基于自然駕駛數(shù)據(jù)的高速公路出口區(qū)換道風(fēng)險模型

張?zhí)m芳， 王淑麗， 陳 程， 楊旻皓， 折 欣

(1.同濟大學(xué) 道路與交通工程教育部重點實驗室，上海 201804；2.上海國際機場集團 飛行管理部，上海 201202；3.上海市城市建設(shè)設(shè)計研究總院(集團)有限公司 道路與橋梁設(shè)計研究院，上海 200125)

高速公路出口區(qū)是直行與出匝車輛分流交織的特殊路段.直行車輛為保持車速向內(nèi)側(cè)車道換道，而出匝車輛需要從內(nèi)側(cè)車道多次換道至最外側(cè)車道駛離高速公路，大量的連續(xù)換道行為增加了駕駛操作和交通環(huán)境的復(fù)雜性，使高速公路出口區(qū)成為事故易發(fā)區(qū)域.統(tǒng)計資料表明，在高速公路出入口事故中，83%發(fā)生于高速公路分流區(qū)[1].因此，為了保障高速公路出口區(qū)的行車安全，由出口區(qū)內(nèi)換道行為引發(fā)的風(fēng)險問題值得深入研究.

自1986年Gipps[2]提出第一個換道模型以來，國內(nèi)外學(xué)者在換道行為特征與模型等方面開展了深入研究.Mori 等[3]通過集成駕駛員注視方向和車輛運動行為，采用隱馬爾可夫模型(HMMs)分別對安全和危險換道行為進行建模，根據(jù)似然比確定換道風(fēng)險水平以識別風(fēng)險換道行為.王暢[4]通過實車試驗采集自然換道數(shù)據(jù)，使用碰撞時間(TTC)和縱向相對距離表征換道安全性，并針對不同風(fēng)格駕駛員設(shè)置預(yù)警條件.Li 等[5]整合TTC和避免碰撞發(fā)生所需的最小減速度(DRAC)，綜合考慮接近城市信號交叉口時的風(fēng)險發(fā)生概率和嚴(yán)重程度來定義集成沖突風(fēng)險指數(shù)(ICRI)，并采用多元Logistic回歸建立沖突風(fēng)險預(yù)測模型.Noh等[6]為評估高速公路換道行為的潛在碰撞風(fēng)險，定義三個風(fēng)險水平(危險、警戒、安全)，利用TTC和最小安全余量(MSM)作為風(fēng)險指標(biāo)，構(gòu)造似然函數(shù)并基于貝葉斯網(wǎng)絡(luò)確定目標(biāo)車道的風(fēng)險水平.Park等[7]基于停車視距引入制動距離指數(shù)(SDI)以評價換道行為是否安全，綜合潛在事故暴露時間和預(yù)期嚴(yán)重程度，采用故障樹分析(FTA)得到換道失敗概率.姜雪嬌[8]利用神經(jīng)網(wǎng)絡(luò)實時預(yù)測車輛軌跡，并利用空間距離和臨界速度構(gòu)造指標(biāo)J來判別沖突嚴(yán)重程度，引入視覺特性參數(shù)構(gòu)建碰撞概率模型，實現(xiàn)高速公路分流區(qū)的風(fēng)險評估.

雖然已經(jīng)開展了大量的換道風(fēng)險模型研究，但是大多數(shù)研究集中于高速公路基本路段[9-10]、匝道合流區(qū)[11]、城市道路[12]等，從駕駛?cè)艘蛩豙13-14]、道路因素[15]以及交通環(huán)境因素[14,16]等方面分析換道行為特征.對于多車道高速公路出口區(qū)，出匝換道行為區(qū)別于一般換道行為，存在更多的行車風(fēng)險.關(guān)于多車道高速公路出口區(qū)的換道風(fēng)險研究還相對較少.

目前用于換道行為分析的數(shù)據(jù)大多來源于視頻錄像[17]或模擬駕駛[2]，由于實驗設(shè)備和環(huán)境對駕駛?cè)诵袨榈母蓴_和心理暗示，往往無法反映駕駛?cè)说膶嶋H駕駛行為.同時，研究方法大多基于理論計算[18-19]或交通仿真[20-21]，難以描述不同道路交通狀況下出匝車輛多次換道的行為規(guī)律，無法揭示道路交通環(huán)境客觀條件對駕駛員風(fēng)險偏好的內(nèi)在影響，因此現(xiàn)有換道風(fēng)險模型在解釋性和精度方面存在不足.

