高密度立交出入口区段车流量对驾驶人精神负荷影响

易刚, 杨迪, 矫成武, 孔繁星, 陈正欢, 徐进*

(1.重庆交通大学交通运输学院, 重庆 400074; 2.余姚市交通规划设计研究院, 余姚 354001;3.交通运输部公路科学研究院, 北京 100088; 4.中铁二院工程集团有限责任公司, 成都 610031)

随着路网密度的增加,互通式立体交叉(简称“互通立交”)成为道路交通系统中重要的节点。互通立交能够有效地解决道路不同流向的交通冲突问题,但随着互通立交数量的增加,会导致立交间距过小,形成高密度立交群。当驾驶人在小间距互通立交行驶时,尤其是互通立交出入口区域,交通冲突问题严重,易发生频繁换道、急刹车、急加速等危险驾驶行为,从而引发交通事故。驾驶人在行驶过程中的精神负荷主要受外部交通环境和内在认知状态的影响,互通立交间距过小会导致驾驶人操作更为频繁,同时,驾驶人要接受更多的外界信息,从而增加驾驶人的操作难度和认知难度[1]。驾驶人在行驶过程中的精神状态是影响交通安全的重要因素,因此,研究驾驶人在高密度立交出入口的精神负荷对提高立交交通安全具有重要意义。

互通立交是实现交通流转换、减少交叉道路交通流冲突的设施载体。目前中外学者针对立交道路场景进行了车辆运行特性、立交最小间距和行车安全等多方面的研究。徐进等[2]采集了自然行驶条件下的汽车行驶速度和横向加速度数据,分析了小客车在环形匝道内部的运行特征;陈剑[3]基于交通流理论,利用Vissim仿真软件确定了不同立交形式、设计速度和车道数下的城际道路互通式立交最小间距;张弛等[4]以高速公路互通式立交出入口的安全性为主题进行文献分析,从几何设计、安全性评价方法以及运行速度等3个方面对研究成果进行了梳理与综合评述;Gu等[5]从微观层面进行交通分析,提出了一个新的框架来分析和考虑驾驶人的合并行为在高速路互通立交合并区的碰撞风险;孙凌峰等[6]针对在复合式互通立交交通环境下合流区交通组织混乱、匝道车流排队溢出等问题进行分析,提出了高速公路复合式互通入口多匝道与收费站放行流量协同联动控制策略;窦同乐等[7]使用纬地三维道路设计软件对苜蓿叶形立交进行仿真分析,研究了道路附着系数、车辆载重等因素对立交匝道上车辆行驶安全性与舒适性的影响;王思琪等[8]通过事故数据调查发现红花湾枢纽互通在小半径匝道的事故率显著高于其他位置,并对此处事故形成原因进行研究分析,研究结果表明不同类型车辆的行驶车速是造成此处事故频发的原因,并提出小客车在小半径匝道行驶时车上不应超过50 km/h,货车不应超过40 km/h;Wang等[9]对小净距高速公路互通立交的交通事故进行了特征分析,将高速公路分为4个路段,发现小净距互通式立交路段Ⅰ和Ⅱ的单位距离事故数高于其他路段,且道路条件是影响小净距立交事故的重要因素;Xu等[10]基于二次折减理论对B型喇叭互通立交减速车道长度提出建议,当主线设计速度大于120 km/h时,减速车道应大于规范长度。

