無信控人行橫道多類型沖突嚴(yán)重程度模型

常玉林，吳照允，孫超，張鵬

(江蘇大學(xué)，汽車與交通工程學(xué)院，江蘇鎮(zhèn)江 212013）

0 引言

城市道路中無信控人行橫道，非機(jī)動(dòng)車和行人過街時(shí)會(huì)與機(jī)動(dòng)車進(jìn)行交織，此時(shí)，行人和非機(jī)動(dòng)車與車輛互相影響[1]。然而，非機(jī)動(dòng)車和行人的過街速度變化存在不確定性，在交互作用中可能會(huì)發(fā)生沖突，嚴(yán)重的沖突會(huì)造成生命危險(xiǎn)。因此，為提高非機(jī)動(dòng)車和行人的過街安全，有效避免交通事故，有必要研究行人-機(jī)動(dòng)車沖突和非機(jī)動(dòng)車-機(jī)動(dòng)車沖突。

無信控人行橫道處的交通沖突非常頻繁且復(fù)雜。以前研究行人和非機(jī)動(dòng)車的交通安全，主要依靠歷史碰撞記錄[2]，數(shù)據(jù)存在漏報(bào)、缺失以及更新等問題。現(xiàn)在的研究主要以交通沖突嚴(yán)重性為研究對(duì)象。例如，ZHENG 等[3]提出一種融合后侵入時(shí)間、加速度變化率和轉(zhuǎn)向角速度變化率的綜合嚴(yán)重度指標(biāo)，衡量連續(xù)沖突的嚴(yán)重程度，并通過二元Logit模型分析沖突的影響因素，但是，研究場(chǎng)景較為簡單，且文獻(xiàn)中兩種沖突為同類型沖突；彭勇等[4]通過交通調(diào)查和數(shù)據(jù)分析的方法探索人車嚴(yán)重程度的影響因素；張燕等[5]通過采用距離碰撞時(shí)間指標(biāo)和沖突速度指標(biāo)，提出了新的機(jī)-非沖突嚴(yán)重程度分析方法；周竹萍等[6]基于交叉口交通沖突視頻數(shù)據(jù)，運(yùn)用模糊聚類方法得出交通沖突的嚴(yán)重程度和危險(xiǎn)性；LI 等[7]以無信號(hào)人行橫道人-車沖突為對(duì)象，使用入侵后時(shí)間、入侵碰撞時(shí)間和減速至安全時(shí)間，采用支持向量機(jī)算法進(jìn)行測(cè)試；KUMAR等[8]使用事故發(fā)生時(shí)間(TA)和沖突速度(CS)確定沖突的嚴(yán)重程度，并利用廣義有序回歸模型確定影響人-車沖突嚴(yán)重程度的因素。

最近的研究中，將多個(gè)交通沖突指標(biāo)應(yīng)用于安全分析已經(jīng)變的很普遍，但每個(gè)指標(biāo)都有其自身的局限性和適用性?？紤]到應(yīng)用環(huán)境以及其他沖突指標(biāo)在交通事故預(yù)測(cè)的準(zhǔn)確性，往往很難確定哪些沖突指標(biāo)是合適的[9]；JIANG 等[10]基于傳統(tǒng)指標(biāo)的優(yōu)點(diǎn)和局限性，提出一種改進(jìn)的指標(biāo)，結(jié)果表明，改進(jìn)后的指標(biāo)更適合交通安全評(píng)估。除此之外，在無信控人行橫道上，交通沖突的發(fā)生受多種因素的影響。以往的研究主要是單次的人-車沖突，即單個(gè)行人和單個(gè)機(jī)動(dòng)車之間的沖突，并分析人-車沖突的影響因素[11]。然而，很少研究單個(gè)行人與多個(gè)機(jī)動(dòng)車之間的沖突，以及非機(jī)動(dòng)車與機(jī)動(dòng)車之間的沖突。研究表明，在中國，司機(jī)不禮讓行人是很常見的，也是發(fā)生交通事故的原因之一[12]。因?yàn)?，機(jī)動(dòng)車不禮讓行人會(huì)出現(xiàn)下面情形：有的機(jī)動(dòng)車禮讓，有的機(jī)動(dòng)車不禮讓。對(duì)于這種情形，其中一個(gè)機(jī)動(dòng)車禮讓行人，此時(shí)，行人過街；另一個(gè)同向行駛的機(jī)動(dòng)車不停車禮讓，有可能會(huì)與行人發(fā)生沖突，甚至碰撞。所以，當(dāng)某一車道機(jī)動(dòng)車禮讓行人停車時(shí)，行人可能會(huì)與同方向行駛的另一車道的機(jī)動(dòng)車發(fā)生沖突，將此沖突稱為多重威脅沖突。與之前研究的單次沖突相比，多重威脅沖突的機(jī)動(dòng)車與沖突對(duì)象之間存在視野障礙，機(jī)動(dòng)車無法提前知道行人或非機(jī)動(dòng)車的大概走向及位置。當(dāng)行人或非機(jī)動(dòng)車突然出現(xiàn)時(shí)，機(jī)動(dòng)車可能無法做出正確的操作，產(chǎn)生沖突的后果較為嚴(yán)重，甚至發(fā)生碰撞。

