CN113724492A

CN113724492A - 考虑车辆类型和组群的骑行者闯红灯行为预测方法

Info

Publication number: CN113724492A
Application number: CN202110864477.4A
Authority: CN
Inventors: 柏璐; 刘攀; 俞灝; 胡海如; 梁启宇
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2021-07-29
Filing date: 2021-07-29
Publication date: 2021-11-30

Abstract

本发明公开了一种考虑车辆类型和组群的骑行者闯红灯行为预测方法，考虑自行车类型和骑行者组群的影响，结合骑行者个人特征、交通流特征、平面交叉口几何特性以及信号控制特征，采用随机参数逻辑模型，挖掘平面信号交叉口骑行者闯红灯行为发生机理，建立考虑车辆类型和组群的骑行者闯红灯行为模型，预测骑行者闯红灯行为发生概率。本发明在道路交通组成和交通设施对骑行者闯红灯行为作用效果确定条件下，定量估计骑行者发生闯红灯行为的概率，能够使得道路交通设计的成本效益最优化，为道路交通管理者和公共交通运营者制定和修改交通规划政策和措施提供参考，为交通安全管理与评价以及道路交通可持续性发展提供依据，具有实际的工程运用价值。

Description

考虑车辆类型和组群的骑行者闯红灯行为预测方法

技术领域

本发明属于城市道路交通安全领域，涉及一种考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法。

背景技术

平面信号交叉口是城市道路网络交通流汇集的节点，是道路交通事故的高发区。在平面交叉口内机动车、非机动车以及行人的行进方向各有不同，因此经常发生大量干扰与冲突。在各种交通冲突中，机动车与非机动车以及行人的冲突最为突出，极易发生交通事故，是造成平面交叉口交通秩序混乱和交通安全性下降的重要因素。

非机动车是城市道路交通系统的重要组成。非机动车可分为传统自行车和电动自行车。电动自行车以蓄电池为辅助动力，从中短距离出行方面看，被认为是能够替代机动车和传统自行车的便捷、灵活、高性价比的环保型交通工具。尽管在出行效率和环境保护方面具有诸多优点，电动自行车和传统自行车在自行车道上混行，也带来了诸多道路交通安全问题，使得道路交通管理更加困难。

在平面信号交叉口约为四分之一的非机动车与机动车之间的交通冲突是由非机动车骑行者的闯红灯行为造成的。研究平面信号交叉口非机动车骑行者闯红灯行为有助于道路交通设计和管理者制定相关法规优化自行车道上电动自行车和传统自行车的比例，为道路使用者提供一个安全的道路交通环境。在道路交通组成和交通设施对骑行者闯红灯行为作用效果确定的情况下，定量地估计骑行者发生闯红灯行为的概率能够使得道路交通设计的成本效益最优化。

发明内容

发明目的：针对平面交叉口非机动车安全的问题，本发明的目的是提供一种考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法，考虑自行车类型和骑行者组群的影响，结合骑行者个人特征、交通流特征、交叉口几何特性以及信号控制特征，采用随机参数逻辑模型，挖掘骑行者闯红灯行为发生机理，建立考虑车辆类型和组群的骑行者闯红灯行为模型，预测平面信号交叉口骑行者闯红灯行为发生概率。

技术方案：考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法，包括以下步骤：

步骤一，辨识平面信号交叉口骑行者闯红灯行为。

选取合适的平面信号交叉口，架设两台摄像机，一台架设在信号交叉口附近的高楼上，拍摄信号交叉口机动车、非机动车、行人在交叉口内部的运动情况，另一台架设在非机动车进口道附近，拍摄骑行者个人特征、骑行行为、进入信号交叉口的信号时间以及信号相位变化情况。无论骑行者是否穿越了信号交叉口，只要骑行者在红灯时间段内越过了进口道停车线，就被认为是发生闯红灯行为。

步骤二，划分非机动车骑行者组群类型，提出非机动车骑行者组群判断标准。

根据视频录像，在信号交叉口进口道停车线上游10米的位置设置一条参考线，以2秒为阈值，如果相邻两辆非机动车的通过参考线的车头时距小于2秒，认为这两个骑行者属于同一个组群，否则属于不同组群。非机动车骑行者组群判断标准如图1所示，若非机动车i和j的车头时距Δt_ij<2秒，则非机动车i和j属于同一族群，否则属于不同组群。将骑行者组群按照人数分为四组：1人组群，2人至4人组群，5人至8人组群和多于8人组群。

