梁 波， 文 森， 肖 堯， 劉 濤

(1. 重慶交通大學(xué)土木工程學(xué)院， 重慶 400074； 2. 重慶交通大學(xué) 省部共建山區(qū)橋梁與隧道工程國家重點(diǎn)實(shí)驗(yàn)室， 重慶 400074； 3. 重慶市軌道交通(集團(tuán))有限公司， 重慶 400042； 4. 瀘州市交通建設(shè)工程服務(wù)中心， 四川 瀘州 646000)

0 引言

公路隧道作為一種半封閉結(jié)構(gòu)，由于其洞內(nèi)外有巨大的亮度差，存在“黑洞效應(yīng)”和“白洞效應(yīng)”等現(xiàn)象。駕駛員在進(jìn)出隧道過程中會(huì)出現(xiàn)暗適應(yīng)和明適應(yīng)，其生理負(fù)荷會(huì)急劇增加。根據(jù)人的工作績效與生理負(fù)荷呈倒U型關(guān)系，較高的生理負(fù)荷使駕駛員的反應(yīng)時(shí)間延長，增大發(fā)生交通事故的概率[1]。因此，對隧道各區(qū)段，尤其是對出入口段的駕駛員生理負(fù)荷進(jìn)行研究，明確負(fù)荷值的變化規(guī)律及其相應(yīng)參數(shù)，對保障交通安全有著重要的意義。

目前，國內(nèi)外關(guān)于駕駛員生理負(fù)荷的評價(jià)方法主要有主觀評價(jià)法和客觀評價(jià)法2種。主觀評價(jià)法大多采用問卷調(diào)查或者評價(jià)量表的方式，如精神負(fù)荷評估量表和任務(wù)負(fù)荷指數(shù)量表等[2-3]，可以直接反映出駕駛員的生理負(fù)荷情況。然而，主觀評價(jià)法受不同駕駛員的個(gè)體差異影響較大，且具有較強(qiáng)的主觀性，因此，較少被采用。客觀評價(jià)法主要分為駕駛績效法和生理反應(yīng)法。駕駛績效法主要通過對駕駛員在道路上行駛時(shí)的換道、加減速和剎車頻率等情況來判斷駕駛員的生理負(fù)荷。生理反應(yīng)法主要通過對駕駛員的生理指標(biāo)進(jìn)行測量，如瞳孔面積、心率、呼吸頻率、心率變異性等[4-5]，并觀察指標(biāo)的變化規(guī)律，來確定駕駛員的生理負(fù)荷。由于大部分隧道內(nèi)禁止變道，對駕駛行為要求較嚴(yán)格，所以本文擬采用生理反應(yīng)法對駕駛員的生理負(fù)荷進(jìn)行研究。

在關(guān)于生理反應(yīng)法的研究中，Wang等[6]選擇瞳孔面積最大瞬態(tài)速度值(MTVV)對隧道出入口不同時(shí)間段的生理負(fù)荷進(jìn)行評價(jià)，結(jié)果表明夜晚隧道出口段的生理負(fù)荷最大，白天隧道出入口段的生理負(fù)荷相差不大； He等[7]通過測試駕駛員的反應(yīng)時(shí)間和錯(cuò)過目標(biāo)率，對不同照明段和照明參數(shù)下駕駛員的生理負(fù)荷進(jìn)行評價(jià)，結(jié)果表明不同的光環(huán)境參數(shù)對駕駛員視覺感知存在顯著影響，且駕駛員在不同照明段的生理負(fù)荷也不同； 焦方通等[8]基于實(shí)車試驗(yàn)研究了駕駛員的瞳孔變動(dòng)特性，構(gòu)建了瞳孔面積最大瞬態(tài)速度值與瞳孔面積的函數(shù)模型，并對出入口段駕駛員的生理負(fù)荷進(jìn)行比較； 朱彤等[9]以心率和心率變異性指標(biāo)分析為基礎(chǔ)，通過數(shù)據(jù)挖掘構(gòu)建了基于因子分析的生理負(fù)荷計(jì)算模型，分析了熟練駕駛員和不熟練駕駛員在隧道中的生理負(fù)荷。