綜上所述，本文引入多重威脅沖突，考慮到多重威脅沖突的差異性，提出沖突時(shí)間(TTZ)，再結(jié)合后侵入時(shí)間(PET)和安全減速度(DST)兩個(gè)沖突指標(biāo)，量化交通沖突的嚴(yán)重程度。通過視頻數(shù)據(jù)，分別提取多重威脅沖突和單次沖突的沖突指標(biāo)值。以兩種類型沖突的3類沖突指標(biāo)值作為基礎(chǔ)數(shù)據(jù)，運(yùn)用模糊C-均值聚類方法識(shí)別嚴(yán)重沖突和非嚴(yán)重沖突。以嚴(yán)重沖突和非嚴(yán)重沖突作為因變量，影響因素為自變量，建立基于二元Logit 模型的多類型交通沖突嚴(yán)重程度預(yù)測(cè)模型，識(shí)別顯著影響因素，并使用彈性分析法分析顯著影響因素。

1 交通沖突分析及數(shù)據(jù)調(diào)查

1.1 多重威脅沖突

交通沖突指交通行為者在參與道路交通時(shí)，兩個(gè)道路使用者在空間和時(shí)間上接近彼此到某種程度，此時(shí)，如果兩者的運(yùn)動(dòng)保持不變，則會(huì)導(dǎo)致交通損害危險(xiǎn)的發(fā)生[13]。所以，將無信控人行橫道單次沖突定義為行人或非機(jī)動(dòng)車與機(jī)動(dòng)車在道路交通中，行人、非機(jī)動(dòng)車或機(jī)動(dòng)車感知到危險(xiǎn)時(shí)，通過改變速度或者采取其他避險(xiǎn)措施以避免碰撞的交通遭遇事件。

在無信號(hào)人行橫道上，當(dāng)一名司機(jī)為行人或非機(jī)動(dòng)車停車讓行時(shí)，該行人或非機(jī)動(dòng)車可能會(huì)與另一車道同向行駛的機(jī)動(dòng)車發(fā)生沖突，本文將這種情況稱為多重威脅沖突。不同類型的交通沖突如圖1所示。

圖1 不同類型的交通沖突Fig.1 Different types of traffic conflict

1.2 數(shù)據(jù)收集

本文運(yùn)用視頻錄像觀測(cè)法獲取無信號(hào)人行橫道交通沖突數(shù)據(jù)，選取鎮(zhèn)江市京口區(qū)附近3個(gè)無信號(hào)人行橫道路段，地理位置如圖2所示。

圖2 數(shù)據(jù)采集實(shí)地Fig.2 Real map of data acquisition

根據(jù)3個(gè)地方的交通情況調(diào)查發(fā)現(xiàn)，存在較大的安全隱患，尤其是機(jī)動(dòng)車不禮讓行人或非機(jī)動(dòng)車的情況較為突出，造成大量的交通沖突。每個(gè)路段在早晚高峰時(shí)連續(xù)觀測(cè)1 h，具體數(shù)據(jù)如表1所示。

