探索影响因素的黄灯运行行为在中国电动自行车骑手在城市路口

文摘

电动自行车城市交通系统中扮演着重要的角色。黄灯的运行行为骑士是最关键的因素之一涉及电动自行车骑手在十字路口交通事故。本研究的主要目的是探索各种因素如何影响电动自行车骑手的黄灯运行行为在十字路口在西安进行的实地观察,中国。基于396电动自行车骑手遇到黄灯样品,两种分析方法,主成分分析物流模型和基础物流模型,用来评估因素的影响在电动自行车骑手的黄灯运行行为。建模结果表明,七个变量显著影响电动自行车骑手的黄灯运行行为,是电动自行车的进料速度,停止线的距离,乘客的年龄和性别属性,类型的电动自行车,和十字路口的特点包括十字路口的宽度和物理障碍的存在。本研究可以提供宝贵的见解了解电动自行车骑手的黄灯运行行为,也可以帮助决策者提出对策以减少电动自行车在十字路口rider-related崩溃。

1。介绍

电动自行车作为一个灵活的运输方式是受欢迎的在中国和其他亚洲国家,构成比例约34%在所有旅游模式在中国1]。由于方便在拥挤交通,能源效率和高机动性(2),电动自行车(电动自行车)在中国经历了巨大的增长,其总数超过2.5亿据中国自行车行业信息中心2018年(3]。这一趋势可能会继续不断上涨的燃料价格和交通堵塞由于不断增长的机动车辆的所有权。更多的电动自行车交通事故可能发生的不断增长的电动自行车吸引了世界各地的一些安全问题。骑士是易受伤害的道路使用者,因为他们不受任何保护的金属结构的车辆在交通事故4]。在2015年,电动自行车事故占70%以上的nonmotorized交通事故涉及14471伤亡5]。道路电动自行车交通事故的总数从2016年到2017年是25990年,导致4070人死亡,28509人受伤6]。吴等人发现,超过60%的致命事故涉及自行车因违反信号规则(7]。根据中国道路规则,nonmotorized交通包括普通自行车和电动自行车应该服从相同的信号信号交叉路口的机动车。因为较低的速度和不恰当的信号控制,电动自行车骑手可能做一个不恰当的去阻止决定当面对信号变化。由于间隙时间不足,乘客可能遇到相反的车辆,造成一个直角碰撞时go-decision出现黄灯。因此,研究专注于电动自行车骑手的穿越行为在十字路口黄灯间隔势在必行。

虽然越来越多的违反在电动自行车吸引了研究人员的广泛兴趣模型信号违法违规行为,很少有研究调查电动自行车骑手黄灯运行行为。因此,本研究主要回顾了电动自行车骑手的冲红灯的行为和黄灯运行机动车司机的行为。

一些研究人员已经研究了相关的因素,这可能影响电动自行车骑手的冲红灯(RLR)的行为。吴et al。7- - - - - -9)关注骑手的特征,如性别和年龄组都证明RLR行为有显著的影响。吴等人研究的中青年乘客更有可能撞上红灯比旧的和冒险的方式行动的男性更有可能比女性(7]。一些研究调查了环境因素对RLR行为的影响。燕等人发现的类型一天(工作日、周末和假日)和时间(高峰和非高峰期)每天对RLR违反率的影响。结果表明,电动自行车骑手的RLR率是高在非高峰时段,但低在周末和假期10]。玉等人发现,乘客更有可能停在十字路口行人倒计时信号设备(11]。这项研究由张、吴建议的时候安装在十字路口可以减少RLR违反的电动自行车在晴天和阴天8]。白等人发现,车辆的类型出现[冲红灯的行为有很大的影响9]。

黄灯的运行(YLR)行为研究专注于机动车辆。现有研究的一些有用的评论对车辆YLR行为可以看到如下。许多研究已经进行了探索影响司机的个人属性YLR行为违反。Papaioannou进行的这项研究的发现表明,司机的年龄和性别显著影响YLR违法违规行为(12]。一致的结论被Rakha发现和Haque et al。13,14]。许多学者研究了车辆运行特点对黄灯运行行为的影响。咨询机构等人得出的结论是,司机可能会通过十字路口而不是停止进料速度更高和更短的距离15]。相似的结论被发现通过Papaioannou,巴拉特,赫维茨,丁et al。12,16- - - - - -18]。Elmitiny et al。19)和Pathivada Perumal [16)关注影响违法违规行为的曝光,他们发现车辆类型统计影响YLR行为。