步骤三，确定影响骑行者闯红灯行为的因素。

从视频录像中收集车辆类型、骑行者个人特征、交通流特征、交叉口几何特性、信号控制特征以及步骤二确定的组群类型，作为影响因素。车辆类型分为电动自行车和传统自行车；骑行者个人特征包括性别、年龄，性别分为男性和女性，年龄分为25岁以下、25岁至59岁、60岁及以上；交通流特征包括非机动车和机动车流量，非机动车流量是每个信号周期内到达信号交叉口的骑行者的数量，机动车流量是每个信号周期内到达信号交叉口的对向机动车数量；信号交叉口几何特征包括信号交叉口宽度、中央分隔带类型；信号控制信息包括是否倒计时信号控制、绿信比。

步骤四，基于随机参数逻辑模型，建立考虑车辆类型和组群的骑行者闯红灯行为预测模型。

随机参数逻辑模型中因变量为骑行者是否发生闯红灯行为，自变量是上述影响因素。随机参数逻辑模型中，通过联系函数可建立因变量和自变量之间的非线性关系，能够解释不同出行方式转换的期望概率与其影响因素间的非线性关系。在建立骑行者闯红灯行为预测模型时，把影响因素带入随机参数逻辑模型中，采用逐步回归方法，逐一检验影响因素的显著性，保留小于等于设定阈值(0.05)的显著的影响因素，去除大于设定阈值的不显著的影响因素，建立骑行者闯红灯行为预测模型：

其中，P(y_i＝1|X_.i)为骑行者i发生闯红灯行为的概率，X_.i表示骑行者i的所有影响因素； y_i表示骑行者i是否发生闯红灯行为，如果闯红灯行为发生则y_i＝1，否则y_i＝0；J是影响因素总数；X_ji是骑行者i的第j个影响因素；骑行者i的第j个影响因素的参数

是所有骑行者第j个影响因素的参数的均值，ω_ji是对应β_ji的骑行者i的第j个影响因素的参数的误差项；exp(·)为指数函数。

骑行者闯红灯行为预测模型的对数似然函数LL为：

其中，N为骑行者的总人数。

步骤五，利用考虑车辆类型和组群的骑行者闯红灯行为模型预测骑行者闯红灯行为发生的概率。

基于骑行者闯红灯行为预测模型，将影响因素带入模型获取骑行者闯红灯行为发生的概率，用于预测骑行者闯红灯行为是否发生。

有益效果：本发明可以在道路交通组成和交通设施对骑行者闯红灯行为作用效果确定的情况下，定量地估计骑行者发生闯红灯行为的概率，能够使得道路交通设计的成本效益最优化，为道路交通管理者和公共交通运营者制定和修改交通规划政策和措施提供参考，为城市道路交通安全管理与评价以及道路交通可持续性发展提供依据，具有实际的工程运用价值。

附图说明

图1是非机动车骑行者组群判断标准示意图；

图2是本发明的流程图。

具体实施方式

通过具体说明以及实例详细阐述本发明。

本发明实施例在8个平面信号交叉口早上7：00至9:00和下午5：00至7:00高峰时间段内观测了6930名非机动车骑行者的骑行行为、车辆类型、骑行者组群、骑行者个人特征、交通流特征、交叉口几何特性以及信号控制特征作为数据基础，建立考虑车辆类型和组群的骑行者闯红灯行为预测模型，流程如图2所示。按照车辆类型分为电动自行车和传统自行车骑行者；按照权利要求3的骑行者组群判断标准，将骑行者分为4 个组群(1人组群、2人至4人组群、5人至8人组群、多于8人组群)；收集车辆类型、骑行者个人特征、交通流特征、交叉口几何特性以及信号控制特征。