表1 無信控人行橫道沖突數(shù)據(jù)Table 1 Conflicting data of uncontrolled pedestrian crosswalk

由表1可知，無信號(hào)人行橫道不同，沖突的發(fā)生次數(shù)不相同，這與人行橫道的機(jī)動(dòng)車流量、非機(jī)動(dòng)車流量以及行人流量相關(guān)。

1.3 沖突指標(biāo)設(shè)計(jì)

為了量化交通沖突，選取相應(yīng)的交通沖突指標(biāo)。對(duì)于行人或非機(jī)動(dòng)車和機(jī)動(dòng)車之間的沖突，后侵入時(shí)間(Post Encroachment Time,PET)被認(rèn)為是最佳測(cè)量方法[14]，因?yàn)樗梢跃_地捕捉每次沖突的靠近程度。安全減速度(Deceleration to Safety Time,DST)可體現(xiàn)出行人和非機(jī)動(dòng)車的加速度變化，表征沖突的嚴(yán)重程度和變化。除此之外，根據(jù)多重威脅沖突的實(shí)際情況，本文設(shè)計(jì)了沖突時(shí)間TTZ。

(1)PET

PET指第1位道路使用者離開潛在沖突區(qū)域到第2位道路使用者到達(dá)沖突區(qū)域之間的時(shí)間，即后侵犯時(shí)間。

式中：ZPET為后侵犯時(shí)間計(jì)算值(s)；T1為非機(jī)動(dòng)車離開沖突區(qū)域的時(shí)間(s)；T2為車輛到達(dá)沖突區(qū)域的時(shí)間(s)。

(2)DST

本文設(shè)安全減速度為DST，研究的沖突對(duì)象為行人和非機(jī)動(dòng)車。然而，行人或非機(jī)動(dòng)車在過街時(shí)，當(dāng)意識(shí)到有車輛到達(dá)，他們會(huì)選擇合適的時(shí)間過街。所以，將行人或非機(jī)動(dòng)車過街分為兩階段計(jì)算DST，即

式中：ZDST為安全減速度計(jì)算值(m·s-2)；t1為行人或非機(jī)動(dòng)車意識(shí)有車輛到達(dá)的時(shí)間(s)；t2為行人或非機(jī)動(dòng)車到達(dá)沖突點(diǎn)的時(shí)間(s)；L1為t1到t2之間的距離(m)。

(3)TTZ

后侵入時(shí)間是雙方通過沖突區(qū)域的時(shí)間差，在通過沖突區(qū)域時(shí)，機(jī)動(dòng)車已知行人或非機(jī)動(dòng)車的存在，從而進(jìn)行加速或減速，而安全減速度不能表征機(jī)動(dòng)車屬性。對(duì)于多重威脅沖突，機(jī)動(dòng)車和沖突對(duì)象之間存在視野障礙，機(jī)動(dòng)車不知道行人或非機(jī)動(dòng)車的存在，在靠近人行橫道時(shí)速度變化是不確定的。所以，為了更好地表征多重威脅沖突，提出了沖突時(shí)間TTZ。

TTZ 為行人或非機(jī)動(dòng)車意識(shí)到有機(jī)動(dòng)車到達(dá)時(shí)，與其發(fā)生交通沖突的機(jī)動(dòng)車離人行橫道的距離與當(dāng)前車速的比值。本文采用機(jī)動(dòng)車的接近事件描述沖突，即

式中：ZTTZ為沖突時(shí)間計(jì)算值(s)；L2為機(jī)動(dòng)車至人行橫道前的距離(m)；V為行人或非機(jī)動(dòng)車意識(shí)到有機(jī)動(dòng)車到達(dá)時(shí)，機(jī)動(dòng)車的速度(m·s-1)。

2 基于模糊C-均值的沖突嚴(yán)重程度聚類

2.1 模糊C-均值聚類分析方法

聚類是交通安全的常用研究方法之一。模糊C-均值聚類算法(Fuzzy C-Means,FCM)屬于無監(jiān)督學(xué)習(xí)算法，該算法具有結(jié)構(gòu)簡單、局部搜索能力強(qiáng)且收斂速度快的特點(diǎn)。適用于模糊和無清洗界限的交通沖突嚴(yán)重程度劃分，為了融合多個(gè)沖突指標(biāo)確定沖突嚴(yán)重性類型，采用FCM 算法進(jìn)行研究。選取后侵入時(shí)間PET、行人安全減速度DST 和沖突時(shí)間TTZ 這3個(gè)沖突指標(biāo)，對(duì)沖突嚴(yán)重性進(jìn)行聚類。其最小化目標(biāo)函數(shù)為

