崔洪軍，周啟航，朱敏清

(河北工業(yè)大學，a.土木與交通學院；b.建筑與藝術(shù)設(shè)計學院，天津 300401)

0 引言

目前，中國城市交通管控面臨一個重要的問題，即如何管理非機動車輛在交叉口的通行。隨著城市經(jīng)濟的快速發(fā)展，作為出行最為方便的交通工具之一，非機動車輛的持有比例也在不斷上升，其在交叉口的行駛所帶來的交通安全問題也隨之加大[1]。特別是由非機動車自由行駛所產(chǎn)生的交叉口非機動車群膨脹現(xiàn)象，會對交叉口的釋放效率和安全性產(chǎn)生巨大影響[2]。因此，有必要從車輛行駛行為角度研究交叉口處非機動車輛通行時的交通沖突安全風險，對提高道路通行效率和服務(wù)水平，降低非機動車帶來的影響具有促進作用，也可以進一步為交叉口信號配時提供相關(guān)理論依據(jù)。

目前，針對非機動車進行的軌跡分析和沖突風險研究已經(jīng)有很多研究成果，例如，結(jié)合速度和間距等行駛特性分析其軌跡[3]；通過采集減速和換道等行駛行為研究非機動車的沖突風險[4]等。此外，沈家軍等[5]通過分析沖突區(qū)非機動車情況，建立機動車與非機動車沖突概率模型；巫誠誠[6]通過視域分析和隨機森林模型構(gòu)建交叉口非機動車沖突的空間預(yù)測模型，預(yù)測沖突點位置和嚴重程度；XUE等[7]利用貝葉斯方法建立基于車輛和非機動車的沖突模型。

隨著非機動車數(shù)量的急劇增長，其在交叉口通行時所產(chǎn)生的膨脹現(xiàn)象越來越嚴重，一些研究針對這一問題進行了深入探討。GUO等[8]通過考察影響車輛行駛行為的各種因素，解釋自行車的釋放膨脹行為；曲紹偉等[9]利用視頻軌跡提取技術(shù)，通過光流法描述直行電動自行車在綠燈期間的膨脹特征；譚婷[10]通過社會力模型分析非機動車輛對臨近機動車的影響。在安全風險評價研究方面，MOHAN等[11]通過交通事故數(shù)據(jù)分析城市道路安全；蔡曉禹等[12]提出基于車輛OBD 駕駛行為數(shù)據(jù)及信息熵理論的城市道路交通安全風險預(yù)估方法；黨曉旭等[13]建立基于交通事故數(shù)據(jù)的區(qū)域道路交通安全評價指標體系。

近年來，隨著視頻識別技術(shù)的快速發(fā)展，通過無人機獲取的交叉口視頻數(shù)據(jù)類型齊全，精度高，可以此為依據(jù)實時分析車輛加減速和并行超車等駕駛行為。因此，本文借助城市交叉口視頻數(shù)據(jù)優(yōu)勢，從時間和空間分析信號交叉口直行非機動車膨脹特性，在此基礎(chǔ)上，對直行非機動車的通行區(qū)域進行分類，分析不同區(qū)域非機動車在膨脹特性下的行駛行為數(shù)據(jù)，并通過改進的熵權(quán)法建立信號交叉口直行非機動車沖突風險評價指標體系及計算方法，預(yù)估交通沖突風險。

1 直行非機動車數(shù)據(jù)調(diào)查與膨脹分析

1.1 數(shù)據(jù)收集與處理

本文通過無人機獲取交叉口物理區(qū)域內(nèi)直行非機動車輛行駛數(shù)據(jù)。如表1 與圖1 所示，選擇天津市圍堤道、海光寺及氣象臺這3個具有代表性的交叉口，獲取其7 月和8 月每周周三和周四早晚高峰時段7:00-9:00 和17:00-20:00 進行交通數(shù)據(jù)調(diào)查。