通过大量观察，发现与非机动车骑行者的闯红灯行为相关的因素有车辆类型(电动自行车和传统自行车骑行者)，组群类型(1人组群、2人至4人组群、5人至8人组群、多于8人组群)，骑行者性别(男性和女性)，年龄(25岁以下、25岁至59岁、60岁及以上)，每个信号周期内到达信号交叉口的骑行者的数量，每个信号周期内到达信号交叉口的对向机动车数量，是否载运旅客或货物、是否倒计时信号控制，信号周期时间，绿灯时间和红灯时间，信号交叉口宽度以及中央分隔带类型。

基于随机参数逻辑模型，建立考虑车辆类型和组群的骑行者闯红灯行为预测模型。在建立骑行者闯红灯行为预测模型时，将骑行者未发生闯红灯行为作为基准，把影响因素带入随机参数逻辑模型中，采用逐步回归方法，逐一检验影响因素的显著性，保留小于等于设定阈值(0.05)的显著的影响因素，去除大于设定阈值的不显著的影响因素建立骑行者闯红灯行为预测模型。经过逐一检验，发现电动自行车、1人组群、2人至4 人组群、多于8人组群、男性、25岁以下年轻人、60岁及以上老年人、载运旅客或货物、每个信号周期内到达信号交叉口的骑行者的数量，每个信号周期内到达信号交叉口的对向机动车数量、倒计时信号控制、信号交叉口宽度以及物理中央分隔带对骑行者发生闯红灯行为影响显著。因此，骑行者闯红灯行为预测模型选择上述影响因素作为自变量，建立如下的考虑车辆类型和组群的骑行者闯红灯行为预测模型：

U_闯红灯＝-0.81+0.92×X_{电动自行车}+2.29×X_1人组群+1.55×X_{2至4人组群}

-1.41×X_{多于8人组群}+1.13×X_男性+0.78×X_25岁以下-1.96×X_{60岁及以上}

-0.52×X_{载运旅客或货物}+0.03×X_{骑行者数量}-0.08×X_{机动车数量}

+4.19×X_倒计时-0.15×X_{交叉口宽度}+1.94×X_{物理中央分隔带}(1)

其中U_闯红灯是骑行者闯红灯行为的效用；X_{电动自行车}是车辆类型，如果是电动自行车则X_{电动自行车}＝1，否则X_{电动自行车}＝0；X_1人组群是骑行者是否属于1人组群，如果属于1 人组群则X_1人组群＝1，否则X_1人组群＝0；X_{2至4人组群}是骑行者是否属于2至4人组群，如果属于2至4人组群则X_{2至4人组群}＝1，否则X_{2至4人组群}＝0；X_{多于8人组群}是骑行者是否属于多于8人组群，如果属于8人组群则X_{多于8人组群}＝1，否则X_{多于8人组群}＝0； X_男性是骑行者是否是男性，如果是男性则X_男性＝1，否则X_男性＝0；X_25岁以下是骑行者年龄是否在25岁以下，如果是则X_25岁以下＝1，否则X_25岁以下＝0；X_{60岁及以上}是骑行者年龄是否在60岁及以上，如果是则X_{60岁及以上}＝1，否则X_{60岁及以上}＝0；X_{载运旅客或货物} 是骑行者是否载运乘客或货物，如果是则X_{载运旅客或货物}＝1，否则X_{载运旅客或货物}＝0； X_{骑行者数量}是每个信号周期内到达信号交叉口的骑行者的数量；X_{机动车数量}是每个信号周期内到达信号交叉口的对向机动车数量；X_倒计时是信号灯是否有倒计时信息，如果信号灯有倒计时信息则X_倒计时＝1，否则X_倒计时＝0；X_{交叉口宽度}是信号交叉口宽度； X_{物理中央分隔带}是机动车与非机动车车道之间是否有物理中央分隔带，如果有则 X_{物理中央分隔带}＝1，否侧X_{物理中央分隔带}＝0。

骑行者闯红灯行为发生的概率P：

通过检验组的实测数据进行骑行者闯红灯行为预测模型的精度验证，模型预测的骑行者闯红灯行为与实际调查的骑行者闯红灯行为偏差较小，证明模型的适用性和有效性，部分预测数据如表1所示。利用骑行者闯红灯行为预测模型，将影响因素带入模型预测骑行者闯红灯行为发生的概率，可以预测骑行者闯红灯行为是否发生，用于信号交叉口非机动车交通安全评价。