违反现有的信号的研究有相似之处和差异的因素解释在以下几方面:(一)一般总结:司机的特征包括性别和年龄被证明产生重大影响电动自行车骑手的冲红灯和车辆司机的黄灯运行违反行为,在这两种侵犯,车辆类型是一个重要的风险。(b)曝光的差异:与车辆YLR研究相比,研究电动自行车RLR专注于环境风险(例如,类型的天,天气,和设施在十字路口)。然而,车辆运行特点(如即将到来的速度和距离停止线)的关键因素已被证明影响YLR违反在许多车辆YLR研究。然而,直到现在,很少研究解决,电动自行车的运行特点影响了乘客的穿越行为在黄灯时间间隔。接近速度和距离的关键因素停止线的考虑如何影响乘客的交叉路口的行为在这个研究。

建模技术被许多研究人员探索解释电动自行车骑手和车辆的司机在路口十字路口的信号违法违规行为。逻辑回归模型是最常用的模型来解释信号吴违法违规行为进行的研究中,张唐,巴拉特et al。7,8,11,16]。燕等人使用泊松模型描述了电动自行车骑自行车和自行车的RLR行为(10]。Elmitiny等人提出了一种决策树模型分类司机的调控决策行为在黄灯时间间隔19]。赫维茨et al。17和唐et al。20.)建立了一个模糊逻辑模型的概率解释一个司机去阻止决定在十字路口时面临的信号变化。在这项研究中,提出了主成分分析物流模型电动自行车骑手的黄灯运行行为进行调查。这种方法可以用来描述各种因素如何影响违法违规行为和消除多重共线性的观测数据,进一步提高了测量精度。PCA物流模型已经广泛应用于生物识别技术(21],工程应用[22)、经济学(23)和管理(24从收集的数据]字段来确定因果关系。这些研究结果表明,PCA模型,模型精度高。

总之,本文的目的是双重的。第一目标是检查一组因素的影响在黄灯运行行为,其中包括电动自行车骑手特征(性别、年龄和类型的车辆),电动自行车骑手的操作特征(进料速度,距离停止线),和十字路口的特点(宽度和十字路口的设施)。第二个目标是比较PCA物流模型和基础物流模型,进一步揭示变量被排除在外的贡献或省略的基本模型和改进模型的性能在电动自行车骑手的黄灯运行行为分析。本文的结果可以解释为什么e-bikers侵犯十字路口的交通信号和可能有助于提出一些建议关于加强电动自行车骑手的安全,这是一个主要的问题在中国和其他发展中国家。

2。方法

2.1。十字路口选择

选择的信号交叉口进行这个观察是在西安,Shaan Xi省的省会城市,中国,电动自行车的总数据估计超过300万(25]。选择的十字路口共享以下特点:(1)电动自行车交通流光滑,不排队(2)独家nonmotorized巷存在(3)黄灯的发病之前,信号设备3秒钟闪烁绿灯倒计时(4)清楚地记录电动自行车在交叉口的接近行为通过使用无人机摄像头,景观树不存在的nonmotorized车道

的细节和特征选择的十字路口如表所示1。

2.2。数据收集使用无人机

在这项研究中,实地观察的方法被用来记录电动自行车骑手的黄灯运行行为,一直冲红灯常用调查违反(7,8,10,11和黄灯运行道路使用者的行为在城市路口(16,20.,26]。一个无人机已应用于交通行为分析(27- - - - - -29日)记录电动自行车骑手的穿越行为,和同步相机是用来收集乘客的个人特征。两个摄像头的位置是列在图1。无人驾驶飞行器,也叫做无人机,操作为50米高度悬停在nonmotorized巷位于上游的十字路口。斗争高度确保它不会是可见的和可听骑士,骑士的整个穿越过程可以被记录下来。为了避免被主观乘客发现,因此导致穿越行为的变化,同步安装摄像头隐藏在电线杆,指向乘客遵守他们的细节特征。这个领域调查工作日高峰小时期间(上午8点。上午9点。下午5:30。6:30 p.m.) in good weather conditions for 3 weeks in April 2019.

