设计通行能力【design traffic capacity】指的是用来作为道路规划和设计标准而要求道路承担的通行能力。传统的分析方法追求大样本 ,或要求样本服从典型分布, 计算量,而交通流水平与视觉特性分析中的数据呈现灰度大 、无典型分布的特点 。
设计通行能力修正方法
1 引 言
驾驶员因素是影响道路交通安全的首要因素, 驾驶员的视觉系统作为获取交通信息的主要通道起着非常重要的作用。驾驶员的视觉特性不仅与道路交通环境有关,而且受到交通流水平的影响,但是这些关于交通流水平与驾驶员视觉特性关系的研究仍停留在主观、定性分析的阶段,缺乏对两者之间关系的定量分析。因此有必要通过分析驾驶员的眼动规律, 研究驾驶员的视觉特性与交通流水平之间的关联度。
灰关联熵分析法是基于行为因子序列的微观或宏观几何接近, 是分析和确定因子间影响程度或因子对主行为贡献程度的有效方法。传统的分析方法往往追求大样本,或要求样本服从典型分布, 计算量大,而交通流水平与视觉特性分析中的数据呈现灰度大、无典型分布的特点,灰关联熵分析法能够克服传统分析方法在这方面的不足, 可用于遴选出对交通流水平影响程度较大的视觉特性参数, 揭示驾驶员视觉特性的微观差异与宏观交通流的关系。路段通行能力是进行道路设计和改造的重要依据,研究合理的路段通行能力修正方法有利于消除瓶颈路段, 提高路网效率。以往对路段通行能力的计算中,都从宏观上假设驾驶员的驾驶特性相似, 交通流特征受同一普遍规律的影响,没有考虑驾驶员在不同交通流水平下的视觉驾驶特性差异, 没有揭示驾驶员视觉特性的微观差异与宏观交通流的关系,导致研究结果与实际情况误差较大。本文中笔者基于驾驶员视觉特性参数在不同交通流水平下的变化特征,采用灰关联熵分析方法遴选出视觉特性参数,定量反映不同交通流水平下视觉特性的差异,从而对路段通行能力进行修正。
2视觉特性参数的采集及数据处理
通过在真实道路环境中进行眼动试验,获得驾驶员视觉特性参数, 对其进行处理得到灰关联熵分析中所需要的时间序列数据。
2 .1 试验设计
采用瑞典的Smar t Eye Pro 3 .5 眼动仪对驾驶员视觉特性参数进行采集;同时取得试验时的路段交通流水平。试验道路选取为南京市北京东路(城市主干道),限速50 km·h。试验中选取40名驾驶员,其中32 名男性,8 名女性;30 岁以下驾驶员16 人,31 ～40 岁驾驶员12 人,41 ～60 岁驾驶员12 人;驾驶员的驾龄小于5 年的10 人,5 ～10 年的22 人,大于10 年的8 人;被试驾驶员的职业包括出租车驾驶员、教师、公务员、工程师、学生、军人。眼动仪系统输出的原始数据包括不同时刻头部的3D 空间位置及方向、视线的3D 空间位置、眼睑闭合状态以及视角的水平和垂直角度。
2 .2 眼动数据处理
通过Visual Basic 数据库处理程序以及Mi-crosoft Excel 等数据分析软件将原始数据转换为研究所需的视觉特性参数, 即注视点分布、视角区域分布、平均注视时间以及平均眼睑张开距离, 分析这些视觉特性参数与交通流水平的熵关联度,从而选出能用于路段通行能力修正中拟合函数(确定视觉特性参数与路段交通量之间关系的函数)所需的参数。
2 .2.1 注视点分布
注视点分布是指注视时视线与车行方向垂直平面交汇点的分布情况。当注视点坐标在分布权值图中的分布较为集中在中央时, 注视点对应的权值M 相应较高;反之,注视点对应的权值也较低。通过注视点的权值差异, 可以定量区分驾驶员的注视点分布情况,将其与交通流水平关联起来。
2 .2.2 视角区域分布
视角区域分布是指驾驶员水平、垂直视角在车行方向垂直平面上的投影分布情况。交通流饱和度较低时,驾驶员有充裕的时间观察四周情况, 反之, 驾驶员则更多地将注意力分配给中心区域和左边,对右边侧的观察明显减少。所以给左边侧赋予的权重为1 .5,中心区域为2 ,右边侧为1 。这样通过视角区域分布的权值差异, 可以定量区分驾驶员在路段上视角区域的分布情况, 将其与交通流水平关联起来 。
2 .2.3 平均注视时间
注视时间就是相邻2 次眼跳之间的时间间隔,即视线3D 空间位置相对稳定的时间间隔。对眼动试验数据进行筛选, 剔除与驾驶无关的注视行为时间,消除不良数据对分析结果的影响,然后用VisualBasic 数据库处理程序处理数据,得到各个注视时间,对所有注视时间求平均值即得平均注视时间。
2 .2.4 平均眼睑张开距离
眼睑张开距离指两眼眼睑之间距离的均值。对特定时间段内的所有眼睑张开距离求平均值即得到该时间段内的平均眼睑张开距离。
3熵关联度分析
