多車道交織區(qū)車輛跟馳行為風(fēng)險(xiǎn)判別與沖突預(yù)測(cè)

謝濟(jì)銘，秦雅琴*，彭博，夏玉蘭，王錦銳

(1.昆明理工大學(xué)，交通工程學(xué)院，昆明650224；2.重慶交通大學(xué)，交通運(yùn)輸學(xué)院，重慶400074)

0 引言

多車道交織區(qū)普遍存在于道路系統(tǒng)中，行經(jīng)車輛需在有限長(zhǎng)度內(nèi)跨越一條或多條車道進(jìn)入目的路段，由于短距離合分流，以及車輛相互之間的復(fù)雜作用，容易產(chǎn)生匯入?yún)R出沖突，使得車流呈現(xiàn)高度紊亂狀態(tài)，導(dǎo)致交織區(qū)通行能力大幅降低、行車風(fēng)險(xiǎn)急劇提升。

交織區(qū)是快速路系統(tǒng)的關(guān)鍵部位，其交通安全特性比較復(fù)雜，國(guó)內(nèi)外學(xué)者主要從兩個(gè)視角展開(kāi)研究，即幾何設(shè)計(jì)靜態(tài)特性和交通流動(dòng)態(tài)特性。靜態(tài)安全研究方面：孫璐[1]通過(guò)比選交織區(qū)設(shè)計(jì)方案，進(jìn)行安全評(píng)價(jià)；杜勝品[2]基于沖突點(diǎn)形成機(jī)理，構(gòu)建了交織區(qū)復(fù)雜度靜態(tài)模型。動(dòng)態(tài)安全研究方面：Wang[3]利用速度、速差、流量等參數(shù)，識(shí)別行車風(fēng)險(xiǎn)；Tanak[4]通過(guò)控制車輛換道位置，避免交織區(qū)沖突。此外，還有學(xué)者結(jié)合動(dòng)靜態(tài)安全特性展開(kāi)研究，Yuan[4]基于駕駛模擬器實(shí)驗(yàn)，分析了交織區(qū)幾何、交通流、車輛行為等特性與行車安全的關(guān)系。

前述文獻(xiàn)均基于交通沖突技術(shù)，探析交織區(qū)長(zhǎng)度[1,2,5]、車道數(shù)[2,5]、換道位置[4,5]、速度[3,5]、流量[2,4,5]等中宏觀安全特性，實(shí)現(xiàn)交通沖突嚴(yán)重程度的量化表征，有助于評(píng)價(jià)交織區(qū)交通安全。從更微觀的視角而言，現(xiàn)階段相關(guān)研究更聚焦于多車道交織區(qū)交通沖突影響因素分析，針對(duì)多車道交織區(qū)的風(fēng)險(xiǎn)預(yù)測(cè)相對(duì)較少；數(shù)據(jù)方面，多車道交織區(qū)復(fù)雜的交通環(huán)境，給廣域場(chǎng)景道路交通信息的準(zhǔn)確提取帶來(lái)挑戰(zhàn)，因此，目前研究主要利用仿真工具[1,4]、幾何解析[2]、視頻監(jiān)控[3]、駕駛模擬器[5]等展開(kāi)，較難反映國(guó)人真實(shí)行車行為所產(chǎn)生的沖突特征。

近年來(lái)，以無(wú)人機(jī)為代表的空中交通信息采集方式給交通研究帶來(lái)了巨大的機(jī)遇，能從鳥(niǎo)瞰的視角觀測(cè)和研究交通沖突過(guò)程，等同于車路協(xié)同信息采集分析模塊，對(duì)于地-空全方位解析多車道交織區(qū)交通沖突具有重要價(jià)值。另一方面，空中交通信息采集方式也帶來(lái)了巨大的挑戰(zhàn)，目前無(wú)人機(jī)鳥(niǎo)瞰視角下的交通沖突研究，還處于萌芽起步階段。

