基于交通冲突模型的两相位交叉口安全分析

张鑫

摘 要：基于昆明市20个两相位十字交叉口167小时的交通冲突、交通流量以及交叉口设计要素等数据，检验不同交通量状态下 15min直左交通沖突分布，应用直左交通冲突模型分析交叉口安全影响因素及冲突产生原因。利用广义线性模型分别构建总体预测模型和分交通状态的预测模型，结合两种模型的拟合优度和预测精度进行模型优选。结果表明：15min直左交通冲突在不同交通量状态下均服从负二项分布，考虑交通状态的直左冲突模型拟合优度和预测精度均优于总体模型。不同交通状态下冲突流量对交通冲突影响程度不同；左转导流线能够有效降低交通冲突，且在左转车流饱和度较高状态下的降低效果更明显。交通冲突模型的建立可进一步拓展交通冲突技术在交通安全分析与评价中的应用。

关键词：交通安全；交通冲突；交通安全分析；广义线性模型；信号交叉口

中图分类号：U491.31 文献标志码：A

Analyzing the safety of signalized intersections with permitted left-turn phases using traffic conflict-predictive models

ZHANG Xin（Government Service Center of Beijing Municipal Transport Commission，Beijing Ships Inspection Center，Beijing100161，China）

Abstract： The traffic conflict data， traffic volume data and intersection design elements were extracted from 167 hours video data at 20 signalized intersections where the permitted left-turn phases were used. Using the data， the underlying distributions of the conflict frequency for different volume regimes in 15-min time intervals were examined. And the opposing left-turn traffic conflict-predictive models were developed to analyze the safety performance of signalized intersection and find the influence factors of traffic conflict. Using Different conflict- predictive models were developed， including an overall negative binomial model and the separate models developed for different traffic scenarios which were defined based on the volume to capacity ratio of the conflicting traffic flows. The goodness of fit and prediction performance of different models were compared. It was found that the conflict frequency in 15-min time intervals generally followed a negative binominal distribution. And the generalized linear regression models developed for different traffic scenarios outperformed the overall NB model for the goodness of fit and prediction performance. The coefficients of the conflict prediction models showed that the conflicting traffic volumes had different effects on the occurrences of opposing left-turn conflicts under different traffic scenarios. The coefficients of the indicator variables for the presence of white line extension indicated that using the white line extension was helpful to reduce the opposing left-turn conflicts where the reduce effect was more obvious with the higher vL/cL of the left-turn volume. The use of conflict predictive models has potential to expand the uses of surrogate safety measures in safety estimation and evaluation.

Keywords：Traffic safety；traffic conflict；safety analysis；generalized linear model；signalized intersection

传统的交通安全评价采用交通事故数据作为评价指标，通过建立交通事故模型用以评价某段时间内期望事故频次与安全影响因素之间的关聯关系，然而交通事故数据采集时间长、获取困难且质量不稳定，特别是在交通事故数据库不完备、不精准的情况下，交通事故模型的广泛应用受到制约。交通冲突作为替代交通安全评价指标，因其与交通事故均具有离散性、随机性并受交通量、交通设计、交通控制等因素影响，理论上可将交通事故建模方法应用于交通冲突建模，从而利用冲突数据易采集、易观测等优势，建立交通冲突预测模型进行交通安全评价。

交通冲突预测模型为预测交通冲突数、分析交通冲突影响因素提供了有效途径，具有广泛的应用前景：首先通过模型参数的标定，可快速获得冲突数，减少人工观测耗时并降低冲突判断的主观性；其次模型预测结果为期望交通冲突数，比直接利用观测冲突数作为安全评价指标的方法，更为准确；最后通过模型构建可进一步探究不同交通状态、不同交通设计情况下，交通冲突的产生机理，通过建立交通冲突模型，可预测冲突数，为新建交通设施以及事故数难以获得情形下的交通安全评价应用提供帮助。

