主观拥堵感知下驾驶人路径调整行为决策研究

朱敏清，李昕晔，崔洪军*，姚胜

(1.河北工业大学，建筑与艺术设计学院，天津300130；2.河北工业大学土木与交通学院，天津300401)

0 引言

随着城市交通的快速发展，交通拥堵已成为大中城市的通病，不仅严重影响了城市发展和人民日常生活，同时也带来了能源消耗、环境污染[1]等诸多问题。目前关于交通拥堵蔓延传播现象的主流研究是从宏观层面进行规律分析和现象描述。Saberi等[2]借助医学疾病传播SIR模型来描述交通拥堵扩散规律，但停留在宏观的交通流拥堵状态的描述，未直接研究车辆的拥堵通行状况。部分学者采用交通流波动理论[3]、元胞传输模型[4]模拟拥堵路段交通拥堵扩散规律，但由于缺少不同路段间的流量联系，仅限于模拟高速公路等单一路段交通流的扩散规律。也有部分学者借助更多的数学手段和计算机工具，如：陈美林等[5]以蜂窝网格单元检测拥堵事件描述了各区域的交通状态；韦伟等[6]通过改进的PLS-STAR(Partial Least Squares Regression-spatial temporal autoregressive)模型构造了一种数据驱动的偶发拥堵时空传播效应评估方法。上述研究仅分析了交通拥堵后的现象及变化过程，忽视了驾驶员在拥挤状态下的驾驶行为，未从内在因素揭示路网中交通拥堵形成的扩散规律。

近年来，有学者开始在研究中加入出行者本身的行为特性。黄春阳等[7]采用多层有序Logit 贝叶斯模型深入分析出行者拥堵感知影响的差异程度。黄建华等[8]对道路网络拓扑结构和出行者面对预警信息时的行为特征对拥堵风险传播的影响进行了探讨。基于上述研究，本文设计视频实验通过模拟挡风玻璃、车窗及后视镜三个主观视角来判断拥堵路况的实际驾驶情景，采用方差分析探究驾驶人的个体特征和出行特征对于路径调整决策的影响，并基于二项Logistic 构建驾驶人在遭遇拥堵时即刻的路径调整决策模型，进一步分析驾驶人在拥挤状态下路径的研判调整行为，从而揭示驾驶人在途过程中与拥堵感知和路径调整规律的关系，深入探究交通拥堵形成和消散的内因。

1 实验设计

1.1 视频采集

在视频素材采集之前，对天津市的拥堵路段进行实车调查与筛选，最终选取拥堵较为频繁的南京路作为调查路段，如图1所示。视频录制分为两部分同时进行：第1 部分为车内的视频录制，用作实验交通感知环境模拟素材，从行驶车辆的挡风玻璃、主驾驶位车窗和副驾驶位车窗这3个视角进行录制，并采用跟车法收集录制视频期间的客观交通数据；第2 部分为在图1 中A、B 两点处的过街天桥上架设高清录像仪进行车流录制，结合高处摄影观测法对跟车法收集到的背景交通流数据进行补充与验证，保证视频素材中交通流数据的准确性。将收集到每段视频的区间车速采用SPSS软件进行KMeans 聚类。选取与聚类中心车速最为相近的视频作为实验素材视频，并按区间速度大小排列序号，每段视频时长为60 s。视频交通流参数如表1所示。

图1 视频素材路段示意图Fig.1 Video material collection schematic diagram

表1 实验交通流参数表Table 1 Experimental traffic flow parameters

1.2 模拟环境

实验中采用3块屏幕分别播放3个视角下的录制视频，以此来模拟实际在途时驾驶员的交通感知环境，如图2所示。被试人分别在具有不同起讫点的3 类假定出行情境下通过观看视频来模拟真实出行路况下的路径调整决策，起讫点分类设定如图3所示，具体设定如下：

图2 视频实验情景图Fig.2 Video experiment scenario

图3 OD分类拓扑图Fig.3 OD classification topology

(1)OD1，目的地与驾驶员遭遇拥堵时的地点较近，调整路径行驶后增加的行程距离为原规划路径剩余行驶距离的1倍以上；

(2)OD2，目的地与驾驶员遭遇拥堵时的地点较近，调整路径行驶后与原规划路径剩余行驶距离相比，未额外增加行程距离；

(3)OD3，目的地与驾驶员遭遇拥堵时的地点较远，调整路径行驶之后增加的行程距离在原规划路径剩余行驶距离的1倍以内。

1.3 实验流程

本实验共招募254名被试，其中根据实验需要分别从视频录制当地招募178 名，异地招募76 名。被试人基本信息如表2所示。

表2 被试人基本信息表Table 2 Participant's basic information

每位被试人在参与正式实验之前，重复观看3遍随机抽取的5段视频，并对视频中的交通拥堵程度进行百分制评分，若3次比较结果差异超出10分则取消此被试人的实验资格，最终共249名被试人获得实验资格。参照驾驶人面对交通拥堵时的行为判断逻辑，在正式实验时，被试人将在设定好的3类出行情景下按照视频序列标号进行拥堵感知，并模拟在途时的路径调整决策。每位被试人员将重复3 次实验，若同一被试人3 次评分的分差超出10分或3次决策均不一致，则剔除这一被试人的实验数据，拥堵评分将取3 次实验数据的均值，路径调整决策将以2次或2次以上相同的实验结果为准。