近年来,利用心率指标如心率增长率[11-12]、心率间隔和心率变异率[13]等来分析驾驶人精神负荷的相关研究越来越多。徐进等[14]研究了螺旋匝道(桥)上的驾驶员心理负荷,发现影响驾驶员心理负荷的主要因素是车辆行驶环境和道路曲率变化;胡静[15]通过实车试验采集试验数据,选用心率增长率和心率变异性指标RMSSD对山地城市互通立交的驾驶员心理负荷进行了研究;李文伟等[16]对高原公路交通环境下驾驶人体力负荷与高原公路纵断面线性的关系展开实车试验,研究表明海拔高度、竖曲线半径和绝对坡差对驾驶员体力负荷均有明显影响;刘卓凡等[17]对自动驾驶L2模式下驾驶人心理负荷特性展开研究,通过对比和观察正常驾驶和自动驾驶两种驾驶模型下驾驶人心理负荷变化过程,发现在自动驾驶L2模型下的驾驶人心理负荷更低;杨迪等[18]研究了山地城市立交出入口前后驾驶人心理负荷变化特点及影响因素;白婧荣等[19]研究了毗邻互通立交特长隧道的运行特性和驾驶行为变化规律,发现驾驶人在隧道内的变道过程中视觉负荷和心理紧张度最大;朱兴林等[20]分析了在晴天、雨天、雪天、雪天+大雾4种不同天气条件下的驾驶人的工作负荷,选取心率变异性和心率增长率作为驾驶人工作负荷表征指标,研究表明道路的天气状况、能见度及海拔高度等因素对驾驶员工作负荷影响最大;Yang等[21]研究了高速公路定向标志对驾驶人心理负荷和行为的影响,结果表明,当地名数量少于7个时,没有必要使用多个标志牌。

目前国内外学者主要研究集中在普通公路、山区道路和高速公路等这几种道路环境下的驾驶人精神负荷,对于高密度互通立交这类道路复杂性高、驾驶操作难度大的道路场景下的驾驶人精神负荷研究较少。鉴于此,选取重庆市内环快速路上的3座高密度互通立交作为研究对象,通过开展自然驾驶试验,采集不同驾驶人在小净距立交出入口行驶过程中的心率数据和车流量数据。基于心率变异率指标和心率突变率指标构建驾驶人精神负荷量化模型,分析驾驶人在驶入和驶出小净距立交出入口时的立交主线车流量对驾驶人精神负荷的影响,可望为改善高密度互通立交道路行驶安全提供了数据支撑和分析方法。

1 实验方案

1.1 实验地点

高密度互通立交在不同环境下有不同的定义,在高速公路环境下,根据《公路工程技术标准》(JTG B01—2003)和《公路立体交叉设计细则》(JTG/T D 21—2014)中立交间距的规定,相邻立交的平均间距不应小于4 km;在城市快速路环境下,根据《城市道路交叉口规划规范》(GB 50647—2011)中相邻互通立交间距不宜小于1.5 km。本文研究对象是重庆市内环快速路上的相邻立交,其中东环立交、五童立交和五桂立交三者之间的间距不足1.5 km,因此3个立交为高密度互通立交。

选取位于重庆市内环快速路(限速100 km/h)的高密度互通立交作为研究对象,如图1所示。试验范围内包含了东环立交、五童立交和五桂立交3 个立交,以及试验测试的8个小净距立交出入口,立交出入口及编号如表1所示。其中东环立交还连接渝都大道和泸渝高速两条主线道路,且都为双向6车道并带有中央分隔带,道路限速值为100 km/h;五童立交连接渝鲁大道,为双向6车道并带有中央分隔带,道路限速值为70 km/h;五桂立交连接海尔路,为双向6车道并带有中央分隔带,道路限速值为60 km/h。

表1 立交出入口相关信息Table 1 Interchange entrance and exit related information

图1 实车试验路线Fig.1 Real vehicle test route

1.2 试验设备与车辆

试验车辆采用7座商务车,在试验过程中需要连续采集驾驶人的心电(electrocardiogram,ECG)信号,选用Physiolab生理检测仪作为心电数据采集设备,采集频率选择500 Hz。为防止驾驶人的驾驶操作引起肌肉活动从而产生对心电数据的干扰,采用胸骨导联的方式采集驾驶人心电数据。在试验车辆安装行车记录仪,实时记录车辆行驶状态以及立交出入口处的车流量数据,试验设备及车辆如图2所示。

