文摘
本研究的目的是调查换道特征在高速公路出口匝道区域使用上海自然驾驶研究(SH-NDS)数据,考虑一条四车道的高速公路在各种交通状况。在SH-NDS,司机的行为是观察悄悄地在自然环境中很长一段时间。我们确定了433换道事件有效的时间序列数据从整个数据集。基于分对数模型来分析目标车道的选择,换道行为的可能性分析画对三个交通状况:自由流动,介质流和重流。结果表明,现有车辆的换道行为的后果之间的平衡路线计划(强制性激励)和期望改善驾驶条件(可自由支配的动机)。在交通密度高,后者似乎发挥重要作用。此外,我们发现从慢车道前馈快车道将导致更高的速度方差值,这表明更高的事故风险。该研究有助于更好地理解在高速公路出站地区自然司机的驾驶行为,可以提供重要的见解道路网络设计和安全管理策略。
1。介绍
创新技术和交通数据源提供巨大的潜力来扩展高级道路安全研究的策略和方法。交通安全建模和分析的发展将发挥重要的作用在减少道路交通事故,提高交通运营。换道的不利影响对交通安全调查和确认。在交通管理方面最近的研究表明,换道机动交通干扰的主要来源是多车道高速公路(1]。等道路安全演习也是至关重要的,40%的高速公路事故发生在斜坡地区,尤其是在出站部分(2]。更好的理解前馈事件还可以改善驾驶辅助系统的人机界面的设计。
到目前为止,换道的特点和影响因素在城市道路或高速公路从司机行为的角度研究了3和道路和交通状况4,5]。在这些研究中,变道可分为强制性或酌情根据驱动激励(6]。一般交通流出做强制性换道(例如,出站或避免块),而通过交通行为自由换道时司机看到目标车道的驾驶条件更好。到目前为止几乎没有研究集成建模的强制性和可自由支配的换道高速公路出站地区的策略。
交通在快车道上必须改变的肩膀在退出前巷斜坡高速公路上。通常执行强制性换道的肩膀道出发的车辆出站区域之前足够远。然而,在实际的交通状况,插队行为经常发生当接近一个出站和显著影响通行能力和稳定性,这是忽略了在大多数仿真程序。此外,权衡强制性和可自由支配的激励是有限的。例如,当考虑强制换道退出一个斜坡,司机可能会决定先前面超过一个重型车辆(例如,执行一个可自由支配的前馈第一)。数据收集技术的进步,(例如,自然驱动系统),获取高分辨率的车辆数据,提供一个机会让我们完全理解高度复杂的换道过程,特别是权衡决定。因此,它是有价值的进行全面的实证研究在高速公路出口匝道区域换道决策。
换道建模方法主要包括两种不同的形式:前馈决策模型和前馈的影响模型。换道的决定,Gipps介绍原来的换道模型对城市道路交通信号,障碍物,重型车辆(7),然后根据Gipps几个精致的模型开发和扩展到高速公路(8,9]。艾哈迈德et al。10)采用随机效用理论在换道行为建模和换道的选择被定义为一个序列的三个步骤:决定考虑前馈,选择左或右车道,并寻找可以接受的差距来执行这一决定。艾哈迈德(11]扩展强制LC模型适应拥挤的交通,在被迫合并行为经常发生,因为缺乏通常可接受的差距。托莱多(12)建立了一个离散选择框架模型集成变道和估计参数。换道行为的其他分析方法包括基于风险模型(13),以及人工神经网络等智能算法(14和模糊推理15]。例如,Balal et al。16)应用模糊推理系统模型驱动的二元决策或不执行任意高速公路前馈。前车辆换道行为研究表明,慢在很多情况下吸引以下司机会考虑超车,和95%的司机会选择做换道只有后方目标车道大于15米间距和速度高于以下车辆目标车道上(17,18]。郑(19)分类的主要LC模型在文献中分成两组:模型,旨在捕获LC决策过程和模型,旨在量化LC对交通的影响。
密集的交通状况下,车辆试图前馈后需要合作从至少一个车辆在目标车道上。飞驒[9)建立了一个合作换道模型基于“司机礼貌”的概念。通过全面回顾以前的工作,凯斯廷et al。20.)提出了模型美孚(减少整体制动引起的变道)来解决合作智能车辆的换道。基于美孚,其他研究人员进一步研究智能换道模型(19]。在实证方面,换道行为的研究是更广泛的比纵向行为(如汽车后)由于缺少全面的车辆轨迹数据。连接车辆技术的出现提供了一些很好的机会。