2 路径调整决策的差异性分析

本实验最终采集到本地被试人员534 组和异地被试人员213 组的主观拥堵状态评分以及路径调整决策判断数据。采用SPSS软件中的一般线性模型进行路径调整决策模型构建前的方差分析，检验所选驾驶人特征因素对于路径调整决策是否具有显著性差异。对于方差不具有齐性的部分数据，采用Brown-Forsythe检验和Welch检验替代。

2.1 个体特征差异分析

以被试人的个体特征(性别、年龄、驾龄、1周内驾车出行次数)作为分组自变量，将不同区间车速下被试人首次选择不会换路的视频序列标号作为因变量进行方差分析。结果显示，性别的P 值为0.006，年龄、驾龄和1 周内驾车出行次数的P 值均为0.000，故所选取的驾驶人个体特征因素的不同会对其路径调整决策产生显著性差异。不同个体特征的被试人首次选择不会换路的视频序列标号均值统计如图4所示(图中横坐标截取至视频序列9)。可以看出，男性会早于女性选择不会换路，说明男性对于拥堵的接受程度要高于女性；随着年龄的不断上升，视频序列标号均值呈现先上升后下降的趋势，在(25,40]岁到达顶峰，人群对于拥堵的接受程度较低，60 岁以上年龄段降到最小值，对于拥堵的接受程度较高；驾龄因素呈现出与年龄因素相同的趋势，驾龄在5年以上和1年以下的人群对于拥堵的接受程度较高，更倾向于保持原路径行驶，驾龄在[3,5)年的人群在面对拥堵时更倾向于换路径行驶；此外，1 周内驾车出行[1,3)次人群与其他人群相比接受拥堵的程度更高，更倾向于保持原路径行驶，而[3,5)次出行的人群更倾向于进行路径调整。

图4 个体特征均值统计量图Fig.4 Individual characteristic mean statistics

2.2 出行特征差异分析

采用出行特征(出行目的、起讫点分类、周边路网熟悉程度)作为分组自变量，将不同区间车速下被试人首次选择不会换路的视频序列标号作为因变量进行方差分析。结果显示，出行目的、起讫点分类和周边路网熟悉程度的P 值均为0.000，故所选取的出行特征各分类均对路径调整决策有显著性差异。不同出行特征的被试人首次选择不会换路的视频序列标号均值描述性统计如图5所示(图中横坐标截取至视频序列8)，弹性出行保持原路径行驶的倾向性最大，其次是接送孩子，换路行驶倾向性最大的为通勤出行。对于不同起讫点分类：第1 类OD 出行的人群换路径行驶的倾向性最大，其次是第3类OD出行的人群，第2类OD出行人群保持原路径行驶的倾向性最大，说明路径调整之后的绕路距离占原规划路径的比例越大，保持原路径行驶的倾向性也越大。对周边路网陌生的人群比熟悉的人群更倾向于保持原路径行驶。

图5 出行特征均值描述统计量图Fig.5 Descriptive statistics of mean value of travel characteristics

3 基于主观拥堵状态的路径调整决策模型

3.1 变量赋值及预测结果

选取驾驶员个体特征因素、出行特征因素、主观拥堵感知评分和路段区间车速作为自变量，由于因变量为二值变量，自变量为数值型连续变量与由将定类变量转换成的虚拟变量，因此采用二项Logistic回归模型[9]，模型结构为

式中：P为z=1(选择为会调整路径)时的预测概率；Xi为自变量，X1,X2,…,Xn分别为个体特征、出行特征、主观拥堵感知程度和路段区间车速；n为自变量的个数；β0为截距；β1,β2,…,βn分别为X1,X2,…,Xn的偏回归系数。

则选择不会调整路径的概率为

选择会调整路径与选择不会调整路径的概率之比，即发生比Odds为

为了度量某一自变量对因变量(是否选择会调整路径)的影响程度，定义优势比(OR)，其计算公式为

式(5)表明：在保持其他自变量不变的情况下，自变量Xi改变1 个单位，OR变为原来的exp(βi)倍。当自变量Xi的OR值远大于或远小于1 时，对因变量影响较大；当OR接近于1时，Xi对因变量的影响程度较小。