1 研究综述

在过去的研究中，学者们针对冲突定义[1-3]、冲突采集方法[4-7]、冲突严重性判断[8-10]以及基于交通冲突的安全评价[11-15]等方面开展了大量的研究，而关于冲突建模的研究尚处于进展阶段。交通冲突模型的最初研究集中在利用线性模型探究交通冲突频率与交通量之间的关系。Salman 和 AlMaita[16] 利用线性模型研究了交通冲突与冲突流量之间的关系，研究表明交通冲突与冲突流量乘积的平方根的线性拟合优度较好；Sayed 和 Zein[17]利用线性模型研究了平均小时冲突数与主路及其相交道路流量乘积之间的关系，建立了6种不同交叉口类型的冲突预测模型，各模型的相关系数R2在0.65～0.79。由于线性回归模型中因变量应连续且服从正态分布，相关研究忽略了冲突数离散分布特性。

后续的研究中，学者们利用SSAM（Surrogate Safety Assessment Model）交通冲突分析软件，根据Vissim、Paramics等仿真软件的车辆轨迹文件输出交通冲突数据[18-20]，一些学者也尝试利用元胞自动机仿真模型研究交通冲突，根据仿真结果进行交通安全评价[21-22]。但由于冲突驾驶行为的复杂性、参数标定的不确定性，利用仿真软件得到冲突数据的可靠性受到质疑。

近年来，一些学者开始采用泊松模型、负二项模型、随机参数负二项模型进行交通冲突建模，研究交通冲突与交通量、交通设施要素之间的关系。El-Basyouny等[23]假设交通冲突频次服从对数—正态分布，构建了基于冲突频数谱光变量的双层交通事故模型，研究了交通冲突与地域（城市或农村）、次干路右转车道数以及综合交通流量的关系。Sacchi等[24]利用泊松模型分别建立了信号交叉口进口道追尾交通冲突与交通流和冲突区域长度的关系模型以及右转追尾冲突与右转交通流量的关系模型。郭延永等[25-26]采用随机参数负二项模型建立了信号交叉口右转设施直右交通冲突模型，结合模型标定结果对右转交通设施的安全影响因素进行了评估，并在后续的研究中，基于交通冲突模型对信号交叉口渠化岛优化设置进行了研究。在Zhang[27]、郭延永等[28]、王教文[29]的研究中，通过建立冲突模型研究了冲突流量对交通冲突的影响。

基于以上研究，本文首先利用两相位十字交叉口实测数据，以发生频率较高的直左冲突为研究对象，研究了不同交通状态、不同时间间隔下的冲突频次分布特点，结合分布特征选取15min时间间隔所采集的冲突数作为因变量。利用交通冲突、交通流量以及交叉口设计要素等数据，分别建立了广义线性模型构建总体预测模型和分交通状态的预测模型，对比分析两种模型的拟合优度和预测精度，并利用分交通状态的广义线性模型分析了不同交通流状态下冲突流量、交通设施设计要素对直左交通冲突的影响。

2 数据采集与分析

2.1数据采集

交通冲突调查采用录像观测方法，选取昆明市20个无专用左转相位十字交叉口进行视频采集，视频采集在工作日晴天条件下进行，共采集167小时数据，数据被分为标定组和检验组。标定组包括15个交叉口20个进口方向共计125小时数据，检验组5个交叉口10个进口方向共计42小时数据。在Video Studio软件加入虚拟网格辅助人工观测记录最小接近距离、碰撞时间（TTC）、冲突角度、冲突车辆速度等要素。交通流量数据以及交通控制参数也一并采集。此外，计算获得直行和左转车流的饱和度（v/c，v为实际交通流量；c为基本通行能力），用以反映交通流状态情况。

2.2 冲突分布

无专用左转相位十字交叉口直左冲突发生频率较高，由于左转车的抢行行为影响交叉口通行秩序，造成交通安全隐患，故以直左冲突为研究对象，共计采集3465个直左冲突，直左冲突的 TTC最小值为0.5s、最大值为2s、平均值为1.32s。综合考虑样本量和稳定性，选取15min时间间隔的交通冲突数作为研究对象。为探讨交通冲突分布特点，交通流量按照直行和左转交通流量乘积划分为高、中、低三种类别，直左交通冲突频次分布图如图1所示。利用卡方检验判断不同流量情况下冲突频次是否符合泊松分布、负二项分布，利用K-S检验判断冲突分布是否接近正态分布。表1中，p大于0.1表明冲突数符合假设分布类型，p值越大表示拟合效果越好。直左交通冲突频次在高、中、低三种交通量情况下均服从负二项分布。基于交通冲突的离散分布特性，线性模型并不适合于冲突模型的建立。