先前的研究依赖于理论计算,交通仿真,或驾驶模拟器和现场实验数据收集换道行为。克服的限制驾驶模拟和现场试验等测试短地平线和有限控制设置(21),100 -汽车自然驾驶研究(NDS)是第一个在美国进行的大规模NDS [22,23在日本),其次是60-Taxi NDS [24]。UDRIVE自然驾驶研究从2012年到2016年在欧洲七个国家(25]。自然驾驶研究,在自然条件(没有干扰,没有外观的研究人员,在日常驾驶)(26,27),提供了机会去观察实际驾驶过程一种低调的高精度数据采集系统。比较密集的努力在司机行为和微观分析,换道模型使用自然的驾驶数据仍然是一个相对不发达的地区。频繁和大量的变道基于个人决策和偏好可以影响交通流量和道路安全。不当换道已被确定为一个拥堵的主要来源和碰撞28]。这是一个挑战性的任务,要完全理解的机制在高速公路出口变道,它需要的数据异构交通状况与不同程度的驾驶行为和感知。
然而,实时换道特征不能获得在大多数现有的研究。有限的调查进行了识别危险换道行为;这样的模型可以应用于实时驾驶辅助系统。换道风险作为代理安全措施已被调查预测崩溃mesoway潜力。通常,交通数据从回路探测器利用预测潜在的换道相关的崩溃和研究表明,相邻车道的入住率明显差异与事故相关潜在(29日]。个人车辆信息提取代理崩溃风险指数,结果显示这项措施是有效地预测交通事故发生30.,31日]。因此,自然的驾驶数据为研究人员提供机会充分调查换道的安全因素。
正在进行的上海自然驾驶研究(SH-NDS)是一个同济大学的共同努力下,通用汽车中国和弗吉尼亚理工大学交通研究所。SH-NDS的目的是调查司机与车辆,道路,交通状况和交通控制设备在中国。还SH-NDS提供机会调查异同中国司机和司机来自其他国家。通常,自然观察车辆配备的设备持续监测驾驶行为的各个方面,包括车辆运动的信息(例如,加速和减速,位置在路上,和行车速度),对司机(如眼睛,头和手的动作),和直接的环境(例如,时间进展,交通密度、道路,和天气条件)。
本研究的目的是调查换道高速公路出站地区使用SH-NDS数据特点,考虑一条四车道的高速公路在各种交通状况。本文组织如下。部分2提出了数据收集和采样;给出了模型结构的描述。同质性和异质性分析以及换道的安全评估中讨论部分3。最后一部分总结评价潜在的未来的研究的范围。
2。方法
2.1。上海自然驾驶研究数据
在上海自然观察法研究驾驶行为观察悄悄地在自然环境中很长一段时间。从上海市区60司机已经涉及自2012年底。35 - 50岁,持有有效的驾驶执照,有超过5年的驾驶体验。参与者被要求驱动平均每天不少于40公里。每个参与者把分配车辆,每天的路线是由自己根据工作和非工作需要的,不存在任何研究员。
的车辆配备不引人注目的数据采集系统组成的GPS,高频摄像机、三轴加速度计,多普勒雷达,莱恩抵消系统。车辆数据采集系统记录数据,当车跑步和运动。合成数据集包括大约750000公里的行驶数据(包括超过80000小时的视频数据)。每个司机被分配到5个检测车辆,开车三个月了。参与者完成后她/他的时间在这项研究中,一个不同的司机被分配到测试车,直到所有参与者的数据收集过程完成。
原始自然的驾驶数据的特点是大量的参数。在这个数据集,有超过10000的CSV文件包含信息从单一获得旅行。本研究的目的,换道数据在高速公路出口匝道区域被选中车辆轨迹数据和运动特性(例如,速度,加速度)选择高速公路出站段;周边交通的目标,是指周围车辆的运动信息检测雷达范围内;由四个车载摄像机记录的视频在坡道退出的完整过程,如图1组成的前锋和后方的观点,方向盘视图和司机的脸。
数据收集和提取的过程如图2。第一个任务是数据清洗。本文在大量现场数据的基础上分析,一个离群值监测方法,提出了基于自学习Pauta标准(32),这是三倍标准差的方法消除离群值。离群值校正方法是基于线性插值。第二步是在高速公路出站部分出发提取样品。我们考虑一条四车道的高速公路。图3说明研究的区域。匹配后实际道路驾驶路径部分根据实际经度和纬度数据在GIS在旅行期间,我们框架的范围在所有高速公路出口出站数据集通过校准点的经度和纬度位置,d .确保所有选定的出站事件是在相同的道路条件下,我们建立了标准:直四车道高速公路,邻近出口不少于4公里的距离,并在好天气条件。缺失的数据,由于数据收集也解释的限制。