式中：f為模糊聚類的誤差平方和；r為模糊指數(shù)；q為樣本點(diǎn)總數(shù)；w為聚類簇的數(shù)目；為樣本e屬于g類簇的隸屬度，通常為隸屬度矩陣；xe為第e個(gè)參與聚類的樣本點(diǎn)；cg為g類簇的聚類中心；d(xe,cg)為xe與cg的距離函數(shù)。

2.2 沖突嚴(yán)重程度聚類結(jié)果

本文基于后侵入時(shí)間PET、安全減速度DST及沖突時(shí)間TTZ 指標(biāo)建立沖突樣本數(shù)據(jù)庫，通過Matlab 軟件分析無信控人行橫道的237 個(gè)沖突樣本，按照FCM 算法流程，設(shè)定類中心c=2，聚類結(jié)果如圖3所示。

圖3 沖突原始數(shù)據(jù)散點(diǎn)及各平面投影Fig.3 Scattered points of conflicting original data and projection of each plane

根據(jù)聚類結(jié)果，設(shè)置沖突嚴(yán)重等級(jí)為嚴(yán)重沖突和非嚴(yán)重沖突。通過算法迭代，得到聚類中心(PET、DST、TTZ)坐標(biāo)，反映了兩個(gè)不同沖突等級(jí)的指標(biāo)特征，如表2所示。

表2 沖突嚴(yán)重程度聚類中心Table 2 Cluster center of conflict severity

嚴(yán)重沖突表示非-車沖突或人-車沖突非常危險(xiǎn)，極有可能發(fā)生碰撞事故；非嚴(yán)重沖突表示沖突危險(xiǎn)系數(shù)小。PET 和TTZ 值越低，DST 值越大，發(fā)生的沖突越嚴(yán)重。

由圖4可以直觀地看到，越往左下方，沖突越嚴(yán)重。對(duì)于沖突次數(shù)來說，單次沖突要多于多重威脅沖突。然而，對(duì)于沖突嚴(yán)重性，多重威脅沖突的嚴(yán)重沖突比例比單次沖突大，對(duì)行人或非機(jī)動(dòng)車過街安全將會(huì)造成更大的威脅。

圖4 兩種類型沖突的嚴(yán)重程度聚類結(jié)果Fig.4 Clustering results of severity about two types of conflict

由圖5可以直觀地看到，非機(jī)動(dòng)車的沖突次數(shù)不但比行人多，非機(jī)動(dòng)車的沖突嚴(yán)重程度比例也比行人大。

圖5 兩種沖突對(duì)象的嚴(yán)重程度聚類結(jié)果Fig.5 Clustering results of severity about two conflicting objects

傳統(tǒng)沖突嚴(yán)重程度是根據(jù)沖突指標(biāo)閾值識(shí)別，以后侵入時(shí)間PET 為例，通過PET 累積頻率的第85%分位數(shù)作為區(qū)分嚴(yán)重和非嚴(yán)重沖突的截點(diǎn)值，本文PET 的截點(diǎn)值計(jì)算為2.75。模糊聚類方法與傳統(tǒng)指標(biāo)閾值方法比較如圖6所示。

圖6 不同方法沖突嚴(yán)重程度的判別結(jié)果Fig.6 Distinguished result of different methods for conflict severity

