基于导航数据的交叉口进口道安全风险评估及诊断方法

赵晓华，姚 莹，丁 阳，荣 建，苏岳龙，毕超凡

（1.北京市交通工程重点实验室 北京工业大学城市建设学部，北京100124；2.高德未来交通研究中心 高德软件有限公司，北京100102）

城市道路交叉口作为交通网络的重要枢纽，是多种交通流交汇与冲突的关键区域，加之交通信号控制的复杂性，使得交叉口成为城市道路交通事故的多发地。据中国公安部统计［1］，近年来中国城市道路交叉口事故占总交通事故的比例不断攀升，由2007年的23.6%上升至2016年的30.6%，非机动车道的交通事故上升趋势明显。由此可见，改善城市道路交叉口交通安全整体水平是提升城市路网安全性的关键所在。

各级政府及学者持续关注交叉口安全治理问题，其核心是挖掘影响交叉口安全性的关键要素和特征规律，最终为制定交叉口安全改善措施提供依据。现今，传统的交通安全理论多以事故数据作为评价指标，无事故即为安全［2］。然而，事故为小概率事件，难以详细描述道路风险的成因，部分未发生事故的路段仍存在潜在的风险隐患。因此，有学者应用道路特征、交通运行状态及驾驶行为特性实现交叉口安全性评估，取得一些成果。汪莹等人［3］基于交叉口类型、交通流量状况、几何特征和配套设施等，提出交叉口安全服务水平指标，实现交叉口安全程度的量化分级；赵晓华等人［4］基于导航提取的驾驶行为数据，提出交通秩序指数，实现城市路网的安全等级划分。这些安全性评价的结果，为影响交叉口安全水平潜在因素的挖掘奠定了基础。

针对交叉口安全水平的影响要素人们已经开展了大量研究，道路几何特征、交通控制设施均影响交叉口安全水平。尹海军等人［5］对比中、美两国交叉口安全策略和管理办法，说明标志标线、信号板、行人安全设施等均是影响交叉口安全性的重要因素；同时，多名学者研究结果指出［6-8］，交叉口安全性分析需考虑信号相位设置、黄灯时间及可视性等因素。事实上，前人研究受数据来源的限定，多采用事后分析方法，交叉口风险致因分析较为粗粒度，过多的依赖交通事故数据，多种影响因素对安全水平的贡献度难以给出量化的结果。

在移动通讯、大数据、云计算的背景下，移动终端传感器及GPS设备能够采集丰富的驾驶轨迹数据，突破传统数据感知方式的主观性、片面性、维度单一等制约，实现道路条件、交通条件、设施设置与驾驶行为数据的同步互联，为道路风险辨识提供丰富的数据基础。

论文改变传统的应用事故数据评价安全性的方式，采用基于导航终端的驾驶行为数据作为替代指标，评估城市道路交叉口的风险水平。综合道路几何特征、交通执法设备以及信号控制设施的耦合影响，构建交叉口进口道安全性评价模型，挖掘各要素与交叉口安全性的量化关联关系，诊断交叉口风险致因，进而为交叉口设计、安全管控、信号控制优化奠定基础。值得一提的是，基于导航数据的交通安全分析与评价方法，为解决道路安全问题提供了新的视角，以期为实现其他道路类型及交通网络全域安全性防控和改善提供借鉴和参考。

1 数据基础

论文数据源于高德导航软件，据统计［9］，导航软件月活跃用户数达到3.257 9亿，拥有海量的驾驶人行驶数据，包括地图信息、拥堵指数、用户比例及驾驶行为等。结合实景地图及实地调查所获得的交叉口属性数据，综合构建支撑交叉口进口道安全评价的数据库。

1.1 数据类型

1.1.1 地图数据

地图数据包括道路ID、道路长度、道路等级、车道数、车道宽度、道路类型等信息。其中道路ID可用于匹配多种类型的数据。道路长度用于计算单位距离内的驾驶行为事件频率和事故频次。

