电动自行车违规行为严重程度分析与预测

doi:10.16265/j.cnki.issn1003-3033.2024.11.0166

中国安全科学学报 ›› 2024, Vol. 34 ›› Issue (11): 172-178.doi: 10.16265/j.cnki.issn1003-3033.2024.11.0166

电动自行车违规行为严重程度分析与预测

马社强¹(), 陆育霄¹, 董春娇²^,^**(), 李鹏辉², 马继辉²

¹ 中国人民公安大学交通管理学院,北京 100038
² 北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室,北京 100044

收稿日期:2024-05-06 修回日期:2024-08-15 出版日期:2024-11-28
通信作者:
** 董春娇(1982—),女,辽宁大石桥人,博士,教授,主要从事事故分析建模、智能交通、出行行为等方面的研究。E-mail:cjdong@bjtu.edu.cn。
作者简介:
马社强 (1973—),男,陕西宝鸡人,博士,副教授,主要从事道路交通事故处理、交通安全风险防控等方面的研究。E-mail:masheqiang@163.com。
李鹏辉, 副教授
马继辉, 教授
基金资助:
国家社科基金重大项目(23&ZD138)

Severity analyses and prediction of e-bikes violated behaviors

MA Sheqiang¹(), LU Yuxiao¹, DONG Chunjiao²^,^**(), LI Penghui², MA Jihui²

¹ School of Traffic Management, People's Public Security University of China, Beijing 100038, China
² Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport, Ministry of Transport, Beijing Jiaotong University, Beijing 100044, China

Received:2024-05-06 Revised:2024-08-15 Published:2024-11-28

摘要/Abstract

摘要：

为减少电动自行车违规行为,提升交叉口安全管理水平,从冲突对象数量和运动状态2个方面选择后侵入时间(PET)、交通冲突时间(TTC)和安全减速度(DST)等指标,采用k均值聚类将违规骑行电动自行车引起的交通冲突严重程度划分为一般、严重和潜在冲突3类。并采用泊松函数拟合冲突频数分布特征,引入随机变量刻画交通冲突之间异质性的混合效应,构建基于广义线性混合模型(GLMM)的违规骑行电动自行车交通冲突预测模型,预测多等级交通冲突频次。结合视频调查得到的996起电动自行车交通冲突数据进行实证分析。结果表明:不同严重程度的电动自行车交通冲突占比与违规行为类型无关;构建的GLMM模型对违规骑行电动自行车交通冲突数据的拟合优于广义线性模型(GLM)方法,且对一般冲突频数的预测效果最好;通过加强管理电动自行车占用机动车道和越线等待行为、增设协管员和调整信号相位能有效降低违规骑行电动自行车冲突发生率。

关键词: 电动自行车, 广义线性混合模型(GLMM), 违规行为, 严重程度, 冲突预测

Abstract:

Traffic conflicts caused by illegal riding of e-bikes are a great challenge and negative impact on the safety management and operation efficiency of signalized intersections. In this paper, three indexes including post-encroachment time (PET), time to collision (TTC) and deceleration-to-safety time (DST) were selected from the two aspects of the number of collision objects and motion state. The k-means clustering was adopted to divide the severity of traffic collisions caused by illegal riding of e-bikes into three categories: general, serious and potential collision. Secondly, the Poisson function was used to fit the distribution characteristics of conflict frequency, random variables were introduced to describe the mixed effects of heterogeneity among traffic conflicts, and a prediction model for traffic conflicts of illegal riding e-bikes based on GLMM was built to predict the frequency of traffic conflicts of multi-grade severity. Combined with the data of 996 e-bike traffic conflicts obtained by video investigation, the empirical study shows that the proportion of e-bike traffic conflicts with different severity has nothing to do with the types of violations. The constructed GLMM model is better than generalized linear model (GLM) in fitting the traffic conflict data of illegal cycling e-bikes, and has the best prediction effect on the common conflict frequency. By strengthening the management of e-bike occupation of motor vehicle lanes and the waiting behavior of crossing the line, adding escort officers and adjusting the signal phase, the incidence rate of e-bike conflict can be reduced.

Key words: e-bikes, generalized linear mixed model (GLMM), violated behaviors, severity level, conflict prediction

中图分类号:

马社强, 陆育霄, 董春娇, 李鹏辉, 马继辉. 电动自行车违规行为严重程度分析与预测[J]. 中国安全科学学报, 2024, 34(11): 172-178.

MA Sheqiang, LU Yuxiao, DONG Chunjiao, LI Penghui, MA Jihui. Severity analyses and prediction of e-bikes violated behaviors[J]. China Safety Science Journal, 2024, 34(11): 172-178.