3 模型的建立与分析

基于广义线性模型分别构建总体模型和分交通状态的直左交通冲突模型。采用聚类分析方法进行交通状态划分，聚类结果将交通状态分为4类，4类状态分别以实测数据v/cT和v/ cL的均值作为划分依据（v/cT、v/cL均值分别为0.48和0.38）。相比于总体模型，分交通状态模型更能够细致描述冲突流量对交通冲突的影响，反映不同状态下驾驶行为，进而探究交通冲突产生机理。

3.1 广义线性模型建模方法

3.2 总体模型与分交通状态模型的建立

利用广义线性模型进行建模，以15min直左冲突数作为因变量，标定组共包括125小时500组视频数据。交通流量、隔离带类型、车道数等9个变量作为备选自变量。在总体模型中，采用逐步回归法选取模型变量，显著性交通冲突影响变量有7个，分别为直行交通流量、左转交通流量、车道数、隔离带类型、左转导流线、左转弯半径、左转相位有效绿灯时长，变量间不存在多重共线性。由于总体模型中离散系数α为0.05，不满足泊松模型方差与均值接近的建模条件，负二项泊松模型更适用于直左冲突建模。在分交通状态的模型中，由于各交通状态下几何设计及控制参数等指标的影响因素大致相同，显著变量包括交通流量以及左转导流线设计，除第4种交通状态下为泊松模型，其余几种交通状态下均为负二项模型。不考虑交通状态的总体以及分交通状态的广义线性模型拟合结果见表2。

在总体模型中，直行交通流量、左转交通流量、左转车转弯半径、车道数等变量与交通冲突呈显著的正相关关系，随着交通流量、左转车转弯半径以及车道数的增加，冲突随之增加；隔离带、左转导流线、左转相位的绿灯时长等与交通冲突呈负相关，设置隔离带、左转导流线、增加左转相位有效绿灯时长能够减少交通冲突的发生。在分交通状态的模型中，交通冲突与直行、左转交通量呈正相关（第2种状态下只有直行流量呈显著正相关），与左转导流线呈负相关。

3.3 拟合优度和预测精度验证

3.3.1 驗证方法

式中： Ls为最大似然值； n 是数据数量；k 是模型的变量个数。

式中：y和yi分别为15min的冲突预测值和观测值，n为样本容量。

3.3.2 结果对比

总体模型及分交通状态模型的拟合优度以及预测精度见表3所示。分交通状态的广义线性模型的AIC、BIC以及MAD和MSPE值更低，由此说明分交通状态模型的拟合优度更好、预测结果更为准确。

4 基于冲突模型的交叉口安全分析

应用直左交通冲突模型分析交叉口安全影响因素及冲突产生机理，由分交通状态的模型标定结果可知，不同交通状态下对应不同的驾驶行为，不同交通状态下冲突流量对交通冲突的影响程度不同。冲突实际观测和模型预测结果的最大值在交通状态1，最小值在交通状态3，交通状态1（v/cT > 0.48，v/cL> 0.38）比交通状态3（v/cT <0.48，v/cL< 0.38）的直左冲突显著增多，由此说明交叉口拥挤状态下更易产生交通冲突。由灵敏度分析可知，交通状态2（v/cT <0.48，v/cL>0.38）中，由于左转车队已呈现饱和状态，直行车辆的可穿越间隙成为影响直左冲突产生的主要因素，故交通冲突只与直行车流量呈显著正相关。除第2种交通状态，其余3种交通状态下左转车流量增加对直左冲突的影响大于直行车，每增加1%的左转车流量直左冲突频次增加0.589、0.618和 0.44，直左冲突产生机理为左转车没有避让具有优先路权的直行车辆，选择较小空隙抢行穿过交叉口而迫使直行车辆减速甚至停车避让。

在同一交通状态下，冲突车流中饱和度较小方向流量增加对冲突增加的影响程度更大，例如在交通状态4（v/cT>0.48，v/cL<0.38）中，Ln（L）的系数大于Ln（T），左转方向流量增加对冲突影响更大，可解释为直行车流饱和度较高，左转车辆没有足够的穿越间隙，左转车辆增加会造成更多延误，更容易产生交通冲突。同理，在交通状态2中，交通冲突只与直行车流量呈正相关，由于左转车辆队列已呈现饱和状态，增加直行车流量导致可穿越间隙减少，左转车辆因较长延误而采取抢行行为，此状态下直行车辆的可穿越间隙成为影响直左冲突产生的主要因素。