1.1.2 拥堵状态数据

拥堵状态数据包括时间、平均速度（km·h-1）、拥堵指数（Congestion Index，CI）和道路ID。数据采样周期为2 min。拥堵指数是指当前道路自由流速度与平均速度的比值，计算方法如式（1）所示［10］。拥堵指数越大，代表道路的拥堵程度越高。

1.1.3 用户量数据

用户量数据来源于每条道路使用导航软件的用户量。由于数据需脱密处理，因此将每条道路的用户量除以用户总量，得到每条道路的用户比例数据。用户量数据以每小时为间隔，反映的是每条道路与其他道路的相对量或当前时段与其他时段的相对量，在一定程度上反映交通量的改变。

1.1.4 驾驶行为数据

用户端采集的驾驶行为数据，包括急加速、急减速、急左并道、急右并道、急左转和急右转6种事件类型。数据格式属于事件触发型，包括驾驶行为事件类型、事件坐标、事件发生时间和事件发生道路ID。6种驾驶行为事件根据手机传感器与GPS采集的车辆加速度和角速度判定，判定阈值由高德内部大量车辆测试所得，本研究主要基于已判定的驾驶行为事件，提出交通安全秩序评价的替代指标。驾驶行为事件基本定义如下：

（1）急加速与急减速：当手机姿态固定的情况下，若线性加速度大于某一阈值，则识别并记录一次急加速或急减速；

（2）急并道和急转弯：当手机姿态固定的情况下，判断原历史转弯的向心力。如果检测角度大于某一阈值，则判定为一次急并道或急转弯。

1.1.5 道路安全秩序水平（交通秩序指数）

交通秩序指数（traffic order index，TOI）［4］是基于驾驶行为事件与速度变化提出的反映道路安全有序度的指数，是衡量道路安全秩序水平的替代指标。秩序指数的计算是通过划分道路条件与交通条件，应用TOSIS以及熵权法等方法将多种驾驶行为事件与速度变化加权求和所得，具体计算方法参考赵晓华团队的研究成果［8］。道路秩序指数越低，反映该路段存在较多的风险驾驶行为，且速度波动较大。经指数与事故数的匹配验证，发生较多交通事故且事故持续时间较长的路段，其秩序指数较低，安全秩序水平较差，该指数能够一定程度反映道路的安全有序性，更多的关注道路风险，而不是事故本身。秩序指数越大，道路安全性综合水平越高。

本文应用k均值聚类方法［11］，将秩序指数分为三个水平，具体定义如下：

（1）风险道路：交通秩序度较差，易发生交通事故，TOI∈［0，0.378）

（2）一般道路：交通秩序度适中，可能发生交通事故，TOI∈［0.378，0.405）

（3）安全道路：交通秩序度较好，发生交通事故概率较低，TOI∈［0.405，+∞）。

1.1.6 交叉口属性

交叉口属性基于实景地图以及实地交通调研获得，论文提取交叉口进口道的以下几项指标：

（1）道路几何特征：交叉口各方向车道总数、与进口有关的进口道车道数、调头车道数、左转车道数、横断面类型、有无展宽段、中央分隔带类型。

（2）交通执法设备：违法监控设备数量。

（3）信号控制设施：信号相位设置、信号配时参数。

1.2 数据预处理

选取北京市北三环至北五环之间望京区域的11个交叉口，挖掘不同交叉口属性的交通风险影响要素。11个交叉口的位置如图1所示。施晓芬等人［12］研究表明，驾驶员在距离交叉口停止线100 m时，将采取减速行为。因此截取每个交叉口进口道距离停止线100 m范围内的驾驶行为数据作为研究范围，基于导航软件的行为数据的采集时间段为2017年10月1日至10月15日。其中，驾驶行为事件数据换算为单位用户比例的驾驶行为事件数据，反映单位车辆在单位时段内发生驾驶行为事件的频次。通过统一量纲，避免了用户量大小对驾驶行为事件的影响。计算如下：

式中：FEijk代表单位车辆在单位时段内驾驶行为事件；j代表交叉口进口道编号（共11个交叉口×4个方向）；i代表时间区间（i时至i+1时，i=0，1，2，…，23）；k表示日期（k=1，2，…，15）；eijk代表驾驶行为事件的频次；UPijk表示用户比例数据（单位以vr来表示）。