圖1 交叉口現(xiàn)狀調(diào)研Fig.1 Investigation of intersections

表1 各交叉口情況Table 1 Status of intersections

通過在現(xiàn)場運用無人機拍攝獲取交通視頻數(shù)據(jù)，數(shù)據(jù)收集于2022年7月20日—8月20日。選擇在天氣晴朗的工作日進行，記錄了20 h 的視頻數(shù)據(jù)，獲得各種非機動車行駛軌跡特征數(shù)據(jù)。本文采用1個交叉口信號周期作為基本的分析周期，通過Adobe Premiere Pro(PR)軟件裁剪視頻，并使用DATAfromsky軟件提取視頻數(shù)據(jù)。

目前，DATAfromsky軟件已廣泛應(yīng)用于交通狀態(tài)監(jiān)測與軌跡提取等各種場景，通過該軟件可獲取交叉口各類非機動車輛的基本坐標信息、檢測時間和車輛速度與加速度等[14]。所獲取原始數(shù)據(jù)如表2所示，包含電動自行車與自行車，其中，并未包含摩托車數(shù)據(jù)，由于所選交叉口不存在摩托車，因此，被識別為摩托車的個體均為電動自行車。

表2 非機動車輛原始軌跡數(shù)據(jù)Table 2 Raw trajectory data for non-motorized vehicles

由于通過DATAfromsky 所獲取的原始數(shù)據(jù)位于像素坐標系中，其數(shù)據(jù)單位均為pixel，因此，需要將其轉(zhuǎn)化為經(jīng)緯度地理坐標下數(shù)據(jù)，以進一步的分析。

通過DATAfromsky 軟件中的地理坐標轉(zhuǎn)化功能，以視頻首幀圖像為地理坐標轉(zhuǎn)化參考，設(shè)定4個地面參照點。通過谷歌地圖獲取各地面參照點的經(jīng)緯度坐標，并在DATAfromsky軟件的WGS-84界面按順序輸入。同時，為保證結(jié)果精度，通過調(diào)整地面參照點的位置，使其偏差值(dev)保持在0.1 m以下，所得結(jié)果如表3所示。

表3 各交叉口地面參照點坐標及偏差值Table 3 Coordinates and deviation values of ground reference points at each intersection

為驗證DATAfromsky 轉(zhuǎn)化后輸出數(shù)據(jù)的準確性。以交叉口實驗電動自行車作為研究對象，以車輛軌跡與車輛運行速度為指標，進行對比實驗，對比結(jié)果如圖2所示，DATAfromsky所得到軌跡數(shù)據(jù)以及車輛速度的大小與變化均與車載GPS 所獲取的軌跡和速度基本一致，說明DATAfromsky輸出的數(shù)據(jù)具有較高的可靠性。

圖2 對比實驗車輛運行速度與軌跡曲線Fig.2 Comparison of experimental vehicle running speed and trajectory curves

建立平面坐標系，以非機動車進口道中點處為原點，直行前進方向為X軸方向，臨近機動車道方向為Y軸方向。通過Python處理數(shù)據(jù)，獲取其在平面坐標系下的車輛行駛行為數(shù)據(jù)，反映非機動車輛的運動狀態(tài)。數(shù)據(jù)包括X坐標方向車輛位移、Y坐標方向車輛位移、X坐標方向車輛速度、Y坐標方向車輛速度、車輛縱向加速度及車輛橫向加速度等。處理后實例數(shù)據(jù)如表4 所示，其中，xij為i時刻j非機動車的X坐標，yij為i時刻j非機動車的Y坐標，Sxij、Syij分別為i時刻j非機動車的X、Y坐標方向位移，Sij為i時刻j非機動車的總位移量，Vyij、Vxij為i時刻j非機動車的X、Y坐標方向速度，Vij為i時刻j非機動車的速度，Axij、Ayij為i時刻j非機動車的X、Y坐標方向加速度，Yij為i時刻j非機動車橫向總位移。

