張?zhí)m芳， 陳 程， 張佳妍， 方守恩， 郭靜秋

(同濟(jì)大學(xué) 道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室， 上海 201804)

高速公路出口作為出口分流車(chē)輛與直行車(chē)輛的交織區(qū)域，車(chē)輛換道行為多發(fā)，是影響高速公路運(yùn)行效率和安全的關(guān)鍵所在.出口換道是車(chē)輛為順利駛離主線而進(jìn)行的換道行為，駕駛員必須在出口前更換至最外側(cè)車(chē)道，距離出口越近，換道緊迫性程度越高.換道行為增加了交通流運(yùn)行的復(fù)雜性和事故風(fēng)險(xiǎn).研究表明，換道行為是導(dǎo)致多車(chē)道高速公路交通流擾動(dòng)的主要原因[1].根據(jù)國(guó)外資料統(tǒng)計(jì)，高速公路的交通事故有近40%發(fā)生在匝道上，其中發(fā)生在出口匝道上的事故約是進(jìn)口匝道上的2倍[2].為了保障出口匝道處的行車(chē)安全性，提高管理水平，有必要對(duì)高速公路分流區(qū)上游的出口換道行為特性進(jìn)行針對(duì)性研究.

國(guó)內(nèi)外對(duì)城市道路、高速公路一般路段換道特征和影響因素均展開(kāi)過(guò)研究，分別從駕駛員因素[3-5]以及道路與車(chē)輛因素[6-8]角度出發(fā)分析車(chē)道變換行為特性.在已有研究中,換道行為根據(jù)不同的換道意圖被分為強(qiáng)制性換道和自由性換道[9].一般來(lái)說(shuō),出口車(chē)輛執(zhí)行強(qiáng)制性換道(如出匝、交織或避讓障礙)而直行車(chē)輛執(zhí)行以改善通行環(huán)境為目的的自由性換道.到目前為止，針對(duì)多車(chē)道高速公路出口環(huán)境下的換道行為仍缺乏相應(yīng)研究.

現(xiàn)有換道模型大致可分為兩大類(lèi)[10]：①為了捕捉到變道決策過(guò)程的模型(Lane Change Decision (LCD) Model);②確定變道行為對(duì)周?chē)?chē)輛影響的模型(Lane Change Influence (LCI) Model).對(duì)于LCD模型，Gipps[11]最先建立考慮交通信號(hào)、障礙物和重型車(chē)影響并針對(duì)城市道路的換道決策模型，其后Gipps模型得到改進(jìn)并擴(kuò)展至高速公路[12-13]；Ahmed等[14]基于隨機(jī)效用理論建立換道行為模型，且換道過(guò)程被定義為換道決定、目標(biāo)車(chē)道選擇及選擇可接受間隙執(zhí)行換道3個(gè)步驟；Toledo[15]則提出一種能夠同時(shí)考慮強(qiáng)制換道和自由換道的集成概率換道模型；其余分析方法包括元胞自動(dòng)機(jī)[16]、馬爾可夫過(guò)程[17]、基于風(fēng)險(xiǎn)(生存)的換道模型[18]及智能算法，如人工神經(jīng)網(wǎng)絡(luò)[19]、模糊推理等，其中，Balal等[20]基于模糊推理系統(tǒng)針對(duì)高速公路自由換道行為建立了駕駛員二元決策模型,Moridpour[21]采用模糊理論構(gòu)建重型車(chē)輛的換道決策模型以研究車(chē)道限制策略，實(shí)現(xiàn)減少客貨交織的目標(biāo).既有研究大多基于理論計(jì)算或者交通仿真的方法進(jìn)行研究，或利用駕駛模擬器和場(chǎng)地實(shí)驗(yàn)采集換道駕駛行為信息，由于實(shí)驗(yàn)設(shè)備和環(huán)境對(duì)駕駛?cè)诵袨榈母蓴_和心理暗示，往往不能反映駕駛?cè)说膶?shí)際駕駛行為，導(dǎo)致現(xiàn)有的換道模型在適用性和精度方面存在不足.

