基于横向干扰度和交通事故数的车速预测模型构建*

樊兆董， 李美玲， 冉晋， 张昱

(1.山东省交通科学研究院， 山东 济南 250102；2.山东建筑大学， 山东 济南 250101)

交通事故是影响道路交通安全的主要因素，而47.06%的交通事故由超速行驶所致。挪威《交通安全手册》指出，车速平均每增长10%，受伤性、死亡性交通事故数将分别增加25%和35%。可见，制定合理的道路限速值是提升道路交通顺畅、确保交通安全的有效措施。目前有关道路限速的研究主要集中在道路设计速度、85%位车速、道路几何特征及道路所处区域环境等方面。如Ottesen J. L.等以曲率为变量建立平曲线运行车速推算模型，确定了道路限速值；Fitzpatrick K.等对128个车速限制区间进行调查研究，发现85%位车速只能作为车速限制的基准值，实际车速限制值应比85%位车速低12.87～19.31 km/h；Gibreel G. M.等基于平曲线半径、竖曲线长度、变坡点与竖曲线起点的平面距离、纵坡及纵坡长度、超高率等因素建立基于平纵组合线形的运行车速计算模型，用于确定道路限速值；杨俊等分析分车道限速的影响因素，在车速限制标准的基础上，提出分车道限速的合理流程及限速值的确定办法；陆建等采用多元线性回归法建立85%位车速与车道数、限速值、车道位置、车型、道路饱和度、大型车比例等因素之间的关系模型，用于确定道路限速值；程国柱采用回归分析法,分车型建立道路线形指标、交通流参数与运行车速的关系模型，通过对多参数修正确定了道路的最高车速限制值。当前道路限速研究较少考虑路侧环境特征和交通事故等因素的影响。该文考虑道路特征、交通特性、路侧环境等因素提出道路横向干扰度指标，结合路段交通事故发生数量，构建路段85%位车速预测模型，为道路限速值确定提供参考。

1 模型变量

1.1 横向干扰度

正常驾驶过程中，驾驶员对行驶速度的选择受多方面因素影响，其中道路特征、交通特性、路侧环境是最重要的因素。道路特征主要包括道路等级、坡度、线形、宽度、车道分布等；交通特性主要包括交通组成、交通流运行状况等；路侧环境主要包括路侧地形及防护设施设置状况等。基于对不同路段上述影响因素的现场调查数据的统计分析，提出横向干扰度指标，表征驾驶员在正常行驶过程中受到道路特征、交通特性、路侧环境等因素干扰程度的大小。其赋值见表1，横向干扰度越大，说明驾驶员受外界影响越大，交通安全性、顺畅性越低；反之，则说明驾驶员受外界影响越小，交通安全性、顺畅性越高。

1.2 交通事故数

交通事故是影响道路交通安全运行的主要因素。有数据表明，2010年中国发生的交通事故中，超速行驶造成的死亡人数占事故死亡总数的14%，交通事故数显著影响对道路运行速度的选择，可作为路段车速预测模型的变量。

1.3 85%位车速

选用交通管理部门常采用的限速参考值85%位车速作为模型变量，该变量可表征通行路段85%车辆的行驶速度，具有较好的代表性。

表1 横向干扰度的量化

2 数据采集与分析

2.1 数据采集

选取36处具有不同道路特征、交通特性和路侧环境的典型路段，道路类型主要包括高速公路、国道、省道等，路段长度为2.5～10 km。根据现场调查资料(见图1)，确定不同路段的干扰度量化值。

图1 现场调查照片

通过查阅所选路段近3年的交通事故数据，包含轻微交通事故、一般交通事故、重大交通事故、特大交通事故等，确定该路段近3年所发生的交通事故数。

根据GB 5768.5-2017《道路交通标志和标线》，车头时距至少大于4 s则视为自由流状态下的车速。采集相应路段的车辆运行速度，并计算每一路段车辆运行速度的85%位车速。

2.2 数据分析

2.2.1 85%位车速与交通事故数关联性分析

85%位车速与交通事故数的关联性见图2。由图2可知：在85%位车速小于80 km/h的路段，交通事故数基本上随着85%位车速的提高而逐渐增加；在85%位车速大于80 km/h的路段，交通事故数则较少。表明在车辆运行速度较低的路段，影响驾驶员安全顺畅驾驶的因素较多，交通事故数较高。而在车辆运行速度较高的路段，影响驾驶员安全顺畅驾驶的因素较少，因而交通事故数较少。

图2 85%位车速与交通事故的关系

2.2.2 85%位车速与横向干扰度的关联性分析

85%位车速与横向干扰度的关联性见图3。由图3可知：在85%位车速大于80 km/h的路段，横向干扰度较低；在85%位车速小于80 km/h的路段，横向干扰度较高。表明横向干扰度对车辆运行速度的影响较大。

图3 85%位车速与横向干扰度的关系

2.2.3 交通事故数与横向干扰度的关联性分析

交通事故数与横向干扰度的关联性见图4。由图4可知：在交通事故数较少的路段，横向干扰度较低；在交通事故数较多的路段，横向干扰度较高。说明横向干扰度对交通事故数有较大影响。

3 车速预测模型的构建

以横向干扰度和交通事故数作为自变量，85%位车速作为因变量，构建基于横向干扰度和交通事故数的车速预测模型如下：

图4 交通事故数与横向干扰度的关系

y=0.55x1-6.404x2+100.828

(1)

式中：y为85%位车速预测值(km/h)；x1为交通事故数；x2为横向干扰度。

该模型为多元线性回归模型，各变量相关性分析、回归分析、方差分析、回归系数及显著性检验结果见表2～5。

表2 各变量相关性分析结果

表3 回归分析结果

表4 方差分析结果

由表2可知：交通事故数、横向干扰度和85%位车速3个变量之间呈较强的相关性(|r|>0.6，p<0.05)，故将交通事故数、横向干扰度作为自变量纳入该模型中具有较好的合理性。

由表3可知：R的取值范围为(0,1)，且达到0.86，证明线性回归关系密切；R2为0.739，表明所建立的回归模型效果优良；调整R2为0.723，符合小于R2的原则，且其值偏大，说明该模型拟合效果较好。

表5 回归系数及显著性检验

由表4可知：该模型的F检验结果F0.05=46.643>F0.05值，说明回归效果高度显著；p=0.00<0.05，说明具有显著的统计学意义。

由表5可知：2个自变量的容差均大于0.1，且其方差膨胀因子均小于10，表明交通事故数和横向干扰度之间不存在共线问题。

4 结语

结合道路特征、交通特性、路侧环境等因素提出横向干扰度指标，结合36处具有不同道路特征、交通特性和路侧环境的典型路段现场调查资料，分析交通事故数、横向干扰度和85%位车速的关联性。结果表明交通事故数和横向干扰度对85%位车速的影响都较显著，且横向干扰度越高，交通事故数越大。构建以交通事故数和横向干扰度为自变量的多元线性回归模型，从事故数和交通运行环境方面对路段85%位车速进行预测。模型拟合效果较好，可为今后路段限速值的合理确定提供参考。