表4 非機動車輛行駛數(shù)據(jù)Table 4 Non-motorized vehicle travel data

1.2 膨脹現(xiàn)象與釋放階段分析

非機動車膨脹指紅燈期間積聚的非機動車輛群在放行時，由于缺乏隔離措施以及車輛過多等原因，出現(xiàn)的沿直行方向橫向偏移現(xiàn)象[9]。在該情況下，非機動車輛間頻繁的發(fā)生超車和并排行駛現(xiàn)象，使膨脹過程中存在大量的沖突與安全隱患。因此，從非機動車的膨脹特性角度出發(fā)，分析直行非機動車的行駛行為與特征。

通過無人機視頻獲取直行非機動車輛通過交叉口物理區(qū)的車流量數(shù)據(jù)。天津市圍堤道交叉口綠燈釋放時間內(nèi)非機動車輛的流量變化如圖3 所示，其直行相位綠燈釋放時間為45 s，以5 s 為時間間隔記錄流量。

圖3 綠燈釋放時間內(nèi)非機動車流量變化Fig.3 Change in non-motorized traffic during green light release time

在綠燈釋放期的9個時間間隔內(nèi)，非機動車輛的流量隨著時間的變化逐漸減少。在15 s 后的時間間隔內(nèi)，流量的變化逐漸趨于穩(wěn)定。流量數(shù)據(jù)保持在0～2 veh·s-1。(5,10]和(10,15]的流量數(shù)據(jù)分布在比其他時間間隔更高的位置，中值約為8 veh·s-1，最高可達到10 veh·s-1。

因此，總結(jié)得出，直行非機動車通過交叉口時的3 個明顯階段[9]：釋放初期、釋放中期及釋放末期?？煽闯?，在[0,15]，非機動車流量占總流量的60%～80%。因此，可以得出，電動自行車在綠燈期間的排放主要集中在釋放初期，即[0,15]內(nèi)，該階段也是非機動車群膨脹現(xiàn)象主要發(fā)生階段，其階段特征最為明顯，該時段的沖突情況最為嚴重，因此，以第1階段的非機動車膨脹情況為主要研究對象。

1.3 行駛軌跡區(qū)域劃分

在交叉口內(nèi)，由于交叉口長度短、進出口道數(shù)多及缺乏機非隔離帶等問題，導(dǎo)致交叉口內(nèi)部車輛間相互干擾大，沖突點數(shù)量多，呈現(xiàn)出獨特的交通流特征。其中，非機動車膨脹尤為突出，作為一個漸變的過程，其在不同行駛區(qū)域內(nèi)，非機動車輛沖突風險與行駛行為會有所不同。因而，在考慮直行非機動車膨脹特性的基礎(chǔ)上，根據(jù)統(tǒng)計的車輛軌跡數(shù)據(jù)，可以通過K-means函數(shù)對車輛軌跡特征進行聚類分析，將城市信號交叉口非機動車直行行駛區(qū)域分為釋放區(qū)、膨脹區(qū)和匯入?yún)^(qū)這3類，如圖4所示。

圖4 信號交叉口直行非機動車通行Fig.4 Signalized intersections for straight through non-motorized traffic

聚類分析是當前交通分析中常用的研究方法。K-means算法是一種劃分式聚類方法，需要事先確定簇類的數(shù)目，該算法通過反復(fù)迭代，直到滿足停止條件為止，將數(shù)據(jù)進行分類。K-means算法適用于凸型數(shù)據(jù)，具有結(jié)構(gòu)簡單和結(jié)果明確且收斂速度快等特點。因此，本文使用K-means算法對通行區(qū)域的非機動車輛行駛軌跡進行聚類分析，以獲得更清晰的結(jié)果。

根據(jù)觀察到的非機動車輛的軌跡變化，在對比分析后，發(fā)現(xiàn)k=3 時，聚類效果最佳，因而，取k=3，對其進行聚類。使用歐式距離計算每個軌跡點與聚類中心之間的距離，并將軌跡點分配到距離最近的聚類簇中，其中，歐式距離為

通過對產(chǎn)生的3個簇進行分類，并計算每個簇中與其他點的平均距離最小的點，確定每個簇的質(zhì)心。重復(fù)該過程，直至每個簇的質(zhì)心位置不再移動，以精確劃定交叉口的釋放區(qū)、膨脹區(qū)和匯入?yún)^(qū)的范圍，如圖5所示。