图2 试验设备Fig.2 Experimental equipments

1.3 被试(驾驶人)

为避免试验天气和早晚高峰造成的交通拥堵对驾驶人心理的影响,此次试验选取晴天或阴天的09:30—12:30、14:30—18:30两个时间段进行。本次试验从社会上招募了47名驾驶人,其中男性35名,女性12名。驾驶人年龄分布在25～51岁之间,平均年龄37岁;驾龄分布在2～25年,平均驾龄11年;驾驶里程分布在2～50万km之间,平均驾驶里程14万公里。

1.4 数据处理

本文中主要研究立交出入口处的驾驶人精神负荷,因此仅截取立交出入口前后一定距离内的驾驶人心电数据及车流量数据作为有效数据。驾驶人心率数据根据车辆经过立交出、入口分(合)点分别记为tRij、tCij(R为入口,C为出口,i为出入口编号,j为实验次数),心率数据截取示意图如图3所示。

图3 出入口区段心率数据截取图Fig.3 Heart rate data interception map of entrance and exit section

为避免研究结果出现误差,需剔除异常的心电数据,本文中选取三倍标准差法剔除异常值,基本原理为

(1)

式(1)中:σ为标准差;xp=(x1+x2+…+xn)/n,xp为n个数的平均值;若|xi-xp|≥3σ,则认为xi为异常值,并剔除该数据。剔除异常值后应根据留存的数据个数重新计算标准差,重新检查异常值,直到无异常值为止。

1.5 评价指标

心电信号可以有效的表征驾驶人的心理紧张程度,其中主要包括心率变异率指标和心率突变率指标等。其中心率变异率HRV(heart rate variablity)是对人的心跳不规律性进行检测,能有效反应人自主神经的强弱,HRV越高,精神负荷越低,HRV越低,精神负荷越高;心率突变率HRMR (heat rate mutation rate)反映人的心理变化程度,HRMR越大,人的心理变化程度越大,HRMR越小,人的心理变化程度越小。

本文中同时选取心率变异率指标和心率突变率指标来建立驾驶人精神负荷综合评价模型,主要选取指标为相邻RR间期之差的均方根值RMSSD、所有RR间期的标准差SDNN (standard diviation of NN intervals)、归一化低频功率LFnorm、LF和HF的比值(LF/HF)以及HRMR指标。其中RMSSD表示驾驶人心跳RR间期的变化状况,反映驾驶人的机体副交感神经的活动情况;SDNN表示驾驶人心跳RR间期的离散程度,反映驾驶人的迷走神经的活动情况;LFnorm是LF标准化的值,是交感神经活动的标志;LF/HF是量化人的交感神经和迷走神经张力的平衡状态。RMSSD、SDNN和HRMR的计算公式为

(2)

(3)

(4)

HRMR的计算示意图如图4所示。

图4 HRMR计算示意图Fig.4 HRMR calculation diagram

2 驾驶人精神负荷评价模型构建

心电信号能够客观量化驾驶人精神负荷状态,其中主要包括心率变异率指标和心率指标等。对心电信号的常用分析方法包括时域分析法和频域分析法,通过分析原始心电数据,可以得到心率、心率增长率和心率变异率等数据。本文主要研究驾驶人在通过高密度互通立交出入口处的精神负荷状态,车辆通过立交出入口的时间一般为20 s左右,长时程心电指标并不适用,因此本文中选取短时程心电指标作为驾驶人精神负荷评价指标。

2.1 评价指标之间的相关性分析

本文采用心率变异率的时域指标RMSSD、SDNN和频域指标LFnorm、LF/HF以及心率突变率HRMR等5种心电指标来评价驾驶人精神负荷,考虑到各指标之间可能存在一定的相关关系,为避免带来多重共线性等问题,以五童到五桂出口为例,收集各驾驶人在经过该出口的心率变异率以及心率突变率等心电数据,使用origin软件中的correlation plot对其进行相关系数分析,采用皮尔逊相关分析法对各指标进行相关性检验,相关系数矩阵图如图5所示。