由圖6可以看出，與FCM 方法相比，不論多重威脅沖突還是單次沖突，沖突指標(biāo)閾值識(shí)別的嚴(yán)重沖突數(shù)量較多。而實(shí)際情況并非如此，因?yàn)楫?dāng)行人安全通過沖突區(qū)域后，機(jī)動(dòng)車可能會(huì)加速通過沖突區(qū)域，得到的PET值較小，但行人過街是安全的，容易誤判為嚴(yán)重沖突，因此，采用沖突指標(biāo)閾值方法很難準(zhǔn)確識(shí)別。而模糊聚類方法利用后侵入時(shí)間、安全減速度及沖突時(shí)間這3 個(gè)指標(biāo)獲取沖突嚴(yán)重程度的聚類中心，采用隸屬度的大小判定屬于哪種沖突(嚴(yán)重或者非嚴(yán)重)，與傳統(tǒng)的閾值方法相比，提高了準(zhǔn)確性和有效性。

3 沖突嚴(yán)重程度建模與結(jié)果分析

通過實(shí)地調(diào)查和數(shù)據(jù)分析，提取有關(guān)沖突嚴(yán)重程度的影響因素，由上述的聚類結(jié)果，將交通沖突分為嚴(yán)重沖突和非嚴(yán)重沖突。以沖突的嚴(yán)重程度為因變量，影響因素為自變量，構(gòu)建二元Logit 模型，并用貝葉斯估計(jì)方法標(biāo)定模型參數(shù)，運(yùn)用彈性分析討論顯著影響因素。

3.1 側(cè)面車輛禮讓停車分析

根據(jù)視頻數(shù)據(jù)分析，對(duì)于多重威脅沖突的側(cè)面停車分為兩種停車情況：(1)側(cè)面車輛直接在禮讓線處停車；(2)側(cè)面車輛緩慢行駛越過禮讓線，在人行橫道上遇到行人或非機(jī)動(dòng)車時(shí)停車，如圖7所示。

對(duì)于上面的兩種停車情況，本文重新定義。將在禮讓線處直接停車的情況，定義為車輛合法停車行為；對(duì)于緩慢行駛越過禮讓線停車的情況定義為車輛不合法停車行為。

3.2 影響因素提取

本文選取的影響因素主要包括：是否混合通行，機(jī)動(dòng)車數(shù)量，行人和非機(jī)動(dòng)車的過街速度和過街方向，前方車輛屈服行為以及側(cè)面車輛合法停車行為等，具體變量名稱及取值如表3所示。變量分為連續(xù)變量和分類變量，其中，分類變量取值為1或0，連續(xù)變量根據(jù)設(shè)定屬性范圍進(jìn)行取值。

表3 關(guān)鍵變量描述Table 3 Description of key variables

3.3 多類型交通沖突嚴(yán)重程度預(yù)測(cè)模型

(1)模型建立

根據(jù)聚類結(jié)果，對(duì)于交通沖突，可能是嚴(yán)重的，也可能是非嚴(yán)重的。Logistic回歸模型是研究二元關(guān)系最有效和廣泛使用的方法[15]。假設(shè)Y是交通沖突嚴(yán)重性的二元結(jié)果，Y=1 表示嚴(yán)重沖突；Y=0表示非嚴(yán)重沖突。對(duì)于沖突對(duì)象n(n=1，表示行人；n=2，表示非機(jī)動(dòng)車)，在第k種沖突下(k=1，表示多重威脅沖突；k=2，表示單次沖突)的沖突嚴(yán)重程度i(嚴(yán)重或非嚴(yán)重)的隨機(jī)效用定義為

式中：M為解釋變量個(gè)數(shù)；為第k種沖突下，沖突嚴(yán)重程度i的效用；Qkin為可觀測(cè)的效用部分；βknm為沖突對(duì)象n在第k種沖突下，沖突嚴(yán)重程度i第m個(gè)解釋變量的相應(yīng)參數(shù)；xknm為沖突對(duì)象n在第k種沖突下，沖突嚴(yán)重程度i第m個(gè)解釋變量，εi為隨機(jī)誤差項(xiàng)，假設(shè)εi～N(0，σ2ε)為服從均值為0，方差為σ2ε的正態(tài)分布。對(duì)于第k種沖突下，沖突對(duì)象n的沖突嚴(yán)重程度為i的概率為

采用偏差信息準(zhǔn)則(DIC)比較模型的擬合優(yōu)度。DIC 結(jié)合了模型擬合的度量和對(duì)模型復(fù)雜性的懲罰[16]為

式中：ZDIC為偏差信息準(zhǔn)則計(jì)算值；為模型擬合的后驗(yàn)均值偏差；PD為模型中參數(shù)的有效個(gè)數(shù)。一般來說，DIC值越小，模型越好[17]。