自然駕駛實驗作為研究駕駛員行為和交通安全的新手段，能夠不間斷記錄真實環(huán)境下的駕駛員操作、車輛狀況及周邊環(huán)境，生成海量自然駕駛數(shù)據(jù)，為駕駛行為研究提供豐富的數(shù)據(jù)支撐.美國[22]、日本[23]以及歐洲[24]先后開展了自然駕駛項目.中國也開展了上海自然駕駛實驗(SH-NDS)，該實驗將數(shù)據(jù)采集設(shè)備安裝于實驗車輛隱蔽位置，60名中等技術(shù)駕駛者出于日常的駕駛行為習(xí)慣進行獨立駕駛(每人歷時2個月以上)，采集自然行駛狀態(tài)下駕駛者和車輛運行的狀態(tài)信息.

本研究提取SH-NDS中的上海市域高速公路出匝車輛駕駛行為特征數(shù)據(jù)，基于多車道高速公路出匝車輛的每一次換道風(fēng)險，建立出口區(qū)換道風(fēng)險評價指標(biāo)體系及分級標(biāo)準(zhǔn)，定義單次換道風(fēng)險等級.針對所有換道樣本數(shù)據(jù)采用比例優(yōu)勢模型建立換道風(fēng)險模型，并在該模型的基礎(chǔ)上生成出口區(qū)出匝車輛換道風(fēng)險分布圖譜，解析高速公路出口區(qū)換道風(fēng)險分布特征，為車流控制管理提供理論決策支持，從而減少由車輛出匝換道引發(fā)的交通擁堵和交通事故.

1 數(shù)據(jù)采集與提取

1.1 自然駕駛數(shù)據(jù)的采集與清洗

上海自然駕駛實驗開展于2012年—2016年，車載數(shù)據(jù)采集系統(tǒng)將實驗車輛由啟動到熄火全過程中采集到的所有特征參數(shù)整合并錄入到單一逗號分隔值(CSV)格式文件中，數(shù)據(jù)文件與對應(yīng)的前視視頻共用統(tǒng)一的時間軸.收集的數(shù)據(jù)集共包含18 241個CSV格式文件及對應(yīng)的視頻記錄，原始數(shù)據(jù)條目多達247項，其中與本研究相關(guān)的主要特征指標(biāo)參數(shù)包括車輛運行參數(shù)(位置、速度、加速度等)、實驗車輛周圍交通流情況(與前車速度差和距離等)以及對應(yīng)的視頻數(shù)據(jù).本研究需要從海量的數(shù)據(jù)中提取高速公路出匝車輛數(shù)據(jù)，采集與提取過程主要分為五步，如圖1所示.

圖1 數(shù)據(jù)采集與提取過程

1.2 高速公路出匝樣本篩選

基于Matlab編程和Google Earth路徑檢索，采用以最近鄰點搜索和軌跡點偏移距離計算為內(nèi)核的路徑匹配方法，篩選出高速公路出口的記錄，排除城市道路、城市快速路、高速公路基本路段的無關(guān)數(shù)據(jù).

為確定實驗車輛駛出高速公路出口的具體出匝時刻，首先根據(jù)實驗采集到的車輛GPS信息通過Google Earth對所有篩選得到的高速公路出口進行標(biāo)記，對于某一特定高速公路出口，標(biāo)記如圖2所示的AB連線作為出匝邊界線，并獲得AB兩點經(jīng)緯度坐標(biāo)，由此可將車輛出匝時刻確定問題轉(zhuǎn)化為判斷路徑中連續(xù)兩個軌跡點連線CD是否與出口邊界線AB相交.通過向量叉乘進行跨立實驗得到CD兩點的軌跡坐標(biāo)，從而確定車輛出匝時刻的坐標(biāo).然后，以出匝坐標(biāo)對應(yīng)的時刻為基點向前提取數(shù)據(jù)點，以得到高速公路出口范圍內(nèi)(出口邊界上溯3 500 m)的整個出匝過程.