图/表 7

表1

图1

图2

表2

表3

图3

表4

参考文献 14

[1]	王菁, 董春娇, 李鹏辉, 等. 考虑建成环境的电动自行车事故严重程度致因分析[J]. 交通运输系统工程与信息, 2024, 24(1): 179-187.
	WANG Jing, DONG Chunjiao, LI Penghui, et al. Causal analysis of e-bike traffic accident severity considering the built environment[J]. Journal of Transportation Systems Engineering and Information Technology, 2024, 24(1): 179-187.
[2]	陆育霄. 电动自行车违规行为下信号交叉口运行安全性评价与建模[D]. 北京: 北京交通大学, 2022.
	LU Yuxiao. Evaluation and modeling of operational safety of signalized intersection under e-bike violation behaviors[D]. Beijing: Beijing Jiaotong University, 2022.
[3]	董升, 周继彪, 唐克双, 等. 绿闪灯对电动自行车停驶决策行为的安全影响[J]. 中国安全科学学报, 2015, 25(9): 48-52.
	DONG Sheng, ZHOU Jibiao, TANG Keshuang, et al. Safety effect of flashing green on e-bikes stop-go decision-making behavior[J]. China Safety Science Journal, 2015, 25(9): 48-52.
[4]	马国忠, 明士军, 吴海涛. 电动自行车安全特性分析[J]. 中国安全科学学报, 2006, 16(4): 48-52.
	MA Guozhong, MING Shijun, WU Haitao. On safety character of electric bicycle[J]. China Safety Science Journal, 2006, 16(4): 48-52.
[5]	董春娇, 薛维洋, 谢坤, 等. 电动自行车不安全骑行决策行为建模[J]. 北京交通大学学报, 2021, 45(1): 105-110. doi: 10.11860/j.issn.1673-0291.20200108
	DONG Chunjiao, XUE Weiyang, XIE Kun, et al. Decision-making modeling for unsafe riding behaviors on electric bicycles[J]. Journal of Beijing Jiaotong University, 2021, 45(1): 105-110. doi: 10.11860/j.issn.1673-0291.20200108
[6]	董春娇, 诸葛承祥, 董黛悦, 等. 电动自行车出行特性及骑行决策行为建模[J]. 吉林大学学报: 工学版, 2022, 52(11): 2 618-2 625.
	DONG Chunjiao, ZHUGE Chengxiang, DONG Daiyue, et al. Trip characteristics and decision-making behaviors modeling of electric bicycles riding[J]. Journal of Jinlin University: Engineering and Technology Edition, 2022, 52(11): 2 618-2 625.
[7]	SCHEPERS J P, FISHMAN E, HERTOG P, et al. The safety of electrically assisted bicycles compared to classic bicycles[J]. Accident Analysis and Prevention, 2014, 73: 174-180.
[8]	王卫杰, 沈轩霆, 王贵彬, 等. 电动自行车骑行者事故伤害程度影响因素分析[J]. 中国安全科学学报, 2019, 29(2): 20-25.
	WANG Weijie, SHEN Xuanting, WANG Guibin, et al. Analysis of factors affecting injury to electric bicycle rider in crash[J]. China Safety Science Journal, 2019, 29(2): 20-25.
[9]	李成志, 李洋, 何庆. 电动自行车交通事故中骑车人伤害程度的影响因素分析[J]. 交通工程, 2019, 19(4): 37-43.
	LI Chengzhi, LI Yang, HE Qing. Factors affecting injury severity of electric bike riders in road crashes[J]. Traffic Engineering, 2019, 19(4): 37-43.
[10]	王小凤. 电动自行车交通冲突分析与交通安全评价[D]. 昆明: 昆明理工大学, 2013.
	WANG Xiaofeng. Traffic conflict analysis and traffic safety evaluation of electric bicycle[D]. Kunming: Kunming University of Science and Technology, 2013.
[11]	程波. 基于交通冲突的电动自行车交通安全研究[D]. 成都: 西南交通大学, 2014.
	CHENG Bo. Study on traffic safety of electric bicycles based on traffic conflict technique[D]. Chengdu: Southwest Jiaotong University, 2014.
[12]	张栋. 基于交通冲突的环形电动自行车交通安全研究[D]. 西安: 长安大学, 2020.
	ZHANG Dong. Research on traffic safety of electric bi-cycles at roundabouts based on traffic conflicts[D]. Xi'an: Chang'an University, 2020.
[13]	MARJAN A. Data clustering based on hybrid K-harmonic means and modifier imperialist competitive algorithm[J]. The Journal of Supercomputing, 2014, 68(2): 574-598.
[14]	徐威, 郑长江, 马庚华, 等. 基于k-means聚类的城市轨道交通站点分类研究[J]. 贵州大学学报:自然科学版, 2018, 35(6): l06-111.
	XU Wei, ZHENG Changjiang, MA Genghua, et al. Urban rail transit site classification based on k-means clustering[J]. Journal of Guizhou University: Natural Sciences, 2018, 35(6): l06-111.