(2)彈性分析

為更好地清晰認(rèn)識(shí)解釋變量的影響，本文采用彈性分析。彈性可以用變量的1 個(gè)單位變化導(dǎo)致結(jié)果概率的變化解釋，即代表了每個(gè)變量對(duì)不同類型沖突的嚴(yán)重程度概率的影響。計(jì)算式[18]為

式中：為在第k種沖突下，沖突對(duì)象n與機(jī)動(dòng)車之間的沖突概率；Xknm為k種沖突下，沖突對(duì)象n的第m個(gè)變量。對(duì)于二元分類變量，本文采用平均彈性[19]，即

3.4 模型參數(shù)估計(jì)

本文通過貝葉斯估計(jì)方法標(biāo)定模型的參數(shù)。貝葉斯估計(jì)方法可以應(yīng)對(duì)更復(fù)雜的模型形式，解釋數(shù)據(jù)中存在的不確定性，并產(chǎn)生更準(zhǔn)確的模型估計(jì)，常采用馬爾可夫鏈蒙特卡羅(Markov Chain Monte Carlo，MCMC)仿真完成參數(shù)標(biāo)定。對(duì)于兩種沖突，分別設(shè)置兩個(gè)不同初始值的模型參數(shù)鏈，運(yùn)行50000 次迭代，前20000 次樣本丟棄，剩下的30000次迭代用于計(jì)算模型估計(jì)。模型參數(shù)估計(jì)結(jié)果如表4所示。由表4可以看出，對(duì)于行人來說，多重威脅沖突7個(gè)變量中有3個(gè)變量對(duì)模型存在顯著影響，分別為等待時(shí)間、過街速度以及側(cè)面車輛合法停車行為；單次沖突6 個(gè)變量中有3 個(gè)變量對(duì)模型存在顯著影響，其中，等待時(shí)間、過街速度以及前面車輛屈服行為這3 個(gè)變量均在95%置信區(qū)間上顯著。對(duì)于非機(jī)動(dòng)車來說，多重威脅沖突7個(gè)變量中有4 個(gè)變量對(duì)模型存在顯著影響，分別為：機(jī)動(dòng)車數(shù)量、等待時(shí)間、過街速度以及側(cè)面車輛合法停車行為；單次沖突6 個(gè)變量中有4 個(gè)變量對(duì)模型存在顯著影響，其中，等待時(shí)間、過街速度以及前面車輛屈服行為這3個(gè)變量在95%置信區(qū)間上顯著，機(jī)動(dòng)車數(shù)量在90%置信區(qū)間上顯著。

表4 模型參數(shù)估計(jì)結(jié)果Table 4 Model parameter estimation results

3.5 結(jié)果與討論

(1)沖突指標(biāo)分析

本文分析選取的沖突指標(biāo)PET、DST、TTZ，根據(jù)人行橫道上的每個(gè)沖突事件計(jì)算具體數(shù)值，沖突指標(biāo)特征如表5所示。

表5 沖突指標(biāo)數(shù)值Table 5 Conflict index value

根據(jù)沖突指標(biāo)定義和特征，PET 和TTZ 值越低，沖突發(fā)生概率越高；DST值越大，發(fā)生的沖突越嚴(yán)重。

由圖8可知，其中“多-非”表示沖突類型為多重威脅沖突，沖突對(duì)象為非機(jī)動(dòng)車，其余同理。不論非機(jī)動(dòng)車還是行人，多重威脅沖突的PET和TTZ平均值較低，DST 平均值最高。結(jié)果表明，多重威脅沖突下，與機(jī)動(dòng)車之間沖突較為嚴(yán)重。因?yàn)樵诙嘀赝{沖突情況下，行人和非機(jī)動(dòng)車與機(jī)動(dòng)車存在視野障礙，機(jī)動(dòng)車無法觀察到行人和非機(jī)動(dòng)車的移動(dòng)軌跡，減速靠近人行橫道。對(duì)于兩種類型沖突來說，非機(jī)動(dòng)車的PET 和TTZ 平均值較低，DST 平均值最高。結(jié)果表明，兩種類型沖突下，非機(jī)動(dòng)車與機(jī)動(dòng)車之間沖突較為嚴(yán)重。因?yàn)榉菣C(jī)動(dòng)車速度比行人速度快，過街需要的時(shí)間更短，相對(duì)于行人來說，非機(jī)動(dòng)車更容易產(chǎn)生僥幸心里，更偏向危險(xiǎn)過街。