2.3。数据提取

所有道路使用者的穿越行为记录在相机上视频,但只提取电动自行车骑手的行为当他们进入无人机摄像头的范围在发病前6秒黄灯,黄灯的结束。我们限制了编码过程只包含电动自行车直穿过十字路口。右转电动自行车被忽略,因为他们可以不受交通信号控制的基础上,法律在中国的道路。左转同时,电动自行车也被排除由于专用信号灯留给他们。在编码过程中,视频分析软件应用于提取轨迹信息。软件可能标志着客观的电动自行车和自动跟踪其位置在每秒25帧的帧速率。建立了笛卡尔坐标与路面的交叉点和停止键为原点,可以被看作是对提取的引用X和Y电动自行车的位置(见图2)。因此,即将到来的电动自行车的速度和停止线之间的距离可以获得。然后,乘客的个人特征编码的同步相机包括性别,估计年龄,和车辆类型提取和表中列出2。

为了避免数据记录错误,两个训练研究生独立提取数据从采集的视频。科恩Kappa重新编码的可靠性计算的分类变量和连续变量的组内相关。所有的系数从0.79到0.99不等,这确保了提取过程的可靠性。

2.4。骑士行为建模

可能存在一些限制在线性回归模型预测结果由于二进制响应变量经常参与交通行为。物流回归已经广泛应用,证明是成功的模式交通安全研究,如交通事故的评估因素(31日),特别是在考试所涉及的风险因素在冲红灯和黄灯运行行为(7,8,11,16]。在我们的模型中,Y= 1表示黄灯的电动自行车骑手和运行行为Y= 0表示骑手停止他们的行为在黄灯时间间隔。YLR行为模型制定如下: 在哪里事件发生的概率,是一个常数项,相应的系数最大似然估计的方法。

骑手的概率针对黄灯运行中得到以下方程:

2.5。估计变量的多重共线性的方法

物流模型提出了方程(1)和(2)假设解释变量是独立的。然而,观察到的变量存在多重共线性问题。多重共线性可能导致偏见的估计模型和参数的解释。在本文中,我们使用两个变量选择方法来消除多重共线性问题。

2.5.1。逐步回归模型选择

逐步回归是常用的在物流处理多重共线性回归的过程。逐步回归筛选方法被用来提取可能的解释变量的组合影响驾驶者的行为在黄灯开始,最后组合变量的决定是基于这些是否重要,95%置信水平使用SPSS 22.0软件的学习任务。

2.5.2。选择主成分分析模型

为了获得一个精确的估计下的解释性变量多重共线性,主成分分析(PCA)提取的特征提出了解释变量。Kaiser-Meyer-Olkin (KMO)测试显示PCA样本数据是否满足要求。由于PCA是适合连续变量,绝对主成分分析(CATPCA)用于本研究分类变量转换成数值(32]。CATPCA过程简述如下:

假设的测量个人在变量的分数的 得分矩阵每个变量是专用的吗 , ,这是列的 , 以名义或序数的水平。方程(3)将比分变成了分类量化: 损失函数被定义为 在哪里的矩阵分类量化。是 组件的载荷矩阵列是用 。 是 矩阵的对象分数,主成分上的个人。是跟踪功能。

得分矩阵取而代之的是矩阵吗分类变量到数值(23]。然后,PCA分析是由软件SAS 9.4替换原来的修正变量不相关的主成分回归物流模型(21,33,34]。

两种物流模式根据不同的方法(例如,基础物流模型的逐步回归和主成分分析PCA物流模型)是用来处理多重共线性。对电动自行车骑手YLR行为的结果估计和比较。

此外,Hosmer-Lemeshow检验和拟合优度衡量被用于模型的比较。

3所示。结果

3.1。描述性统计

28 h高分辨率的视频中,共有396个有效清除路口黄灯间隔事件观察行为,其中有248乘客黄灯运行行为。YLR骑手被分成不同的组织特点,总结在表3。

总体比例的乘客交叉对黄灯是62.6%,它随路口(从50%到72.7%)。观察乘客的多数是男性(216)和50岁以下(332年)。Scooter-style电动自行车占总数的57%以上的车辆在十字路口。卡方检验是用于分析YLR行为乘客的数量在不同性别、年龄、和车辆类型组。这是观察到男性乘客容易YLR行为(161年和87年, )。此外,车手谁开车scooter-style电动自行车更有可能不利于黄灯比bicycle-style电动自行车骑手(181年和76年, )。更高比例的黄灯观察运动员在年轻和中年骑士比旧的(73.6%,57.4%和48.4%);然而,边际差异可以从卡方检验的结果观察到的数量YLR骑士时代集团( )。