1.3 出口區(qū)范圍內(nèi)的單次換道行為識別

本研究實驗路段為單向四車道高速公路，為便于說明，將最內(nèi)側(cè)車道定義為車道1，最外側(cè)車道定義為車道4，行進方向由左至右依次為1、2、3、4車道.由于受到出匝車輛固有換道需求的影響，出口上游段特定范圍內(nèi)存在較為顯著的交通流擾動，其交通行為及風(fēng)險特征有別于一般路段，因此本研究聚焦于出口區(qū)換道行為.

圖2 高速公路出口區(qū)邊界線

多車道高速公路出口區(qū)具體范圍的確定方法[25]為：首先，作出所有出匝車輛的不同車道起始換道位置的累積頻率圖，如圖3所示；然后，定義15%～85%分位值區(qū)間作為多車道高速公路的出口區(qū)范圍.出口區(qū)范圍示意圖如圖4所示，圖中斜線陰影部分表示所劃定的出口區(qū).

圖3 不同起始車道換道位置累積頻率

Fig.3 Cumulative frequency of lane-change position on different lanes

圖4 高速公路出口區(qū)范圍示意圖

在出口區(qū)內(nèi)，各次完整出匝過程的換道行為識別準(zhǔn)則如下：①根據(jù)車道偏移參數(shù)發(fā)生從正到負(或從負到正)的突變點，識別出出匝車輛的換道行為[25]，并通過視頻進行驗證；②采用車道偏移參數(shù)突變前后斜率為零的拐點，確定換道實施起點和換道完成終點，而位于其間的車道偏移參數(shù)突變點定義為換道中點[26]，如圖5所示.

圖5 換道實施過程示例

1.4 換道影響變量

通過前述工作，高速公路出匝樣本在出口區(qū)內(nèi)的整個換道行為過程已得到識別及標(biāo)定.由于自然駕駛實驗選取的是具備中等駕駛技術(shù)并對路況熟悉的駕駛員，實驗車輛為固定車型，以普通的雙向八車道高速公路出口區(qū)為研究對象，因此不考慮駕駛?cè)?、車輛和道路線形及標(biāo)志等因素.基于此，考慮高速公路出口區(qū)的交通環(huán)境和出匝換道路徑因素，選取交通擁擠等級、車型分布、需求換道次數(shù)、換道方向及與出口相對距離等影響因素來構(gòu)建換道風(fēng)險模型.其中，車型分布V及交通擁擠等級JL反映車輛周圍交通流環(huán)境對于換道風(fēng)險的作用，而與出口相對距離S、需求換道次數(shù)LC和換道方向D體現(xiàn)了出匝換道路徑選擇對駕駛員風(fēng)險偏好的影響，進而決定車輛換道過程的風(fēng)險水平.具體的影響變量和數(shù)據(jù)來源如表1所示.

為了給后續(xù)模型構(gòu)建提供完備樣本集，在提取換道過程信息時對數(shù)據(jù)進行預(yù)處理，包括：①采用線性插值方法對序列中的零元素進行插補；②選擇格拉布斯準(zhǔn)則判斷異常值并以相應(yīng)鄰近值插值修補；③采用移動平均法對整體數(shù)據(jù)進行平滑處理;④通過MySQL軟件實現(xiàn)數(shù)據(jù)庫的搭建.對高速公路出口樣本進行行駛?cè)毯Y選，總計得到333組有效出匝換道樣本，其中向左換道樣本為122組(因受前面慢速車輛的影響，某些出匝車輛在出口區(qū)內(nèi)可能會采取向左換道).

2 換道風(fēng)險模型

2.1 單次換道風(fēng)險分級

本次自然駕駛實驗所采集的數(shù)據(jù)并未包含實際事故樣本，故采用安全替代指標(biāo)對單車換道過程的風(fēng)險程度進行衡量.Kondoh等[27]將車頭時距和沖突時間組合構(gòu)造出風(fēng)險感知系數(shù)RP來量化駕駛員的空間風(fēng)險感知，在客觀上綜合前后車距離接近和車速偏離的不同情形，能夠兼顧絕對和相對兩種不同尺度的風(fēng)險，故本研究用RP作為單車換道風(fēng)險的評價指標(biāo)，計算式如下所示：

表1 影響變量及數(shù)據(jù)來源

(1)

(2)

(3)

式中：ΔS為前后車相對距離；vF為后車速度；Δv為前后車相對速度；tHW為車頭時距，表示前后車相對距離與后車速度的比值；tTTC為沖突時間，表示前后車相對距離與相對速度的比值；a、b為線性加權(quán)系數(shù)，a=1,b=4,適用于跟馳車輛靠近前車并存在追尾風(fēng)險的情況[27].本研究車輛在換道過程中與前車有追尾碰撞風(fēng)險，因此該加權(quán)系數(shù)適用.從式(3)可知，tHW和tTTC越小，RP值越大，風(fēng)險越高.