針對(duì)模擬駕駛或定點(diǎn)拍攝等實(shí)驗(yàn)手段難以反映駕駛員最真實(shí)換道行為[22]，美國(guó)最先開(kāi)展100輛車(chē)的自然駕駛研究[23]，2006年日本亦啟動(dòng)60輛出租車(chē)的自然駕駛實(shí)驗(yàn)[24]，而國(guó)內(nèi)尚無(wú)充足的實(shí)車(chē)數(shù)據(jù)用于支撐換道特征研究.自然駕駛研究是指在自然狀態(tài)下(無(wú)干擾、無(wú)實(shí)驗(yàn)人員出現(xiàn)、日常駕駛狀態(tài)下)利用高精度數(shù)據(jù)采集系統(tǒng)觀測(cè)、記錄駕駛員真實(shí)駕駛過(guò)程的研究[25].由同濟(jì)大學(xué)、通用汽車(chē)中國(guó)公司、美國(guó)弗吉尼亞理工大學(xué)交通研究中心三方合作開(kāi)展的“自然駕駛研究項(xiàng)目”是國(guó)內(nèi)首次開(kāi)展的針對(duì)自然駕駛的研究項(xiàng)目，其目的在于研究中國(guó)駕駛員與車(chē)輛、道路、交通條件以及交通控制設(shè)施的相互作用.實(shí)驗(yàn)由5輛測(cè)試轎車(chē)實(shí)時(shí)監(jiān)測(cè)并記錄了60位中國(guó)駕駛員在自然狀態(tài)下的實(shí)際駕駛行為特征.

本研究依托上海自然駕駛實(shí)驗(yàn)(SH-NDS)項(xiàng)目，采集駕駛員真實(shí)駕駛狀態(tài)下的駕駛行為樣本及車(chē)輛運(yùn)行數(shù)據(jù)，確定換道車(chē)輛樣本的識(shí)別指標(biāo)與標(biāo)準(zhǔn)，提出高速公路出口換道樣本的篩選方法，重點(diǎn)分析高速公路出口換道行為特性.以單向4車(chē)道高速公路為例構(gòu)建換道決策模型，進(jìn)而針對(duì)高速公路出口范圍內(nèi)不同交通流水平下的出口換道行為進(jìn)行效用分析.

1 數(shù)據(jù)采集與提取

1.1 自然駕駛樣本采集與篩選

參與本次自然駕駛實(shí)驗(yàn)的60位駕駛員年齡分布于35～50歲之間，均有5年以上駕齡，參加實(shí)驗(yàn)之前已行駛的總里程大于2萬(wàn)km且日常行駛平均里程不小于40 km.實(shí)驗(yàn)時(shí)間跨度自2012年至2016年，每位駕駛員駕駛指配的實(shí)驗(yàn)車(chē)輛在開(kāi)放路網(wǎng)中行駛，行駛路線按照日常工作生活需求自主選擇，且無(wú)實(shí)驗(yàn)人員陪同，2～3個(gè)月后更換下一批駕駛員，直至完成所有實(shí)驗(yàn)人員的駕駛行為數(shù)據(jù)采集.實(shí)驗(yàn)車(chē)輛在隱蔽處安裝高清攝像頭、全球定位系統(tǒng)(GPS)、三軸加速度儀、多普勒雷達(dá)、車(chē)道偏移系統(tǒng)、事件按鈕等車(chē)載數(shù)據(jù)采集系統(tǒng)，全程記錄駕駛員在自然狀態(tài)下的駕駛行為，總計(jì)包括約75萬(wàn)km行程，超過(guò)8萬(wàn)h視頻數(shù)據(jù).

基于本次研究的對(duì)象與目的，與研究相關(guān)的高速公路出口換道數(shù)據(jù)包括：①高速公路出口范圍內(nèi)(出口前車(chē)輛開(kāi)始進(jìn)行換道至最終進(jìn)入匝道的整個(gè)過(guò)程)車(chē)輛運(yùn)行的軌跡數(shù)據(jù)、運(yùn)動(dòng)特性參數(shù)(速度、加速度等)；②目標(biāo)車(chē)輛周?chē)煌髑闆r(雷達(dá)識(shí)別范圍內(nèi)的其他車(chē)輛)；③車(chē)輛駛出高速公路出口過(guò)程中的視頻數(shù)據(jù)，包括車(chē)輛前方、車(chē)輛后方、駕駛員面部、手部操作的視頻，如圖1所示.