表4列出了车辆的接近速度和距离停止线从收购轨迹中提取数据。

列文测试(测试的数据F= 3.307, )之前学生的t以及。结果表明,平均接近YLR车手的速度出现黄灯是18.9公里,明显高于non-YLR (t=−5.248, )此外,停止线是不同的距离YLR组和non-YRL组(F= 8.814, ;t= 4.02, )。YLR骑手是接近停止线比non-YLR骑士(8.0和8.0)。

3.2。YLR行为模型的特征参数分析

为了进一步研究每一个驾驶者的特征的相关性在不同的阶段,变量之间的关系的强度应该定量测量。皮尔森相关系数是由连续变量进行评估,分类变量被克莱姆估计V系数由卡方检验。表中列出的结果5。

像VT和创VT显著正相关,相关系数达到0.767和0.612的值,分别。正相关系数说明scooter-style电动自行车骑手有较高的进料速度在出现明显的十字路口黄灯和男乘客更有可能比bicycle-style骑scooter-style电动自行车。此外,性别有显著积极影响即将到来的速度和距离停止线(r= 0.506,r分别为= 0.350)。也就是说,在黄灯的发病,与女骑士相比,男性骑快接近停止线。的值之间的相关系数和年龄,和DTS -,分别达到0.495和0.05−−。作为这两个参数之间的负相关表明,进料速度越快车手,年轻的他们,骑士以更快的接近速度可能接近停止线。此外,DTS WI和铅之间有轻微的负相关(r=−0.266,r=−0.370),这表明,骑士是远离时黄灯的十字路口停止线距离更长或者当存在物理障碍分离机动车车道和nonmotorized车辆车道。

方差膨胀工厂(VIF)计算确定解释变量之间的多重共线性方程如下: 在哪里是模型决定系数。

结果表明:VIF = (12.629, 11.396, 1.355, 1.540, 12.087, 1.637, 2.946)。三个VIF值都大于5(12.629、11.396和12.087),这表明,在解释变量存在多重共线性问题。

3.3。解释变量的主成分分析

主成分分析是用来消除多重共线性的问题上面提到的解释变量。四个解释变量,物理障碍,性别、年龄和车辆类型,是分类变量在这个研究。因此,我们利用CATPCA分类变量转换成连续的。Kaiser-Meyer-Olkin (KMO)测试是用来计算的四个转换变量和三个原始变量,和测试的价值为0.7,表明PCA的示例数据符合要求。然后,七个变量进行主成分分析。双因素结构被解释的总方差的65.435%(卡特尔的小石子情节呈现在图4)。表6利用主成分分析法(PCA)显示了组件的结果得分系数方差极大旋转的方法。

对象的分数对应每个观测变量对组件实现以下方程:

创,年龄和VT强劲的绝对值住宿(加载值的0.1被用作一个截点),这意味着这些解释变量之间有很强的相关性和 。所有这三个变量与自行车电动自行车骑手可以定义的特征和个体特征电动自行车骑手的特点。PB和积极的投影 ,创了一个消极的投影。创(−0.103)被排除在外的价值不仅因为它造成解释的困难,也因为它的小加载与加载值的绝对值的PB和WI。PB和WI的解释变量是十字路口的相关特征。

3.4。模型的估计

骑两个二项物流模型的黄灯运行行为建立了基于野外观测的远期逐步(似然比)和主成分分析方法,分别。

3.4.1。基础物流模型

基于前面的研究,7个解释变量选择探索骑手的黄灯运行行为。在这些变量中,只有大约年龄是一个three-category变量。两个虚拟变量和一个咨询价值的基础物流模型,如表所示7。

通过远期逐步(似然比)方法,黄灯运行行为使用基地物流模型成立。结果报道在表8。估计步骤终止在因为参数估计的变化小于0.01。

YLR行为的概率预测函数是由

Hosmer-Lemeshow测试和预测精度总结在表的价值9分别访问该模型拟合优度。

3.5。PCA物流模型

正如前面所提到的,我们应用主成分分析来消除多重共线性的解释变量。PCA物流模型的结果,得到的输出物流模型与不相关的因素,是列在表中10。因此,PCA物流模型如下:

用方程(6)和(7)方程(8),YLR行为的预测概率主成分分析是由分对数函数

表9总结了结果的拟合优度基地物流和PCA物流模型。PCA物流模型的预测精度为77.8%,和卡方值计算Hosmer-Lemeshow测试为5.72,而基本模型的两个值分别为74.7%和6.398,分别。