然而，已有的研究大多基于城市隧道或者普通公路隧道，缺乏對駕駛員在特長隧道出入口段明暗適應(yīng)性及生理負(fù)荷的深入研究，而已有研究表明隨著隧道長度的增加，駕駛員在隧道出入口段的明暗適應(yīng)時(shí)間也會(huì)延長[10]； 因此，有必要對駕駛員在特長隧道出入口段的明暗適應(yīng)性及生理負(fù)荷進(jìn)行研究。此外，在以往的研究中，往往只選擇一種或一類評價(jià)指標(biāo)對駕駛員的生理負(fù)荷進(jìn)行評價(jià)，沒有綜合不同的指標(biāo)進(jìn)行建模分析，缺乏一定的客觀性和說服力。因此，本文以大灣隧道為試驗(yàn)隧道，以在隧道出入口采集到的不同生理指標(biāo)數(shù)據(jù)為研究對象，結(jié)合模糊綜合分析法等評價(jià)方法量化并比較特長隧道出入口不同區(qū)段的駕駛員生理負(fù)荷，并根據(jù)生理負(fù)荷對規(guī)范中的相應(yīng)安全參數(shù)進(jìn)行驗(yàn)證。

1 特長隧道環(huán)境實(shí)車試驗(yàn)

1.1 試驗(yàn)隧道

根據(jù)JTG D70—2004《公路隧道設(shè)計(jì)規(guī)范》，特長隧道為長度大于3 km的隧道。選擇設(shè)計(jì)速度為80 km/h的大灣隧道(3 250 m)作為本次的試驗(yàn)隧道。隧道的出入口均為直線，且坡率在2%以下，能夠確保駕駛員的生理負(fù)荷不受線形、坡度等光環(huán)境以外的因素干擾?，F(xiàn)場試驗(yàn)如圖1所示。

圖1 現(xiàn)場試驗(yàn)

1.2 測試指標(biāo)

針對特長隧道黑暗封閉的環(huán)境對人的生理影響，選擇瞳孔面積、心率及呼吸頻率作為測試指標(biāo)，并使用眼動(dòng)儀和生理儀對相應(yīng)指標(biāo)進(jìn)行采集。瞳孔面積、心率、呼吸頻率3個(gè)指標(biāo)均能反映駕駛員的生理負(fù)荷，其負(fù)荷大小隨著指標(biāo)數(shù)值的增加而增大[11-12]。

1.3 試驗(yàn)設(shè)備及試驗(yàn)者

本次試驗(yàn)采用德國SMI眼動(dòng)儀采集駕駛員的瞳孔面積。該眼動(dòng)儀采樣頻率為50/60 Hz，視線追蹤精度小于0.1°，瞳孔追蹤精度為0.5°～1°。采用美國BIOPAC公司生產(chǎn)的MP150生理記錄儀采集駕駛員的心率和呼吸指標(biāo)，采樣頻率為400 kHz，通過配備的AcKnowledge軟件來分析其心電指標(biāo)的變化情況。在測試時(shí)駕駛員需要按照指示在胸前不同位置貼上心電貼片，并用相應(yīng)的導(dǎo)線連接到心電模塊，以采集到準(zhǔn)確的心電指標(biāo)。

選取10位駕駛員進(jìn)行現(xiàn)場實(shí)車試驗(yàn)，其中包括7位男性和3位女性，年齡在20～50歲，且均有1年以上駕齡。為了避免偶然誤差帶來的影響，每位駕駛員至少做3次有效試驗(yàn)。因?yàn)楸敬卧囼?yàn)是采集駕駛員的生理指標(biāo)，所以在試驗(yàn)前每位駕駛員都需保證有充足的休息時(shí)間和平穩(wěn)的心態(tài)。

