模型選擇

長短期記憶（Long Short-Term Memory，LSTM）是一種由Hochreiter 和Schmidhuber（1997）提出的在長序列預(yù)測中表現(xiàn)較好的神經(jīng)網(wǎng)絡(luò)。軌跡預(yù)測實際上可視為序列生成任務(wù)，因此本文選擇使用LSTM 進(jìn)行軌跡預(yù)測，其基本結(jié)構(gòu)如圖1 所示。LSTM 神經(jīng)網(wǎng)絡(luò)的核心在于通過多門協(xié)作的方式，控制信息的流動。

圖1 LSTM 基本結(jié)構(gòu)

3.2 模型搭建

3.2.1 改進(jìn)的LSTM 的軌跡預(yù)測模型

實驗發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)的各項參數(shù)對預(yù)測精度影響較大。本文模型中加入了Embedding 作為LSTM 的輸入，同時加入Dropout 層來防止出現(xiàn)過擬合的問題。改進(jìn)后的軌跡預(yù)測模型如圖2 所示，該模型選擇adam為模型優(yōu)化器，mse 為損失函數(shù)。

圖2 改進(jìn)的軌跡預(yù)測模型

3.2.2 基于軌跡預(yù)測的碰撞時間計算

選取處于跟車狀態(tài)的車輛對，對兩車分別利用改進(jìn)的LSTM 軌跡預(yù)測模型進(jìn)行軌跡預(yù)測。若在預(yù)測過程中的某一時刻t出現(xiàn)兩車中心點距離小于4.6 m 的情況，則將t時刻視為預(yù)測軌跡產(chǎn)生碰撞的時間點tpc。通過軌跡預(yù)測得到的預(yù)測碰撞時間（predicted TTC，pTTC）公式如下所示：

式（2）中：tpTTC為pTTC 的值，s；tpc為預(yù)測軌跡產(chǎn)生碰撞的時間點，s；tp0為初始預(yù)測時間，s。

重復(fù)該流程1 000 次，取5%分位的pTTC 作為當(dāng)前時刻的iTTC。

4 應(yīng)用案例

4.1 數(shù)據(jù)來源

數(shù)據(jù)也是來源于同濟(jì)大學(xué)道路交通安全與環(huán)境教育部工程研究中心開發(fā)的同濟(jì)道路軌跡數(shù)據(jù)平臺（TJRD TS）[4]。數(shù)據(jù)集包括山西五盂智慧高速的基于毫米波雷達(dá)和激光雷達(dá)采集的全域軌跡數(shù)據(jù)，以0.1 s 為間隔采集。本文提取的數(shù)據(jù)為山西五盂智慧高速路段（K347+600—K352+690）2021 年10 月的車輛軌跡數(shù)據(jù)集。

4.2 驗證軌跡預(yù)測結(jié)果和分析

經(jīng)過大量實驗，最終選擇將軌跡數(shù)據(jù)的時間間隔處理為0.4 s，用前6.4 s 的軌跡預(yù)測后8 s 的軌跡。為了驗證改進(jìn)后的多層LSTM 在軌跡預(yù)測方面的作用，本文對不同的LSTM 算法進(jìn)行測試，并用均方誤差對改進(jìn)算法的有效性進(jìn)行驗證，結(jié)果如表2 所示?？梢钥闯?，改進(jìn)后的雙層LSTM 模型誤差較小，軌跡預(yù)測精度提高。

表2 模型改進(jìn)前后預(yù)測效果對比

4.3 改進(jìn)碰撞時間應(yīng)用示例

選取一跟車場景，繪制改進(jìn)碰撞時間iTTC 和碰撞時間TTC 的變化曲線圖，如圖3 所示。其中，時間戳間隔為0.4 s。若將TTC 小于等于2 s 片段視為危險場景，傳統(tǒng)TTC 在第3.1 s 時識別出危險場景，改進(jìn)后的iTTC 在第2 s 時識別出危險場景，較原TTC 提前1.1 s識別出危險場景。

圖3 改進(jìn)的軌跡預(yù)測模型

可以看出，改進(jìn)碰撞時間與傳統(tǒng)碰撞時間相比，或能更及時識別出危險情況。該提前識別危險場景的時間可為駕駛?cè)藛T提供更多反應(yīng)時間，從而有利于交通安全，降低事故發(fā)生率。

5 結(jié)論

本文考慮到TTC 指標(biāo)恒速假設(shè)的局限性，利用基于LSTM 的軌跡預(yù)測改進(jìn)碰撞時間。該指標(biāo)的優(yōu)勢在于，通過大量數(shù)據(jù)訓(xùn)練使模型在預(yù)測軌跡過程中考慮到運動預(yù)測中的不確定性，與事實更加相符。與傳統(tǒng)LSTM 模型相比，改進(jìn)后的LSTM 模型具有更好的軌跡預(yù)測效果。根據(jù)此模型得到的改進(jìn)碰撞時間iTTC 可以更加合理推斷未來數(shù)秒內(nèi)車輛的行駛軌跡，從而得到更貼合實際情況的碰撞時間。同時，驗證結(jié)果顯示，改進(jìn)后的iTTC 較傳統(tǒng)TTC 或能更及時識別出危險場景，為駕駛?cè)藛T提供更多的反應(yīng)時間，從而降低事故發(fā)生概率，有利于道路安全發(fā)展。

但本文所構(gòu)建指標(biāo)僅考慮跟馳場景下的駕駛特征，后續(xù)研究可根據(jù)更多駕駛場景下的駕駛特征變化進(jìn)一步探究沖突指標(biāo)改進(jìn)方案及其效果。