4所示。讨论

电动自行车是一个评论家交通模式在中国和其他亚洲发展中国家,虽然参与了十字路口的大规模的伤亡。本研究的目的是探索电动自行车骑手的行为时所面临的黄灯时间间隔。结果表明,62.6%(248/396)的电动自行车车手到达黄灯期间与交叉路口的交通信号。这一发现高于巴拉特(16]。比率的差异数量的黄灯运行行为可能是由于不同时间收集数据。

两种类型的黄灯运行还开发了电动自行车骑手的行为分析模型,用不同的多重共线性消除方法(向前逐步和PCA)。表9列出了拟合优度措施基础物流模型和主成分分析物流模型,分别。结果显示,改进的主成分分析模型的整体配合Hosmer-Lemeshow正确测试和百分比基本模型相比。如表所示9,PCA物流模型的卡方值小于基本模型的表示,起源模型预测和数据之间的方差很小( )。此外,正确的比例还证明了PCA统计物流模型优越,更高的正确比例的3.1%。结果表明,逐步回归可以获得一个最佳组合的变量,这些变量可能会消除一些变量的组合,由于小解释YLR行为模型中不应忽略。因此,下面的分析主要是基于PCA的物流模式。

4.1。电动自行车骑手的操作特征的影响

PCA模型的结果表明,进料速度对YLR决策有显著的影响。优势比为1.477 ( )建议骑手,走了1千米/时的速度比其他的,1.477倍可能go-decision反对黄灯信号。结果是符合机动车观察研究的结果报道Papaioannou [12]。一个可能的原因是,骑手在迅速接近的速度旅行可能会认为他们可以通过停止线的剩余并迅速扫清了十字路口黄灯时间避免等待下一个绿灯信号。因此,有效地降低乘客的接近速度方法交叉路口可能导致违反YLR明显较低。

距离的影响停止线(DTS) YLR违反显著负(−0.276)。价值优势比为0.765,表明,骑士,他们比其他人1米远,0.765倍更容易与黄灯,这是说的乘客更接近停止线出现的黄灯将更有可能穿过十字路口比远离停止键。Gazis等人提出的GHM模型证明了一个较小的距离停止距离比汽车的最低停止线可能导致追尾事故(35]。乘客可能会觉得他们不能安全地停在停止线,这样他们更喜欢不断针对黄灯运行。这个结果符合前面的研究(16),证明一个较短的距离停止线停在黄灯期间的可能性减少。对适当的措施旨在改善当前形势下,限速措施应立即进行电动自行车车和严格执法与乘客违反应考虑在黄灯信号。

4.2。影响电动自行车骑手的特点

根据模型方程(8),性别被发现是一个重要的变量估计YLR行为。男乘客都比女骑手黄灯运行违反1.299倍信号十字路口(比值比= ),这意味着,男性比女性有更多的倾向于运行对黄灯。一致的结果表明,侵犯女性司机拥有较低的信号比男司机(36]。同时,吴等人分析了摄像机记录的信息,这意味着男性更有可能冒险的方式穿过十字路口451 e-bikers和骑自行车7]。前面的帕克等人的研究发现,男性的反应比女性更多的驾驶和不耐烦开车当他们面临阻碍进步如信号灯改变成黄灯和红灯(37),这或许可以解释黄灯运行行为的性别差异。

估计年龄组被发现的重要预测YLR行为和有负面影响。年轻的违反行为组高于中老年骑手。这与在钟的发现和黄38)和Zamani-Alavijeh et al。39],与其他司机相比,年轻的司机更有可能从事风险驾驶行为和参与严重的事故。然而,结果是不一致的结果年龄段未能预测是一个重要的变量信号吴等人提出的违反。7]。一个可能的原因是,研究人员使用逐步回归方法在物流模型,和逐步回归的方法可以获得变量的最优组合,但这种组合的变量可能消除一些变量由于小的解释。

这显然是观察到的概率YLR受到车辆类型。正在运行的黄灯的概率scooter-style电动自行车骑手是1.4倍的黄灯运行概率bicycle-style电动自行车骑手(比值比= )。这种整合的趋势也在白等人的研究表明bicycle-style骑士相比,e-scooter乘客更容易表现出高风险行为(9]。这可能是由于这两个类型的电动自行车动力性能有很大的差异,其中摩托车风格有一个强大的引擎来提供更快的速度比自行车的风格。Scooter-style电动自行车骑手有能力与强大的力量明显的十字路口前相反的车来到了十字路口。