对试验路段进行交通量统计, 每5 min为一时段,得到交通量的时间序列,作为灰关联熵模型中的参考列;通过对眼动数据的处理得到以5 min为一时段的视觉特性参数时间序列, 作为灰关联熵模型中的比较列。得到比较列的关联熵H(Rj) H(R 1)=1 .918 ,H(R2)=1 .914 ,H(R3)=1 .904 ,H(R4)=1 .884 计算得到熵关联度Er(X 1)=0 .986 ,Er(X 2)=0 .983 ,Er(X3)=0 .978 ,Er(X 4)=0 .968
根据熵关联度准则, 确定灰关联序由大到小依次为:注视点分布、视角区域分布、平均注视时间、平均眼睑张开距离。注视点分布、视角区域分布、平均注视时间是驾驶员注意力的线索, 能够很好地反映驾驶员与自身所处驾驶环境的互动关系, 以及反映驾驶员的内在生理、心理状态。考虑到平均眼睑张开距离的熵关联度最小, 为避免过多的因素多重共线关系所引起的信息重叠, 根据灰关联序选前3 个参数(注视点分布、视角区域分布及平均注视时间)作为拟合函数所需的3个视觉特性参数。
4路段设计通行能力修正
通过灰关联度分析遴选出注视点分布、视角区域分布及平均注视时间3 个视觉特性参数,确定3 个参数与路段交通量的拟合函数,然后引入驾驶员计算得到比较列的关联熵H(Rj) H(R 1)=1 .918 ,H(R2)=1 .914 ,H(R3)=1 .904 ,H(R4)=1 .884 计算得到熵关联度Er(X 1)=0 .986 ,Er(X 2)=0 .983 ,Er(X3)=0 .978 ,Er(X 4)=0 .968根据熵关联度准则, 确定灰关联序由大到小依次为:注视点分布、视角区域分布、平均注视时间、平均眼睑张开距离。注视点分布、视角区域分布、平均注视时间是驾驶员注意力的线索, 能够很好地反映驾驶员与自身所处驾驶环境的互动关系, 以及反映驾驶员的内在生理、心理状态。考虑到平均眼睑张开距离的熵关联度最小, 为避免过多的因素多重共线关系所引起的信息重叠, 根据灰关联序选前3 个参数(注视点分布、视角区域分布及平均注视时间)作为拟合函数所需的3个视觉特性参数。
4 .1 路段交通量与驾驶员视觉稳定性的关系
驾驶员视觉稳定性是指驾驶员的视觉特性参数随交通量的变化而引起的变化特性。在交通流饱和度较低时,驾驶员视觉特性参数比较平稳;随着交通量增大,趋于最大通行能力时,由于驾驶任务的要求增大,环境复杂, 其视觉行为开始不稳定, 视觉特性参数变化剧烈,特别是注视点的分布范围缩小并且杂乱无章。N为考虑驾驶员视觉特性的路段通行能力, N0为路段最大通行能力;G为视觉稳定性临界值。根据灰关联熵分析可以得到和交通流关联度最高的3 个视觉特性参数,使用最小二乘法,利用MA TLAB 的曲线拟合功能确定视觉特性参数x 1、x2、x3与路段交通量x0之间的拟合函数x0=f (x 1,x2,x3)。
3个视觉特性参数是通过灰关联熵分析得到的高关联度因素, 摒除了由于因素相关度不够而造成的系统误差,因此拟合函数值和实测交通量值应有较好的吻合度。分析实测交通量值与拟合函数值的相对误差, 当实测交通量值与拟合函数值比较接近时, 驾驶员视觉稳定。随着交通量增大, 当实测交通量值与拟合函数值相对误差超过一定限值ε时, 说明驾驶员的视觉稳定性处于由稳定状态变化到不稳定状态的临界点G 点,此时的路段交通量为考虑驾驶员视觉特性的路段通行能力N。
4 .2 城市道路路段设计通行能力的修正
城市道路路段设计通行能力可根据单车道的理论通行能力进行修正而得。对理论通行能力的修正应包括车道数、车道宽度、自行车影响及交叉口影响 4 个方面当考虑驾驶员视觉特性因素时,随着道路情况复杂度的增加,驾驶员要接收更多的交通信息, 从而延长了感觉-反应时间, 进而对通行能力造成一定的折减。设驾驶员视觉特性修正系数为f d,则考虑驾驶员视觉特性的影响后, 路段设计通行能力公式修正为
5 结语
(1)在真实的道路条件下,运用灰关联熵分析法对驾驶员的视觉特性参数进行了灰关联排序, 结果表明交通流水平对视觉特性参数的影响程度较大; 灰关联序由大到小依次为注视点分布、视角区域分布、平均注视时间、平均眼睑张开距离;随着交通流饱和度的增加, 首先受到影响的是注视点分布,即注视点分布向中央集中。
(2)路段设计通行能力受到驾驶员视觉特性参数的影响, 需用驾驶员视觉特性参数对路段设计通行能力公式进行修正。在选取视觉特性参数时, 需要选取排序靠前、熵关联度较大的参数, 以避免多变量多重共线关系所引起的信息重叠,本文方法能够满足这种要求。
(3)提出的对路段设计通行能力的修正方法考虑了驾驶员动态视觉特性的影响, 因此所得结果比现有方法得到的通行能力值更符合实际情况。