表1实施例的实际观测和模型预测的骑行者发生闯红灯行为

本发明考虑自行车类型和骑行者组群的影响，结合骑行者个人特征、交通流特征、交叉口几何特性以及信号控制特征，采用随机参数逻辑模型，挖掘骑行者闯红灯行为发生机理，建立考虑车辆类型和组群的骑行者闯红灯行为模型，预测平面信号交叉口骑行者闯红灯行为发生概率。

应当指出，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也在本申请权利要求的保护范围内。

Claims

1.考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法，其特征在于，包括以下步骤：

步骤1，采集平面信号交叉口的视频信息，若骑行者在红灯时间段内越过了进口道停车线，则被认为发生闯红灯行为；

步骤2，在步骤1的视频中，平面信号交叉口进口道停车线上游的指定位置设置一条参考线，如果相邻两辆非机动车通过所述参考线的车头时距小于设定时间阈值，则认为这两辆非机动车对应的骑行者属于同一个组群，否则属于不同组群；

步骤3，从步骤1和步骤2的视频信息中，收集车辆类型、骑行者组群、骑行者个人特征、交通流特征、交叉口几何特性以及信号控制特征作为影响因素；

步骤4，基于随机参数逻辑模型，建立考虑车辆类型和组群的骑行者闯红灯行为预测模型；

步骤5，利用步骤4中建立的考虑车辆类型和组群的骑行者闯红灯行为模型，预测骑行者闯红灯行为发生的概率。

2.如权利要求1所述的考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法，其特征在于，步骤1中，通过两台摄像机采集平面信号交叉口的视频信息，其中一台架设在平面信号交叉口附近的高楼上，拍摄信号交叉口机动车、非机动车、行人在交叉口内部的运动情况；另一台架设在非机动车进口道附近，拍摄骑行者个人特征、骑行行为、进入信号交叉口的信号时间以及信号相位变化情况。

3.如权利要求1所述的考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法，其特征在于，步骤2中将骑行者组群按照人数分为四组：1人组群，2人至4人组群，5人至8人组群和多于8人组群。

4.如权利要求1所述的考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法，其特征在于，步骤3中，车辆类型包括电动自行车、传统自行车，骑行者个人特征包括性别、年龄，交通流特征包括机动车和非机动车流量，信号交叉口几何特征包括信号交叉口宽度、中央分隔带类型，信号控制信息包括倒计时信号控制、绿信比。

5.如权利要求4所述的考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法，其特征在于，骑行者个人特征中性别分为男性和女性，年龄分为25岁以下、25岁至59岁、60岁及以上三种类型；非机动车流量是每个信号周期内到达信号交叉口的非机动车数量，机动车流量是每个信号周期内到达信号交叉口的对向机动车数量；信号控制信息包括是否倒计时信号控制、信号周期时间、绿灯时间和红灯时间。

6.如权利要求1所述的考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法，其特征在于，步骤4中，将骑行者是否发生闯红灯行为作为随机参数逻辑模型的因变量，将步骤3中的影响因素作为随机参数逻辑模型的自变量；把影响因素带入随机参数逻辑模型中，采用逐步回归方法，逐一检验影响因素显著性，保留小于等于设定阈值的显著的影响因素，去除大于设定阈值的不显著的影响因素，建立考虑车辆类型和组群的骑行者闯红灯行为预测模型：

其中，P(y_i＝1|X_.i)为骑行者i发生闯红灯行为的概率，X_.i表示骑行者i的所有影响因素；y_i表示骑行者i是否发生闯红灯行为，如果闯红灯行为发生则y_i＝1，否则y_i＝0；J是影响因素的总数；X_ji是骑行者i的第j个影响因素；骑行者i的第j个影响因素的参数

7.如权利要求6所述的考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法，其特征在于，考虑车辆类型和组群的骑行者闯红灯行为预测模型的对数似然函数LL为：

其中，N为骑行者的总人数。

8.如权利要求6所述的考虑车辆类型和组群的平面信号交叉口骑行者闯红灯行为预测方法，其特征在于，设定阈值为0.1。