上述观点而言,更应该注意道路安全电动自行车骑手的干预;骑手需要执行安全态度改变的信念,他们可以安全地清除路口黄灯运行速度快。此外,惩罚在实践中应避免黄灯运行行为,这样乘客就以YLR行为为违法行为,而不是一个正常的行为。

4.3。十字路口的特点的影响

十字路口的宽度有显著积极影响黄灯运行行为。优势比为1.462 ( )建议1米长宽度可能导致骑手有违背黄灯信号的1.462倍。一个可能的原因是,十字架交通更大的差距比在一个小一个大的十字路口;因此,乘客安全考虑,他们可能有机会穿越十字路口在一个足够的差距。

骑手运行在一个十字路口黄灯的概率与物理障碍在十字路口的1.6倍没有物理障碍(比值比= )。一个可能的解释是,机动车车道之间的障碍的存在和nonmotorized车辆车道可能增加速度在乘客由于从机动交通分离;因此,骑士可能对黄灯运行速度快。

4.4。限制

本研究有一些局限性。首先,执行数据收集在这个研究在一个城市,四条腿的交叉可能并不代表中国环境复杂的路口。要收集更多的数据在多个路口在其他城市来验证研究结果的进一步研究。第二,各种类型的交通信号灯设备和红绿灯的阶段可能影响电动自行车骑手的行为,没有考虑在目前的研究。未来的研究包括交通信号灯设备和阶段需要更好地理解这些变量如何影响YLR行为。第三,目前的研究集中在个人电动自行车骑手的黄灯运行行为而忽视排的影响。电动自行车骑手的黄灯运行行为可能会受到他人的行为的影响,以及未来研究需要考虑这些影响。

5。结论

本研究试图检查的影响因素对电动自行车骑手的黄灯运行行为。396个样本收集使用西安实地观察,中国模式的发展。除了骑士的属性,电动自行车的类型,运行特点与进料速度有关,距离停止线,和十字路口的特点包括十字路口的宽度和物理屏障的存在也视为解释变量。鉴于乘客有两个选择,要么通过或停留在十字路口面对黄灯时,两个物流回归模型、主成分分析物流模型和基础物流模型,开发了解释这种行为。

实证分析显示结果。首先,PCA物流模型的结果显示,七个因素对YLR行为有显著的影响,而基础物流模型的结果显示,两个因素显著影响YLR侵犯。建立两个模型的比较结果显示,有效的变量遗漏会导致较低的模型的预测精度和误解在乘客YLR行为。其次,操作的特点被发现影响电动自行车骑手YLR行为。这是观察到的概率接近停止下降,增加电动自行车的速度和乘客们的阻止概率下降时停止线的距离的增加绿色交通灯变成了黄色。第三,电动自行车骑手的属性很重要影响因素YLR行为。女乘客表现出更多的顺从行为信号比男乘客。骑手在年老组更有可能爆发停在黄灯比其他年龄群体。同时,scooter-style电动自行车骑手不太可能停在十字路口。最后但不是最不重要的是,电动自行车骑手的违法违规行为受到相交特征的影响。 The existence of physical barrier decreased the riders’ stopping probability. And an intersection with a shorter crossing distance may increase the stopping probability of e-bike riders.

基于本研究的发现,一些对策提高电动自行车骑手的黄灯运行违反应采用。调整信号的时间可能需要反映了电动自行车运行特点。此外,YLR侵犯教育必须反复骑手的日常生活。此外,许可制度应当要求电动自行车骑手;因此,惩罚那些YLR骑手可以链接YLR违反与个人信用在严格执法的十字路口。改善现有道路基础设施以及一些其他对策需要穿越电动自行车骑手的安全。

数据可用性

使用的数据来支持本研究的发现没有提供,因为我们没有权利分享它。

的利益冲突

作者宣称没有利益冲突的研究,本文的作者和/或出版。

确认

这项工作联合国家重点支持的R & D计划的中国(2018号yfc0807500),中国国家自然科学基金(51878066),和长安大学中央高校基金(300102229201)。