图1 区域交叉口选取Fig.1 Selection of the intersections

依据道路ID匹配所有类型数据，将所有类型数据均换算为以h为单位。综合所有数据信息，形成交叉口安全分析数据库，数据一共有15 840组（11交叉口×4方向×15 d×24 h），如表1所示。

2 交叉口安全秩序特性分析

应用以上安全分析数据库，引用交通秩序指数（TOI）［4］计算方法，获得不同交叉口的交通秩序指数分布，如图2所示。由于不同类型交叉口的道路几何特征、交通执法设备以及信号控制设施均存在差异，可见其交通秩序指数存在显著性差异，单因素方差分析验证显示11个交叉口的秩序指数存在显著性不同（F=75.126，p＜0.001）。

表1 数据库变量类型与格式Tab.1 Variable type and format in the database

实际上，交通安全有序性并非受单一因素的作用，而是道路几何特征、交通执法设备以及信号控制设施等多重因素综合作用下的综合行为表现。交叉口进口道安全性影响要素及各要素的影响程度如图3所示。图3是由各个影响因素下交通秩序指数计算均值所得。

图3 交叉口进口道安全性特征Fig.3 Safety characteristics at the entrance of the intersections

图3 a描述了交叉口道路几何特征的安全性特征，11个交叉口进口道车道数分别有1、3和4，交叉口进口道车道越多，交通安全秩序越好，越为安全，结论与马明［13］、Greib［14］等人的研究结果一致，这是由于进口道车道较多时，违法超车及跟车过近等危险驾驶行为较少，同时行人采用过街天桥等穿行方式，违法穿行较少；交叉口各方向车道总数一定程度上能够反映交叉口的大小，并非交叉口越大越为安全，结果显示交叉口各方向车道总数为9车道时道路安全秩序水平较差；进口道四块板横截面比三块板横截面更安全，硬性中央分隔带能够较好的改善交叉口安全有序性；有路口展宽的交叉口进口道安全秩序水平更好；中央分隔带为栅栏的交叉口进口道比绿化带更为安全有序；若交叉口进口道设有调头车道或左转专用道，其交通安全秩序水平更好。

图3b表示了交通执法设备对于道路安全有序性的影响，结果表明与无违法监控设备的交叉口进口道相比安装单个监控设备的交叉口进口道其安全有序性并不会提升，而具有两个监控设备的交叉口进口道更加安全有序。这也说明交通执法设备的安装个数与安全秩序水平的提升之间并不一定呈线性关系。

交叉口信号控制对道路安全性的影响如图3c所示，结果可以看出三相位的交叉口安全秩序水平较好，有全红信号配置的交叉口安全秩序水平明显高于无全红配置的交叉口类型。这个结果表明应该重视信号配时的设计以提升交通安全秩序水平。

单因素方差分析提取影响交叉口安全秩序水平相关指标，道路几何特征、交通执法设备以及信号控制设施的各个要素对交通安全秩序的影响结果如表2所示。除交叉口进口道有无道路展宽路段及有无左转专用车道对安全有序性无显著影响外，交叉口各方向车道总数、信号相位，与进口有关的进口道车道数、调头车道数、横断面类型、中央分隔带类型、违法监控设备数量均对交叉口安全秩序水平产生显著性作用。总体来看，与以事故为导向的安全分析结论具有一致性，交通安全秩序分析方法能够支撑交叉口的安全分析，这为进一步实现交叉口安全规划和改造整治提供依据。