自然駕駛數(shù)據(jù)樣本量大、參數(shù)條目多，已有數(shù)據(jù)集包含1萬(wàn)多個(gè)CSV格式文件，其中單個(gè)文件存儲(chǔ)實(shí)驗(yàn)車(chē)輛單次出行的所有數(shù)據(jù).為從龐雜數(shù)據(jù)中篩選出高速公路出口范圍內(nèi)的換道樣本，數(shù)據(jù)采集與提取過(guò)程如圖2所示：①對(duì)實(shí)驗(yàn)采集的自然駕駛數(shù)據(jù)進(jìn)行清洗，包括篩除出行時(shí)間短于30 min的無(wú)效文件、基于拉依達(dá)法則剔除異常值、采用線性插值法補(bǔ)充缺省值.②篩選經(jīng)過(guò)高速公路出口的樣本，排除城市道路、高速公路普通路段的無(wú)關(guān)數(shù)據(jù).根據(jù)記錄在CSV格式文件中的出行過(guò)程經(jīng)緯度數(shù)據(jù)，在Google Earth中標(biāo)定實(shí)驗(yàn)車(chē)輛行駛路徑并匹配至實(shí)際路段；將匝道口作為高速公路出口節(jié)點(diǎn)，針對(duì)所研究的各個(gè)高速公路出口框定經(jīng)緯度坐標(biāo)范圍作為檢索依據(jù)，即如圖3中A、B、C、D四點(diǎn)所圍成的范圍.其中，A點(diǎn)位置定在距離匝道口50 m處，由于車(chē)輛GPS位置采集頻率為1 Hz，設(shè)定C點(diǎn)距A點(diǎn)8～10 m以確保能在目標(biāo)范圍內(nèi)捕捉到行駛軌跡點(diǎn).行駛路徑通過(guò)目標(biāo)范圍的出行即為出口樣本，以出匝時(shí)刻為基點(diǎn)向前提取數(shù)據(jù)點(diǎn)以得到高速公路出口處駕駛員從內(nèi)側(cè)車(chē)道到駛出匝道的整個(gè)換道過(guò)程.考慮到道路條件的影響，研究所選的出口均限定為形式一致(平行式)、相鄰出口間距大于4 km且位于直線段.③針對(duì)各次出匝過(guò)程完成換道樣本的篩選.

a 攝像儀視野范圍示意圖

b 視頻數(shù)據(jù)框架圖1 自然駕駛實(shí)驗(yàn)數(shù)據(jù)采集系統(tǒng)Fig.1 Video scenes of SHNDS

圖2 數(shù)據(jù)采集與提取過(guò)程Fig.2 Procedure of data collection and extraction

圖3 四車(chē)道高速公路出口范圍示意圖Fig.3 An example of the node range

1.2 出口換道樣本識(shí)別

在完成篩選出口樣本的基礎(chǔ)上，需要提取各次出匝過(guò)程中的所有換道行為樣本數(shù)據(jù).依據(jù)自然駕駛實(shí)驗(yàn)所采集的數(shù)據(jù)，本次研究為識(shí)別駕駛員換道行為，采用車(chē)道偏移參數(shù)作為主要指標(biāo)，同時(shí)結(jié)合視頻進(jìn)行判斷.車(chē)道偏移參數(shù)LO表征實(shí)驗(yàn)車(chē)輛中心線偏移當(dāng)前車(chē)道中心線的距離.對(duì)車(chē)道中心線的識(shí)別由車(chē)載車(chē)道偏移系統(tǒng)傳感器模塊實(shí)現(xiàn).LO數(shù)據(jù)采集頻率為10 Hz，精度為0.000 1 m.選取示例出行樣本如圖4所示.LO參數(shù)測(cè)量時(shí)每一條車(chē)道獨(dú)立成坐標(biāo)系，車(chē)輛中心線與車(chē)道中心線重合位置的坐標(biāo)為0；車(chē)輛偏離當(dāng)前道路中心線,在其右側(cè)時(shí)LO為正值，在其左側(cè)時(shí)LO為負(fù)值；當(dāng)車(chē)輛中心線越過(guò)車(chē)道線時(shí)，傳感器將自動(dòng)識(shí)別另一條車(chē)道的中心線.LO數(shù)值由于車(chē)道參考系發(fā)生變化而產(chǎn)生從正到負(fù)(或從負(fù)到正)的突變，根據(jù)突變點(diǎn)即可識(shí)別出目標(biāo)車(chē)輛的單次換道與連續(xù)換道行為.故采用LO數(shù)據(jù)的突變特性作為判斷換道是否發(fā)生的標(biāo)準(zhǔn).

此外，盡管實(shí)驗(yàn)采集了方向盤(pán)轉(zhuǎn)角參數(shù)，但由于車(chē)輛在高速行駛狀態(tài)下方向盤(pán)轉(zhuǎn)角變化不明顯，相比車(chē)道偏移參數(shù)較不敏感，識(shí)別率較低，故不作為判斷車(chē)輛換道的主要指標(biāo).

圖4 示例出行樣本的車(chē)道偏移時(shí)間關(guān)系Fig.4 An example of LO values in the dataset

對(duì)出口樣本在研究范圍內(nèi)的行駛?cè)踢M(jìn)行篩選，本次實(shí)驗(yàn)共識(shí)別出433組換道樣本，為后續(xù)分析建立了基礎(chǔ).