2.2。换道样本的识别
换道行为可以由一个或多个以下事件。司机启动转向输入改变车辆的方向。相对于车道车辆开始横向移动。车辆离开当前车道至少暂时(33]。确定换道行为的起始点,采用搜索算法,车道偏移位置和方向盘的角度应用索引提取数据与前馈事件有关。此外,数据分析程序手动检查的视频引发了合格的驾驶事件和确定任何有效的变道高速公路出站段。
一般来说,换道机动的目标车道车道驾驶员感知是最好的,这取决于普遍驾驶条件和她/他的旅行计划。在这项研究中,目标车道被定义为旁边的车道车辆。车道偏移位置参数之一是,这表明车辆中心线之间的偏移量和当前的中心线车道,车道偏移检测到的系统。例如,如图4LO的积极价值意味着车辆偏移的右侧当前车道中心,和一个负LO意味着左车道中心线的偏移量。此外,一旦测试车辆的中心线穿过当前车道边界(左侧或右侧),检测传感器自动识别新巷的中心线;因此LO值将转向相反的符号,表现为突然的变化。因此单和串行换道行为可以区分的突然改变LO值。方向盘角是作为二次指数验证。433年完全有效的换道从数据集中提取的样本。
2.3。换道数据的初步分析
图5433个样本中展示了一个典型的场景。为了方便起见,最左边的车道被定义为第一车道,最右边的车道被定义为四车道上。
探索换道行为的空间分布在高速公路出口匝道区域,分类433换道事件分成三组:从巷1巷2巷2巷3,从巷3巷4。根据前馈事件的初始位置,累积频率可以绘制显示在不同车道变道的空间属性(参见图6)。的设在表达坡道从最初的换道位置的距离。它可以表明,变道的数量需要为了出口坡道是显著相关的距离从最初的换道坡道。基于样本的统计数据,85百分位的变道是在范围内,分别在巷1 2300米至470米,1800米,415米巷2巷3和1200米至290米,呈现在图7。
2.4。换道决策建模
当测试车辆行驶在车道1或4车道,司机只能改变一个方向;因此,我们最终选定319年有效的换道行为从胡同间2或3。本研究的目的,变量影响目标车道高速公路出口匝道区域解释表中选择1。
在这里,我们跟着艾哈迈德(11和托莱多12]液晶离散选择框架。选择目标车道(TL)表示的直接通道测试驱动程序,根据行驶路线信息和交通环境。由于二进制结果的性质,目标车道选择集包含两种选择:要么改变左边的车道(LL)或右车道(RL)。解释司机的选择这两个可选方案中,效用的概念是用来测量改变目标车道的满意度在特定的交通状况和行驶路线。司机的LC的效用被定义为在 在哪里的效用是司机吗 ; 是一个解释变量的向量;是相应的系数 ;和是随机误差项对于一个给定的个人,以及在个人。是一个个人特定的随机项,可以代表可见/不可见的特征。的参数是 这可能指出,由于数据收集的局限性,在评估并不是所有的值可以确定。
假设个体选择另一个他/她的满意度最大化,选择选择当且仅当吗 。假设这个词之前IID耿贝尔分布,个体的概率选择替代logit模型可以表示为 在哪里选择替代的条件系统的实用程序。
正如在前一节中提到的,前馈效用函数取决于解释变量包括行驶路线信息,交通环境,以及驱动程序的特点。由于抽样标准,离开了前馈的样本量相对较小(LL)的选择。因此,将被定义为替代 。尽管司机特征(例如,驾驶风格)自然产生重大影响的各个方面换道的决定,在大多数实地测试数据不可用;然而,它们的参数可以被个人特定的术语(6,12]。
3所示。结果
3.1。模型的估计
几个模型诊断方法被用来检查模型拟合优度和每个解释变量的统计显著性。总共20分对数模型中的变量最初测试,只有6人发现统计学意义。最后logit模型估计有六个解释变量如表所示2。而(差距时间到前面左边的车道上车辆)在统计上显著的只有90%置信水平,其他五个独立变量在95%的显著水平值小于0.05。