圖8 沖突指標(biāo)平均值Fig.8 Average value of conflict index

(2)顯著影響因素彈性分析

對(duì)于多重威脅沖突，非機(jī)動(dòng)車與機(jī)動(dòng)車沖突有4 個(gè)顯著變量，分別是機(jī)動(dòng)車數(shù)量、等待時(shí)間、過街速度以及側(cè)面車輛合法停車行為；行人與機(jī)動(dòng)車沖突有3 個(gè)顯著變量，分別為等待時(shí)間、過街速度以及側(cè)面車輛合法停車行為。對(duì)于單次沖突，非機(jī)動(dòng)車與機(jī)動(dòng)車沖突有4個(gè)顯著變量，分別是機(jī)動(dòng)車數(shù)量、等待時(shí)間、過街速度以及前方車輛屈服行為；行人與機(jī)動(dòng)車沖突有3 個(gè)顯著變量，分別為等待時(shí)間、過街速度以及前方車輛屈服行為。這些顯著變量的彈性(或平均彈性)如表6所示。

表6 顯著變量的彈性(或平均彈性)Table 6 Elasticity(or average elasticity)of significant variables

對(duì)機(jī)動(dòng)車數(shù)量來說，若機(jī)動(dòng)車數(shù)量值增加1時(shí)，多重威脅沖突中，非機(jī)動(dòng)車與機(jī)動(dòng)車之間為嚴(yán)重沖突的概率增加了0.62%；單次沖突中，非機(jī)動(dòng)車與機(jī)動(dòng)車之間為嚴(yán)重沖突的概率降低了0.71%。

等待時(shí)間也影響不同類型的沖突，若等待時(shí)間值增加1 時(shí)，在多重威脅沖突情況下，非機(jī)動(dòng)車與機(jī)動(dòng)車之間的沖突屬于嚴(yán)重沖突的概率降低了0.21%；行人與機(jī)動(dòng)車之間的沖突屬于嚴(yán)重沖突的概率降低了0.44%。在單次沖突情況下，非機(jī)動(dòng)車與機(jī)動(dòng)車之間的沖突屬于嚴(yán)重沖突的概率降低了1.39%；行人與機(jī)動(dòng)車之間的沖突屬于嚴(yán)重沖突的概率降低了1.81%。

(3)過街速度

非機(jī)動(dòng)車的過街速度對(duì)多重威脅沖突和單次沖突的嚴(yán)重程度均顯著相關(guān)。由圖9可知，非嚴(yán)重的多重威脅沖突和單次沖突平均速度較低，分布比較集中；嚴(yán)重的多重威脅沖突和單次沖突平均速度較高，分布比較離散。說明，非機(jī)動(dòng)車過街平均速度較高時(shí)，非機(jī)動(dòng)車與機(jī)動(dòng)車更容易發(fā)生碰撞且風(fēng)險(xiǎn)高。一方面，較高的非機(jī)動(dòng)車過街平均速度表明非機(jī)動(dòng)車爭取盡快通過人行橫道，減少等待時(shí)間，與機(jī)動(dòng)車爭奪路權(quán)。尤其在多重威脅沖突情況下，非機(jī)動(dòng)車速度快，反應(yīng)時(shí)間短，碰撞的可能性更高，碰撞后的危險(xiǎn)程度也更嚴(yán)重。另一方面，非機(jī)動(dòng)車過街的平均速度是整個(gè)過街過程中速度的平均值，較高的車速表示非機(jī)動(dòng)車在過街過程中更多的強(qiáng)行過街行為，意味著更高的沖突嚴(yán)重程度。

圖9 沖突嚴(yán)重程度的非機(jī)動(dòng)車速度分布Fig.9 Speed distribution of non motor vehicle for conflict severity

