基于貝葉斯網(wǎng)絡(luò)的公交?？空緯r(shí)兩輪車穿插行為研究

邵海鵬 李靜嫻 謝 沛 慕 偉

(長(zhǎng)安大學(xué)公路學(xué)院1) 西安 710064) (長(zhǎng)安大學(xué)信息學(xué)院2) 西安 710064)

基于貝葉斯網(wǎng)絡(luò)的公交?？空緯r(shí)兩輪車穿插行為研究

邵海鵬1)李靜嫻1)謝 沛2)慕 偉1)

(長(zhǎng)安大學(xué)公路學(xué)院1)西安 710064) (長(zhǎng)安大學(xué)信息學(xué)院2)西安 710064)

城市道路中，公交車輛停靠站時(shí)往往會(huì)占用非機(jī)動(dòng)車道，阻礙非機(jī)動(dòng)車及摩托車的通行，為了探討在公交車站停靠站時(shí)兩輪車穿插行為，分析了在城市道路中，影響公交車輛?？空緯r(shí)兩輪車穿插行為的八個(gè)影響因素，以896組觀察實(shí)驗(yàn)數(shù)據(jù)作為分析依據(jù)，基于專家知識(shí)和數(shù)據(jù)融合方法建立了公交車?？空緯r(shí)兩輪車穿插行為的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，利用服從Dirichlet分布的貝葉斯方法對(duì)貝葉斯網(wǎng)絡(luò)進(jìn)行參數(shù)學(xué)習(xí)，結(jié)合網(wǎng)絡(luò)模型，應(yīng)用聯(lián)合樹引擎推斷了在各個(gè)變量影響下兩輪車穿插行為概率分布.結(jié)果表明，駕駛員的性別、駕駛非機(jī)動(dòng)車的種類、左側(cè)機(jī)動(dòng)車輛的車頭時(shí)距及交通干擾環(huán)境對(duì)非機(jī)動(dòng)車駕駛員的穿插行為具有直接的影響.

交通秩序；穿插行為；公交車站點(diǎn)；貝葉斯網(wǎng)絡(luò)；k2算法

0 引 言

當(dāng)公交車輛即將到達(dá)公交站點(diǎn)時(shí)，需要在路段上減速、變道、甚至停車，會(huì)打破原先穩(wěn)態(tài)的交通流，與路段上公交車后面行駛的機(jī)動(dòng)車和兩輪車發(fā)生沖突.由于兩輪車具有靈活性，它們一般不會(huì)在公交車輛后面等待，會(huì)選擇向左或向右穿插，這樣就會(huì)與最右側(cè)機(jī)動(dòng)車道的車輛和公交車右側(cè)上乘客產(chǎn)生相互干擾.兩輪車的穿插行為不僅會(huì)擾亂交通秩序，而且還易與機(jī)動(dòng)車輛產(chǎn)生碰撞、刮擦事故.

Zhou[1]提出隨著非機(jī)動(dòng)車闖入機(jī)動(dòng)車道，機(jī)動(dòng)車的速度會(huì)降低，Lu等[2-3]具體分析了無信號(hào)交叉口和信號(hào)交叉口非機(jī)動(dòng)車與行人、機(jī)動(dòng)車輛的沖突；但針對(duì)公交?？空咎幏菣C(jī)動(dòng)車對(duì)公交車輛運(yùn)行的影響仍有欠缺，且未有相關(guān)研究將非機(jī)動(dòng)車駕駛員穿插行為進(jìn)行量化.在該領(lǐng)域的研究中，都舒等[4-5]描繪了在公交?？空痉菣C(jī)動(dòng)車的行駛特性并分析了站點(diǎn)處各種交通沖突及其影響，楊孝寬等[6-7]提出公交?？空緯r(shí)機(jī)動(dòng)車道通行能力計(jì)算模型，但僅僅考慮是公交車?？孔璧K機(jī)動(dòng)車通行，未考慮公交車?？繋矸菣C(jī)動(dòng)車和摩托車的穿插對(duì)機(jī)動(dòng)車道通行能力的影響.然而，鑒于影響是相互的，機(jī)動(dòng)車輛對(duì)兩輪車駕駛員的影響還未有深入的研究，在公交車?？繒r(shí)影響兩輪車穿插行為的因素變量尚未具體分析，兩輪車駕駛員穿插行為的選擇是人-車-路-交通環(huán)境諸多因素相互影響作用的結(jié)果，文中研究的目的是為了研究公交停靠時(shí)兩輪車穿插的影響變量并分析其關(guān)系.