变量赋值如表3所示，模型采用SPSS 软件通过逐步回归的方法进行参数估计，经过14940次迭代获得的回归系数如表4所示，模型的预测结果如表5所示，模型的伪拟合优度值RP为0.57，通常情况下，RP≥0.3 说明模型的拟合度较高，因此该模型具有较好的拟合优度；且模型的整体预测准确率为92.6%，模型预测效果较好。

表3 变量赋值表Table 3 Variable assignment

表4 Logistic方程回归系数表Table 4 Logistic equation regression coefficient result

表5 模型预测分类表Table 5 Model prediction classification

3.2 结果分析

3.2.1 个体特征对路径调整的影响

由表4可知，所选驾驶人个体特征因素均对路径调整决策有显著影响。当出行特征以及交通状态一致时，相对于女性，男性使Logit(P)平均上升了0.216 个单位，即男性保持原路径的可能性显著增高。结合表4中的优势比，可知男性保持原路径的可能性是女生的1.241 倍，女性在相同拥堵条件下比男性更易选择调整路径，这与韩春阳等[8]的研究结果相吻合，女性对于交通流变化的反应比男性更为敏感。类推可知，(25,50]岁的人群对于因变量的影响程度较大，更倾向于调整路径，而60岁以上的老年人更青睐于保持原路径行驶，符合图3中所描述的特征。主要原因有以下两个方面：①如图6所示，60岁以上的老年人由于年纪较大且多为弹性出行对行程时间没有严格要求，故更倾向于保持原路径行驶；②[18,25]岁的青年驾龄短，驾驶技术较低故更倾向于保持原路径行驶，而(25,50]岁的人由于驾驶技术的提升，且多为通勤出行和接送孩子，对行程时间有较为严格的要求，故在面对拥堵时更倾向于换路径行驶。可以看出，由于新手开车行驶时较为谨慎保守导致驾龄在1年以下的人群对于因变量的影响程度较大，更偏向于保持原路径行驶；随着驾龄增加到[3,5)年，驾驶技术逐渐成熟，人们开始倾向于调整路径。此外，驾车出行次数较少的人群对于因变量的影响程度较大，这一人群更倾向于调整路径行驶，其原因可能为此部分人群开车较少，对于拥堵路况的忍耐程度较低。随着驾车出行次数的增加，人们慢慢开始偏向于保持原路径行驶。

图6 年龄段与出行目的交叉分析占比图Fig.6 Cross-analysis of proportion of age groups and trip purpose

3.2.2 出行特征对路径调整的影响

就出行特征因素而言，通勤出行保持原路径的可能性是弹性出行的58.3%，接送孩子的保持路径的可能性是弹性出行的56.7%，可以发现，通勤出行和接送孩子换路行驶的倾向性更大，这与近年来家长们越来越重视孩子的学校教育密不可分，且这两种出行目的对行程时间的要求较为严格，而弹性出行一般对行程时间没有严格要求，故弹性出行换路倾向性最小；第1 类OD 出行的人群保持路径的可能性是第3 类OD 出行的2.719 倍，第2 类OD 出行的人群保持路径的可能性是第3 类OD 出行的45.6%，说明调整路径后增加的行驶距离占剩余行驶距离比例越大，保持原路径行驶的可能性越大；熟悉周边路网的人群保持路径的可能性是陌生人群的11.3%，说明当驾驶人面对新的路况环境时，更倾向于保持原规划路径继续行驶；驾驶人主观拥堵评分增加1分，则保持原路径行驶的可能性为之前的92.5%；区间车速每增加1 km·h-1，驾驶人保持原路径行驶的可能性为之前的1.223倍。

4 结论

本文通过构建基于驾驶人主观拥堵感知函数的路径调整决策模型，探究驾驶人在拥挤状态下路径的研判调整行为，揭示了驾驶人在途过程中与拥堵感知和路径调整规律的关系,可为交通拥挤形成机制和扩散规律提供基础依据，对于降低拥堵事件对交通效率的影响，缓解交通拥挤具有重要意义。主要结论如下：

(1)驾驶人的个体特征和出行特征不同均导致其路径调整决策产生显著性差异。

(2)驾驶人的个体特征对驾驶人的路径调整决策具有显著影响，其中在相同拥堵状态下男性更易保持原路径行驶；(25,50]岁人群较其他年龄段更青睐于调整路径行驶；驾龄在1年以下的人群更偏向于保持原路径行驶；驾车出行次数为较少的人群更倾向于调整路径行驶。

(3)驾驶人的出行特征对驾驶人的路径调整决策具有显著影响，其中在相同拥堵状态下弹性出行最易保持原路径行驶，其次是通勤出行，接送孩子最易换路行驶；调整路径后增加的行驶距离占剩余行驶距离比例越大，保持原路径行驶的可能性越大；熟悉周边路网的人群更易调整路径行驶；主观拥堵感知程度越大，区间车速越低，其保持原路径的可能性越低。