行人過街速度對(duì)多重威脅沖突與單次沖突的嚴(yán)重程度均有正顯著影響。因?yàn)樾腥诉^街速度越快，越容易引起嚴(yán)重的沖突。越快的行人過街速度(例如跑步)，司機(jī)的反應(yīng)時(shí)間越短，從而增加嚴(yán)重沖突的概率；反之，行人減速過街會(huì)減低嚴(yán)重沖突的概率。這可以解釋為減速過街時(shí)，行人傾向安全過街，從而降低沖突概率。

(4)車輛屈服行為

前方車輛屈服行為僅對(duì)單次沖突嚴(yán)重程度有顯著影響，側(cè)面車輛合法停車行為僅對(duì)多重威脅沖突嚴(yán)重程度有顯著影響，均呈負(fù)相關(guān)。3 個(gè)沖突指標(biāo)在兩種類型沖突不同屈服行為下的分布如圖10所示。

由圖10可知，前方車輛不屈服行為會(huì)增加單次沖突的沖突嚴(yán)重程度；側(cè)面車輛的不合法停車行為會(huì)增加多重威脅沖突的沖突嚴(yán)重程度。原因是對(duì)于單次沖突，機(jī)動(dòng)車司機(jī)可能會(huì)下意識(shí)地跟隨前方車輛，從而忽略行人和非機(jī)動(dòng)車的存在；側(cè)面車輛的不合法停車行為會(huì)給旁邊車道上的機(jī)動(dòng)車司機(jī)一種假象，對(duì)于車速較快的機(jī)動(dòng)車，司機(jī)分不清側(cè)面車輛是即將停車還是啟動(dòng)行駛，造成機(jī)動(dòng)車勻速駛向人行橫道。

圖10 車輛屈服行為沖突指標(biāo)值分布Fig.10 Distribution diagram of conflict index value for vehicle yield behavior

4 結(jié)論

本文以后侵入時(shí)間(PET)、安全減速度(DST)以及沖突時(shí)間(TTZ)這3 個(gè)沖突指標(biāo)作為數(shù)據(jù)集，運(yùn)用模糊C-均值聚類方法識(shí)別嚴(yán)重沖突和非嚴(yán)重沖突，對(duì)比兩種沖突的嚴(yán)重程度；以沖突嚴(yán)重程度作為因變量，建立基于二元Logit 模型的多類型交通沖突嚴(yán)重程度預(yù)測(cè)模型，分析兩種沖突嚴(yán)重程度的影響因素。研究結(jié)果表明：

(1)行人和非機(jī)動(dòng)車兩個(gè)沖突對(duì)象與機(jī)動(dòng)車之間的沖突嚴(yán)重程度為多重威脅沖突高于單次沖突；對(duì)于兩種類型的交通沖突，非機(jī)動(dòng)車與機(jī)動(dòng)車之間的沖突嚴(yán)重程度高于行人與機(jī)動(dòng)車之間的沖突嚴(yán)重程度。

(2)關(guān)于影響因素，機(jī)動(dòng)車數(shù)量(非機(jī)動(dòng)車0.391)、等待時(shí)間(行人-0.899，非機(jī)動(dòng)車-0.359)、過街速度(行人2.042，非機(jī)動(dòng)車1.056)和側(cè)面車輛合法停車行為變量(行人-1.394，非機(jī)動(dòng)車-1.653)對(duì)多重威脅沖突有顯著影響；機(jī)動(dòng)車數(shù)量(非機(jī)動(dòng)車-0.365)、等待時(shí)間(行人-1.205，非機(jī)動(dòng)車-0.509)、過街速度(行人1.784，非機(jī)動(dòng)車0.890)和前方車輛屈服行為(行人-1.776，非機(jī)動(dòng)車-1.49)變量對(duì)單次沖突有顯著影響。

本文的研究結(jié)果有助于交通管理者采取適當(dāng)?shù)拇胧┙档蜔o信控人行橫道交通沖突的發(fā)生率，提高行人和非機(jī)動(dòng)車的過街安全，并為無信控人行橫道交通沖突的研究提供新的方向和思路。