摘 要：為分析車速、周期、沖突位置，以及交通量等因素對(duì)城市平面交叉口交通沖突的影響，從機(jī)動(dòng)車特性、非機(jī)動(dòng)車特性、交叉口特性三方面初選21個(gè)影響因素，選取南寧市桂林市4個(gè)典型平面交叉口進(jìn)行實(shí)地調(diào)研，記錄右轉(zhuǎn)機(jī)動(dòng)車與非機(jī)動(dòng)車之間345條交通沖突數(shù)據(jù)作為分析樣本，采用隨機(jī)森林法分析城市交叉口右轉(zhuǎn)車與非機(jī)動(dòng)車風(fēng)險(xiǎn)構(gòu)成要素間的致因及其顯著性。研究結(jié)果表明：在城市交叉口中右轉(zhuǎn)車與非機(jī)動(dòng)車速度、各進(jìn)口道周期、綠燈時(shí)長(zhǎng)、交通量越大，發(fā)生沖突的概率越大；當(dāng)機(jī)非沖突位置在交叉口中時(shí)，沖突的發(fā)生概率越大，應(yīng)加強(qiáng)右轉(zhuǎn)車在交叉口與非機(jī)動(dòng)車轉(zhuǎn)彎的安全風(fēng)險(xiǎn)防控。

關(guān)鍵詞：機(jī)非沖突 影響因素 隨機(jī)森林 交通安全

在城市道路交叉口交通安全的影響研究方面，Kathryn[1]得出騎行者騎行過程中打電話行為、聽音樂行為以及與同行者攀談行為等是誘發(fā)交通沖突發(fā)生的重要因素。程國(guó)柱[2]建立機(jī)非沖突數(shù)與非機(jī)動(dòng)車流量的回歸分析模型，模型結(jié)果表明自行車數(shù)量與機(jī)非沖突數(shù)成正相關(guān)，通過拓寬自行車道，可減少機(jī)非沖突的發(fā)生。Jiang等[3]在對(duì)交通沖突嚴(yán)重度進(jìn)行辨別與分析后認(rèn)為由紅燈期間駛?cè)胱筠D(zhuǎn)車輛待轉(zhuǎn)區(qū)的車輛而導(dǎo)致的二次沖突以及追尾沖突顯著地 增加了交通沖突的嚴(yán)重性。劉志士[4]分析非機(jī)動(dòng)車與機(jī)動(dòng)車發(fā)生沖突的影響因素，發(fā)現(xiàn)土地利用類型、停車泊位利用率以及機(jī)動(dòng)車開關(guān)門行為等是重要影響因素。郭延永等[5]發(fā)現(xiàn)直行和右轉(zhuǎn)交通量與交通沖突存在顯著的正相關(guān)關(guān)系，右轉(zhuǎn)專用相位等可有效降低交通沖突。

目前對(duì)交通風(fēng)險(xiǎn)因素的分析，多集中與事故數(shù)據(jù)的雙因素分析，基于交通沖突的更多要素的分析較少。本文通過對(duì)城市道路交叉口交通風(fēng)險(xiǎn)因素的分類整理，構(gòu)建交叉口風(fēng)險(xiǎn)影響因素模型。并基于實(shí)際交通沖突數(shù)據(jù)和特征分析，談?wù)摱囡L(fēng)險(xiǎn)因素對(duì)交叉口交通安全的量化影響，為交叉口多因素風(fēng)險(xiǎn)分析提供參考和借鑒。

1 基本思路

本文以實(shí)地調(diào)查采集和提取的數(shù)據(jù)為基礎(chǔ)，對(duì)右轉(zhuǎn)機(jī)動(dòng)車與非機(jī)動(dòng)車沖突樣本提供了“嚴(yán)重性”標(biāo)簽，以便本文能夠?qū)⒚看螞_突的“嚴(yán)重性”與其影響因素狀況關(guān)聯(lián)起來(lái)，開展有監(jiān)督的機(jī)器學(xué)習(xí)訓(xùn)練。本文將介紹隨機(jī)森林理論，闡述了它對(duì)本研究的適用性以及進(jìn)行影響因素分析的思路。然后從交叉口、機(jī)動(dòng)車、非機(jī)動(dòng)車三個(gè)角度，選取21個(gè)影響因素并進(jìn)行了量化。之后通過調(diào)整隨機(jī)森林的超參數(shù)，實(shí)現(xiàn)了高精度的分類。按照因素重要度計(jì)算結(jié)果，將各因素分為強(qiáng)影響、弱影響和基本無(wú)影響三個(gè)等級(jí)。最后結(jié)合統(tǒng)計(jì)數(shù)據(jù)，分析了強(qiáng)弱影響因素的具體作用。

