交通事故状态下驾驶员路径选择建模及应用

曹亚康

(陕西铁路工程职业技术学院铁道运输学院，陕西 渭南 714000)

在交通诱导信息下，驾驶员的决策体现为路径选择偏好，关于这一课题，在初始阶段，大多数研究者假定，驾驶员的路径选择偏好是某一确定的概率[1-3]，但更多的研究者逐渐意识到，驾驶员的路径选择偏好是一个复杂的课题。Gan等[4]研究发现，驾驶员的年龄、驾龄、车辆类型、选择快速路的频率以及途径信号灯数量等因素会影响驾驶员的路径选择。

邢锐[5]对比分析了交通拥堵及交通事故状态下驾驶员的路径选择偏好。曹亚康[6]通过构造诱导信息下驾驶员路径选择行为模型，分析驾驶员的路径选择行为。姚玲亚[7]通过构建基于交通事故内容以及交通延误时间的路径选择模型，分析驾驶员的路径选择偏好。孙棪[8]分别研究了在交通拥堵和交通缓行两种交通状态，以及雨雪等恶劣天气条件下驾驶员的路径选择行为。赵文静[9]分析了个人属性、出行属性、VMS发布形式和发布内容对驾驶员关注VMS信息的影响程度。马壮林等[10]采用行为偏好调查方法，构建驾驶员对VMS信息的关注度模型。

近年来，更多的交通研究者都热衷于研究VMS下驾驶员路径选择模型的影响因素。但大多数交通研究者都致力于仿真软件，而基于真实交通场景的调研数据少之又少。本文以陈述偏好调查(stated preference survey，SP调查)调研数据为基础，研究交通事故状态下驾驶员的路径选择行为。

1 SP调查及结果分析

本文着重研究在VMS显示交通事故信息的情况下，驾驶员的路径选择偏好行为，故需要最大程度贴近真实交通场景的调研数据，并在此基础上，完成调研数据的统计分析与建模。

为了获得最大程度贴近真实交通场景的调研数据，就要模拟不同交通场景下不同驾驶员的路径选择。最优的方法莫过于陈述偏好调查，可以根据研究的不同需要设置不同的交通场景，便于调查实施。

课题团队投入了大量人力、物力，特意选取北京机场、洗车场等驾驶员大量聚集的地点，面对面地向驾驶员介绍调研问卷的内容以及调研的意图，力争获得真实的调研数据。统计回收问卷共计300份，其中有效完整问卷295份，有效率为98.3%。

MS条件：离子源温度为200 ℃，电子电离离子源；电子能量为70 eV，灯丝电流为150 μA，扫描质量范围 33～450 m/z。

1.1 交通事故信息下驾驶员路径选择行为分析

分析在不同路段显示交通事故信息的情况下，驾驶员的路径选择行为，调查结果见表1。

表1 交通事故下驾驶员路径选择表 %

调查发现，发生交通事故时，绝大多数的驾驶员会选择绕开事故路段，选择其他路径。在快速路发生事故时，驾驶员会均衡地选择其他路径；而在其他路段上发生事故时，会有较多的驾驶员选择快速路出行。换言之，驾驶员对交通事故的忍耐性普遍较低，选择避开相应路段，选择绕行路径。

1.2 交通事故信息下驾驶员绕行路径选择分析

分析在城市快速路上显示交通事故信息的情况下，驾驶员对于绕行路径的选择行为，调查结果见表2。

表2 交通事故下驾驶员路径选择表 %

调研发现，当城市快速路上发生交通事故时，驾驶员会相对均衡地选择其他绕行路径，实现交通流在整个路网的合理分配，从而使VMS显示的交通事故信息最大程度地起到引导驾驶员选择最佳路径的目的。

本次重点调研了VMS显示交通事故信息的情况下，驾驶员的路径选择偏好。此外，调查发现，在VMS给出建议的绕行路径下驾驶员倾向于选择城市快速路作为绕行路径。基本的交通情景都能涵盖，说明调研完整，数据清楚，能够满足研究的需要，为下文构建交通事故状态下驾驶员路径选择模型夯实了基础。

2 驾驶员路径选择建模及应用

对于驾驶员在交通事故状态下的路径选择偏好研究，关键在于接收到VMS交通事故信息时，驾驶员是否改变出行路径。本文分析了不同路段显示交通事故信息的情况下，驾驶员的路径选择行为，并基于真实交通数据，构建交通事故状态下驾驶员的路径选择Logit模型，分析驾驶员的路径选择偏好。