1.3 換道樣本數(shù)據(jù)初步分析

分析建立在已有的433組換道樣本基礎(chǔ)上.實(shí)驗(yàn)路段為8車(chē)道高速公路(單向4車(chē)道).為便于說(shuō)明，將最內(nèi)側(cè)車(chē)道定義為1車(chē)道，最外側(cè)車(chē)道定義為4車(chē)道，行進(jìn)方向由左至右4條車(chē)道依次為1、2、3、4車(chē)道，如圖5所示.

圖5 車(chē)輛出匝換道情況示意圖Fig.5 Lane-changing process in freeway off-ramp areas

圖6中橫坐標(biāo)表示車(chē)輛換道位置與出口匝道之間的距離，分析線形可知：換道需求次數(shù)越多的樣本，在距出口越遠(yuǎn)的地方開(kāi)始執(zhí)行換道，且盡管不同車(chē)道換道距出口距離的15%分位值存在明顯差距，但85%分位值較為接近且與出口距離均小于500 m.15%～85%分位值區(qū)間范圍指示了在不考慮交通狀態(tài)差異下大多數(shù)駕駛員進(jìn)行出口換道行為的位置分布，如圖7所示.

2 換道決策模型

2.1 影響因素分析

對(duì)于本文所研究的高速公路出口換道行為，其換道行為成因包括：

(1)具有車(chē)道變換的需求.在高速公路出口范圍內(nèi)，駕駛員由于需要離開(kāi)主線駛?cè)氤隹谠训蓝a(chǎn)生了必然的換道需求.

圖6 不同車(chē)道換道位置累積頻率Fig.6 Cumulative frequency graph of lane-changingposition on different lanes

(2)具備車(chē)道變換的時(shí)空條件.車(chē)輛與目標(biāo)車(chē)道前后車(chē)之間應(yīng)具備一定的可穿越間隙，并且在時(shí)間上保證駕駛員的感知、決策和操作控制能順利實(shí)現(xiàn)車(chē)輛換道目的.

圖7 高速公路出口換道位置分布Fig.7 Spatial range of lane-changing in freeway off- ramp areas

結(jié)合上述分析，可知駕駛員在高速公路出口進(jìn)行換道決策而選擇目標(biāo)車(chē)道時(shí)，應(yīng)具有如表1所示的特性變量.

其中，對(duì)于交通流環(huán)境變量G取值定義如下：當(dāng)后方車(chē)輛速度小于前車(chē)速度，或者兩車(chē)速度基本接近時(shí),G→∞.為便于定量分析，依據(jù)Olsen的處理方法[26]，將以上兩種情況下的G值統(tǒng)一界定為30 s；當(dāng)后車(chē)速度大于前車(chē)速度時(shí)，若其G在[0,30]之間則取其真實(shí)值.

表1 特性變量及數(shù)據(jù)基礎(chǔ)Tab.1 Influencing factors and data sources

2.2 換道決策模型構(gòu)建

根據(jù)影響因素分析，以隨機(jī)效用理論為基礎(chǔ)，建立高速公路出口換道決策模型.所研究的高速公路出口范圍內(nèi)車(chē)輛換道行為存在向左換道和向右換道兩種情況，為二分變量，構(gòu)成了目標(biāo)車(chē)道的選擇集.根據(jù)最大效用原理，駕駛員換道決策行為是為了獲得最大期望效用值.其中，效用可衡量駕駛員在特定交通流環(huán)境以及行駛路徑組合下更換至特定車(chē)道所能獲得的滿足程度，具有相對(duì)意義.駕駛員通過(guò)對(duì)不同換道行為進(jìn)行效用評(píng)價(jià),選擇效用最大的車(chē)道作為目標(biāo)車(chē)道，對(duì)應(yīng)概率可由模型得到，以此解釋了駕駛員對(duì)換道目標(biāo)的選擇行為.駕駛員選擇目標(biāo)車(chē)道的效用函數(shù)可表示為

Un,T=Vn,T+εn,T=Ci+∑βTXn,T+εn,T

(1)

式中:下標(biāo)T={L,R}，表示選擇集中包含左側(cè)車(chē)道(L)和右側(cè)車(chē)道(R)兩種情況；Vn,T為可觀測(cè)的確定項(xiàng)；εn,T為效用函數(shù)的隨機(jī)誤差項(xiàng)；Ci為截距；Xn,T為所有影響目標(biāo)車(chē)道效用的解釋變量；βT為各個(gè)解釋變量的對(duì)應(yīng)系數(shù).根據(jù)誤差項(xiàng)的假定，離散選擇模型可分為L(zhǎng)ogit模型和Probit模型.假定隨機(jī)誤差項(xiàng)獨(dú)立同分布且服從Gumbel分布，因而對(duì)于駕駛員n，在時(shí)間t選擇目標(biāo)車(chē)道T的概率可用Binary Logit(BL)模型表示如下：