2 影響因素分析

2.1 隨機(jī)森林模型

本文通過使用隨機(jī)森林（RandomForest，RF）[6]的特征重要性評(píng)估，進(jìn)行交通沖突影響因素分析?；舅悸肥牵菏紫群饬棵總€(gè)因素特征在隨機(jī)森林中的每棵決策樹上做出的貢獻(xiàn)，再根據(jù)決策樹的數(shù)量取平均值，最后比較不同因素特征的貢獻(xiàn)大小，進(jìn)行重要性排序。本文采用基尼指數(shù)作為貢獻(xiàn)度衡量指標(biāo)，以下具體介紹因素重要性的計(jì)算思路和流程。

假設(shè)VIM為特征的重要性評(píng)分，GI代表Gini值。當(dāng)前節(jié)點(diǎn)分到的樣本中共有y個(gè)特征，表示第k個(gè)特征在節(jié)點(diǎn)m中所占的比例，則節(jié)點(diǎn)m的基尼值為：

（1）

可以看出，基尼值在0～1之間，越接近0，樣本分類就越統(tǒng)一，純度越大。

假設(shè)節(jié)點(diǎn)m以特征作為分支依據(jù)，則在節(jié)點(diǎn)m的重要性表現(xiàn)為分支前后GI值的變化量：

（2）

其中，和分別表示分支后的左右兩個(gè)新節(jié)點(diǎn)的GI值。

設(shè)集合M是特征在決策樹i中出現(xiàn)的所有節(jié)點(diǎn)，則在決策樹i的重要性為：

（3）

若隨機(jī)森林中總共有n棵樹，則有：

（4）

最后對(duì)所有特征重要性評(píng)分進(jìn)行歸一化處理，得到最終重要性評(píng)分：

（5）

上述流程總結(jié)為：先計(jì)算某個(gè)特征在單個(gè)節(jié)點(diǎn)的純度，再遍歷一棵樹的所有相關(guān)節(jié)點(diǎn)進(jìn)行求和，之后遍歷整片森林求和，最終進(jìn)行歸一化處理即為該特征對(duì)隨機(jī)森林分類預(yù)測(cè)的貢獻(xiàn)度，據(jù)此對(duì)影響因素重要性進(jìn)行排序。

2.2 交通沖突影響因素

在交叉口安全影響因素研究中，Rodionova等[7]考慮了駕駛員、車輛、道路、事故形態(tài)和環(huán)境5個(gè)方面;初旭新等[8]則綜合考慮車、路和環(huán)境因素，本文主要選取人、車輛、道路和管理因素作為交叉口交通風(fēng)險(xiǎn)的構(gòu)成要素。目前對(duì)交叉口風(fēng)險(xiǎn)影響要素分析的研究中，并沒有對(duì)沖突位置、車輛轉(zhuǎn)彎半徑與轉(zhuǎn)彎車道半徑進(jìn)行區(qū)分，因而也忽視了分析由此而產(chǎn)生的交通沖突，而這種沖突在實(shí)際交通運(yùn)行過程中會(huì)產(chǎn)生一定的安全隱患。本文從“交叉口”、“機(jī)動(dòng)車”、“非機(jī)動(dòng)車”這三個(gè)角度共提取21個(gè)因素對(duì)城市交叉口風(fēng)險(xiǎn)構(gòu)成要素進(jìn)行分析，城市交叉口風(fēng)險(xiǎn)構(gòu)成要素見表1。