單次換道過程如圖6所示.在換道中點P處，換道車輛與當(dāng)前車道前車VC、目標(biāo)車道前車VT碰撞概率都達到最高，因此風(fēng)險量化時選取換道中點時刻作為事故臨界時刻.分別計算換道車輛與當(dāng)前車道前車VC、目標(biāo)車道前車VT的1/tHW和1/tTTC，并各取兩者較大值以求解RP，如下所示：

(4)

圖6 換道過程示意圖

為對換道行為風(fēng)險嚴(yán)重程度進行定義，采用k-means聚類方法對出口區(qū)單次換道風(fēng)險進行分級歸類，如圖7所示.根據(jù)聚類結(jié)果，風(fēng)險水平被劃分為較安全、輕微風(fēng)險、中等風(fēng)險及嚴(yán)重風(fēng)險等四個等級，分別以特征值0、1、2、3表示.可以發(fā)現(xiàn)，輕微風(fēng)險和中等風(fēng)險等級樣本分布較為密集，而分級兩端較安全和嚴(yán)重風(fēng)險等級樣本分布相對稀疏，與實際交通流背景下的風(fēng)險分布一致.根據(jù)具體計算，風(fēng)險等級以RP=0.560、1.547、3.076作為劃分閾值，從而構(gòu)建因變量指標(biāo)集.

對單車換道風(fēng)險分級標(biāo)準(zhǔn)體系的有效性進行驗證，以向左換道樣本以及換道間隙小于0.7 s的單次換道作為高風(fēng)險樣本，同其余換道行為樣本進行對比，經(jīng)方差分析(ANOVA)檢驗，計算得F=154.25，p<0.05，因此兩組樣本風(fēng)險水平存在顯著性差異，證明所選取的高風(fēng)險樣本集具有代表性.然后，根據(jù)風(fēng)險分級標(biāo)準(zhǔn)對選取的高風(fēng)險樣本集進行劃分，定義將高風(fēng)險樣本劃分為中等風(fēng)險及以下時為誤分，計算得到靈敏度(正類覆蓋率)為97.59%，表明所構(gòu)建的風(fēng)險分級標(biāo)準(zhǔn)體系對于多車道高速公路出口區(qū)出匝換道過程是有效的.

圖7 聚類結(jié)果

2.2 基于比例優(yōu)勢模型的換道風(fēng)險模型

作為因變量的風(fēng)險等級有四個類別，分別為較安全、輕微風(fēng)險、中等風(fēng)險及嚴(yán)重風(fēng)險，各風(fēng)險等級之間存在嚴(yán)重程度遞進的次序.因此，對于多分類反應(yīng)變量取值有序的情況，采用比例優(yōu)勢模型(POM)[28]進行回歸建模.

2.2.1比例優(yōu)勢模型

比例優(yōu)勢模型又稱累積比數(shù)Logit模型，是二分類Logit模型的擴展.該模型引入夾心方差估計量,有效地避免參數(shù)估計量無法考慮多分類變量間存在相關(guān)性的問題，因而主要適用于處理反應(yīng)變量為有序分類變量的情形.原理是：依次將反應(yīng)變量按不同的取值水平分割為兩個等級，對兩者建立反應(yīng)變量為二分類的Logit回歸模型.

本研究主要探討出口區(qū)換道風(fēng)險等級與影響因素之間的關(guān)系.自變量除連續(xù)性變量(S,LC)和二分類變量(D,V)外，多分類自變量交通擁擠等級JL需分離為啞變量形式，選取交通通暢情況JL=1作為對照類別，生成三組啞變量.自變量集如表2所示.