除交通流量对交通冲突的影响外，左转导流线能够减少交通冲突的发生。在左转车流量较大的交通状态1和2情形下，设置左转导流线对交通冲突的降低作用比状态3和4更明显。

以状态1的直左冲突模型为例，图2中的交通冲突预测曲线为给定不同直行交通量和左转交通量组合的交通冲突数。从图中可以看出，随着直行交通量的增加，冲突数随之增加，设置左转导流线情况下的冲突数低于无左转导流线情况。利用图中曲线，根据设计直行交通量和左转交通量，可求得对应的交通冲突数，从而便于交通安全评价。此外，可通过设定交通冲突阈值反推求得对应的左转交通量，将模型求得的左转交通量与设计左转交通量进行对比，进一步确定交通管控措施的应用。例如，将冲突阈值设为10，在设计直行交通量为200pcu情况下，无导流线和设置导流线情况下所对应的左转交通量分别为20pcu和36pcu，当设计左转交通量在20～36pcu之间时，建议设置左转导流线以降低直左冲突，从而提升交叉口的交通安全性。

5结语

（1）基于两相位十字交叉口直左交通冲突观测数据，利用拟合优度检验方法对高、中、低三种流量情况下的15min直左交通冲突分布进行研究。研究结果表明，15min直左冲突在不同流量情况下均服从负二项分布，由直左冲突的离散分布特性可知，广义线性模型比线性模型更适用于交通冲突的建模。

（2）分别建立总体预测模型和考虑不同交通状态的直左冲突预测模型，通过模型拟合优度和预测精度对比分析可知，分交通状态的直左冲突模型的预测性能更优。利用交通冲突模型可较易获取交通冲突期望值，减少冲突观测的主观性，更好反映交通流量及交通设施要素变化对交通安全的影响，从而为替代安全评价指标的广泛应用提供了思路和方法。

（3）应用直左交通冲突模型分析交叉口安全影响因素及冲突产生机理，由分交通状态的直左冲突模型标定结果可知：①不同交通状态下冲突流量对交通冲突的影响程度不同。在第2种交通状态（v/cT<0.48；v/cL>0.38）中，由于左转车辆队列已呈现饱和状态，直行车辆的可穿越间隙成为影响直左冲突产生的主要因素，故交通冲突产生只与直行车流量呈显著正相关。除第2种交通状态外，其余三种交通状态中左转车流量增加对冲突影响程度大于直行车辆，每增加1%的左转车流量直左冲突频次增加0.589、0.618和0.44，交通冲突产生原因主要为左转车辆抢行行为，其无视直行车辆优先路权而迫使直行车辆减速甚至停车避让。②在同一交通状态下，冲突车流中饱和度较小方向流量增加对冲突增加的影响程度更大。③增设左转车辆导流线能够降低直左冲突，且在左转车流饱和度较高的状态下（交通状态1和2）降低效果更明显。

（4）本文对两相位十字交叉口直左冲突进行了建模研究，在后续研究中可综合考虑不同交通设施、不同类型冲突的建模方法。后续工作需采集更多不同交通特性、几何设计要素以及控制方式的交叉口数据，对交通设计异质性、交通冲突模型的可移植性作进一步研究。此外，可进一步优化交通状态划分方法，探讨使用自动识别技术采集交通冲突，从而综合运用不同类型交通冲突的预测模型进行交叉口安全评价。

参考文献

[1]项乔君，陆健，卢川，等. 道路交通沖突分析技术及应用[M]. 科学出版社，2008.

[2]郭延永.基于交通冲突理论的信号交叉口安全评价技术[D].南京：东南大学，2016.

[3]朱顺应，蒋若曦，王红，等.机动车交通冲突技术研究综述[J]. 中国公路学报，2020，33（2）：16-33.

[4]徐艺.面向路段交通冲突辨识的驾驶人眼动特征研究[D].长春：吉林大学，2016.

[5]蒋春艳. 基于图像处理的信号交叉口交通冲突的检测与判定[D]. 西南交通大学，2017.