與其他數(shù)據(jù)挖掘方法(如規(guī)則表示、決策樹、人工神經(jīng)網(wǎng)絡(luò)等)相比，貝葉斯網(wǎng)絡(luò)對(duì)數(shù)據(jù)的線性和可加性統(tǒng)計(jì)假設(shè)沒有嚴(yán)格的要求，且能夠?qū)W習(xí)變量之間的因果關(guān)系，考慮兩輪車駕駛員穿插行為與人-車-路-交通環(huán)境等因素的相互作用，文中應(yīng)用貝葉斯網(wǎng)絡(luò)建立公交車輛?？空緯r(shí)非機(jī)動(dòng)車穿插行為選擇模型.

1 公交車?？空緯r(shí)兩輪車穿插行為的貝葉斯網(wǎng)絡(luò)模型的構(gòu)建

1.1 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)是基于概率分析、圖論的一個(gè)不確定性知識(shí)表達(dá)和與推理的模型，主要包括兩個(gè)部分：①有向無環(huán)圖(DAG),其中每個(gè)節(jié)點(diǎn)表示一個(gè)變量，節(jié)點(diǎn)之間的弧表達(dá)變量之間的依賴關(guān)系，指向節(jié)點(diǎn)X的節(jié)點(diǎn)稱為父節(jié)點(diǎn)；②與節(jié)點(diǎn)相關(guān)的條件概率表(CPT)，該表列出了此節(jié)點(diǎn)相對(duì)于其父節(jié)點(diǎn)所有可能的條件概率[8].

P(x1,…,xn)=p(xn/xn-1,…,x1)·

p(xn-1/xn-2,…,x1)…p(x2/x1)p(x1)=

(1)

1.2 變量的選擇和數(shù)據(jù)預(yù)處理

非機(jī)動(dòng)車和摩托車駕駛員的駕駛行為是人-車-路-環(huán)境共同作用的結(jié)果，港灣式公交車站點(diǎn)由于站點(diǎn)擴(kuò)寬所以公交車?？坎粫?huì)阻斷非機(jī)動(dòng)車的通行；而在直線式公交車站點(diǎn)，公交車輛占用非機(jī)動(dòng)車道?？?，占用非機(jī)動(dòng)車的正常行駛空間，而非機(jī)動(dòng)車輛由于具有靈活性和機(jī)動(dòng)性，一般不會(huì)停車等待，會(huì)選擇向左暫時(shí)占用機(jī)動(dòng)車通行或向右從乘客上下車空間穿插，其穿插行為見圖1.

圖1 兩輪車穿插具體行為示意圖

調(diào)查選取的是機(jī)非標(biāo)線劃分的直線式公交站，選取人-車-路-環(huán)境中影響非機(jī)動(dòng)車駕駛行為的八個(gè)因素，分別為駕駛員的性別、是否載人、駕駛?cè)说挠绊憽Ⅰ{駛車類型、臨近公交車輛的機(jī)動(dòng)車的瞬時(shí)車頭時(shí)距、公交車?？繒r(shí)右側(cè)車門距路緣石的寬度、右側(cè)干擾人數(shù)(包括上下車)和交通干擾環(huán)境，文中調(diào)查對(duì)象選取人群為中青年，調(diào)查地點(diǎn)選取翠華路、省政務(wù)大廳、人才市場(chǎng)、小寨和北山門公交?？空?

在非高峰時(shí)段進(jìn)行視頻錄像，后期對(duì)圖像進(jìn)行處理，樣本數(shù)據(jù)的離散化處理表達(dá)見表1.調(diào)查選取的變量組合有4×32×32種，為確保樣本的廣泛性和代表性，從每種變量組合選取2～3組數(shù)據(jù)，共組合896組數(shù)據(jù)，其中，511組選擇向左穿插，385組選擇向右穿插.

1.3 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)

文中應(yīng)用專家知識(shí)和對(duì)數(shù)據(jù)的機(jī)器學(xué)習(xí)的方法獲得貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖，常用的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)確定的算法有k2算法和爬山法，文中用k2算法對(duì)數(shù)據(jù)進(jìn)行處理，k2算法是一種貪婪算法，它采用自頂向下，以迭代的方式做出貪心選擇，以保證獲得局部最優(yōu)解，因?yàn)樵撍惴ㄊ乔蟮镁植孔顑?yōu)解，而不是整體最優(yōu)解，所以常常需要結(jié)合專家知識(shí)對(duì)結(jié)構(gòu)圖進(jìn)行調(diào)整，所得到的結(jié)構(gòu)圖見圖2.該網(wǎng)絡(luò)結(jié)構(gòu)圖由九個(gè)節(jié)點(diǎn)和10條連線組成，九個(gè)節(jié)點(diǎn)分別對(duì)應(yīng)表1中的九個(gè)變量，節(jié)點(diǎn)之間的連線表明節(jié)點(diǎn)之間的相互影響關(guān)系.