綜上，本文利用無(wú)人機(jī)視頻，提取典型多車道交織區(qū)全樣本高精度車輛軌跡數(shù)據(jù)，構(gòu)建交織區(qū)交通風(fēng)險(xiǎn)判別與沖突預(yù)測(cè)模型，進(jìn)行風(fēng)險(xiǎn)判別分析、預(yù)測(cè)結(jié)果對(duì)比驗(yàn)證，為減少交通擁堵、避免交通癱瘓、保障出行安全提供理論依據(jù)。

1 模型簡(jiǎn)介

本文主要應(yīng)用擴(kuò)展TTC(Extending Time to Collision)理論與機(jī)器學(xué)習(xí)結(jié)合的方法，預(yù)測(cè)交織區(qū)交通沖突。方法流程如圖1所示，主要有3個(gè)步驟。

圖1 模型框架Fig.1 Model Framework

(1)視頻數(shù)據(jù)分析

基于多尺度 KCF(Kernelized Correlation Filters)優(yōu)化算法，對(duì)視頻數(shù)據(jù)進(jìn)行坐標(biāo)變換、數(shù)據(jù)驗(yàn)證和誤差消除等處理分析，得到幀ID、時(shí)間ID、車輛ID、車輛質(zhì)心坐標(biāo)等車輛行為信息，以及相應(yīng)車輛的速度、加速度、速度角度、跟車間距等交通運(yùn)行信息。

(2)交通風(fēng)險(xiǎn)判別

基于微觀軌跡信息，利用二維TTC 理論，對(duì)矢量位置、矢量速度等進(jìn)行處理，構(gòu)建適用于交織區(qū)特殊幾何構(gòu)型的行車風(fēng)險(xiǎn)判別模型，對(duì)潛在風(fēng)險(xiǎn)獲得的特征數(shù)據(jù)進(jìn)行分類，作為預(yù)測(cè)模型的輸入。

(3)交通風(fēng)險(xiǎn)預(yù)測(cè)

評(píng)測(cè)數(shù)據(jù)維度等主要結(jié)構(gòu)參量對(duì)預(yù)測(cè)效果的影響，根據(jù)表征風(fēng)險(xiǎn)狀態(tài)的分類標(biāo)簽，利用樸素貝葉斯、logistic 回歸方法，經(jīng)過(guò)訓(xùn)練測(cè)試及綜合評(píng)價(jià)進(jìn)行模型優(yōu)選，實(shí)現(xiàn)交織區(qū)交通風(fēng)險(xiǎn)預(yù)測(cè)。

2 數(shù)據(jù)提取及分區(qū)設(shè)置

2.1 微觀軌跡數(shù)據(jù)提取

選取典型多車道交織區(qū)，主線4條車道(最內(nèi)側(cè)車道部分區(qū)域?yàn)槎ㄏ蜍嚨?，車速穩(wěn)定、跟車均勻)、匝道2條車道的車輛參與交織換道，交織區(qū)長(zhǎng)度約100 m。在晴朗無(wú)風(fēng)的工作日高峰時(shí)段，將無(wú)人機(jī)懸停在交織區(qū)上空約120 m的高度進(jìn)行視頻采集并提取車輛軌跡，無(wú)人機(jī)以30 frame·s-1的幀率穩(wěn)定拍攝4 K 超高清質(zhì)量視頻。如圖2所示，方框表示當(dāng)前跟蹤車輛，線條為車輛軌跡。

車輛軌跡提取過(guò)程如圖2所示，基于OPEN CV開(kāi)發(fā)多尺度KCF算法，經(jīng)誤差消除與驗(yàn)證后，進(jìn)行特征檢測(cè)與車輛跟蹤，提取行經(jīng)交織影響區(qū)域的2912 輛車的完整軌跡，得到共計(jì)107.32 萬(wàn)條微觀軌跡數(shù)據(jù)，軌跡信息時(shí)間精度0.1 s、空間精度0.1 m·pixel-1，數(shù)據(jù)樣例如表1所示。