[6]马艳丽，祁首铭，吴昊天，等. 基于PET算法的匝道合流区交通冲突识别模型[J]. 交通运输系统工程与信息，2018，18（02）：146-152.

[7]蒋威.基于视频识别数据的负二项分布交通冲突预测模型研究[D].成都：西南交通大学，2020.

[8]Laureshyn A，Ceunynck T D，Karlsson C， et al. In search of the severity dimension of traffic events： Extended Delta-V as a traffic conflict indicator [J]. Accident Analysis and Prevention，2017，98：46-56.

[9]刘辉，章国鹏，王羿童，等.无控制交叉口交通安全影响因素分析[J]. 公路交通科技，2019，36（9）：114-120.

[10]王春勤，牟瑞芳， 阮黄山. 基于灰云模型的城市道路交叉口交通冲突严重性研究[J]. 交通运输工程与信息学报，2019（3）.

[11]王嘉宇，李泽州，张家伟，等. 高速公路平直路段雾霾天气下的IDM跟驰模型分析 [J]. 交通运输研究，2015（1）：7.

[12]Emanuele S，Tarek S. Bayesian estimation of conflict-based safety performance functions [J]. Journal of transportation safety and security，2016，8（32）：66-99.

[13]林兰平.高速公路合流区交通冲突预测与安全评价研究[D].哈尔滨：哈尔滨工业大学，2017.

[14]Zheng L，Sayed T，Essa M . Validating the bivariate extreme value modeling approach for road safety estimation with different traffic conflict indicators [J]. Accident Analysis & Prevention，2019，123（FEB）：314-323.

[15]迟佳欣，贺玉龙.基于交通冲突的交织区安全评价方法研究[J].交通科技与经济，2020，22（4）：27-32，38.

[16]Salman N K and Al-maita K J. Safety E v a l u a t i o n a t T h r e e - L e g，U n s i g n a l i z e d Intersections by Traffic Conflict Technique. T r a n s p o r t a t i o n R e s e a r c h R e c o r d 1 4 8 5，Washington， D.C.，1995：177-185.

[17]Sayed T，Zein S. Traffic conflict standards for intersections [J]. Transportation Planning and Technology，1999，22（4）：309-323.

[18]Duong D， Saccomanno F F，Eng P，et al. Calibration of microscopic traffic model for simulating safety performance[J]. transportation research board annual meeting，2010.

[19]叶红波，廖彩凤. 基于SSAM的平面交叉口交通安全评价[J]. 城市道桥与防洪，2016（4）：4.

[20]Wang C，Xu C，Xia J ， et al. A combined use of microscopic traffic simulation and extreme value methods for traffic safety evaluation[J]. Transportation Research Part C Emerging Technologies，2018，90（MAY）：281-291.

[21]楊柳，黄中祥，况爱武.变道规则对高速公路双车道交通流的影响[J].中南大学学报：自然科学版，2016，5（47）：1752-1759.

[ 2 2 ] L i a n g G，W a n g F，W a n g W，e t a l . Assessment of freeway work zone safety with improved cellular automata model [J]. 交通运输工程学报（英文），2014.

[23]El-Basyouny K and Sayed T. Safety performance functions using traffic conflicts [J]. Safety Science，2013， 51（1）：160-164.

[24]Sacchi E and Sayed T. Bayesian Estimation of Conflict-based Safety Performance Function [J] Journal of Transportation Safety and Security，2016，8（3）：266-279.

[25]郭延永，刘攀，徐铖铖，等.基于交通冲突模型的信号交叉口右转设施安全分析[J].中国公路学报，2016，29（11）：139-146.

[26]郭延永，刘攀，吴瑶，等.基于交通冲突模型的信号交叉口渠化岛设置方法[J]交通运输工程学报，2017，17（4）：140-148.

[27]Xin Z，Pan L，Hao Y，et al. Using Conflict Prediction Models to Evaluate the Impacts of Conflicting Volumes on Opposing Left Turn Conflicts at Signalized Intersections[C]// The Twelfth COTA International Conference of Transportation Professionals. 2012

[28]郭延永，刘攀，吴瑶，等.基于贝叶斯多元泊松-对数正态分布的交通冲突模型[J].中国公路学报，2018，31（1）：101-109.

[29]王教文. 不同交通状态下直左交通冲突模型研究[J]. 山东交通学院学报，2019，27（01）：18-25.