图5 相关系数矩阵图Fig.5 Correlation coefficient matrix diagram

观察图5可知,HRMR与SDNN的相关系数是0.83大于0.8表现为强相关关系,RMSSD与SDNN和HRMR的相关系数均大于0.5小于0.8表现为中等相关关系,且三者的相关系数均为正数,都是正相关关系;RMSSD、SDNN、HRMR和LFnorm、LF/HF的相关系数均小于0.3,即认为这两者没有相关关系;Lfnorm和LF/HF的相关系数是0.69,两者为中等相关关系。因此在分析驾驶人精神负荷影响因素时,不能直接利用这些评价指标,后文将对这5种评价指标进行降维处理,再对驾驶人精神负荷进行评价。

表2为KMO (knowledge management office)检验和巴特利特球形检验结果,由表2可知,巴特利特球形检验统计量的近似卡方为155.579,且显著性小于0.05,表明相关系数矩阵不是单位矩阵,各变量之间具有相关性;且KMO取样足够检验统计量为0.792大于0.7,主成分分析适用性一般。

表2 KMO和Bartlett球形检验Table 2 KMO and Bartlett sphericity test

2.2 基于主成分分析法对评价指标降维

主成分分析PCA (principal component analysis)是通过正交变换将一组相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。在实际问题中,会遇到变量数量多,变量之间信息重叠等问题,从而导致工作难度增加,因此采用主成分分析法可以有效的减少多余变量,并尽可能的表示原有信息,从而减少实际工作量。

对驾驶人精神负荷进行分析时,具有相关关系的指标会带来多重共线等问题,因此采用主成分分析法对RMSSD、SDNN、LFnorm、LF/HF、HRMR这5个心电指标进行降维处理。以五童到五桂出口的原始心电指标数据为例,利用SPSS软件对其进行Z-Score标准化处理,对标准化处理的心电指标数据,计算得到标准化矩阵,进一步利用标准化矩阵计算得出相关系数矩阵,相关系数矩阵如表3所示。根据相关系数矩阵可以计算得出每个成分的特征值以及方差的累计贡献率,主成分选择特征值大于1或方差累计贡献率大于85%以上,本文的主成分选取条件为特征值大于1。每个成分的特征值、累计贡献率等结果如表4所示。

表3 相关系数矩阵Table 3 Correlation coefficient matrix

表4 成分分析结果Table 4 Compositional analysis results

由表4可知,成分1、成分2的特征值大于1,为达到主成分选取准则,且这两个成分累计贡献率为86.75%,说明成分1和成分2可以涵盖原始变量所要表达的数据信息。

F1=0.859ZRMSSD+0.957ZSDNN+0.226ZLF/HF+0.214ZLFnorn+0.921ZHRMR

(5)

F2=-0.356ZRMSSD+0.046ZSDNN+0.891ZLF/HF+0.892ZLFnorn-0.141ZHRMR

(6)

根据表3可以得出主成分F1、主成分F2的表达式,具体如式(5)和式(6)所示。

由式(5)可知,心率变异率时域指标RMSSD、SDNN和心率突变率HRMR为关键量化指标,F1的值越大,驾驶人精神负荷越小;在式(6)中,心率变异率频率指标LFnorm与LF/HF为关键量化指标,F2的值越大,驾驶人的精神负荷越大。

3 实验结果分析

3.1 出入口驾驶人精神负荷的分布特征

为探究小净距立交出入口处驾驶人心率变异率时域指标以及频域指标的具体分布状况,对所有小净距立交出入口进行数据分析,利用origin对这两者指标进行频率统计,得到各指标在出入口处的累计频率分布图,如图6所示,并取15、50、85th这3个特征分位值进行对比分析,具体如表5所示。