(2)

由于樣本類(lèi)型的限定，向左換道的樣本量相對(duì)少于向右換道，因而在因變量設(shè)定時(shí)，將向左換道行為定義為Y=1，即探究高速公路出口范圍內(nèi)相對(duì)于向右換道，駕駛員向左換道的機(jī)會(huì)比(odd ratio)及各變量的影響程度.由于目標(biāo)車(chē)輛行駛在1車(chē)道與4車(chē)道時(shí)其換道選擇唯一，均不滿足二項(xiàng)選擇假設(shè)，不符合模型定義，故所選取樣本僅包含位于2車(chē)道與3車(chē)道的319組換道行為.經(jīng)過(guò)篩選后Y=1樣本量滿足自變量數(shù)目10倍以上的要求.

2.3 參數(shù)標(biāo)定

通過(guò)MATLAB軟件對(duì)模型參數(shù)進(jìn)行標(biāo)定.經(jīng)檢驗(yàn)，各變量方差膨脹因子均小于5，各變量不存在多重共線性關(guān)系.各參數(shù)含義及標(biāo)定結(jié)果如表2所示.

表2 模型參數(shù)及檢驗(yàn)值Tab.2 Variable definitions and estimations

注：*號(hào)表示變量具有顯著性；對(duì)于我國(guó)單向4車(chē)道高速公路，貨車(chē)按規(guī)定行駛于外側(cè)3、4車(chē)道，故僅考慮右側(cè)車(chē)道行駛重型車(chē)輛的情況;下標(biāo)n表示目標(biāo)車(chē)輛,m表示當(dāng)前車(chē)道前車(chē),l表示左側(cè)車(chē)道前車(chē),r表示右側(cè)車(chē)道前車(chē).

由表2可知，左側(cè)車(chē)道間隙時(shí)間Gl對(duì)應(yīng)的p值大于0.05，在95%置信區(qū)間上不具有統(tǒng)計(jì)學(xué)意義.篩除變量左側(cè)車(chē)道間隙時(shí)間Gl后對(duì)模型重新擬合，可得到高速公路出口換道車(chē)輛在進(jìn)行目標(biāo)車(chē)道選擇時(shí)左側(cè)車(chē)道的效用函數(shù)，如式(3)所示.經(jīng)測(cè)試，模型對(duì)出口換道行為預(yù)測(cè)的準(zhǔn)確率達(dá)到86.21%.

(3)

(1)需求換道次數(shù)δ和距出口距離S體現(xiàn)了出匝路徑選擇對(duì)車(chē)道效用的影響進(jìn)而決定駕駛員的換道決策.δ系數(shù)為負(fù)值表明對(duì)于出匝車(chē)輛，受在到達(dá)出口前變更至最外側(cè)車(chē)道的最終目標(biāo)限制，當(dāng)前所在車(chē)道需求換道次數(shù)越多，左側(cè)車(chē)道對(duì)于駕駛員的效用越低;相應(yīng)地，選擇向左換道的概率越低，即受需求換道次數(shù)影響,駕駛員處于2車(chē)道時(shí)選擇向左換道的概率將低于3車(chē)道.S系數(shù)為正值表明距離出口匝道區(qū)域越遠(yuǎn)，駕駛員的出匝緊迫度越低，左側(cè)車(chē)道對(duì)于駕駛員的效用越高.

(2)右側(cè)車(chē)道車(chē)型Mr、當(dāng)前車(chē)道間隙時(shí)間Gm和右側(cè)車(chē)道間隙時(shí)間Gr體現(xiàn)了車(chē)輛周?chē)煌鳝h(huán)境對(duì)駕駛員換道決策的影響.通過(guò)效用函數(shù)可知右側(cè)車(chē)道車(chē)型對(duì)換道行為具有顯著影響，當(dāng)右側(cè)車(chē)道前車(chē)為重車(chē)時(shí)，左側(cè)車(chē)道對(duì)駕駛員的效用顯著提高，由于重車(chē)行駛速度慢、制動(dòng)性能差，駕駛員傾向于向左換道以避免跟馳重車(chē)；左側(cè)車(chē)道間隙時(shí)間Gl在模型中不具有統(tǒng)計(jì)學(xué)意義，推測(cè)是由于左側(cè)1、2車(chē)道為快車(chē)道，G值一般較高，對(duì)效用不產(chǎn)生顯著差異；Gm和Gr系數(shù)均為負(fù)值表明當(dāng)前所在車(chē)道與右側(cè)車(chē)道的交通流運(yùn)行條件良好,符合駕駛員期望時(shí)左側(cè)車(chē)道對(duì)出匝車(chē)輛的效用不高,吸引力不強(qiáng)，只有在當(dāng)前車(chē)道與右側(cè)車(chē)道的空間舒適感均無(wú)法滿足要求時(shí)，駕駛員向左換道的概率才會(huì)相應(yīng)提升.