圖2 高空視頻數(shù)據(jù)提取Fig.2 Data extraction from aerial videos

表1 軌跡數(shù)據(jù)樣例Table 1 Examples of trajectory data

2.2 分區(qū)設(shè)置

為充分探討交織區(qū)各區(qū)域交通沖突的差異，根據(jù)車輛行為及幾何條件等交通運(yùn)行特性，采用分區(qū)建模思想[6]，將研究范圍沿行駛方向劃分為6 個(gè)區(qū)域，如圖3所示。

圖3 研究范圍分區(qū)Fig.3 Zoning strategy of research area

(1)交織影響區(qū)上游，受交織區(qū)影響較明顯的鄰近上游主線區(qū)段，如分區(qū)Z1、Z5；

(2)交織區(qū)，將交織區(qū)沿車流運(yùn)行方向分為兩段，為合、分流區(qū)及其鄰近交織區(qū)域，如分區(qū)Z2、Z3；

(3)交織影響區(qū)下游，受交織影響較大的下游區(qū)域，如分區(qū)Z4、Z6。

車輛行經(jīng)合流區(qū)、交織區(qū)、分流區(qū)時(shí)，為了匯入主線或駛?cè)朐训?，可能采取減速、低速甚至停車等風(fēng)險(xiǎn)較高的行為，故分區(qū)Z2～Z3為本文研究重點(diǎn)。

3 交通風(fēng)險(xiǎn)判別與沖突預(yù)測(cè)

3.1 交通風(fēng)險(xiǎn)判別

3.1.1 基本碰撞時(shí)間

兩輛車以當(dāng)前速度繼續(xù)行駛相撞所需的時(shí)間稱為碰撞時(shí)間(Time-To-Collision,TTC)。跟馳車i在t時(shí)刻相對(duì)于前導(dǎo)車i-1的TTC計(jì)算公式為

式中：Ti(t)為車輛i在t時(shí)刻的TTC 值；Xi-1(t)、Xi(t)分別為車輛i-1 與車輛i在t時(shí)刻的位置；Vi-1(t)、Vi(t)分別為車輛i-1 與車輛i在t時(shí)刻的速度；Li為車輛i的車身長(zhǎng)度。根據(jù)TTC 定義可知，較大的TTC 可為駕駛員提供更長(zhǎng)的時(shí)間，以降低交通沖突的概率；反之，較小的TTC 更易產(chǎn)生交通風(fēng)險(xiǎn)。

3.1.2 基于二維拓展TTC理論的車輛風(fēng)險(xiǎn)判別

TTC的計(jì)算通常將跟馳行為描述為一維問(wèn)題。對(duì)于多車道交織區(qū)，車輛具有在交織區(qū)匯入或匯出主線的迫切需求，需在有限距離內(nèi)行至目標(biāo)車道，導(dǎo)致行車條件局促、異常行為頻繁。同時(shí)，由于合分流區(qū)一般存在展寬漸變段，展寬段與主線車道之間存在一定角度，故經(jīng)典的TTC方法不完全適用于多車道交織區(qū)的沖突分析。為消除這一局限性，本文引入適用性更廣泛的二維拓展TTC理論[7]，分析多車道交織區(qū)車輛復(fù)雜的行為沖突，更準(zhǔn)確地測(cè)度交織區(qū)車輛行車風(fēng)險(xiǎn)。

如圖4所示，設(shè)前導(dǎo)車i與跟隨車j的車輛質(zhì)心位置向量為Οi和Oj，車輛質(zhì)心之間的距離為Dij；最近點(diǎn)的位置向量為Ci和Cj，最近點(diǎn)之間的距離為dij。兩車的矢量位置可表示為(Oi,Oj,Ci,Cj)、矢量速度可表示為(Vi,Vj)。