圖5 通行區(qū)域K-means聚類分析Fig.5 K-means cluster analysis of access zones

結(jié)果表明，在交叉口內(nèi)，可以從不同的階段或區(qū)域分析非機動車輛的行駛行為，每個區(qū)域的行駛行為和沖突風險有所不同。通過對這些特性的研究，可以更好地理解交通流特點，并采取相應(yīng)的交通管理措施改善交叉口的交通狀況。

2 考慮膨脹特性的信號交叉口直行非機動車沖突風險評價

2.1 不同區(qū)域關(guān)鍵指標選取

由于在非機動車膨脹過程中，包含著大量的并行與超車行為。其中，無論是并行還是超車行為，均會給周圍車輛的行駛帶來干擾，導(dǎo)致沖突風險的產(chǎn)生。因此，在確定釋放區(qū)、膨脹區(qū)及匯入?yún)^(qū)范圍后，通過分析不同區(qū)域內(nèi)的非機動車輛行駛行為信息，進一步判斷沖突存在與否以及其強烈程度。

(1)釋放區(qū)

分析釋放區(qū)的非機動車行駛行為發(fā)現(xiàn)，非機動車流通過停止線駛?cè)虢徊婵冢蓧嚎s狀態(tài)逐漸轉(zhuǎn)換為自由行駛狀態(tài)，同時，存在大量的車輛超車行為。原因為：停止線排隊導(dǎo)致非機動車輛密度高，車輛間距小，影響后方排隊車輛；駕駛員目的性強，對前方慢速行駛的非機動車不滿，容易超車，因此，超車頻繁，車輛群體迅速膨脹。分析釋放區(qū)非機動車輛的數(shù)據(jù)顯示，該區(qū)域的縱向加速度分布廣泛，橫向變化時速度和加速度以x坐標正方向為主，與超車行為相符，如圖6所示。

圖6 釋放區(qū)非機動車行駛行為分析Fig.6 Behavioral analysis of non-motorized vehicles in release zone

(2)膨脹區(qū)

分析膨脹區(qū)非機動行駛行為顯示，在通過停止線進入交叉口后，非機動車輛處于自由行駛狀態(tài)，同時，存在大量的車輛并行現(xiàn)象。導(dǎo)致這一現(xiàn)象的原因包括：駕駛員在認知上存在著盡快通過交叉口和保持安全距離的矛盾心理，部分車輛存在超車現(xiàn)象；受臨近車道機動車輛的影響，無法進一步膨脹，因此，車輛并行現(xiàn)象增加，使非機動車群體膨脹程度達到頂峰。分析膨脹區(qū)非機動車輛的數(shù)據(jù)發(fā)現(xiàn)，在該區(qū)域的橫向加速度小于釋放區(qū)，縱向加速度則大于封閉直線段。由于大量車輛并行行為存在，車輛橫向變化時與臨近機動車輛和非機動車輛的沖突影響較大，如圖7所示。

圖7 膨脹區(qū)非機動車行駛行為分析Fig.7 Behavioral analysis of non-motorized vehicles in expension zone

(3)匯入?yún)^(qū)

分析匯入?yún)^(qū)的非機動行駛行為，對于該區(qū)域內(nèi)的非機動車輛，電動自行車流擴散后車頭方向逐漸收斂至行進方向；在最后臨近駛?cè)胂掠畏菣C動車道時，車頭方向進一步收束，并最終達到與非機動車道方向一致，因而，在該階段中，同樣存在著大量的超車行為。分析匯入?yún)^(qū)非機動車輛的車輛行駛數(shù)據(jù)表明，車輛在該段的橫向碰撞頻率增加，由于車輛群的收縮，橫向負位移與速度的變化要大于正向位移與速度的變化，車輛的橫向加速度大幅提升，如圖8所示。

圖8 匯入?yún)^(qū)非機動車行駛行為分析Fig.8 Behavioral analysis of non-motorized vehicles in convergence zone