由表5可知,对比立交出入口处驾驶人的RMSSD指标发现,除50 th分位值外,入口特征分位值均小于等于出口特征分位值,出入口差异很小;对比立交出入口处驾驶人的SDNN指标发现,除50th分位值外,入口特征分位值均大于出口特征分位值;对于出入口处驾驶人Lfnorm指标,入口特征分位值均大于出口特征分位值;对比立交出入口处驾驶人LF/HF指标,入口特征分位值略大于出口特征分位值,出入口差异较小。

3.2 车流量数据选取

为了解出入口区段车流量对驾驶人精神负荷的影响,要采集立交出入口区段处的车流量数据,为保证数据截取点的统一,选择入口合流鼻点作为入口流量统计起始断面,出口减速车道渐变段作为出口流量统计起始断面,选取安全车距100 m作为车辆统计长度,因试验车辆是在城市快速路上快速行驶,无法人为统计试验路段的所有车辆,因此只能通过安装在试验车辆上的行车记录仪来实时观察和统计道路上的行驶车辆数据,路段车流量统计示意图如图7所示。

图7 入口车流量与主成分Fig.7 Entrance traffic flow and principal component

统计驾驶人驶入立交主线和驶出立交主线的车流量数据,将出入口的车流量数据进行整理分类,按照流量大小进行升序排序。立交入口处的主线车流量在0～1或5以上的数据较少,因此将0和1的车流量数据整理为一类,在5以上的车流量数据整理为一类,具体分类为:0～1、2、3、4、5等五类数据;同理,立交出口处的主线车流量在0到2的数据较少,整理为一类,具体分类为:0～2、3、4、5、6、7等六类数据。将每个出入口的车流量数据与主成分F1和F2进行数据对齐,得到驾驶人在立交出入口的精神负荷箱型分布图,图中直线为各箱型图在不同流量下的均值连线,具体如图7所示。

3.3 主线车流量对入口段驾驶人精神负荷影响

观察图7(a)发现,在立交入口主线车流量0～1和5以上两种状态下,主成分F1波动范围较大,且两种状态下主成分F1的均值和中位值显著大于车流量为2～4的值;在车流量2～4之间时,主成分F1波动范围更小,且分布相对集中;这说明流量过大和过小都会导致驾驶人精神负荷造成一定影响。

观察图7(b)发现,主成分F2随车流量的增加主体呈先降低后上升的趋势,当车流量小于2时,频域指标F2随着车辆增加而减少;当车流量大于2时,主成分F2随着车流量增加而增大,两者呈明显的曲线相关。图7(b)也可以说明驾驶人在驶入立交主线入口时,车流量过小或过大都会导致驾驶人心率变异率频域指标增大,从而导致驾驶人精神负荷增加。

通过观察主线入口车流量与驾驶人精神负荷指标的箱型分布图,发现两者存在一定的相关关系,为探究其准确的相关关系,利用origin软件对两者进行回归分析,并建立相关模型。在建立相关模型过程中,需将车流量转变为相应的流量水平,出入口车流量转化结果如表6所示。

表6 出入口车流量等级转换Table 6 Traffic flow at entrances and exits to grade conversion

在建立入口段车流量与驾驶人精神负荷指标模型时,因主成分F1和主成分F2在不同流量等级下图形成散点图样式,拟合结果并不明显,因此采用主成分F1和主成分F2在不同流量等级下的中位值进行数据拟合,本文采用线性、二次曲线、三次曲线等三种模型进行拟合计算。入口段车流量与主成分F1和主成分F2的拟合结果如表6所示,其中主成分F2与入口段车流量拟合结果最好,曲线拟合图如图8所示。

图8 主成分F2与入口车流量拟合曲线Fig.8 The fitting curve of principal component F2 and entrance traffic flow

通过观察表7入口段车流量与主成分F1和主成分F2的拟合结果,其中主成分F2与入口段车流量的三次模型拟合结果最好,其中调整后的R2为0.996,且P<0.05,说明拟合模型显著,两者之间的具体关系式为