1.4 試驗(yàn)流程

為了避免早晚高峰出行時(shí)較大的車流量對駕駛員生理指標(biāo)帶來的影響，選擇天氣狀況良好且車流量較小的時(shí)間段進(jìn)行實(shí)車試驗(yàn)。駕駛員全程按照設(shè)計(jì)速度行駛，為了避免駕駛員長時(shí)間行駛產(chǎn)生疲勞感，每位駕駛員每次試驗(yàn)至少間隔20 min。試驗(yàn)的主要流程如圖2所示。

圖2 試驗(yàn)的主要流程

1.5 數(shù)據(jù)預(yù)處理

試驗(yàn)結(jié)束后，選擇隧道出口處和入口處前后20 s的測試值作為本次試驗(yàn)的研究對象，其中隧道出口和入口位置的測試值對應(yīng)的時(shí)間點(diǎn)為0 s，根據(jù)時(shí)間段將隧道出入口分為4個(gè)部分： -10～0 s對應(yīng)的是入口外(出口內(nèi))，0～10 s對應(yīng)的是出口外(入口內(nèi))。從0 s開始，前、后每隔1 s提取該時(shí)間段內(nèi)的平均值作為測試值，如果該時(shí)間段內(nèi)有數(shù)據(jù)和平均值之差超過3倍標(biāo)準(zhǔn)差時(shí)，則需在剔除該數(shù)據(jù)后重新求平均值。

2 試驗(yàn)結(jié)果和分析

瞳孔面積、心率、呼吸頻率3個(gè)指標(biāo)在隧道出入口不同區(qū)段的測試結(jié)果如表1和圖3—5所示。為了對駕駛員在隧道不同區(qū)段的生理指標(biāo)進(jìn)行顯著性分析，首先對其進(jìn)行正態(tài)分布檢驗(yàn)，結(jié)果表明，經(jīng)Shapiro-wilk檢驗(yàn)，各組數(shù)據(jù)均符合正態(tài)分布。因此，采用單因素方差分析對其進(jìn)行差異性檢驗(yàn)。

由表1可知，駕駛員在隧道不同區(qū)段的瞳孔面積存在總體顯著性差異。由圖3可知，駕駛員在隧道出口內(nèi)的瞳孔面積最大，其次是入口內(nèi)，入口外和出口外的瞳孔面積整體相差不大且均較小。說明駕駛員在隧道內(nèi)行駛時(shí)由于光線較弱，瞳孔面積較隧道外增大，進(jìn)而增加了駕駛員的生理負(fù)荷。

圖3 不同區(qū)段的瞳孔面積

由表1可知，駕駛員在隧道不同區(qū)段的心率和呼吸頻率存在總體顯著性差異。由圖4和圖5可知，駕駛員在隧道入口內(nèi)的心率和呼吸頻率整體最大，入口內(nèi)和入口外的心率存在顯著性差異。因?yàn)檫M(jìn)入隧道后，駕駛員由于暗適應(yīng)無法在較短時(shí)間內(nèi)看清前方的交通狀況，導(dǎo)致生理負(fù)荷上升。而隧道出口內(nèi)和出口外的心率和呼吸頻率均小于入口內(nèi)，說明相比于明適應(yīng)，暗適應(yīng)會(huì)給駕駛員帶來更高的生理負(fù)荷。

圖4 不同區(qū)段的心率

圖5 不同區(qū)段的呼吸頻率

由上述結(jié)果可知，不同指標(biāo)在特長隧道不同區(qū)段的值均具有顯著性差異。為了能夠綜合不同的指標(biāo)進(jìn)行評價(jià)，量化駕駛員的整體生理負(fù)荷，引入基于熵權(quán)法的模糊綜合分析法建立駕駛員的整體生理負(fù)荷模型，并比較隧道不同區(qū)段的生理負(fù)荷大小。