3 模型應(yīng)用

根據(jù)圖5所示的車(chē)輛出匝換道情況示意圖，基于高速公路出口換道決策模型得出的效用函數(shù)，可以分析在不同交通流水平下的車(chē)道效用，以對(duì)高速公路出口范圍內(nèi)出匝車(chē)輛的換道行為作進(jìn)一步研究.

將交通流運(yùn)行狀況分為自由流、穩(wěn)定流和擁擠流3個(gè)水平，并通過(guò)換道決策模型中的G指標(biāo)進(jìn)行表征.通過(guò)對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行k-means聚類(lèi)分析，可定義各個(gè)交通流狀態(tài)下的代表性水平：自由流下Gm=30 s，Gr=30 s；穩(wěn)定流下Gm=20 s，Gr=15 s；擁擠流下Gm=5 s，Gr=5 s.當(dāng)需求換道次數(shù)δ=1時(shí)，根據(jù)決策模型可得到2、4車(chē)道的效用值；當(dāng)需求換道次數(shù)δ=2時(shí)，可得到1、3車(chē)道的效用值，從而可作出高速公路出口范圍內(nèi)不同交通流水平下完整的分車(chē)道效用圖，如圖8所示.

a 自由流

b 穩(wěn)定流

c 擁擠流

圖8換道效用分布圖

Fig.8Utilitygraphinfreewayoff-rampareas

3.1 效用分布同質(zhì)性分析

(1)由效用等高線走向可發(fā)現(xiàn)，U2>U1，U3>U4，即駕駛員獲得最大效益的行駛路線是由2車(chē)道變更至3車(chē)道再于出口匝道前換至最外側(cè)車(chē)道出匝.

(2)效用場(chǎng)左上角與右下角為低效用區(qū)域，邊角4個(gè)特征點(diǎn)的效用值如表3所示，對(duì)應(yīng)圖5所示實(shí)際道路平面，即出口匝道上游外側(cè)車(chē)道和出口匝道附近內(nèi)側(cè)車(chē)道對(duì)出匝車(chē)輛的效用較低，故駕駛員的出口換道行為主要集中于圖中的次對(duì)角線帶狀低灰度區(qū)域，與1.3節(jié)中所得高速公路出口換道位置分布形成印證，反映所構(gòu)建的模型具有合理性.

3.2 效用分布異質(zhì)性分析

對(duì)比分析不同交通流水平下的換道效用場(chǎng)分布圖并結(jié)合表3可知：

(1)隨著交通流狀態(tài)由自由流過(guò)渡到擁擠流，效用最高點(diǎn)由出口處轉(zhuǎn)移至最上游內(nèi)側(cè)車(chē)道，表明隨著交通流密度增大、流速降低，出匝車(chē)輛駕駛員通行環(huán)境改善需求對(duì)換道決策的影響逐漸提升.

(2)在交通流狀態(tài)由自由流過(guò)渡到擁擠流的過(guò)程中，內(nèi)側(cè)1、2車(chē)道的高效用區(qū)域逐漸向下游出口擴(kuò)展，外側(cè)3、4車(chē)道的高效用區(qū)域則逐漸受到擠壓.具體表現(xiàn)為隨交通流密度的增大，出匝車(chē)輛駕駛員開(kāi)始向右換道的位置將逐漸接近分流區(qū)，其在上游的向左換道行為會(huì)更加活躍以尋求車(chē)道變換效益.其原因在于自由流狀態(tài)下內(nèi)外車(chē)道運(yùn)行條件無(wú)明顯差異，駕駛員更愿意提前向右換道以為出匝做好準(zhǔn)備而不影響行車(chē)舒適性；當(dāng)交通流密度增大，上游出匝車(chē)輛受到周?chē)?chē)輛擠壓，將更傾向于保持原有車(chē)道行駛或向左變道以尋求通行環(huán)境改善，其向右換道位置相應(yīng)地趨近于出口.此現(xiàn)象反映出高速公路出口換道行為在自由流環(huán)境下主要表現(xiàn)為強(qiáng)制性換道特征，而在擁擠環(huán)境下則兼有強(qiáng)制性換道和自由性換道的特征，針對(duì)之前出口換道屬于強(qiáng)制性換道的既有認(rèn)識(shí)進(jìn)行了修正.