表1 公交停靠站時(shí)兩輪車穿插行為變量離散化取值表

圖2 公交車?？空緯r(shí)兩輪車穿插的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖

1.4 貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)

常用的貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)方法有最大似然估計(jì)法和貝葉斯法[9].

根據(jù)所得到的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖，可以利用貝葉斯參數(shù)學(xué)習(xí)方法和matlab中的bnt工具箱對(duì)樣本的變量進(jìn)行參數(shù)學(xué)習(xí).因?yàn)樽兞康慕M合種類比較多，所以表格僅僅列出了部分參數(shù)學(xué)習(xí)結(jié)果，即性別、非機(jī)動(dòng)車類型、左側(cè)機(jī)動(dòng)車道的瞬時(shí)流率、交通環(huán)境各種不同變量組合情況下的穿插行為的概率分布，具體見表2.

表2 穿插行為的參數(shù)學(xué)習(xí)結(jié)果

為了驗(yàn)證非機(jī)動(dòng)車在公交車站點(diǎn)穿插行為的貝葉斯網(wǎng)絡(luò)的精度，文中將貝葉斯網(wǎng)絡(luò)得到的結(jié)果與實(shí)際計(jì)算結(jié)果進(jìn)行比較，見圖3(圖3中D11為在男性、摩托車組合條件下的概率；D12為在男性、電動(dòng)摩托車組合條件下的概率；D13為在男性、自行車組合條件下的概率).通過貝葉斯模型的預(yù)測(cè)結(jié)果和實(shí)際計(jì)算結(jié)果的對(duì)比分析可知，由貝葉斯網(wǎng)絡(luò)得出的概率的最大絕對(duì)誤差為0.004 6，平均絕對(duì)誤差為0.000 9，平均相對(duì)誤差為0.001，與其他模型相比，貝葉斯網(wǎng)絡(luò)模型的具有較高的精度，因此應(yīng)用此模型對(duì)其結(jié)果變量進(jìn)行分析和預(yù)測(cè)是可靠的，可以用此模型對(duì)行為變量進(jìn)行預(yù)測(cè)分析.

圖3 貝葉斯網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與實(shí)際觀測(cè)值的對(duì)比

2 非機(jī)動(dòng)車穿插行為的推理分析

利用聯(lián)合樹對(duì)非機(jī)動(dòng)車在性別、非機(jī)動(dòng)車的種類、左側(cè)機(jī)動(dòng)車道的瞬時(shí)車頭時(shí)距、交通干擾環(huán)境等影響下的穿插行為的概率進(jìn)行推理分析，具體概率圖見表3.

表3 性別、非機(jī)動(dòng)車的種類、左側(cè)機(jī)動(dòng)車道的瞬時(shí)車頭時(shí)距、交通環(huán)境的推理分析結(jié)果

由表3可知，下面具體分析性別、非機(jī)動(dòng)車種類、左側(cè)機(jī)動(dòng)車道的瞬時(shí)車頭時(shí)距和交通干擾環(huán)境對(duì)穿插行為的影響.

2.1 性別對(duì)穿插行為的影響

根據(jù)建立的非機(jī)動(dòng)車穿插行為分析的貝葉斯網(wǎng)絡(luò)模型，得出男性和女性的穿插概率分布見圖4.

圖4 性別對(duì)穿插行為的影響

由圖4可知，總體而言，男性駕駛員和女性駕駛員向左穿插的概率都超過0.5，即向左的穿插概率比向右的大，而男性駕駛員向左穿插的概率明顯比女性駕駛員向左穿插的概率高，這是因?yàn)樵诔鞘械缆分?，一方面男性駕駛員體力充足，行車速度比較高，而左邊車道具有較強(qiáng)的機(jī)動(dòng)性，趨向于向左穿插行駛；另一方面男性駕駛員普遍比女性駕駛員沖動(dòng)、缺乏耐心，也導(dǎo)致其向左穿插的概率比女性的高.

2.2 非機(jī)動(dòng)車種類對(duì)穿插行為的影響

根據(jù)建立的非機(jī)動(dòng)車穿插行為分析的貝葉斯網(wǎng)絡(luò)模型，得出不同種類非機(jī)動(dòng)車的穿插概率分布,見圖5.