3 城市道路交叉口安全诊断模型构建

结构方程模型是基于变量的协方差矩阵反映变量间的因果关系，模型结合多元回归分析、因子分析、路径分析等统计学分析方法，建立不可观测变量（潜在变量）与可观测变量间的关系并转化为可观测变量［15-16］。由于交叉口潜在变量部分不可观测，所以应用结构方程模型表征交叉口进口道的道路几何特征、交通执法设备以及信号控制设施等对安全秩序水平的综合影响作用，实现交叉口安全分析及问题诊断。除交叉口自身要素，模型同时考虑时段、拥堵状态等要素，综合分析时段、拥堵状态、道路几何特征、交通执法设备以及信号控制设施对道路安全秩序水平的影响，进而挖掘行为风险影响要素，实现交叉口安全辨识。由于道路安全秩序水平是由驾驶行为事件作为安全替代指标计算所得，重点依据道路风险驾驶行为出现频率及速度变化特征，因此模型将驾驶行为同时作为输入变量。其中，运行时段、拥堵状态、道路几何特征、交通执法设备以及信号控制设施均视为模型自变量，反映对安全秩序水平与驾驶行为事件的影响作用。在建模过程中，首先根据风险影响因素评价构建结构方程模型。模型构建过程中，依据M.I.值最大的一对观察变量为其增设共变关系的原则对模型进行不断的修正，直到模型适配度指标达标为止，最终形成的模型结构如图4所示。

表2 交叉口安全有序性特征分析结果Tab.2 Analysis results of intersection safety characteristics

应用Amos软件连接变量间的路径关系，并增设变量间的共变关系对模型进行修正后的模型适配度情况如表3所示，包括6个评价指数，包括χ2/df（χ2表示模型拟合优度卡方检验指数，df表示自由度），GFI（goodness-of-fit index，拟合优度指数），AGFI（adjusted goodness-of-fit index，调整拟合优度指 数），RMSEA（root mean square error of approximation，均方根误差），NFI（normed fit index，赋范拟合指数），CFI（comparative fit index，相对拟合指数）。其中χ2/DF小于5，表明模型与数据的吻合程度较好。此外，RMSEA小于0.08，其余评价指标均大于0.9，表明结构方程的拟合是可接受的，模型的适配度较高［17-18］。

表3 结构方程模型质量评估Tab.3 Results of the goodness of fit of the revised model

结构方程模型中，路径系数用于表征变量间的相互影响程度，结果如表4所示。经验证，道路几何特征、信号控制设施、交通执法设备、拥堵状态与运行时段均与交叉口安全性存在显著因果关系（p＜0.001）。通过对比变量间的路径系数，可以看出时段因素对于交叉口安全性的影响最大（β=0.283），交通拥堵状态次之（β=-0.241），信号控制设施（β=0.140）与道路几何特征（β=0.128），交通执法设备（β=0.035）对交叉口的安全影响最小，其中拥堵指数与安全秩序水平存在反向关联关系，道路拥堵程度越高，其安全有序性越差。

研究结果表明不同时段交叉口安全有序性存在较大差异。郝乃澜等人［19］研究了时段、日期、星期、月份与交通事故等级的关联关系，也证明了时段对事故具有显著影响；同时，拥堵指数与安全秩序水平呈负相关关系，表明随着道路拥堵程度的增加，安全风险也随之升高。Robert等人［20］研究指出，交通拥堵情况下，车辆碰撞次数增加。论文研究成果与Robert等人一致。结合模型中交叉口安全特征分析结果与结构方程模型系数，揭示了交叉口进口道的安全改善措施应首要是鼓励错峰出行、改善拥堵状态，其次尽力优化信号配时、改善道路设施设计，增设违法监控设备对于改善道路安全性也具有十分积极的作用。模型突破了传统交通事故分析方式，采用交通安全秩序指数作为安全评价替代指标，结果与事故分析存在一定一致性。然而事故分析方法由于事故数据小概率、偶发性的特点，难以覆盖所有道路条件以及时段，而交通安全秩序指数分析方法相较事故分析方法，能够精细化表达全时段的安全秩序水平，从而诊断全时域与空域的交叉口风险致因。

表4 变量间路径标准化系数Tab.4 Standardized path coefficient regression results of the revised model