3 模糊綜合分析

現(xiàn)有的評價(jià)方法主要有回歸分析、因子分析、灰色關(guān)聯(lián)分析和模糊綜合分析等[13-14]。模糊評價(jià)模型的作用是將某些邊界不清、不易定量的評價(jià)對象定量化，適合對含有不同屬性或受不同指標(biāo)影響的評價(jià)對象進(jìn)行整體評價(jià)[15]。因此，本文采用模糊評價(jià)模型對駕駛員的生理負(fù)荷進(jìn)行分析評價(jià)。

本文選擇瞳孔面積、心率和呼吸頻率作為評價(jià)指標(biāo)，為了能夠使用模糊綜合分析法對駕駛員的生理負(fù)荷進(jìn)行評價(jià)，建立評價(jià)指標(biāo)集合為U={u1,u2,u3}，每個(gè)評價(jià)指標(biāo)又可以劃分為5個(gè)評價(jià)等級(jí)，評價(jià)等級(jí)集合為V={v1,v2,v3,v4,v5}，通過建立隸屬度矩陣來確定每個(gè)區(qū)段的每種指標(biāo)對不同等級(jí)的“貢獻(xiàn)度”，再通過熵權(quán)法確定不同指標(biāo)的權(quán)重，從而使用模糊綜合分析法確定生理負(fù)荷的大小。

3.1 確定評價(jià)等級(jí)的取值范圍

采用模糊評價(jià)之前需要對不同指標(biāo)進(jìn)行等級(jí)劃分，由于現(xiàn)有規(guī)范缺乏相關(guān)劃分參考，因此，采用k-means聚類分析對不同指標(biāo)的樣本數(shù)據(jù)進(jìn)行聚類，從而得到不同等級(jí)的取值范圍[16]。具體過程如下。

1)指定需要?jiǎng)澐值拇氐膫€(gè)數(shù)k值，從樣本矩陣Ti中隨機(jī)選擇k個(gè)樣本數(shù)據(jù)作為初始聚類中心si(i=1, 2,…,k)。

2)令Ti的每行元素為pi，計(jì)算出pi到聚類中心si的距離，計(jì)算公式為

(1)

式中：dis(pi,si)為計(jì)算距離；pin和sin為第n個(gè)指標(biāo)對應(yīng)的第i個(gè)樣本的值。

3)計(jì)算出所有的樣本到各中心點(diǎn)的距離后，將樣本分配到距離最近的中心點(diǎn)對應(yīng)的類別中。

4)重新分配類別后，再計(jì)算出每個(gè)類別對應(yīng)的中心點(diǎn)，計(jì)算公式為

(2)

式中：si為重新聚類后的第i個(gè)聚類中心；N為該聚類中心對應(yīng)的類別的樣本個(gè)數(shù)。

5)重復(fù)步驟3)和步驟4)，直到迭代結(jié)束，可得到各項(xiàng)測量指標(biāo)評價(jià)等級(jí)的取值范圍，如表2所示。

表2 不同指標(biāo)的等級(jí)取值范圍

3.2 確定隸屬度矩陣

隸屬度矩陣的建立是模糊綜合分析中最重要的部分，隸屬度代表不同區(qū)段的不同評價(jià)指標(biāo)樣本數(shù)據(jù)在各等級(jí)中的“占比”，因此，隸屬度函數(shù)的選擇對評價(jià)結(jié)果有決定性影響?；诒疚乃捎玫脑u價(jià)指標(biāo)和評價(jià)方法，采用式(3)的隸屬度函數(shù)[17]來計(jì)算隸屬度矩陣。本文以隧道入口內(nèi)區(qū)段為計(jì)算案例。

(3)

其中：

ρ1=|λi-1/2(aij+bij)|-1/2(bij-aij)；

ρ2=|λi-1/2(api+bpi)|-1/2(bpi-api)。

式中：rij為評價(jià)指標(biāo)Ui對應(yīng)于不同等級(jí)Vj的隸屬度；ρ1、ρ2為隸屬度衡量值；λi為評價(jià)指標(biāo)樣本數(shù)據(jù)的平均值，取值范圍為[api,bpi]，api為該評價(jià)指標(biāo)的最小值，bpi為該評價(jià)指標(biāo)的最大值； 評價(jià)指標(biāo)對應(yīng)的各評價(jià)等級(jí)的取值范圍為[aij,bij]，aij為該評價(jià)等級(jí)的最小值，bij為該評價(jià)等級(jí)的最大值。