圖5 非機(jī)動(dòng)車種類對(duì)其穿插行為的影響

由圖5可知，自行車、電動(dòng)車和摩托車向左的概率在逐漸增加，分別為0.412 1，0.546 3和0.691 1，這說明制動(dòng)性能越高、速度越高的交通工具一般更傾向于向左穿插，其中，這幾種交通工具向左穿插和向右穿插的概率有一定的差距但是差距并不是特別明顯，這說明非機(jī)動(dòng)車的種類對(duì)穿插行為有一定的影響但是影響不是特別顯著.鑒于非機(jī)動(dòng)車向左穿插的概率大，其向左穿插不僅影響左側(cè)機(jī)動(dòng)車輛的通行，也易與機(jī)動(dòng)車輛產(chǎn)生磨蹭事故，存在安全隱患，因此,可以考慮在道路條件允許的條件下，在公交車站點(diǎn)處向左擴(kuò)寬非機(jī)動(dòng)車道的寬度，同時(shí)規(guī)劃公交車輛?？烤嚯x右側(cè)路緣石的合理的寬度范圍，給予非機(jī)動(dòng)車一定的向左穿插行駛的空間.

2.3 左側(cè)機(jī)動(dòng)車道的瞬時(shí)車頭時(shí)距對(duì)穿插行為的影響

根據(jù)建立的非機(jī)動(dòng)車穿插行為分析的貝葉斯網(wǎng)絡(luò)模型，得出不同種類非機(jī)動(dòng)車的穿插概率分布,見圖6.

圖6 左側(cè)機(jī)動(dòng)車輛瞬時(shí)流率對(duì)其穿插行為的影響

由圖6可知，左側(cè)機(jī)動(dòng)車道的瞬時(shí)車頭時(shí)距為1.5～4 s和>4 s時(shí)，其向左的概率為0.621 5，0.707 1，絕對(duì)差為0.08，而當(dāng)車頭時(shí)距為0～1.5 s時(shí)，向左穿插的概率為0.269 8，絕對(duì)差為0.35，這表明左側(cè)機(jī)動(dòng)車道的瞬時(shí)車頭時(shí)距對(duì)穿插行為有顯著影響，由此可以判斷非機(jī)動(dòng)車駕駛員判斷當(dāng)前環(huán)境是否可以向左穿插的臨界車頭時(shí)距為1.5 s左右.

2.4 交通環(huán)境對(duì)穿插行為的影響

根據(jù)建立的非機(jī)動(dòng)車穿插行為分析的貝葉斯網(wǎng)絡(luò)模型，得出交通環(huán)境的穿插概率分布，其中交通環(huán)境取值為1、2代表為穿插環(huán)境干擾較大，交通環(huán)境取值為3、4代表為穿插環(huán)境干擾適中，交通環(huán)境取值為5、6代表為穿插環(huán)境干擾較小.具體概率分布示意圖見圖7.

圖7 交通環(huán)境對(duì)其穿插行為的影響

由圖7可知，交通干擾環(huán)境為低、適中、高時(shí)，向左和向右的概率有顯著性差異，這說明交通干擾環(huán)境對(duì)非機(jī)動(dòng)車穿插行為具有顯著性的影響，其中，隨著穿插環(huán)境干擾變大，向左穿插的非機(jī)動(dòng)車比例增加這可能是因?yàn)榻煌ǜ蓴_環(huán)境變時(shí)，左側(cè)機(jī)動(dòng)車輛行駛穩(wěn)定，不確定性較小，而右側(cè)站臺(tái)上下車行人不斷穿插，具有很強(qiáng)的突發(fā)性和不穩(wěn)定性，一般駕駛員一般選擇相對(duì)穩(wěn)定的駕駛環(huán)境通行，當(dāng)穿插環(huán)境的干擾較小時(shí)，向右穿插的概率明顯高于向左穿插的概率，其概率為0.622 8，這與我國的駕駛員向右行駛的駕駛習(xí)慣相符，同時(shí)也有相當(dāng)一部分駕駛員對(duì)速度的追求選擇向左穿插通行.

3 結(jié) 論

1) 貝葉斯網(wǎng)絡(luò)與傳統(tǒng)模型相比，具有獨(dú)特的優(yōu)勢(shì)，具體體現(xiàn)在兩個(gè)方面；①能夠分析不獨(dú)立變量的因果關(guān)系，并能分析出因變量之間的層次關(guān)系，這與實(shí)際問題更貼切，因?yàn)閷?shí)際問題中的各個(gè)變量之間很難完全獨(dú)立；②該模型的精確度能達(dá)到0.001，與傳統(tǒng)的線性回歸模型相比，具有更高的精度.