2.2 評價體系建立

通過分析不同區(qū)域內(nèi)的非機動車輛行駛行為信息，可以看出，在膨脹過程中，不同區(qū)域的非機動車行駛行為有所不同。在釋放區(qū)域，非機動車輛以超車行為為主；在膨脹區(qū)域，非機動車車輛以并行行為為主；在匯入?yún)^(qū)域，非機動車同樣以超車行為為主。

因而，構(gòu)建以釋放、膨脹及匯入這3 個區(qū)域的沖突風險熵為一級指標，不同區(qū)域膨脹過程中的車輛行駛行為指標為二級指標的信號交叉口直行非機動車沖突風險評價體系，提出基于熵權(quán)法的膨脹過程中非機動車輛沖突風險熵的計算方法。

由于加速和超車等行為，車輛在釋放階段會有較大的縱向和橫向速度變化。因此，車輛縱向加速度(A1)、橫向正位移加速度(A2)、縱向速度(A3)及橫向速度(A4)是通行釋放區(qū)域(A)中行駛行為的次要指標。

由于車輛并行行為以及臨近機動車輛的影響，車輛降低縱向加速度，改變橫向速度。因此，車輛行駛速度(B1)、車輛縱向加速度(B2)以及車輛橫向加速度(B3)是通行膨脹區(qū)域(B)中行駛行為的次要指標。

在車輛出口段，由于車輛的減速和一些駛出車輛的變道，出現(xiàn)了縱向速度降低和負方向橫向速度變化。因此，車輛縱向減速度(C1)、車輛橫向負位移加速度(C2)、車輛縱向速度(C3)以及車輛橫向速度(C4)是通行匯入?yún)^(qū)域(C) 中行駛行為的次要指標。

綜上，信號交叉口直行非機動車沖突風險評價體系如圖9所示。

圖9 信號交叉口直行非機動車沖突風險評價體系Fig.9 Signalized intersection straight ahead non-motorized vehicle conflict risk evaluation system

3 直行非機動車沖突風險熵模型

3.1 模型構(gòu)建

目前，常見的風險評價方法主要有熵權(quán)法、層次分析法(AHP)和灰色關(guān)聯(lián)分析。其中，層次分析法(AHP)是通過專家判斷和對比確定指標權(quán)重，具有較強的主觀性；灰色關(guān)聯(lián)分析是在數(shù)據(jù)有限、特征缺失或質(zhì)量不高的情況下，通過建立關(guān)聯(lián)度模型評價風險程度，不適用于復(fù)雜的風險評估問題。

熵權(quán)法是基于信息熵原理，通過熵值判斷指標的離散化程度，認為離散化程度越高的指標在整個評價體系中作用越大。在車輛運動過程中，車輛速度和加速度的變化越大，其離散程度越大，在評價體系中的權(quán)重越高，車輛發(fā)生沖突風險越高。因而，熵權(quán)法更適合描述車輛行為對交叉口非機動車沖突風險程度的影響，從而更全面地評估車輛沖突風險[12]。

本文所提出的評價體系以非機動車輛的速度和加速度等行為為主要評價指標，因此，建立改進的熵權(quán)評價模型，結(jié)合大量的行駛行為數(shù)據(jù)，進行非機動車輛沖突的風險熵計算，可以有效準確地評估非機動車輛的沖突風險。其具體計算步驟如下。

Step 1 基于原始數(shù)據(jù)構(gòu)建矩陣R′。

設(shè)有n個待評價對象，每個對象有m個指標，設(shè)第l個評價對象的第h個評價指標值為，得到原始數(shù)據(jù)矩陣R′為

Step 2 同向化處理原始矩陣，將各指標轉(zhuǎn)化為標準化指標，得到標準化矩陣R為

其中，標準化后的指標值rkh，其正向指標標準化處理為

逆向指標標準化處理為

Step 3對R矩陣歸一化后得到矩陣P，即

Step 4 計算各指標的信息熵eh為

Step 5 為充分考慮各指標值的分布情況及離散程度的差異，對各指標進行賦權(quán)，以均衡其對綜合評價值的影響。傳統(tǒng)的熵權(quán)法在所有熵值趨近于1時，存在問題，會過度放大差距，導(dǎo)致賦權(quán)不合理[15]。特別是在可靠性較高的系統(tǒng)中，部分指標值會非常接近1。