本文經(jīng)過隸屬度函數(shù)計(jì)算，得到每項(xiàng)指標(biāo)對應(yīng)于各等級(jí)的隸屬度，隧道入口內(nèi)區(qū)段的隸屬度矩陣如表3所示。

表3 隸屬度矩陣

3.3 確定指標(biāo)權(quán)重

為了能夠客觀地綜合不同指標(biāo)，從而對整體生理負(fù)荷進(jìn)行評價(jià)，需對不同指標(biāo)進(jìn)行權(quán)重計(jì)算?，F(xiàn)有的權(quán)重計(jì)算方法有層次分析法、熵權(quán)法和主成分分析法等。熵權(quán)法通過計(jì)算各指標(biāo)樣本數(shù)據(jù)信息熵的大小來確定權(quán)重，能很好地反映出隧道不同區(qū)段內(nèi)駕駛員的各項(xiàng)生理指標(biāo)所包含的信息量，并將各項(xiàng)指標(biāo)融合到一起進(jìn)行整體評價(jià)，因此，采用熵權(quán)法來計(jì)算指標(biāo)權(quán)重，計(jì)算過程如下[18]。

1)設(shè)有m個(gè)評價(jià)指標(biāo)、n個(gè)評價(jià)對象的初始樣本矩陣為X=(xij)m×n，xij為矩陣中的具體元素(i=1, 2,…,m;j=1, 2, …,n)。首先需要消除各項(xiàng)指標(biāo)量綱的不同，構(gòu)建標(biāo)準(zhǔn)化矩陣Y=(yij)m×n。由于本文中的3個(gè)指標(biāo)均為極大型指標(biāo)，所以采用式(4)對初始數(shù)據(jù)矩陣X=(xij)m×n進(jìn)行標(biāo)準(zhǔn)化。

(4)

式中：yij為xij標(biāo)準(zhǔn)化后的值； max(xj)和min(xj)為第j個(gè)指標(biāo)的最大值和最小值。

2)按照式(5)計(jì)算第i個(gè)評價(jià)對象的特征比重pij。

(5)

在得到pij的基礎(chǔ)上，按照式(6)計(jì)算第j個(gè)評價(jià)指標(biāo)的信息熵值ej。

(6)

3)在信息熵值ej的基礎(chǔ)上計(jì)算信息效用值dj=1-ej，信息效用值越大則表示對應(yīng)的信息量就越大，熵權(quán)值也就越大。通過式(7)將信息效用值歸一化得到熵權(quán)wj。

(7)

由上述公式可計(jì)算得到各項(xiàng)指標(biāo)的權(quán)重值，如表4所示。

表4 指標(biāo)權(quán)重

3.4 確定生理負(fù)荷大小

在得到隸屬度矩陣和指標(biāo)權(quán)重的基礎(chǔ)上，使用matlab對兩者進(jìn)行矩陣計(jì)算，如式(8)所示。

t=WR[19]。

(8)

式中：t為模糊綜合評價(jià)結(jié)果向量；W為歸一化后的隸屬度矩陣；R為指標(biāo)權(quán)重向量。

計(jì)算得到模糊綜合評價(jià)結(jié)果向量t=(t1,t2, …,tn)，t中的元素tj表示駕駛員在隧道某一區(qū)段的生理負(fù)荷依附于等級(jí)Vj的程度。對生理負(fù)荷的不同等級(jí)進(jìn)行賦值，定義分?jǐn)?shù)向量S=(50, 60, 70, 80, 90)T，t和S的乘積即為最后的綜合得分F，表示駕駛員整體生理負(fù)荷的大小。使用上述方法計(jì)算出隧道4個(gè)區(qū)段的整體生理負(fù)荷得分情況，如圖6所示。