表2 自變量集

因變量用R表示，根據(jù)風(fēng)險分級RP∈{0,1,2,3}，因變量R分為四類，LogitP表示前k個類別的累積概率P(y≤k)與后(K-k)個類別的累積概率P(y>k)之間的對數(shù)比，因此可產(chǎn)生三個比例優(yōu)勢模型.各個模型均可視為一般的二分類Logit模型,計算式如下所示:

(5)

式中：PR≤i=P(R=i)，i∈(0,1,2);αi為常數(shù)項，采用極大似然函數(shù)求解，i∈(0,1,2)；βj為自變量回歸系數(shù)，反映解釋變量xj每變化一個單位所引起反應(yīng)變量對數(shù)優(yōu)勢比變化，j∈(1,2,…,7).

2.2.2比例優(yōu)勢模型擬合與分析

由于本研究中因變量數(shù)目較多，因此采用方差膨脹因子(VIF)對固變量進行多重共線性診斷[29].經(jīng)檢驗，各因變量方差膨脹因子均小于5，故認(rèn)為各指標(biāo)間不存在多重共線性關(guān)系，無需對因變量集進行處理.同時，比例優(yōu)勢模型的適用應(yīng)滿足平行線假定，本研究中采用得分檢驗方法[30]，計算得χ2=20.95，p=0.103，故可認(rèn)為比例優(yōu)勢假設(shè)成立，可以采用Logit函數(shù)作為聯(lián)接函數(shù).采用Matlab軟件對樣本集進行比例優(yōu)勢模型回歸擬合，得到出口區(qū)換道風(fēng)險等級的分類模型，如下所示：

為驗證模型的適用性，分別進行回歸方程顯著性檢驗以及擬合優(yōu)度檢驗.對于前者，各參數(shù)經(jīng)T檢驗后結(jié)果如表3 所示.除與出口相對距離S對應(yīng)的回歸系數(shù)β1外，其余回歸系數(shù)顯著性水平p值均小于0.05.考慮到β1的顯著性水平與拒絕域相差不大，并且與出口相對距離S變量的存在能夠保證模型的可解釋性，故決定保留自變量S；對于后者，采用皮爾遜檢驗得到χ2=730.528，顯著性水平p=0.405>0.05，說明模型的擬合優(yōu)度較好.

進一步地，采用OR值及其95%置信區(qū)間來定量描述擬合的比例優(yōu)勢模型中自變量的影響程度，結(jié)果如表4所示.

表3 比例優(yōu)勢模型參數(shù)估計及檢驗

表4 OR值及其95%置信區(qū)間

對于連續(xù)變量x1和x2，OR1>1、OR2=2.003 961，說明風(fēng)險水平隨著與出口相對距離及換道需求次數(shù)的增加而提升，當(dāng)換道起始車道向左側(cè)偏移一個車道時，風(fēng)險等級提升的程度是原來的2.003 961倍.

對于分類變量x3、x4、x5、x6、x7，OR3=9.349 572>1,表明x3=0時(向左換道)風(fēng)險等級提升的風(fēng)險是x3=1時(向右換道)的9.349 572倍，即向左換道相比于向右換道存在更大的風(fēng)險隱患；OR4=0.582 304<1，表明x4=0時(無貨車)風(fēng)險等級提升的程度是x4=1時(存在貨車)的0.582 304倍，說明換道發(fā)生位置附近存在貨車將導(dǎo)致?lián)Q道行為具有更高的風(fēng)險水平；x5、x6及x7均為交通擁擠等級JL的啞變量，對應(yīng)OR7

由此發(fā)現(xiàn)，分類模型內(nèi)在反映了出匝駕駛員的風(fēng)險偏好規(guī)律.當(dāng)駕駛?cè)嗽谖挥谧髠?cè)車道(需求換道次數(shù)多)，或車道附近存在貨車且交通狀態(tài)為擁擠的交通流狀態(tài)，或受強烈的出匝緊迫感影響時，駕駛員對風(fēng)險的容忍度會明顯提升.

分類模型的性能通常采用受試者工作特征曲線(ROC)進行描述.本研究所構(gòu)建的換道風(fēng)險模型經(jīng)測試集驗證準(zhǔn)確率達到52.27%，受試者工作特征曲線如圖8所示.各條曲線分別對應(yīng)各個風(fēng)險等級的分類效果，ROC曲線下的面積(AUC)分別為0.843 1、0.626 2、0.680 9、0.757 0，可知其中RP=1與RP=2類別分類效果相對劣于其余兩個類別.