圖4 車輛矢量位置與速度Fig.4 Vector position and velocity of vehicle

由于碰撞點(diǎn)處于車輛的外緣，故碰撞首先發(fā)生于前、后車最接近的點(diǎn)Ci和Cj，最近點(diǎn)之間的距離dij為

易得為

將式(3)兩邊微分可得

式中：為間隔距離的一階導(dǎo)數(shù)，即間隔距離的變化率。據(jù)此，可得出兩輛車相撞的相對(duì)速度為-，稱為車輛接近率。

基于式(4)，得到車輛i,j間距的一階導(dǎo)為

本文對(duì)于TTC的計(jì)算是基于固定的時(shí)步0.1 s，因此可假設(shè)兩輛車之間的接近率是恒定的。根據(jù)TTC的定義可知dij+?Ti=0，得出兩車相撞時(shí)的TTC為

視頻提取的位置數(shù)據(jù)是車輛的質(zhì)心位置Oi和Oj，其質(zhì)心距離Dij大于最近點(diǎn)距離dij[8]，本文考慮車輛i、j的車身尺寸，假設(shè)dij和Dij之間的差異為前導(dǎo)車長(zhǎng)度(Li)的1/2 與跟馳車長(zhǎng)度(Lj)的1/2 之和，即

則Dij的計(jì)算公式為

假設(shè)兩車質(zhì)心的接近率與兩車最近點(diǎn)的接近率相等，則

綜上，得出二維TTC風(fēng)險(xiǎn)判別模型為

同時(shí)，為表征車輛可能發(fā)生碰撞前的速度方向波動(dòng)，提取車輛當(dāng)前速度方向與水平速度方向的夾角，即速度角度，其計(jì)算公式為

式中：vx、vy分別為x方向和y方向速度。

根據(jù)TTC 閾值(T*)與TTC 大小關(guān)系，可判斷車輛運(yùn)行是否存在潛在碰撞風(fēng)險(xiǎn)[8]：

(1)若Ti≤T*，則πq=1，存在潛在碰撞風(fēng)險(xiǎn)；

(2)若Ti>T*，則πq=0，基本無(wú)風(fēng)險(xiǎn)。

本文T*設(shè)為4 s，時(shí)間步長(zhǎng)設(shè)為0.1 s。

3.2 交通沖突預(yù)測(cè)

本文將獲得的數(shù)據(jù)降維后，隨機(jī)抽取80%的樣本數(shù)據(jù)作為訓(xùn)練集，20%作為測(cè)試集，輸入交通沖突預(yù)測(cè)模型，包括logistic 回歸(Logistic Regression)模型、樸素貝葉斯(Naive Bayes)模型。

式中：為提取的第q條軌跡檢測(cè)數(shù)據(jù)，γΝ為不同維度的自變量，N表示樣本維度，包括速度、加速度等；為為第q個(gè)樣本的第?個(gè)元素值，，σ?j為第?個(gè)特征可能取的第j個(gè)值，即位置、速度等屬性的取值；Q為篩選后的數(shù)據(jù)集樣本量，約36.36萬(wàn)條。

3.2.1 樸素貝葉斯模型

樸素貝葉斯屬于經(jīng)典的監(jiān)督學(xué)習(xí)分類模型，是基于Pearl 提出的貝葉斯網(wǎng)絡(luò)模型，利用其構(gòu)造出的樹(shù)拓展構(gòu)建，廣泛應(yīng)用于文本分類、入侵檢測(cè)、故障診斷等領(lǐng)域，具有形式簡(jiǎn)單、性能穩(wěn)定、魯棒性強(qiáng)等優(yōu)點(diǎn)。交通領(lǐng)域應(yīng)用研究中，則通過(guò)離散時(shí)間數(shù)據(jù)訓(xùn)練模型，進(jìn)行交通事件的有效預(yù)測(cè)。

樸素貝葉斯模型通過(guò)特征概率來(lái)預(yù)測(cè)分類，采集數(shù)據(jù)包含不同維度的自變量，給中對(duì)應(yīng)的軌跡數(shù)據(jù)貼上類別標(biāo)簽πq∈{c1,c2,…,ck}，ck為風(fēng)險(xiǎn)類別，k為第k類風(fēng)險(xiǎn)，本文取πq={0,1}，表示可分為兩類，由此建立訓(xùn)練集訓(xùn)練模型，獲得特征概率以劃分樣本類別。

