基于网联车辆轨迹的车道变换行为与驾驶波动性特征在城市快速路段安全分析中的应用与建模研究

《Scientific Reports》：Segment level safety analysis using lane-changing behavior and driving volatility features from connected vehicle trajectories

本研究针对城市快速路段事故频发但传统安全分析忽略微观驾驶行为影响的问题，利用高分辨率网联车辆(CV)轨迹数据，开发了定向层面的路段碰撞频率模型。研究团队提出约束高斯混合方法(CGMM)从原始CV轨迹中识别车道变换行为，并提取了风险驾驶行为、驾驶波动性和超速等微观特征。通过建立双变量随机参数分层负二项(BRPHNB)模型和零膨胀分层泊松(ZIHP)模型，分别分析了追尾(RE)、侧擦(SW)和超速事故的影响因素。实证研究表明：自由流轨迹比例高的路段RE和SW事故较少；停走轨迹的加速度波动与RE事故正相关；右侧车道变换结合急加速行为显著增加SW事故风险；激进超速行为高度关联超速事故。该研究为利用新兴CV数据主动识别高风险路段提供了新方法。

　　

在城市快速路上，交通事故频发不仅带来安全隐患，还导致路网通行效率显著下降。尽管已有大量研究致力于城市快速路段事故频率建模和安全评估，但现有安全分析主要关注宏观基础设施和交通特征，忽略了微观风险驾驶行为（如车道变换）这一事故主导因素的关键影响。传统车辆检测器通常缺失或安装位置有限，仅能提供高度聚合的交通信息（如车流量和速度），导致研究多依赖宏观交通指标（如双向年平均日交通量AADT）和基础设施特征，无法捕捉每个方向特有的微观交通动态和驾驶行为特征。

随着车辆网联技术的应用，网联车辆(CV)轨迹数据日益普及，其高分辨率（秒级更新）和广泛的道路/城市级空间覆盖，为提取详细定向层面的丰富交通信息提供了可能。然而，车道级信息的缺失和GPS位置漂移对从CV轨迹中提取车道变换行为和驾驶波动性特征提出了挑战。同时，风险驾驶行为对不同事故类型（如追尾和侧擦）的影响可能因其不同的碰撞机制而存在显著异质性。

为解决这些挑战，Lei Han和Mohamed Abdel-Aty在《Scientific Reports》上发表了题为“Segment level safety analysis using lane-changing behavior and driving volatility features from connected vehicle trajectories”的研究。该研究旨在开发一个结合新兴CV轨迹数据中微观驾驶行为特征的定向层面路段事故频率模型。

研究首先将传统的双向路段分析单元细化为单向路段单元，将路段延伸至包含从交叉口出口引道到下一个交叉口停车线的整个道路，确保覆盖车辆在路段上的完整轨迹，并进一步按方向划分为两个基本路段单元，以更详细地分析特定方向的宏观道路交通特征和微观驾驶行为。

为识别车道变换行为，研究提出了一个从CV轨迹数据中识别车道变换行为的三步框架：基于道路GIS进行空间匹配，将CV轨迹映射到单个路段；应用道路笛卡尔投影将CV的GPS坐标转换为相对于道路中心线的横向和纵向距离；基于大量CV轨迹横向距离的分布，采用受道路特征（车道数和宽度）约束的高斯混合方法(GMM)来识别车道边界并为CV轨迹分配车道ID。针对CV定位漂移，研究采用了严格规则来减少车道变换的误检。

研究从CV轨迹中提取了四类微观驾驶行为特征并聚合到单向路段层面：交通量、风险驾驶行为计数（结合车道变换类型和急加速/急减速事件，共8种行为）、驾驶波动性特征（将轨迹分为自由流(FF)、停走流(SG)和中断慢行流(IS)三类，并计算每类轨迹的速度标准差、累积加速度等指标）以及超速相关特征（识别风险超速轨迹）。

针对追尾(RE)、侧擦(SW)和超速事故，研究分别建立了双变量随机参数分层负二项(BRPHNB)模型和零膨胀分层泊松(ZIHP)模型，以联合估计风险驾驶行为特征对事故频率的异质性影响，并考虑路段和方向层面的分层数据结构。