引用

1. 中国电动汽车新闻,”六个策略来提高电动自行车的管理在中国,”2018年,https://news.ddc.net.cn/newsview_76563.html。视图:谷歌学术搜索
2. s Das和a . k .孔雀王朝”电动自行车造型:文献之回顾,“运输的评论,38卷,不。2、209 - 231年,2018页。视图:出版商的网站|谷歌学术搜索
3. 中国新闻,“电动自行车在中国增加了2.5亿,2018,http://www.chinanews.com/cj/2018/10-28/8661930.shtml。视图:谷歌学术搜索
4. d .示“易受伤害的道路使用者的安全性和流动性:行人、骑自行车,骑摩托车的人,”事故分析和预防,44卷,不。1,p。2, 2012。视图:出版商的网站|谷歌学术搜索
5. 公安部交通管理局,中国道路交通事故统计报告,公安部交通管理研究所,北京,中国,2015。
6. z . Wang r . l . Neitzel x天雪,w .郑和g .江”意识,骑行为和立法态度电动自行车在两种类型的道路使用者:一项调查在天津,一个直辖市在中国,“交通伤害的预防,20卷,不。1,第78 - 72页,2019。视图:出版商的网站|谷歌学术搜索
7. l . c . Wu姚明,和k·张,“电动自行车骑手的冲红灯行为和骑自行车在城市路口在中国:一项观察性研究中,“事故分析和预防49卷,第192 - 186页,2012年。视图:出版商的网站|谷歌学术搜索
8. y张和c .吴”的影响,在闯红灯的时候骑自行车和电动自行车骑手的行为,”事故分析和预防52卷,第218 - 210页,2013年。视图:出版商的网站|谷歌学术搜索
9. 郭y l .呗,p . Liu, h . Yu”比较分析信号交叉路口的电动自行车的危险行为,”交通伤害的预防,16卷,不。4、424 - 428年,2015页。视图:出版商的网站|谷歌学术搜索
10. 李b, f .严,w·张,g .胡”冲红灯率在五路口道路使用者在长沙,中国:一项观察性研究中,“事故分析和预防卷,95年,第386 - 381页,2016年。视图:出版商的网站|谷歌学术搜索
11. h . r . Yu赵、张c、z . Wang”分析电动自行车骑士的冒险行为以应对行人倒计时信号设备,“交通伤害的预防,20卷,不。2、182 - 188年,2019页。视图:出版商的网站|谷歌学术搜索
12. p . Papaioannou,”司机的行为,两难区和安全影响在城市个交通灯路口在希腊,”事故分析和预防,39卷,不。1,第158 - 147页,2007。视图:出版商的网站|谷歌学术搜索
13. h . Rakha i El-Shawarby, j . r . Setti”描述驾驶员行为路口交叉方法yellow-phase触发发作,”IEEE智能交通系统,8卷,不。4、630 - 640年,2007页。视图:出版商的网站|谷歌学术搜索
14. m . m . Haque公元Ohlhauser,美国华盛顿和l·n·博伊尔,“驾驶员分心的决定和行动的黄色灯光,“事故分析和预防卷,96年,第299 - 290页,2016年。视图:出版商的网站|谷歌学术搜索
15. h•科尔·m·巴德,k . w . Axhausen”司机行为之前在闪烁的绿色琥珀:比较研究,“事故分析和预防,36卷,不。2、273 - 280年,2004页。视图:出版商的网站|谷歌学术搜索
16. b . k . Pathivada和诉Perumal分析困境司机行为路口十字路口在混合交通条件下,“交通运输研究F部分:心理学和行为,60卷,第120 - 111页,2019年。视图:出版商的网站|谷歌学术搜索
17. m·a·d . s .赫维茨h . Wang Knodler Jr . d .倪和d·摩尔,“模糊集来描述驾驶行为在高速路口十字路口的两难区,“交通运输研究F部分:心理学和行为,15卷,不。2、132 - 143年,2012页。视图:出版商的网站|谷歌学术搜索
18. x y丁”,较停止/去驾驶行为分析在黄灯在城市路口intersecdtions,”应用力学和材料卷,744 - 746,2045 - 2048年,2015页。视图:出版商的网站|谷歌学术搜索
19. n . Elmitiny x, e . Radwan c . Russo和d . Nashar”分类分析司机的停止/去决定和违反冲红灯,“事故分析和预防,42卷,不。1,第111 - 101页,2010。视图:出版商的网站|谷歌学术搜索
20. k . Tang y徐,f . Wang和t . Oguchi”探索停停走走决定区域在农村高速路口闪烁的绿色信号和黄色不足时间在中国,“事故分析和预防卷,95年,第478 - 470页,2016年。视图:出版商的网站|谷歌学术搜索