表3 特征點(diǎn)效用值Tab.3 Utility values of vertexes in utility graph

(3)當(dāng)由自由流過(guò)渡至穩(wěn)定流狀態(tài)時(shí)效用等高線分布顯著趨于集中，而由穩(wěn)定流過(guò)渡至擁擠流則無(wú)明顯變化.推測(cè)其原因在于換道行為的實(shí)施依賴于必要的可穿越間隙，自由流環(huán)境下車(chē)輛間隙較為寬裕，交通流密度的適當(dāng)波動(dòng)始終能滿足可穿越間隙的要求，換道機(jī)會(huì)相對(duì)充分；當(dāng)達(dá)到穩(wěn)定流狀態(tài)后交通流密度繼續(xù)提高，車(chē)輛間隙受到壓縮，可穿越間隙難以滿足導(dǎo)致自由換道普遍無(wú)法實(shí)施，車(chē)輛換道需要依賴于斜插或擠壓實(shí)現(xiàn).此現(xiàn)象反映出交通流的彈性特征，即自由流狀態(tài)下?lián)Q道行為對(duì)于不同的交通環(huán)境可呈現(xiàn)出彈性變化，而在擁擠狀態(tài)下其彈性喪失并導(dǎo)致高風(fēng)險(xiǎn)換道行為多發(fā).

4 結(jié)論

自然駕駛研究為理解駕駛員在自然狀態(tài)下與車(chē)輛、道路以及交通環(huán)境的相互作用提供了可能.本文以高速公路出口換道行為作為研究對(duì)象，基于上海自然駕駛實(shí)驗(yàn)所采集的駕駛員真實(shí)駕駛狀態(tài)下的駕駛行為樣本和車(chē)輛運(yùn)行參數(shù)，根據(jù)車(chē)道偏移參數(shù)和方向盤(pán)轉(zhuǎn)角作為指標(biāo)識(shí)別篩選出高速公路出口換道樣本并建立樣本集.本次研究以單向4車(chē)道高速公路為例構(gòu)建換道決策模型，依托隨機(jī)效用理論，選用Binary Logit(BL)模型對(duì)出口范圍內(nèi)的換道行為進(jìn)行擬合并得出車(chē)道效用函數(shù)，進(jìn)而作出高速公路出口范圍內(nèi)分別在自由流、穩(wěn)定流和擁擠流水平下的分車(chē)道效用場(chǎng)分布圖.分析結(jié)果表明：駕駛員在高速公路出口的換道決策受到行駛路徑和交通流環(huán)境的綜合影響；出匝車(chē)輛的換道行為是出匝意愿與通行環(huán)境改善需求兩方面平衡的結(jié)果，表現(xiàn)為兼有強(qiáng)制性換道與自由性換道的行為特性，有別于過(guò)往出口換道屬于強(qiáng)制性換道行為的固有認(rèn)識(shí)，表明了駕駛員換道決策的復(fù)雜性；擁堵環(huán)境下將強(qiáng)化后者的影響并導(dǎo)致駕駛員的出口換道策略傾向于激進(jìn).研究結(jié)果有助于理解高速公路出口換道行為的相關(guān)機(jī)理，并有助于為改善高速公路出口范圍內(nèi)車(chē)道管理、出口引導(dǎo)設(shè)施的布設(shè)以及匝道管理等提供理論指導(dǎo)，具有較高的應(yīng)用價(jià)值.

參考文獻(xiàn):

[1] BARRIA J A, THAJCHAYAPONG S. Detection and classification of traffic anomalies using microscopic traffic variables[J]. IEEE Transactions on Intelligent Transportation Systems, 2011, 12(3): 695.

[2] 盧川，王朝陽(yáng)，項(xiàng)喬君,等. 高速公路出口匝道交通安全評(píng)價(jià)方法研究[J]. 現(xiàn)代交通技術(shù), 2011, 8(6): 60.

LU Chuan, WANG Chaoyang, XIANG Qiaojun,etal. Research on safety evaluation method for expressway off-ramp[J]. Modern Transportation Technology, 2011, 8(6): 60.

[3] SUN D J, ELEFTERIADOU L. Lane-changing behavior on urban streets: a focus group-based study[J]. Applied Ergonomics, 2011, 42(5): 682.

[4] 武超群. 基于駕駛員眼動(dòng)的車(chē)道變換特性研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2008.

WU Chaoqun. Study on characteristics of lane change based on eye movements analysis[D]. Harbin: Harbin Institute of Technology, 2008.

[5] SUN D J, ELEFTERIADOU L. Lane-changing behavior on urban streets: an “in-vehicle” field experiment-based study[J]. Computer-Aided Civil and Infrastructure Engineering, 2012, 27(7): 525.

[6] 黃秋菊. 車(chē)道變換行為特性及其對(duì)交通安全影響的研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2007.