2) 我國當(dāng)前的道路空間注重機(jī)動(dòng)車出行，非機(jī)動(dòng)車道路空間的舒適性、連續(xù)性無法保障，結(jié)果顯示，超過半數(shù)的非機(jī)動(dòng)車駕駛員選擇向左行駛，即存在非機(jī)動(dòng)車與機(jī)動(dòng)車搶道現(xiàn)象，且公交車輛屬于大型客車，由于車型的限制，公交車司機(jī)正前方的視野比較開闊，側(cè)后方的車輛情況尤其是體積較小的非機(jī)動(dòng)車一般不容易觀察到.研究非機(jī)動(dòng)車穿插行為，對(duì)減少非機(jī)動(dòng)車和機(jī)動(dòng)車的潛在沖突以及公交車輛的快速啟動(dòng)具有重要的意義.

3) 目前，我國現(xiàn)階段的公交車站點(diǎn)對(duì)機(jī)動(dòng)車道通行能力的影響研究?jī)H僅局限于公交車輛?？勘旧韺?duì)機(jī)動(dòng)車道的影響，忽略了由此帶來的非機(jī)動(dòng)車穿插對(duì)通行能力的影響，本文能為此研究提供新思路.但文中貝葉斯算法采用的是經(jīng)典的k2算法和貝葉斯算法，未對(duì)其他算法進(jìn)行對(duì)比分析，有待后續(xù)進(jìn)一步研究.

[1] ZHOU Y Q. Bicycle traffic on bicycle lane: characteristics and influences on motorized vehicle traffic[J]. Accident Analysis & Prevention，2007(1):55-58.

[2] LU B A, PAN L I, WANG W. Characteristics of traffic conflicts between electric bicycles and motor vehicles at unsignalized intersections[J]. Accident Analysis & Prevention，2012(2):245-251.

[3] WANG Y, NIHAN N L. Estimating the risk of collisions between bicycles and motor vehicles at signalized intersections[J]. Accident Analysis & Prevention,2004(3):313-321.

[4] 都舒.基于TCT的非機(jī)動(dòng)車公交站安全性分析[D].北京：北京交通大學(xué),2010.

[5] 王丹.路段非機(jī)動(dòng)車交通流特性研究[D].西安：長(zhǎng)安大學(xué),2014.

[6] YANG X B, GAO Z Y, SI B F, et al. Car capacity near bus stops with mixed traffic derived by additive-conflict-flows procedure[J]. Science China Technological Sciences,2011,54(3):733-740.

[7] 楊孝寬,曹靜,宮建.公交?？空緦?duì)基本路段通行能力影響[J].北京工業(yè)大學(xué)學(xué)報(bào),2008,34(1):65-71.

[8] COOPER G F, HERSKOVITS E. A bayesian method for the induction of probabilistic networks from data[J]. Machine Learning,1992,9(4):309-347.

[9] 趙金寶,鄧衛(wèi),王建.基于貝葉斯網(wǎng)絡(luò)的城市道路交通事故分析[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,41(6):1300-1306.

Research on Crossing Behavior of Two-wheeler at Bus Station Based on Bayesian Network

SHAOHaipeng1)LIJingxian1)XIEPie2)MUWei1)

(SchoolofHighway,Chang’anUniversity,Xi’an710064,China)1)(SchoolofInformation,Chang’anUniversity,Xi’an710064,China)2)

In urban roads, bus stopping often occupies non-motor vehicle lanes and hinders the passage of non-motor vehicles and motorcycles. To explore the crossing behavior of two-wheeler in the bus station, eight factors influencing crossing behavior of two-wheeler at bus station is analyzed firstly. Based on 896 groups of observed data, the Bayesian network structure of crossing behavior of two-wheeler at bus station is obtained by expert knowledge and data fusion method. Then the Bayesian network parameter learning is conducted by Bayesian method subjected to Dirichlet distribution. Finally, the probability distribution of non-motorized crossing behavior under the influence of each variable is deduced by junction tree algorithm combined with the network model. The results show that driver’s gender, the type of non-motor vehicle, the instant time headway of motor vehicle on the left and the traffic environment have a direct influence on the crossing behavior of non-motor vehicle drivers.

traffic order; crossing behavior; bus station; Bayesian network; k2 algorithm

U491.2

10.3963/j.issn.2095-3844.2017.06.016

2017-09-18

邵海鵬(1978—)：男，博士，副教授，主要研究領(lǐng)域?yàn)橹悄芙煌?、交通模型、交通設(shè)計(jì)