指标	最大值/s	最小值/s	平均值/s	标准差
TTC	7.058	0.131	1.261	1.005
PET	11.948	0.000	1.469	1.137
DST	9.732	0.018	1.873	1.813

分类	影响因素	平均值	标准差	最小值	最大值
违规频率	电动自行车闯红灯频率/ (次·5 min^-1)	0.03	0.09	0	1
	电动自行车占用机动车道频率/(次·5 min^-1)	0.11	0.15	0	0.75
	电动自行车逆向骑行频率/(次·5 min^-1)	0.16	0.22	0	0.97
	电动自行车越线等待频率/(次·5 min^-1)	0.18	0.19	0	0.97
信号交叉口特征	两相位=0,三相位=1, 四相位=2	3.00	0.82	2	4
	白线=0,物理隔离=1	0.42	0.49	0	1
	无=0,有=1	0.50	0.50	0	1
	无=0,有=1	0.50	0.50	0	1
	进口道非机动车道宽度/m	3.47	1.18	2	6
	进口道宽度/m	33.63	10.83	8	48.5
	信号交叉口宽度/m	33.63	10.83	8	48.5
交通流特性	进口道非机动车数量 (pcu·进口道^-1·h^-1)	161.02	79.36	5.52	517.2
	进口道机动车数量/ (pcu·进口道^-1·h^-1)	738.80	353.17	12	1752
	非机动车与机动车交通量比	0.30	0.29	0.03	2.68

冲突类型	GLM			GLMM
冲突类型	-2对数似然	AIC	BIC	-2对数似然	AIC	BIC
潜在	193.878	395.755	410.407	382.707	392.920	411.022
一般	566.783	1 149.566	1 178.870	729.173	731.187	734.808
严重	340.572	687.145	698.134	664.567	691.895	738.185
所有	656.128	1 344.257	1 402.864	639.954	641.969	645.589

自变量	系数	标准误差	t值	p值
截距	-1.856	0.370	-5.043	0.000
占用机动车道频数	0.032	0.011	2.842	0.005
越线等待频数	0.050	0.016	3.226	0.001
信号相位(三/四相位)	0.765	0.170	4.496	0.000
协管员(无/有)	0.820	0.177	4.496	0.000
左转专用相位(无/有)	0.750	0.186	4.029	0.000
信号交叉口宽度/m	0.048	0.008	5.764	0.000
负二项式	0.161	-	-	-

[1]	张韡, 高晗昊, 唐鑫琦, 徐坤淼. 基于随机参数logit的山区高速公路事故严重程度研究[J]. 中国安全科学学报, 2024, 34(4): 101-110.
[2]	焦宇, 马玉蕾, 李显, 马洪亮, 康与涛. 我国较大及以上生产安全事故特征及严重程度分析[J]. 中国安全科学学报, 2024, 34(2): 94-102.
[3]	张名芳, 马艳华, 马勇. 无信号交叉口人车冲突严重程度影响因素分析[J]. 中国安全科学学报, 2023, 33(8): 190-197.
[4]	张晖, 刘永杰, 吴超仲, 丁乃侃, 张琦, 肖逸影. 考虑行车安全事件严重程度和个体差异的驾驶行为风险评估[J]. 中国安全科学学报, 2023, 33(7): 24-31.
[5]	余洲, 张兆宁. 基于模糊数的机场滑行冲突预测方法[J]. 中国安全科学学报, 2023, 33(3): 90-95.
[6]	孟祥海, 由冰玉, 邱志雄, 李之啸, 张明扬. 基于事故修正系数的山区高速公路事故预测模型[J]. 中国安全科学学报, 2023, 33(1): 10-17.
[7]	周备, 孙晴, 张生瑞. 考虑时间不稳定性的货车事故严重程度分析[J]. 中国安全科学学报, 2022, 32(11): 160-167.
[8]	陈长坤, 王小勇, 雷鹏. 基于聚类分析和主成分分析的伤员受伤程度评估^*[J]. 中国安全科学学报, 2021, 31(8): 189-196.
[9]	刘林, 吴金南, 常志朋. 安全违规行为的人际传染效应研究^*[J]. 中国安全科学学报, 2021, 31(8): 22-29.
[10]	赵丹, 马社强, 张雨萌, 韩凤春. 农村公路交叉口交通事故特征关联性与风险因素分析[J]. 中国安全科学学报, 2020, 30(7): 146-151.
[11]	高扬, 武文涛, 贾晓珊, 许铭赫. 非合作大型UAVs飞行冲突预测方法研究[J]. 中国安全科学学报, 2020, 30(4): 80-85.
[12]	董傲然, 王长帅, 秦丹, 朱彤, 徐婷. 机动车-行人事故中行人伤害严重程度分析[J]. 中国安全科学学报, 2020, 30(11): 141-147.
[13]	戢晓峰, 李德林, 杨文臣. 山区二级公路交通事故致因的时间演化机制[J]. 中国安全科学学报, 2019, 29(4): 31-36.
[14]	郑展骥, 项乔君, 李涵, 顾欣. 互通立交分流区交通冲突预测模型[J]. 中国安全科学学报, 2018, 28(6): 85-90.
[15]	高志军, 马路, 闫学东. 城市交叉口非机动车交通冲突及其严重程度模型[J]. 中国安全科学学报, 2017, 27(3): 31-36.

电动自行车违规行为严重程度分析与预测

Severity analyses and prediction of e-bikes violated behaviors

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 14

相关文章 15

编辑推荐

Metrics

本文评价