依据驾驶行为与观测变量间的路径系数可知，急加速（β=0.07）与急减速（β=0.04）的系数最高，可见，提高道路安全秩序水平需首要考虑减少驾驶员急加速与急减速行为；信号控制设施与观测变量间的关系可看出，全红时间设置（β=0.98）对交通安全秩序的影响略高于信号相位设置（β=0.92），交叉口合理设置全红时间能够提升交叉口通行效率，同时保障交叉口行车安全，钱红波等人［21］研究也表明全红时间的设置能够清扫滞留在交叉口上一相位的车流，提高交通安全秩序水平；道路几何特征与观测变量间的关系可见，调头车道数量（β=0.77）对安全秩序度影响最大，其次是交叉口各方向车道总数（β=-0.61）与进口道车道数（β=0.41），最后是中央分隔带类型（β=-0.32）与横断面类型（β=-0.16）。Daniel Carter等人［22］研究表明有调头车道的交叉口事故率显著低于无调头车道的交叉口。同时，郭永健等人［23］的研究表明，进口车道数增加时左转车通常会选择停车避让从而减少直左冲突，进而提高交叉口安全性。这些成果与本研究也具有一致性。因此，改善交叉口进口道的安全秩序水平，交通组织管理策略可优先考虑设置调头车道，根据现场情况适当增加车道数。

本文基于导航数据构建安全诊断模型的分析结果表明，基于导航数据以驾驶行为事件及速度变化因素形成安全秩序评价替代指标，从而实现交叉口进口道安全秩序影响分析及致因诊断的方法切实可行，能够量化反映各因素间的关联关系，细化各要素间的作用水平以及排序，为进一步实施安全管理和整治提供引导；同时，由于数据的全面性，提升了各要素分析的完整性和精细化，可实现交叉口进口道道路安全风险辨识和问题诊断。

4 结论

探讨了交叉口进口道道路几何特征、交通执法设备以及信号控制设施、拥堵状态等对道路安全有序性的影响作用。基于导航软件采集交叉口驾驶行为数据、地图数据、拥堵数据及用户比例数据，结合实地调查获得道路、设施及信号配时等数据，构建交叉口进口道多维度安全秩序分析数据库（包括8个因素，16个指标）。分析交叉口进口道在不同因素下的安全秩序特征，应用交叉口安全秩序影响指标构建结构方程模型，量化道路几何特征、交通执法设备以及信号控制设施、拥堵状态等因素分别对交叉口进口道安全秩序水平的影响程度，诊断交通风险致因。研究不仅为交叉口道路设计、交通设施设置及信号配时优化奠定了理论基础，同时改变了传统的事故分析或仿真实验的方法路线，提出一种基于导航数据的道路安全秩序评价与致因分析方法，充分挖掘驾驶行为风险与外部条件的量化关系，进而实现道路风险辨识，为进一步改善优化提供了导向和参考。所获得的结论如下：

（1）交叉口各方向车道总数、信号相位，与进口有关的进口道车道数、调头车道数、横断面类型、中央分隔带类型、违法监控设备数量均对交叉口安全性产生显著影响。

（2）拥堵状态对于交叉口安全性的影响最大，且在不同时段交叉口安全性存在较大差异，其次是信号控制设施与道路几何特征，交通执法设备对交叉口的安全影响最小。

（3）在交叉口设计与优化时，首要是鼓励错峰出行、改善拥堵状态，尽量采用带有全红时间的信号配时方案，道路设计过程中，在进口方向增加车道数量并设置硬性中央分隔带，尽量设置调头车道。

（4）以驾驶行为事件及速度变化因素作为安全秩序评价替代指标，提出一种基于导航数据的道路安全评价与风险致因分析方法，为道路交通安全分析、风险辨识与设施优化提供了理论基础。

后续研究将考虑交叉口类型这一因素，不仅限于十字交叉，进一步细化加入T形交叉、环形交叉等类型，对比研究与十字交叉的差异；同时，目前研究仅考虑主干道交叉口，也将考虑主路与支路、辅路交叉等交叉口；同时，车型对于安全性影响较大，应当在交叉口安全评价中加入车型因素，进一步扩充形成基于驾驶行为的交叉口风险评估及诊断的研究体系。当然，该方法基于高德数据，形成驾驶行为集计的汇聚特征，为进一步实现其他道路条件的风险防控提供支撑。