3 實(shí)例分析

選取南寧市白沙大橋-教育路、桂林市普陀路-芳香路、桂林市六合路-普陀路、桂林市東二環(huán)-航天路，共4個(gè)交叉口對(duì)隨機(jī)森林模型進(jìn)行驗(yàn)證，選擇17：00-18：00時(shí)段四個(gè)交叉口合計(jì)60min交通視頻，分析其中共計(jì)796輛機(jī)動(dòng)車，4471輛非機(jī)動(dòng)車。

沖突數(shù)據(jù)源于無(wú)人機(jī)采集高精度、連續(xù)的多車輛軌跡視頻，結(jié)合Labelimg可視化圖像標(biāo)定工具實(shí)現(xiàn)運(yùn)行車輛狀態(tài)識(shí)別與跟蹤，并記錄車輛每一幀的運(yùn)動(dòng)數(shù)據(jù)；其次，基于交通沖突識(shí)別指標(biāo)TTC，進(jìn)一步對(duì)提取的軌跡數(shù)據(jù)進(jìn)行以沖突角度、速度和距離、車身長(zhǎng)度等為核心的機(jī)非沖突綜合判別，并使用K-medoids 聚類算法確定右轉(zhuǎn)車與非機(jī)動(dòng)車各沖突的類型與嚴(yán)重程度，劃分為嚴(yán)重、一般、輕微沖突三個(gè)等級(jí)。

本文基于Python3.7實(shí)現(xiàn)隨機(jī)森林模型的分類預(yù)測(cè)和特征重要度排序，然后導(dǎo)入交通沖突嚴(yán)重性和影響因素量化的數(shù)據(jù)集，對(duì)各數(shù)據(jù)標(biāo)簽進(jìn)行命名，按0.8和0.2的比例劃分為訓(xùn)練集和測(cè)試集，使用訓(xùn)練集的數(shù)據(jù)訓(xùn)練隨機(jī)森林模型。然后將測(cè)試集代入模型，計(jì)算分類學(xué)習(xí)的精度。之后計(jì)算特征重要度，對(duì)各影響因素進(jìn)行排序。在超參數(shù)尋優(yōu)時(shí)，設(shè)置決策樹數(shù)量n_estimators范圍為10至100，間隔為10，設(shè)置決策樹深度max_depth范圍為1至總特征數(shù)，間隔為1。分別計(jì)算兩種沖突的每種參數(shù)組合的分類精度，結(jié)果如表4-4和表4-5所示（標(biāo)紅加粗的數(shù)值為最優(yōu)值）

把上表繪制成三維圖，數(shù)值為精度，橫軸坐標(biāo)分別是決策樹數(shù)量與決策樹深度。

找到上面計(jì)算的最優(yōu)參數(shù)，即最優(yōu)的決策樹數(shù)量和決策樹深度后，進(jìn)行500次訓(xùn)練，檢驗(yàn)?zāi)Ｐ头诸惥扰c魯棒性，結(jié)果如圖所示，可以看出沖突測(cè)試集精度均穩(wěn)定在0.8以上，曲線波動(dòng)較小，模型魯棒性較好。

每個(gè)數(shù)據(jù)樣本由上方進(jìn)入決策樹后，在各個(gè)節(jié)點(diǎn)按照某個(gè)因素特征進(jìn)行分割，最終劃分形成葉片，得到?jīng)_突嚴(yán)重性結(jié)果。本文的隨機(jī)森林模型以這些決策樹為基礎(chǔ)，根據(jù)前面2.1“影響因素分析原理”，完成對(duì)影響因素與沖突嚴(yán)重性關(guān)系的評(píng)估。各影響因素重要度計(jì)算結(jié)果如表3圖3所示。

由圖3可以看出，對(duì)于右轉(zhuǎn)車與非機(jī)動(dòng)車沖突，強(qiáng)影響因素有2個(gè)，分別是右轉(zhuǎn)車速度、非機(jī)動(dòng)車速度，重要度均在0.18以上；弱影響因素有5個(gè)，包括周期時(shí)長(zhǎng)、非機(jī)動(dòng)車交通量、綠信比、非機(jī)動(dòng)車起始過街位置、右轉(zhuǎn)車交通量，重要度在0.05～0.1；其余14個(gè)因素基本無(wú)影響。