行驶路线信息变量是重要的在这个模型。路径选择的影响是由和捕捉变道的数量需要在正确的车道和距离,司机需要在一个特定位置(退出)。符合期望的估计系数是负的,这意味着你选择的效用随变道司机的数量需要执行为了完成计划所需的路径。相比之下,该实用程序时可以放大出站的距离增加,系数是正的。
另一组变量捕捉周围驾驶条件对驾驶员的换道的决定。这些由相对速度和间距对前面的车辆在当前车道,车道的左边和右边的测试车辆。积极和显著的系数抓住了司机的倾向于避免重型车辆后,重型车辆通常开车速度较低,需要更多的制动距离。重要的和消极的系数和表明,当周边交通条件在当前和右车道满足驾驶员的期望,左边的车道通常不是他们的偏好。
只在90%显著水平,有一个积极的估计系数。一个可能的解释通常可以与更好的服务水平在巷1(快车道)和巷2在左边。司机特征如年龄和性别没有在换道在这个实验中发挥重要的作用。先天的预期相反,滞后时间的差距相邻车道上车辆变道没有显著影响的估计。这可能反映了权衡强制性和酌情考虑在一个出站。为了检查模型的预测精度,预测结果用于比较分类矩阵,所观察到的结果。根据模型,成功地预测在出站地区86.21%的换道行为,这证实了logit模型给数据集一个不错的选择。
3.2。分析目标换道概率分布
坡道一直被视为冲突以及高速公路上的交通拥堵的主要来源(34]。出站附近地区潜在的瓶颈位置形成的一部分车辆试图改变车道连接到目的地是高的。不同操作涉及两个互动的交通流:高速公路交通和匝道的交通。两个方面需要考虑学习时换道坡道:激励和安全。这部分将讨论在我们的实验中两种类型的特征。
如前所述,重要解释变量影响目标车道选择来自路线计划和邻近的条件。然而,对于一段道路,尤其是与一个特定的驾驶场景(例如,出站),一般交通属性,如密度和速度段的流量,变道也扮演了一定的角色。使用时间序列DAS数据,可用的信息是估计在离散点测试高速公路段。似然函数的换道行为,一个分布的距离3公里上游出站点进行了研究。为了简单起见,我们交通分为三个层次:自由流动,介质流和重流。
我们的目标是量化各种流量对换道的影响。如图8涵盖了三个不同的交通流条件下,较低的权利和左上角落附近的快车道出站和肩膀道远上游出站的驾驶场景概率值相对较低。相应地,强制变道的大多数发生在浅灰色区域主要沿着三个次要的对角线。换句话说,我们发现最有可能换道轨迹,司机选择改变从巷2巷3和在最后一刻把巷4之前到达出站,显示在图5。
我们的方法是创新的空间和交通属性对累积换道率可以定量和同步的方式来衡量。密度低,司机在早些时候开始执行正确的换道点。这一现象的解释可以在自由流动,司机更有可能提前向右变更车道没有减少舒适的感觉。另一个有趣的发现是,交通越密集,越高的愿望要求首先在快车道。这意味着一个司机推迟应对一个强制性的LC可能执行任意LC倾向更高。这可以解释为什么越来越密度,增长快车道的变道从中间被发现在上游延伸。这些结果可能的原因是,当交通密度的增加,车辆在上游的位置更有可能受到周围车辆的压力,因此更倾向于保持在当前车道驾驶或酌情前馈到左边。因此他们进行正确的换道行为退出只有当接近出站。
此外,换道行为将留下一个缺口在原车道可能被用作差距合并到另一辆车。这种情况可能发生在更高的密度情况下车辆正在等待一个差距,用这个当它变得可用。对于一些未被注意的原因,而不是直接的交通情况下,司机可能会决定一个特定的换道行为(35),可能有一个强制性的和可自由支配的之间的权衡。如果快车道出于某种原因是更具吸引力的司机,汽车改变对这个快车道。即使忙,去那里的原因可以仍然有效,所以司机仍然在一个密集的情况。这个理论与模型估计的结果是一致的。图9显示空间属性(横向和纵向距离出站)对变道的累积频率。
3.3。安全评估的换道
此外,换道行为不当会导致潜在的安全隐患,比如追尾事故,擦边撞击事故。实践选择换道模型,取得了安全评估评价在这项研究中有潜在危险的换道行为。
有越来越多的证据表明许多道路安全效益与速度降低车辆之间的差异和减少85的速度36]。具体地说,增加的速率变化可能会扰乱单一化交通流量,增加冲突的可能性的情况下造成的人类行为(37]。