(1)計(jì)算潛在碰撞風(fēng)險(xiǎn)的先驗(yàn)概率P(Y=ck)與條件概率為

式中：I(?) 為潛在風(fēng)險(xiǎn)的貝葉斯函數(shù)，。

(2)以第q條軌跡檢測(cè)數(shù)據(jù)為例，計(jì)算特定實(shí)例數(shù)據(jù)，是否潛在碰撞風(fēng)險(xiǎn)的后驗(yàn)概率，即

(3)根據(jù)前述實(shí)例數(shù)據(jù)的風(fēng)險(xiǎn)判別結(jié)果，可預(yù)測(cè)車輛在位置、交通等環(huán)境組合影響下是否存在潛在碰撞風(fēng)險(xiǎn)。

為避免極大似然估計(jì)可能出現(xiàn)所要估計(jì)的概率值λ為0的情況，從而影響后驗(yàn)概率的計(jì)算結(jié)果，使分類產(chǎn)生偏差，采用貝葉斯估計(jì)計(jì)算具體概率值，本文λ取1[9]，即

3.2.2 logistic回歸模型

相比樸素貝葉斯生成式模型，logistic 回歸屬判別式模型，更適合描述交織區(qū)交通沖突復(fù)雜影響因素間的交互作用，解釋速度、加速度等交通矢量多維數(shù)據(jù)信息的離散特性，在模型泛化性和穩(wěn)健性上更具優(yōu)勢(shì)[10]。因此，利用logistic 回歸模型建立多車道交織區(qū)交通風(fēng)險(xiǎn)動(dòng)態(tài)預(yù)測(cè)模型，能很好解決交通風(fēng)險(xiǎn)預(yù)測(cè)中出現(xiàn)的二分類風(fēng)險(xiǎn)預(yù)測(cè)問(wèn)題。在讀取交織區(qū)沖突預(yù)測(cè)訓(xùn)練集樣本的基礎(chǔ)上，選擇Sigmoid 函數(shù)實(shí)現(xiàn)非線性變換，根據(jù)多項(xiàng)式特征，建立πq={0,1} 兩類樣本決策邊界，得到交通沖突預(yù)測(cè)結(jié)果。

(1)以第q條軌跡檢測(cè)數(shù)據(jù)為例，計(jì)算車輛潛在碰撞風(fēng)險(xiǎn)的條件概率P(πq)為

(2)得出特定實(shí)例數(shù)據(jù)的邏輯回歸模型g(πq)為

式中：為第q條軌跡數(shù)據(jù)；β為第q條數(shù)據(jù)相應(yīng)的自變量；β0～βγΝ為自變量相應(yīng)的取值；εγΝ為均值為γΝ個(gè)自變量0的正態(tài)分布的固定誤差項(xiàng)。

(3)加入隨機(jī)參數(shù)

考慮到不同車輛復(fù)雜行為自身的異質(zhì)性，以及觀測(cè)數(shù)據(jù)的多維屬性，為更精細(xì)地刻畫(huà)車輛行經(jīng)交織區(qū)時(shí)潛在風(fēng)險(xiǎn)的隨機(jī)性，在式(19)中引入了隨機(jī)參數(shù)，即

式中：β′i為隨車輛i變化而變化的隨機(jī)參數(shù)；βi為第i輛車的固定參數(shù)；ωi為N(0,σi2)之后的隨機(jī)分布項(xiàng)，σ2i為正態(tài)分布形態(tài)參數(shù)，本文取1。

4 結(jié)果與討論

4.1 潛在風(fēng)險(xiǎn)判別結(jié)果分析

4.1.1 不同合流方向結(jié)果

圖5為沿不同車道來(lái)向車輛T*空間分布，本文交織區(qū)最北側(cè)車道為定向車道，暫不分析其潛在碰撞風(fēng)險(xiǎn)?？梢钥闯觯?/p>