因此，本文采用改進的熵權(quán)法[16]解決這個問題。這種改進的方法不僅能克服傳統(tǒng)熵權(quán)法的缺點，還能保持拉開差距的能力，在考慮指標間差異的同時，避免過度放大差距的情況。

根據(jù)改進熵權(quán)法，各指標權(quán)重為

式中：ωh為改進后計算所得第h個評價指標值的權(quán)重；為除1外的各指標熵值的均值。

利用改進的熵權(quán)法，可以根據(jù)各指標的重要性和對綜合評價的貢獻程度賦予合理的權(quán)重。通過這種方法，為系統(tǒng)的評價結(jié)果提供更可靠的依據(jù)。

3.2 結(jié)果分析

通過沖突風險熵模型評估非機動車行駛行為。通過處理大量的不同交叉口非機動行駛行為數(shù)據(jù)，使用沖突風險熵模型評估這些交叉口數(shù)據(jù)。根據(jù)均方根誤差分析不同交叉口不同方位車輛評估結(jié)果的準確性。如果誤差在合理范圍內(nèi)，則認為結(jié)果是有效的。

通過這種方法，可以高效地進行非機動車輛沖突風險的評估，同時，保證評估結(jié)果的準確性。由于樣本數(shù)據(jù)已經(jīng)覆蓋不同類型的交叉口，可以全面考慮各種實際情況下的行駛行為對沖突風險的影響。

式中：RRMSE為均方根誤差；o為總計存在o個該評價指標；為該評價指標的平均權(quán)重；ωu為第u個該評價指標的權(quán)重。

計算后所得各交叉口不同區(qū)域結(jié)果如表5 和圖10所示。

圖10 釋放區(qū)各評價指標所占比例Fig.10 Proportion of each evaluation indicator in release zone

表5 釋放區(qū)各評價指標所占比例Table 5 Proportion of each evaluation indicator in release zone

通過表5 對不同交叉口的釋放區(qū)的綜合評價分析，結(jié)合圖10所展示的內(nèi)容，車輛的縱向加速度(A1)對該階段交叉口非機動車輛沖突影響最大，為32.54%；其次，為車輛橫向正位移加速度(A4)與橫向車速(A3)，占比為29.05%與31.95%；車輛的橫向車速是影響最小的，占比為6.44%。

通過表6 對不同交叉口膨脹區(qū)的綜合評價分析，結(jié)合圖11 所顯示，車輛縱向加速度(B2)對該階段交叉口非機動車輛沖突影響最大，為51.05%；其次，為車輛當前時刻的橫向加速度(B3)，占比為39.69%；當前時刻車速(B1)是影響最小的，占比為9.25%。

圖11 膨脹區(qū)各評價指標所占比例Fig.11 Proportion of each evaluation indicator in swell zone

表6 膨脹區(qū)各評價指標所占比例Table 6 Proportion of each evaluation indicator in swell zone

通過表7 對不同交叉口匯入?yún)^(qū)的綜合評價分析，結(jié)合圖12所展示出的內(nèi)容，車輛的縱向減速度(C1)與橫向負位移加速度(C2)對該階段交叉口非機動車輛沖突影響最大，為36.69%與31.54%；其次，為車輛橫向速度(C4)，占比為25.75%；最后，為車輛縱向速度(C3)，占比為5.99%。

圖12 匯入?yún)^(qū)各評價指標所占比例Fig.12 Proportion of each evaluation indicator in confluence zone

表7 匯入?yún)^(qū)各評價指標所占比例Table 7 Proportion of each evaluation indicator in confluence zone

通過分析表格與相關(guān)圖例，獲取各交叉口不同區(qū)域的評價指標所占比例，其計算誤差在合理范圍內(nèi)證明評估結(jié)果的有效性。因此，該方法可以用來評估信號交叉口直行非機動車沖突風險。

