作者：Yanning Wei, Keping Li, Keshuang Tang*.

已见刊于：Accident Analysis and Prevention. No. 123, 2019, pp. 324-335.

https://doi.org/10.1016/j.aap.2018.11.019

关键词：关键驾驶决策事件、浮动车轨迹数据、排列熵、胞元搜索算法、混合交通流

交叉口是交通事故的多发地带，通常也是路网交通运行的瓶颈点。合理评价交叉口的安全和效率水平是交通管理与控制的基础。一方面，主流的交通安全评价方法是在以机动车车流为主的交通环境背景下提出的，不能完全适应于混合交通流中的驾驶行为。在混合交通流条件下交叉口内部没有明确的车道划分规则，导致车辆之间频繁发生近距离的交互行为，非机动车、转弯机动车等车流的轨迹呈现出随机性强和无规则的分布特点，传统评价方法难以区分正常的交通交互行为和关键的交通安全事件，如图1所示。

图1 混合交通流示意图

另一方面，常用的交叉口效率评价指标大多侧重于延误时间或排队长度等某一个方面，难以从时间和空间角度综合体现车流的运行效率。在移动定位、智能网联和图像识别等先进技术的支撑下，实时获取高精度车辆轨迹数据成为可能，为交通运行评价提供了基础条件。因此，本文在总结已有的交通分析与评价方法的基础上，建立三维时空分析方法体系，提出基于车辆轨迹数据的交叉口安全与效率评价方法。

首先，本文介绍了交叉口时间资源和空间资源的概念，从传统二维（时间—距离）分析方法拓展至三维，提出交叉口三维时空模型的框架，即在由平面空间和时间轴构成的立体空间内基于车辆轨迹数据开展交通分析。在此框架下解析车辆三维立体轨迹的各个要素，包括侧向安全距离、车身长度等，如图2所示。此外，本文列举了运用交叉口三维时空模型可分析的跟车时距等参数，提出了最短时空距离指标及其求解思路。

图2 三维时空模型示意图

其次，本文提取包含交互事件的轨迹数据子序列，建立不同速度组下运动性能指标的分布，提出三维时空胞搜索算法检查车辆立体轨迹之间的邻近性，以提取交通交互事件，进一步识别极端驾驶行为；在此基础上，进一步提取车辆运动学指标，如图3所示，并运用排列熵算法量化时间序列轨迹数据的驾驶波动性，以识别关键驾驶决策事件，并计算安全评价指标。

图3 运动学指标提取示意图

本文通过视频记录和图像识别方法以0.12s为精度半自动化地提取了3349条机动车和805条非机动车的行驶轨迹，用于方法验证，验证场景如图4所示。验证结果表明，本文提出的方法与仅使用运动学指标分布的传统方法相比，识别关键安全事件的比例更高，相较于传统的关键安全事件识别方法（Wang, X., Khattak, A.J., Liu, J., Masghati-Amoli, G., Son, S., 2015. What is the level of volatility in instantaneous driving decisions? Transp. Res. C 58, 413–427.），本文所提出的方法识别关键安全事件的比例提升了11.7%。此外，本文对算法参数进行了敏感性分析，研究参数取值对算法结果的影响。

图4 验证场景示意图

图5 验证结果示意图

本文的研究成果可为交叉口的交通运行提供科学合理的评价结果，为提升交通管理与控制水平提供技术支持。关键驾驶决策事件的识别方法还可以应用于车辆辅助驾驶系统、车辆实时预警生成以及危险驾驶员的早期识别。交叉口三维时空模型可服务于智能网联汽车的冲突避险和路径规划等方面。