F2=-0.023v3+0.456v2-1.862v+0.39

(7)

表7 入口模型拟合结果Table 7 Entrance model fitting results

式(7)中:F2为驾驶人精神负荷评价指标:v为表6所示的流量等级。

3.4 主线车流量对出口段驾驶人精神负荷的影响

观察图9(a)发现,车流量在0～6之间时,主成分F1的值呈先增加后减少的趋势,在车流量为4时出现峰值,当车流量小于4时,主成分F1随着车流量增加而减少,当车流量为4～6时,主成分F1随着车流减少而增加。车流量在7以上时, 主成分F1的均值、中位线明显大于其他流量状态的值,且波动范围更小,分布更集中。当主成分F1的值越大时,驾驶人精神负荷越小,说明当驾驶人驶出主线出口时,主线车流量越多,驾驶人精神负荷越小。

图9 出口车流量与主成分Fig.9 Export traffic flow and principal component

观察图9(b)发现,主成分F2的曲线趋势与主成分F1的曲线趋势呈相反状态,说明两者分析结果一致,当主线出口车流量越大时,驾驶人精神负荷越小,两者相反的曲线趋势证明了驾驶人精神负荷随主线出口车流量变化规律的准确性。

同入口相同的分析方法,对主线出口车流量与主成分F1和主成分F2进行建立模型,出口段车流量与主成分F1和主成分F2的拟合结果如表7所示,其中主成分F1与出口段车流量拟合结果最好,曲线拟合图如图10所示。

图10 主成分F1与出口车流量拟合曲线Fig.10 The fitting curve of principal component F1 and export traffic flow

观察表8,其中主成分F1与出口段车流量等级拟合效果做好,但P>0.05模型不显著,因此选择主成分F1与出入段车流量等级的线性模型,其调整后的R2=0.62 9,P<0.05,模型显著,两者关系式为

F1=0.594v-1.764

(8)

表8 出口模型拟合结果Table 8 Exit model fitting results

式(8)中:F1为驾驶人精神负荷评价指标;v为表6所示的流量等级。

利用主成分分析法分别建立了小净距立交出入口区段的车流量对驾驶人精神负荷影响模型,区别于入口和出口两种驾驶环境,不同驾驶环境下对应的评价模型可以在一定程度对驾驶人精神负荷进行分析和预测,从而更好的了解驾驶人在小净距立交出入口区段行驶时的精神状态。

4 结论

(1)本文提出一种新的驾驶人精神负荷评价指标HRMR,可以有效反应驾驶人在出入口区段内分流点以及合流点时的心理变化程度,并利用HRMR指标和其他现有的心电指标分析了驾驶人在小净距立交出入口区段行驶过程中的精神负荷变化情况。

(2)在出入口区段车流量与驾驶人精神负荷评价指标建立模型时,入口段车流量与主成分F2的拟合效果最好,其中二次模型与三次模型拟合效果显著,且三次模型拟合的R2更接近1;出口段车流量等级与主成分F1的拟合效果最好,其中三次模型拟合的R2更接近1,但其P>0.05,因此不采用三次模型,从而选择线性模型进行拟合。

(3)驾驶人在小净距立交出入口区段行驶时,立交主线车流量的大小会影响驾驶人的精神负荷状态,当驾驶人从匝道驶入立交主线时,驾驶人精神负荷随立交主线车流量的增加而增加;当驾驶人从立交主线驶出匝道时,驶人精神负荷随立交主线车流量的增加而减小。

(4)本文分析了高密度互通立交下小净距出入口的驾驶人精神负荷随主线车流量变化特征,并发现主线车流量的变化对驾驶人驶入和驶出匝道存在显著性影响,由于选取的小净距立交出入口没有考虑匝道的类型如:平行式匝道、直接式匝道,没有进行两者区分和对比,因此,下一步会研究在小净距立交出入口下不同类型的匝道对驾驶人精神负荷的影响情况。