HUANG Qiuju. Study on lane change behavior character and its influence to traffic safety[D]. Harbin: Harbin Institute of Technology, 2007.

[7] 徐慧智，程國(guó)柱，裴玉龍. 車(chē)道變換行為對(duì)道路通行能力影響的研究[J]. 中國(guó)科技論文在線, 2010, 5(10): 749.

XU Huizhi, CHENG Guozhu, PEI Yulong. Study on effect of lane-changing behavioral characteristic to capacity[J]. Sciencepaper Online, 2010, 5(10): 749.

[8] 漆巍巍，裴玉龍. 城市道路擁堵?tīng)顟B(tài)下駕駛?cè)藫Q道特性研究[J]. 城市交通, 2014, 12(4): 72.

QI Weiwei, PEI Yulong. Characteristics of drivers’ lane change under traffic congestion on urban roadways[J]. Urban Transport of China, 2014, 12(4): 72.

[9] TOLEDO T, CHOUDHURY C F, BEN-AKIVA M E. Lane-changing model with explicit target lane choice[J]. Transportation Research Record: Journal of the Transportation Research Board, 2005, 1934(1): 157.

[10] ZHENG Z D. Recent developments and research needs in modeling lane changing[J]. Transportation Research Part B, 2014, 60: 16.

[11] GIPPS P G. A model for the structure of lane-changing decisions[J]. Transportation Research Part B, 1986, 20(5): 403.

[12] YANG Q I, KOUTSOPOULOS H N. A Microscopic traffic simulator for evaluation of dynamic traffic management systems[J]. Transportation Research Part C, 1996, 4(3): 113.

[13] HIDAS P. Modelling vehicle interactions in microscopic simulation of merging and weaving[J]. Transportation Research Part C, 2005, 13(1): 37.

[14] AHMED K I, BEN-AKIVA M E, KOUTSOPOULOS H N,etal. Models of freeway lane changing and gap acceptance behavior[C]∥Proceedings of the 13th International Symposium on the Theory of Traffic Flow and Transportation. Lyon: Transport Research Laboratory, 1996: 501-515.

[15] TOLEDO T. Integrated driving behavior modeling[D]. Cambridge: Massachusetts Institute of Technology, 2007.

[16] 王艷娜,周子力,王新偉. 基于元胞自動(dòng)機(jī)的模糊控制換道模型[J]. 計(jì)算機(jī)應(yīng)用, 2007, 27(5):1197.

WANG Yanna, ZHOU Zili, WANG Xinwei. Lane-changing model with fuzzy control based on cellular automata[J]. Computer Applications, 2007, 27(5):1197.

[17] WORRALL R D, BULLEN A G, GUR Y. An elementary stochastic model of lane-changing on a multilane highway[J]. Highway Research Record, 1970(308): 1.

[18] HAMDAR S H. Modeling driver behavior as a stochastic hazard-based risk-taking process[D]. Evanston: Northwestern University, 2009.

[19] WEI C. Developing freeway lane-changing support systems using artificial neural networks[J]. Journal of Advanced Transportation, 2010, 35(1): 47.

[20] BALAL E, CHEU R L, SARKODIE-GYAN T. A binary decision model for discretionary lane changing move based on fuzzy inference system[J]. Transportation Research Part C, 2016, 67: 47.

[21] MORIDPOUR S. Analysing the performance of a fuzzy lane changing model using data mining[J]. Data Mining in Dynamic Social Networks and Fuzzy Systems, 2013. DOI: 10.4018/978-1-4666-4213-3.cho13.

[22] ZHAO D, PENG H, NOBUKAWA K,etal. Analysis of mandatory and discretionary lane change behaviors for heavy trucks[C/CD]∥Proceedings of the 12th International

Symposium on Advanced Vehicle Control. Tokyo: Tokyo University of Agriculture and Technology, 2014.

[23] DINGUS T A, KLAUER S G, NEALE V L,etal. The 100-car naturalistic driving study: phase II-results of the 100-car field experiment[R]. Washington D C: National Highway Traffic Safety Administration, 2006.

[24] UCHIDA N, KAWAKOSHI M, TAGAWA T,etal. An investigation of factors contributing to major crash types in Japan based on naturalistic driving data[J]. IATSS Research, 2010, 34(1): 22.

[25] FITCH G M, HANOWSKI R J. Using naturalistic driving research to design, test and evaluate driver assistance systems[M]∥Handbook of Intelligent Vehicles. London: Springer, 2012: 559-580.

[26] OLSEN E C B. Modeling slow lead vehicle lane changing[D]. Blacksburg: Virginia Polytechnic Institute and State University, 2003.