圖5 不同車道方向風(fēng)險(xiǎn)分布Fig.5 Risk distribution in different lane directions

(1)不同車道T*分布存在顯著差異，最內(nèi)外側(cè)車道1、匝道2 風(fēng)險(xiǎn)分布較為集中，中間3 條車道風(fēng)險(xiǎn)分布較為離散，說(shuō)明最內(nèi)、外側(cè)車道車輛參與交織少、通行優(yōu)先權(quán)較高，與實(shí)際運(yùn)行特性相符；

(2)從上游至下游T*分布趨勢(shì)來(lái)看，軌跡線由平穩(wěn)連續(xù)逐漸演變紊亂斷續(xù)，這說(shuō)明合分流需求會(huì)導(dǎo)致車輛相互沖突與干擾加劇，從而形成交通瓶頸，產(chǎn)生擁堵并向上游蔓延，而從交織區(qū)緊鄰下游起，交通運(yùn)行狀態(tài)逐漸平穩(wěn)，最終體現(xiàn)出越接近下游、潛在碰撞持續(xù)時(shí)間越小的漸變現(xiàn)象；

(3)整體來(lái)看，連續(xù)跨越車道的潛在風(fēng)險(xiǎn)可被準(zhǔn)確記錄，極個(gè)別車輛違反標(biāo)線駛?cè)攵ㄏ蜍嚨烂半U(xiǎn)行車過(guò)程也被精準(zhǔn)捕捉，說(shuō)明模型可較好地描述交織區(qū)車輛沖突特性，驗(yàn)證了本文風(fēng)險(xiǎn)判別模型的有效性。

4.1.2 不同分區(qū)結(jié)果

由于研究對(duì)象形狀不規(guī)則，為準(zhǔn)確計(jì)算各分區(qū)面積，利用HALCON 軟件劃定、裁剪并提取ROI(region of interest)區(qū)域面積，如圖6所示。

圖6 不同分區(qū)風(fēng)險(xiǎn)密度分布Fig.6 Risk density distribution in different regions

(1)車道方面，最內(nèi)、外側(cè)車道潛在風(fēng)險(xiǎn)密度大于中間車道，這是因?yàn)樽顑?nèi)、外側(cè)車速高于中間區(qū)域，說(shuō)明車速穩(wěn)定、跟車均勻、低頻換道不一定風(fēng)險(xiǎn)小，協(xié)同“間距-車速”更是安全行車的關(guān)鍵；

(2)分區(qū)方面，體現(xiàn)出以Z2～Z3為中心，風(fēng)險(xiǎn)沿x方向向外輻射并逐漸減弱的態(tài)勢(shì)，此外，Z5～Z6車輛匯入過(guò)程的風(fēng)險(xiǎn)也不容忽視。

由于不同分區(qū)面積與沖突數(shù)量差異較大，為準(zhǔn)確描述不同分區(qū)的沖突嚴(yán)重程度，計(jì)算單位面積沖突次數(shù)，如表2和圖7所示，展示了Z1～Z6的對(duì)比情況?？梢钥闯觯?/p>

圖7 分區(qū)面積比與T*數(shù)量比Fig.7 Partition area ratio VS T* number ratio

表2 單位面積潛在碰撞次數(shù)Table 2 Number of potential collisions per-unit area

(1)各分區(qū)沖突嚴(yán)重程度排序依次為Z3、Z2、Z1、Z5、Z4、Z6，其中，Z2～Z3(23.59～24.97)單位沖突量最高，約為其他分區(qū)沖突風(fēng)險(xiǎn)概率的2～4倍，顯著大于其他分區(qū)；

(2)值得注意的是，Z1、Z5的面積比與沖突比相差均不大，但由于Z5大量車輛存在匯入主線需求，導(dǎo)致潛在碰撞風(fēng)險(xiǎn)密度明顯大于Z1，體現(xiàn)出區(qū)別于基本路段的交織沖突特性，也反映出模型可較好地刻畫(huà)車輛沖突密度分布特性。