2.1 相关性分析

本文研究的关键在于构建交通事故状态下的驾驶员路径选择模型。首先，选择出影响驾驶员路径选择的关键因素，而相关性分析就是衡量不同因素之间密切水平的指标。本文针对驾驶员在VMS显示交通事故信息时做出的决策与各影响因素进行相关性分析，其相关性分析表见表3。

表3 驾驶员交通事故决策与各影响因素的相关性分析表

表3中，显著性水平值决定了各影响因素与交通事故决策之间的相关显著性。本文设置P值低于0.5的影响因素对交通事故决策的相关性显著。根据这一设置，可知驾驶员的性别、学历、驾龄、车辆类型、年收入、驾驶风格、出行频率、出行距离、遇红决策、遇黄决策和改变路径频率等因素与交通事故决策的相关性显著。

2.2 模型建立

根据上文的各个影响因素与交通事故决策的相关性显著分析，构建驾驶员路径选择偏好的有序多分类Logit模型，本文将显著性水平设置为0.5，以保证研究结果具有一定的准确性及可信度。最终Logit建模结果见表4。

驾驶员的车辆类型、年收入、驾驶风格、遇红决策和遇黄决策都通过显著性检验，符合建模精度要求。

将表4中各变量的回归系数代入有序多分类Logit模型中，所确定的效应函数具体形式如下：

Logit(P|交通事故决策=改变路线)=-4.142-1.693x1-1.133x2-0.567y1-0.286y2+0.981z1+0.629z2-1.300m1-0.878m2-1.128n1-0.289n2

(1)

表4 基于交通事故决策的Logit模型回归结果

Logit(P|交通事故决策=改变路线/先不改变看情况)=-1.802-1.693x1-1.133x2-0.567y1- 0.286y2+0.981z1+0.629z2-1.300m1-0.878m2-1.128n1-0.289n2

(2)

其中自变量对应含义见表5。

表5 模型公式自变量解释表

根据构建的驾驶员交通事故决策的Logit模型，研究发现：

1)驾驶员的车辆类型主要有3种，分别为私家车、公务车和其他。私家车驾驶员更倾向于在VMS显示交通事故信息时改变出行路径，因为私家车驾驶员对时间更为敏感，更易避开交通事故路段。公务车辆驾驶员对于延误有更大的忍耐力，这在中国的大部分城市都会出现，反映了一定的中国文化特色。

2)驾驶员的年收入有3个等级，即高于15万、10～15万和低于10万。年收入越高，避开交通事故路段改变路径的可能性越大。年收入越高，驾驶员的时间成本越高，对交通拥堵的忍耐性更低，更倾向于避开交通事故路段。

3)驾驶风格有3种，分别是保守、普通和冒险。冒险风格的驾驶员对交通事故路段的忍耐性更低，更容易接受VMS诱导信息而选择改变出行路径。

4)遇红决策有3种，即改变路线、先不改变看情况和不改变路线。遇到VMS显示交通拥堵信息时，选择改变路线的驾驶员更容易根据交通事故信息避开相应路段。

5)遇黄决策有3种，即改变路线、先不改变看情况和不改变路线。遇到VMS显示交通拥挤信息时，选择改变路线的驾驶员更容易根据交通事故信息避开相应路段。

2.3 模型应用

基于以上Logit建模及结论，将其应用到北京快速路上，主要提出以下相应建议：

1)更新VMS显示内容，提供驾驶员准确的路径信息。对于重点、关键的路况信息要加以突出，另外白天和黑夜的显示方式要有所区别，以适应不同的光线。

2)调整VMS服从比率，引导驾驶员选择最佳的出行路径。提升驾驶员对于VMS显示的路径拥堵程度的正确感知，实现交通流在路网的合理分配。

3)规范VMS显示形式，适应驾驶员差异的地域需求。针对不同路段，文字式VMS、图形式VMS以及图文混合式VMS合理选择。

4)规划VMS设置位置，预留驾驶员合理的反应时间。根据路况不同，提前通知驾驶员的时间略有不同，此外增加VMS布设数量和密度，便于驾驶员获取更多路况信息。

3 结束语

本文以交通真实数据为基础，分析了VMS显示交通事故信息的情况下驾驶员的路径选择偏好，并将交通事故决策与各影响因素进行相关性分析，构建了交通事故状态下驾驶员路径选择的有序多分类Logit模型。结果表明，交通事故状态下驾驶员的路径选择行为主要受到车辆类型、年收入、驾驶风格、遇红决策和遇黄决策的影响。