圖6 生理負(fù)荷得分結(jié)果

由圖6可知，駕駛員在隧道不同區(qū)段行駛的生理負(fù)荷綜合評分中，入口內(nèi)的生理負(fù)荷最大，其次是出口內(nèi)，然后是出口外和入口外。入口內(nèi)和出口內(nèi)的評分很接近，證明駕駛員在隧道黑暗封閉的環(huán)境中容易產(chǎn)生較高的生理負(fù)荷。

4 基于生理負(fù)荷的特長隧道行車安全性研究

由上文可知，駕駛員在隧道入口內(nèi)的生理負(fù)荷是隧道所有區(qū)段中最大的，對駕駛員行駛的安全性會(huì)產(chǎn)生一定影響。由于隧道洞內(nèi)外巨大的亮度差，駕駛員在進(jìn)入隧道時(shí)會(huì)出現(xiàn)暗適應(yīng)現(xiàn)象而導(dǎo)致無法看清前方交通狀況，需在入口段設(shè)置加強(qiáng)照明來保證駕駛員的安全行駛，因此，入口段長度的設(shè)置決定了駕駛員行駛的安全性，而目前規(guī)范依賴物理指標(biāo)進(jìn)行設(shè)計(jì)，需根據(jù)暗適應(yīng)距離對其安全性進(jìn)行驗(yàn)證。

根據(jù)JTG/T D70/2-01—2014《公路隧道照明設(shè)計(jì)細(xì)則》，隧道入口段的設(shè)計(jì)長度

(9)

式中：D為隧道入口段的設(shè)計(jì)長度；Ds為停車視距；h為隧道內(nèi)凈空高度。

由式(9)可知，該設(shè)計(jì)參數(shù)只是考慮了部分物理指標(biāo)，并沒有考慮駕駛員的暗適應(yīng)距離，而隧道入口段長度決定了加強(qiáng)照明的長度，會(huì)影響隧道入口段的交通安全。本文選取試驗(yàn)隧道入口段駕駛員的生理數(shù)據(jù)來計(jì)算暗適應(yīng)距離，并驗(yàn)證其是否能滿足行車安全。

目前，國內(nèi)研究人員通過暗適應(yīng)時(shí)間來確定暗適應(yīng)距離[20]。為了得到準(zhǔn)確的暗適應(yīng)時(shí)間，選取駕駛員瞳孔面積變化率較上一時(shí)刻平均波動(dòng)小于15%的時(shí)間點(diǎn)作為暗適應(yīng)的完成[8]，再根據(jù)暗適應(yīng)時(shí)間來確定暗適應(yīng)距離。駕駛員的瞳孔面積變化率如圖7所示。

圖7 駕駛員的瞳孔面積變化率

由圖7可得，駕駛員的平均暗適應(yīng)時(shí)間為8.6 s，在隧道入口段的行駛速度為80 km/h，換算單位后與暗適應(yīng)時(shí)間的乘積即為暗適應(yīng)距離，為191 m。而根據(jù)式(9)計(jì)算可知，《公路隧道照明設(shè)計(jì)細(xì)則》中規(guī)定的特長隧道入口段長度為147 m。所以驗(yàn)證結(jié)果表明： 駕駛員的暗適應(yīng)距離大于規(guī)范中規(guī)定的特長隧道入口段長度，即加強(qiáng)照明長度會(huì)導(dǎo)致較高的行車安全風(fēng)險(xiǎn)。

5 結(jié)論與討論

1)駕駛員的瞳孔面積、心率和呼吸頻率在隧道不同區(qū)段均具有顯著性差異。瞳孔面積在出口內(nèi)最大，其次是入口內(nèi)，出口外和入口外相差不大，反映出駕駛員在隧道內(nèi)黑暗環(huán)境行駛時(shí)瞳孔面積會(huì)急劇擴(kuò)大。心率和呼吸頻率均在入口內(nèi)最大，反映出駕駛員剛進(jìn)入隧道時(shí)會(huì)因?yàn)榘颠m應(yīng)而無法看清周邊狀況，從而產(chǎn)生恐慌心理，增加生理負(fù)荷。