4.2 交通沖突預(yù)測(cè)結(jié)果分析

4.2.1 變量定義

根據(jù)多車道交織區(qū)獲得的車輛信息及交通流信息等特征，從車輛參數(shù)、分區(qū)參數(shù)兩個(gè)方面選取22 個(gè)候選自變量，以T*為因變量，如表3所示。采用多重共線性進(jìn)行相關(guān)性分析，并剔除自變量間具有相關(guān)性的

表3 變量的分類與說(shuō)明Table 3 Classification and explanation of variables

4.2.2 模型有效性檢驗(yàn)

為客觀評(píng)價(jià)模型性能，降低數(shù)據(jù)量、樣本均勻性以及量綱等干擾，本文將數(shù)據(jù)歸一化后，選取混淆矩陣來(lái)衡量模型的有效性。

由圖8和表4看出，logistic 回歸模型的準(zhǔn)確率(Accuracy，評(píng)價(jià)總體預(yù)測(cè)效果)、精準(zhǔn)率(Precision，反映預(yù)測(cè)風(fēng)險(xiǎn)的精確性)、誤報(bào)率(False Positive Rate，F(xiàn)PR，假陽(yáng)性率)表現(xiàn)更優(yōu)，相對(duì)樸素貝葉斯模型分別提升了12.24%、28.90%、21.43%。不過(guò)，樸素貝葉斯模型各項(xiàng)指標(biāo)較為均衡，且靈敏度(True Positive Rate，TPR，真陽(yáng)性率)顯著優(yōu)于logistic回歸模型。

圖8 混淆矩陣圖Fig.8 Results of confusion matrix

表4 模型預(yù)測(cè)準(zhǔn)確度對(duì)比Table 4 Comparison of model prediction accuracy

為得到優(yōu)選模型，本文進(jìn)一步構(gòu)建了基于靈敏度和誤報(bào)率綜合評(píng)價(jià)指標(biāo)AUC(Area Under Curve，用于綜合衡量預(yù)測(cè)模型優(yōu)劣)，AUC越大，表明模型性能越好。如圖9所示，整體而言，兩個(gè)預(yù)測(cè)模型AUC 均大于0.8，說(shuō)明本文構(gòu)建的多車道交織區(qū)預(yù)測(cè)模型，均具有較好的預(yù)測(cè)效果。相比樸素貝葉斯模型，logistic 回歸模型的AUC 提升了4%，表現(xiàn)出更佳的預(yù)測(cè)能力。

圖9 ROC 曲線Fig.9 ROC curve

5 結(jié)論

(1)交織區(qū)車輛換道1～2 次后可基本規(guī)避行車風(fēng)險(xiǎn)，且隨著車輛越接近下游，潛在碰撞風(fēng)險(xiǎn)持續(xù)時(shí)間逐漸減少。風(fēng)險(xiǎn)分布體現(xiàn)出以交織區(qū)為中心，沿行車方向向外輻射并逐漸減弱的態(tài)勢(shì)，本文構(gòu)建的風(fēng)險(xiǎn)判別能有效表征交織區(qū)強(qiáng)烈的換道沖突，刻畫(huà)交織區(qū)復(fù)雜的交織風(fēng)險(xiǎn)，評(píng)估交織區(qū)實(shí)際車輛行車安全，可為探究交織區(qū)車路協(xié)同、擁堵機(jī)理提供理論依據(jù)。

(2)本文分別構(gòu)建了logistic 回歸模型、樸素貝葉斯模型預(yù)測(cè)車輛交通沖突概率，經(jīng)過(guò)模型優(yōu)選，最終得到交織區(qū)交通沖突預(yù)測(cè)模型。結(jié)果表明，模型對(duì)不同評(píng)價(jià)指標(biāo)具有較好的適應(yīng)性，可為交管部門(mén)提供準(zhǔn)確的預(yù)警信息，為復(fù)雜環(huán)境交通安全運(yùn)行評(píng)估、主動(dòng)管控提供支撐。