实证分析在美国佛罗里达州希尔斯伯勒县的8条主干道上进行，共划分为212个单向路段。 crash数据覆盖2021年6月至2024年5月，CV数据由Streetlight公司提供，包含3秒间隔的车辆轨迹，平均市场渗透率为4.17%。研究还收集了路段设计、交通特征等宏观层面特征。

车道变换行为分析

车道变换行为分析显示，左转车道变换点集中在中位转弯车道附近，而右转车道变换点则集中在交叉口附近的右转车道区域，表明车辆通常为在交叉口转弯做准备而进行车道变换。两种车道变换类型还存在时间差异：左转车道变换主要发生在中午（11:00-13:00），而右转车道变换则在早高峰（8:00-9:00）和晚高峰（17:00-18:00）尤为明显。

追尾和侧擦事故联合模型结果

模型性能比较表明，双变量随机参数分层负二项(BRPHNB)模型具有最佳的模型拟合度（最低DIC）和预测性能（最低MAE和RMSE，最高贝叶斯R²），证实了其能有效捕捉RE和SW事故之间的相关性、共享变量影响以及未观察到的异质性。估计的相关系数ρ₁₂=ρ₂₁为0.619，表明RE和SW事故之间存在较高的相关性。

在宏观路段特征中，C4环境分类（城市区域）、3车道数量以及接入点数量与RE和SW事故均显著相关。C3R环境分类（郊区居住区）仅对SW事故显著，而中位转弯数量仅对RE事故显著。在微观驾驶行为特征中，交通量的自然对数和路段自由流轨迹比例对RE和SW事故均显著。停走轨迹的累积加速度仅对RE事故显著，而右侧车道变换结合急加速的次数仅对SW事故显著。

边际效应分析显示：

• •
  自由流轨迹比例：该比例从0增加到60%以上时，估计的RE和SW事故在不同交通情况下急剧减少。
• •
  驾驶波动性：停走轨迹的累积加速度与RE事故频率呈显著正相关，在高峰交通条件下边际效应更高。
• •
  风险驾驶行为：右侧车道变换结合急加速的次数显著增加SW事故频率，且在交通流增加时边际效应也显著增加。

超速事故模型结果

与传统的ZIP模型相比，分层ZIP模型表现出更优的模型拟合度。分层ZIP模型确定了5个显著变量。零状态变量中，55mph的限速与零状态概率正相关，而路段长度对零状态概率有负效应。泊松状态变量中，接入点数量对增加超速事故频率有正效应，交通量的自然对数对超速事故频率有负效应，风险超速轨迹计数是唯一对超速事故有正效应的驾驶行为特征。其边际效应随着其值的增加而增加。

希尔斯伯勒县的典型交通特征及其安全影响

与郊区路段相比，城市路段（C4=1）的RE、SW和超速事故频率更高，路段长度更短，停走流比例和加速度波动性更高，反映了高城市化环境可能加剧停走行为及其相关的加速度波动性。接入点密度高的路段，RE和SW事故数量明显增加，急刹车和风险左/右车道变换的频率也更高，表明较多的接入点会引入更多切入交通，从而提升急刹车和风险车道变换指标，这与估计模型中的正相关关系一致。

研究结论与讨论

该研究成功开发了一个基于新兴CV数据的定向层面路段事故频率模型。提出的约束高斯混合方法(CGMM)能有效从CV数据中捕捉车道级信息以识别车道变换行为。双变量随机参数分层负二项(BRPHNB)模型通过估计RE和SW事故间的相关性并捕捉两个方向的异质交通模式，展现出优于传统分离模型的拟合度。

研究关键发现包括：微观驾驶行为特征对路段事故分析至关重要。自由流车辆比例高的路段RE和SW事故更少；停走轨迹的驾驶波动性与RE事故频率正相关；而涉及急加速的风险右侧车道变换与路段SW事故密切相关；激进超速行为与超速事故高风险相关。

该研究凸显了利用新兴CV数据进行快速路安全分析的优势。即使短期CV数据也能使研究人员主动识别高风险路段，而无需等待事故发生。这些发现可用于开发实时安全预警工具，通过CV技术向驾驶员提示潜在危险，从而提升驾驶员情境感知并预防事故。然而，研究仍存在一些局限性，例如模型尚未在其他地区进行测试，CV渗透率变化对特征提取稳定性的影响也有待评估。未来研究应考虑在不同地理环境中测试模型，并评估不同CV渗透率下模型的鲁棒性。