21. b . d .马克思和e·p·史密斯,“主成分估计广义线性回归,”生物统计学,卷77,不。1,23-31,1990页。视图:出版商的网站|谷歌学术搜索
22. l . p .瞿w·杨,m .太阳,和w x郑,“深煤层开采的主要控制指标研究损伤指数综合主成分分析的基础上,“在煤矿安全,44卷,不。1,第207 - 203页,2013。视图:谷歌学术搜索
23. g . Kemalbay和O。b . Korkmazoğlu”绝对主成分回归:一个案例研究为住房贷款批准,”Procedia-Social和行为科学卷,109年,第736 - 730页,2014年。视图:出版商的网站|谷歌学术搜索
24. h·李和j .太阳”的实证研究组合主成分分析和多元判别分析和逻辑回归业务故障预测,“专家系统与应用程序,38卷,不。5,6244 - 6253年,2011页。视图:出版商的网站|谷歌学术搜索
25. 圣秦新闻,“新国家标准宣传和标准化管理电动自行车行业的会议在西安举行,“2019年,http://www.sanqin.com/2019/0412/415656.shtml。视图:谷歌学术搜索
26. a . Najmi a。Choupani, i Aghayan”描述司机行为在路口环形两难区,“交通运输研究F部分:心理学和行为卷,63年,第215 - 204页,2019年。视图:出版商的网站|谷歌学术搜索
27. g .齐鸣,l·卡鲁索和a . Scordo“城市交通分析通过无人机,”Procedia-Social和行为科学卷,111年,第1091 - 1083页,2014年。视图:出版商的网站|谷歌学术搜索
28. g .齐鸣,l·卡鲁索和a . Scordo”差距接受分析在城市路口通过视频收购一个无人机”土木工程和力学的最新进展,第205 - 199页,2014年。视图:谷歌学术搜索
29. m·汗w .载体,t . Bellemans d·詹森和g .湿胎”无人机场基于车辆发动的交通分析:一个案例研究冲击波的识别和信号交叉路口的流量参数估计,“遥感,10卷,不。3、458 - 474年,2018页。视图:出版商的网站|谷歌学术搜索
30. e . Fishman和c .樱桃”,电动自行车在主流:回顾十年的研究,“运输的评论,36卷,不。1,第91 - 72页,2015。视图:出版商的网站|谷歌学术搜索
31. j . j . Liu, k . Wang j . y .赵h .琮、p .他,“探索夜间交通事故的严重程度影响因素在低照度条件下,“机械工程的发展,11卷,不。4,p。2019。视图:出版商的网站|谷歌学术搜索
32. m产品毛羽和a . van der Kooij设计”与CATPCA非线性主成分分析:一个教程中,“《人格评估,卷94,不。1,目前消费量,2012页。视图:出版商的网站|谷歌学术搜索
33. a . m .阿奎莱拉、m . Escabias和m . j . Valderrama”使用主成分估计数据变量逻辑回归和高维共线,”计算统计和数据分析,50卷,不。8,1905 - 1924年,2006页。视图:出版商的网站|谷歌学术搜索
34. 即Camminatie和a . Lucadamo”估计多项logit模型共线数据,”亚洲数学与统计学杂志》上,3卷,不。2、93 - 101年,2010页。视图:出版商的网站|谷歌学术搜索
35. d . Gazis r·赫尔曼,a . Maradudin”琥珀信号灯的问题在交通流,”运筹学,8卷,不。1,第132 - 112页,1960。视图:出版商的网站|谷歌学术搜索
36. x, m .欢m . Abdel-Aty y, z和高,“hazard-based持续时间模型分析交叉信号交叉路口的自行车和电动自行车的行为,”事故分析和预防卷。74年,33-41,2015页。视图:出版商的网站|谷歌学术搜索
37. d·帕克·t·拉尤宁就和h . Summala“愤怒和攻击在司机三个欧洲国家中,“事故分析和预防,34卷,不。2、229 - 235年,2002页。视图:出版商的网站|谷歌学术搜索
38. Y.-S。钟和J.-T。Wong“超越一般行为理论:结构性差异年轻的骑摩托车很危险驾驶行为及其政策含义,“事故分析和预防49卷,第176 - 165页,2012年。视图:出版商的网站|谷歌学术搜索
39. f . Zamani-Alavijeh s Niknami m . Bazargan et al .,“摩托车冒险行为在中东国家:伊朗伊斯兰共和国,”交通伤害的预防,11卷,不。1、25 - 34,2010页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020京Cai et al。这是一个开放访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。