灵感来自于发现,我们应用代理安全指数的速度方差(SV)在目标车道车辆后评估换道行为。基本假设关于变道,任何车辆遵循基本规则,至少换道只能进行成本在邻近车辆减速;即车辆将改变车道只有邻近车辆目标车道的就不会放慢太多因为换道。SH-NDS数据中,有趣的是,司机通常谨慎尝试变换车道时,特别是在更高的交通密度。
SV值计算 在哪里表示滞后车辆的速度在目标车道当测试车辆开始改变车道;表示的速度滞后车辆目标车道当测试车辆完成行动;表示时间的换道事件。SV值的累积频率图显示在图中10。
根据图10绝大多数的滞后车辆换道事件将不受影响。在这种情况下,前馈动作的运动不应该干扰邻近车辆相邻车道上。相比之下,在一个拥挤的交通和更具侵略性换道的情况下,落后的车辆必须减速,以避免潜在的后端或侧击碰撞。在一个极端的例子,当SV值足够大,落后的车辆的司机可能会感到焦虑。图10也表明,变道从慢车道快车道导致SV值略高。这个结果与预期一致,当车辆的运行速度更高,更大的间距前面的车辆和落后的汽车需要一个安全的前馈。SV选择的阈值确定数据集的基于风险换道行为。的85百分位值可以利用SV值作为阈值在正常道路状况(38,39]。变道从慢车道快车道(例如,巷3巷2)与85百分位速率变化值略大于变道从快车道慢车道(例如,巷2巷3)(1.324和1.297)。这个结果与预期一致,与其他相关工作。变道的安全评估的定量分析有助于驾驶辅助系统的设计。一旦确定了不适当的换道行为,司机可以通过车载提醒潜在的事故风险驾驶辅助设备。
4所示。结论
换道行为的研究一直是更广泛的比纵向驾驶行为由于缺乏全面的车辆轨迹数据。例如,对于现有的LC决策模型,只有少数已经确定因素和换道规则开发基于视频证据。自然驾驶研究提供了一个机会来了解司机自然与车辆、道路和交通环境。自然驾驶数据使得它在技术上和经济上可行的评估运动信息和驾驶行为在大规模的自然环境,通过不引人注目的数据采集设备和没有实验控制。
研究人员表明,前馈动作主要是负责大部分的多车道的高速公路上交通干扰。因此更好的理解换道机动交通研究中很重要,但是这个问题还未得到令人满意的调查。特别是,在大多数出站研究,变道被认为是强制性的,司机必须离开当前车道。然而,根据我们自然驾驶实验的数据集的分析研究中,这种分类出站换道行为似乎忽略权衡强制性和可自由支配的奖励。应用严格的换道行为模式可能导致不切实际的交通流特征。只有有限的实证研究进行了精确估计换道模型的参数。
本研究采用车道偏移位置和方向盘角作为索引提取换道高速公路出站地区的样本。说明了单向的四车道高速公路,logit模型开发模型的选择目标车道。参数估计使用车辆轨迹数据和个人特点。估计表明,司机的车道选择是影响通过访问路径变量和附近的交通状况。换道行为的可能性分析是画关于自由流动,介质流,和重流。
结果表明现有车辆的换道行为的后果之间的平衡路线计划(强制性激励)和期望改善驾驶条件(可自由支配的动机)。在交通密度高,后者似乎发挥重要作用。研究结果揭示一个出站附近换道行为的机制,这表明影响因素以及司机的偏好在不同的交通状况。这些可以帮助改善出站车道管理区域和布局提供参考指南的迹象。因此,交通从业人员可以采取适当的行动,例如平均速度巷执法和管理策略,使交通顺畅。
出站附近部分,换道事件可能引起的滞后车辆减速,然后可能会扰乱交通,增加碰撞和碰撞。我们应用以下车辆的速度方差目标车道作为一个安全代理指数。此外,换道从慢车道快车道将导致更高的SV值。列出一系列的阈值实时换道安全评估。它提供了一个机会,以避免潜在的后端或侧击崩溃。正在进行更进一步的研究以研究城市道路延伸在斜坡之间的距离短。更现实的和健壮的模型中,车辆组成的异质性巷道和geometry-specific效果也应该被考虑。最后还未来的研究需要考虑挤压换道行为和司机与不同下谈判。
这是第一个全面研究使用上海自然驾驶研究数据。研究结果有助于更好地理解司机的自然在高速公路驾驶行为出站。本文提供了重要的见解道路网络设计和交通安全策略。
的利益冲突
作者宣称没有利益冲突。
确认
这部分工作是支持道路紧急康复设备和标准的研究与应用项目(2016 yfc0802701),上海浦江计划,中央大学,基础研究基金和国家自然科学基金资助下的中国71671126。