圖8 比例優(yōu)勢模型受試者工作特征曲線

3 換道風(fēng)險圖譜

以出口區(qū)內(nèi)道路平面為底圖，基于所構(gòu)建的換道風(fēng)險模型計算特定自變量組合下的風(fēng)險等級，以色塊形式表征風(fēng)險等級并鋪陳于底圖，從而生成反映換道風(fēng)險分布的風(fēng)險圖譜，直觀地揭示換道風(fēng)險梯度變化.本研究以車型分布因素為例，繪制出口區(qū)是否存在貨車這兩類情況的換道風(fēng)險圖譜,如圖9所示.

a 無貨車分布

b 有貨車分布

Fig.9 Comparison of lane-change risk maps in freeway off-ramp areas under different truck distributions

在多車道高速公路上，一般貨車會在外側(cè)車道行駛，因而將受貨車影響的換道行為限定為前車為貨車并且換道的目標(biāo)車道或起始車道為3、4車道的情形.設(shè)定輕度擁擠等級，以向右換道行為為對象，依次按梯度調(diào)整與出口相對距離變量，并按0、1、2切換需求換道次數(shù)變量代入換道風(fēng)險模型，確定道路平面各點所對應(yīng)的換道風(fēng)險等級，從而作出不同貨車分布情況的換道風(fēng)險圖譜.四個等級分別以特定色塊表示，色塊越深代表風(fēng)險等級越高.

從圖9可以發(fā)現(xiàn)，貨車存在時，出口區(qū)內(nèi)最左側(cè)快車道的換道風(fēng)險不受影響，而2、3車道的換道風(fēng)險水平有所提升，風(fēng)險區(qū)域從上游向下游擴展.主要原因在于：大貨車在前會遮擋后車視野并帶來較強的心理壓迫感，后車一般會選擇換道以避免跟馳；大貨車的行駛速度慢、制動性能差，后車與之往往存在較為可觀的速度差，換道過程中的臨時加速及斜側(cè)接近尤其造成風(fēng)險的攀升.

4 結(jié)語

依托SH-NDS項目，研究高速公路出口區(qū)的換道風(fēng)險.基于風(fēng)險感知系數(shù)量化換道風(fēng)險，采用k-means聚類構(gòu)建換道風(fēng)險分級標(biāo)準(zhǔn)，定義出單次換道風(fēng)險等級.考慮高速公路出口區(qū)交通擁擠等級、車型分布、需求換道次數(shù)、換道方向及與出口相對距離等影響因素，針對所有換道樣本數(shù)據(jù)，選用比例優(yōu)勢模型構(gòu)建出高速公路出口區(qū)換道風(fēng)險模型，并對出口區(qū)內(nèi)存在貨車影響的情形進行了換道風(fēng)險分布圖譜分析.結(jié)果表明，當(dāng)換道發(fā)生位置附近存在貨車時，由于大貨車行駛速度慢并遮擋后車視野，因而后車會選擇換道超車以獲得期望行駛條件，從而導(dǎo)致更高的換道風(fēng)險水平.

對高速公路出口區(qū)的風(fēng)險圖譜進行分析，及時發(fā)現(xiàn)該區(qū)域的換道風(fēng)險隱患.在此基礎(chǔ)上，提出出口區(qū)內(nèi)合理的交通管理和控制策略，如對于向左換道的高風(fēng)險行為可設(shè)置虛實線禁止左轉(zhuǎn)等措施，以控制車輛的換道行為，從而有效降低出口區(qū)換道風(fēng)險.

目前的數(shù)據(jù)源于往期自然駕駛實驗，受到數(shù)據(jù)時效性限制，現(xiàn)有條件下只能生成靜態(tài)風(fēng)險圖譜，缺乏實用性.隨著智能交通的深入發(fā)展，通過與高清卡口、浮動車、車聯(lián)網(wǎng)等實時交通數(shù)據(jù)獲取方式相結(jié)合，開發(fā)與實時數(shù)據(jù)匹配及包含多種應(yīng)用場景的工具包，從而實現(xiàn)更為多樣化的風(fēng)險場景換道風(fēng)險圖譜的動態(tài)更新，未來能夠應(yīng)用于路網(wǎng)安全保障節(jié)點風(fēng)險變化的實時監(jiān)控，減少因換道產(chǎn)生的事故，提高道路安全水平.