4 直行非機動車膨脹過程中實時交通沖突風險評估

基于非機動車輛沖突風險熵模型，實時評價交叉口不同區(qū)域的非機動車輛沖突風險等級為

式中：rlh為對應(yīng)評價指標h的行駛行為。

在非機動車輛初期發(fā)生沖突時，由于在紅燈時間內(nèi)到達車輛在非機動車道處形成集群，因此，在綠燈初期，非機動車輛釋放是集體通行狀態(tài)，當前方車輛發(fā)生沖突時，會導(dǎo)致后方車輛的通行。而在綠燈末期，由于非機動車輛的到達是離散的，因此，當其發(fā)生沖突時，其影響較小。

因此，在不同的時間段內(nèi)，非機動車流的釋放情況有所不同。與非機動車釋放階段相結(jié)合，分析不同時間下，通行區(qū)域內(nèi)的非機動車沖突變化趨勢，通過時間變化圖與交叉口熱力圖等，有效直觀的進行表述分析。圍堤道1 個綠燈周期內(nèi)非機動車釋放隨時間的變化如圖13所示。

圖13 隨時間變化的非機動車沖突風險熱力圖Fig.13 Heat map of non-motorized conflict risk over time

從圖13 可以看出，隨時間變化的非機動車風險熱力圖整體變化趨勢與非機動車膨脹過程的時空變化表現(xiàn)一致。從非機動車輛進入交叉口開始，隨著非機動車輛不斷的涌入交叉口，直至當前周期結(jié)束，通行區(qū)域的沖突風險程度開始上升，直至非機動車群膨脹達到最大時，其沖突風險也達到最大，隨后，隨著非機動車輛離開通行區(qū)域，沖突風險也隨之降低。在非機動車膨脹達到最大的情景，非機動車高風險區(qū)域主要集中在通行區(qū)域邊緣區(qū)域與車輛膨脹區(qū)域，這些區(qū)域的車輛超車行為與并行行為頻發(fā)，即車輛加減速與行駛速度較大的區(qū)域。

綜上所述，圖示以及相關(guān)數(shù)據(jù)顯示了非機動車在交叉口通行過程中的沖突風險變化。隨著非機動車的膨脹和離開，沖突風險也相應(yīng)地增加和降低。高風險區(qū)域主要集中在通行區(qū)域邊緣和車輛膨脹區(qū)域，與行駛行為相一致。

5 結(jié)論

本文基于信號交叉口直行非機動車膨脹的特點，對信號交叉口的直行非機動車沖突風險進行了評價研究，主要研究結(jié)果如下：

(1)基于非機動車膨脹特性的時空分布規(guī)律，利用K-means 聚類分析將非機動車通行區(qū)域劃分為釋放區(qū)、膨脹區(qū)及匯入?yún)^(qū)這3個區(qū)域。根據(jù)車輛在不同區(qū)域的不同行駛行為特征，確立釋放區(qū)域、膨脹區(qū)域及匯入?yún)^(qū)域為一級指標，車輛縱向加速度、縱向速度及橫向速度等為二級指標的信號交叉口直行非機動車沖突風險評價體系。

(2)利用改進的熵權(quán)法構(gòu)建風險沖突熵模型，并將其運用于信號交叉口直行非機動車沖突風險評價體系。在對圍堤道、氣象局和海光寺這3個交叉口的計算實驗中，得到各指標均方根誤差均在0.1以內(nèi)，證明該體系在不同交叉口上的可行性與準確性。

(3)通過信號交叉口直行非機動車沖突風險評價體系，結(jié)合天津市圍堤道交叉口進行實例分析，獲得該區(qū)域周期熱力分布圖變化，熱力圖結(jié)果表明，該區(qū)域的沖突風險點分布與變化趨勢與非機動車膨脹過程的時空變化表現(xiàn)一致，證明本文研究的合理性。本文通過評估信號交叉口直行非機動車風險，識別和了解潛在的安全隱患，以助于采取相應(yīng)的交通管理措施和政策改善交通安全狀況。