4 結(jié)論

分析統(tǒng)計(jì)數(shù)據(jù)可以得出以下結(jié)論：

（1）在沖突雙方的速度方面，右轉(zhuǎn)車速度和非機(jī)動(dòng)車速度越大，發(fā)生輕微沖突概率越小，發(fā)生嚴(yán)重沖突的概率越大。

（2）各進(jìn)口道周期、綠燈時(shí)長(zhǎng)越大，發(fā)生沖突的概率越大，這可能是由于周期、綠燈時(shí)長(zhǎng)越大，交通狀況越復(fù)雜。

（3）非機(jī)動(dòng)車交通量與機(jī)動(dòng)車交通量越大，發(fā)生沖突的概率越大。

（4）當(dāng)機(jī)非沖突發(fā)生的位置在交叉口中時(shí)，沖突的發(fā)生概率和嚴(yán)重性越大，原因可能是其沖突距離更小，沖突反應(yīng)時(shí)間更短。

（5）一塊板和兩塊板對(duì)于右轉(zhuǎn)hnJrJ3Pjg8Mn/OoF+uJS/2xsRw9X+ydic2WN0ixCpZQ=車和非機(jī)動(dòng)車的沖突嚴(yán)重性影響相差不大，但三塊板和四塊板能明顯降低嚴(yán)重沖突的概率，這可能是機(jī)非分隔帶增加了右轉(zhuǎn)車與非機(jī)動(dòng)車的距離，提供了相對(duì)較大的緩沖空間。

在接下來(lái)的工作中，對(duì)應(yīng)多因素風(fēng)險(xiǎn)影響機(jī)理可以進(jìn)一步深入探討，對(duì)應(yīng)不同類型交叉口風(fēng)險(xiǎn)或不同類型車輛沖突之間的多因素影響效應(yīng)還有待進(jìn)一步分析和研究。

基金項(xiàng)目：大學(xué)生創(chuàng)新訓(xùn)練計(jì)劃立項(xiàng)項(xiàng)目（S202210595279）；2021年度廣西中國(guó)-東盟綜合交通國(guó)際聯(lián)合重點(diǎn)實(shí)驗(yàn)室運(yùn)行補(bǔ)助項(xiàng)目（21-220-21）；南寧市科學(xué)研究與技術(shù)開發(fā)計(jì)劃項(xiàng)目（20223230）。

參考文獻(xiàn)：

[1]HU F， LV D， ZHU J，等.Related Risk Factors for Injury Severity of E-bike and Bicycle Crashes in Hefei[J].Traffic Injury Prevention，2014，15（3）：319-323.

[2]程國(guó)柱，王婉琦，徐慧智.城市道路機(jī)非沖突分析與自行車道寬度計(jì)算方法[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2019，51（9）：130-136.

[3]Safety evaluation of signalized intersections with left-turn waiting area in China - ScienceDirect[EB/OL].（2021-05-19）[2024-01-28].https：//www.sciencedirect.com/science/article/pii/S0001457515300634.

[4]路側(cè)停車對(duì)非機(jī)動(dòng)車騎行干擾機(jī)理研究[EB/OL].（2021-05-19）[2024-01-28].https：//d.wanfangdata.com.cn/thesis/ChJUaGVzaXNOZXdTMjAyNDAxMDkSCUQwMTA5Nzg5NBoIajE5eGM4b2U%3D.

[5]郭延永，劉攀，吳瑤，等.基于交通沖突模型的信號(hào)交叉口渠化島設(shè)置方法[J].交通運(yùn)輸工程學(xué)報(bào)，2017，17（4）：140-148.

[6]李英帥，張旭，王衛(wèi)杰，等.基于隨機(jī)森林的電動(dòng)自行車騎行者事故傷害程度影響因素分析[J].交通運(yùn)輸系統(tǒng)工程與信息，2021，21（1）：196-200.

[7]RODIONOVA M，SKHVEDIANI A， KUDRYAVTSEVA T. Prediction of Crash Severity as a Way of Road Safety Improvement：The Case of Saint Petersburg， Russia[J].Sustainability，2022，14（16）：9840.

[8]初旭新，宗剛，彭朝霞，等.基于ISM的道路交通安全影響因素研究[J].安全與環(huán)境學(xué)報(bào)，2017，17（5）：1668-1672.