2)基于模糊綜合評價(jià)模型對生理負(fù)荷進(jìn)行量化，結(jié)果顯示，特長隧道入口內(nèi)駕駛員的生理負(fù)荷最大，其次是出口內(nèi)，出口外和入口外的生理負(fù)荷均較低。表明暗適應(yīng)會(huì)比明適應(yīng)帶來更大的生理負(fù)荷，而在隧道外明亮的環(huán)境下，駕駛員的生理負(fù)荷較低。

3)對駕駛員生理負(fù)荷影響最大的隧道入口段的行車安全性進(jìn)行研究，結(jié)果顯示，駕駛員在特長隧道入口段的暗適應(yīng)時(shí)間為8.6 s，根據(jù)暗適應(yīng)時(shí)間確定暗適應(yīng)距離為191 m，大于規(guī)范規(guī)定的入口段加強(qiáng)照明長度，會(huì)增加行車安全風(fēng)險(xiǎn)。

4)駕駛員生理負(fù)荷與行車安全有著密切的關(guān)系，故還需增加隧道數(shù)量及評價(jià)指標(biāo)類型，以得到更準(zhǔn)確的生理負(fù)荷值，并通過生理負(fù)荷改善隧道交通安全設(shè)計(jì)。

參考文獻(xiàn)(References)：

[1] DE WAAR D. The measurement of drivers′ mental workload[M]. Netherlands: Groningen University of Groningen, 1996.

[2] RECARTE M A, ELISA P, CONCHILLO A, et al. Mental workload and visual impairment: Differences between pupil, blink, and subjective rating[J]. Spanish Journal of Psychology, 2008, 11(2): 374.

[3] RUBIO S, DIAZ E, MARTIN J, et al. Evaluation of subjective mental workload: a comparison of SWAT, NASA-TLX, and workload profile methods[J]. Applied Psychology, 2004, 53(1): 61.

[4] JIAO Fangtong, DU Zhigang, WANG Shoushuo, et al. Research on drivers′ visual characteristics in different curvatures and turning conditions of the extra-long urban underwater tunnels[J]. Tunnelling and Underground Space Technology, 2020(99): 22.

[5] FENG Zhongxiang, YANG Miaomiao, ZHANG Weihua, et al. Effect of longitudinal slope of urban underpass tunnels on drivers′ heart rate and speed: a study based on a real vehicle experiment[J]. Tunnelling and Underground Space Technology, 2018(81): 525.

[6] WANG Shoushuo, DU Zhigang, JIAO Fangtong, et al. Drivers′ visual load at different time periods in entrance and exit zones of extra-long tunnel[J]. Traffic Injury Prevention, 2020, 21(8): 539.

[7] HE Shiyong, LIANG Bo, PAN Guobing, et al. Effects of transient adaptation on drivers′ visual performance in road tunnel lighting[J]. Tunnelling and Underground Space Technology, 2017(70): 42.

[8] 焦方通， 杜志剛， 王首碩， 等. 城市水下特長隧道出入口視覺及舒適性研究[J]. 中國公路學(xué)報(bào)， 2020， 33(6)： 147.

JIAO Fangtong, DU Zhigang, WANG Shoushuo, et al. Visual characteristic and comfort at the entrance and exit of the extra-long urban underwater tunnel[J]. China Journal of Highway and Transport, 2020, 33(6): 147.

[9] 朱彤， 吳玲， 胡月琦， 等. 基于因子模型的高速公路特長隧道駕駛?cè)诵睦碡?fù)荷特性研究[J]. 中國公路學(xué)報(bào)， 2018， 31(11)： 165.

ZHU Tong, WU Ling, HU Yueqi, et al. Research on characteristics of drivers′ mental workload in extra-long expressway tunnels based on the factor model[J]. China Journal of Highway and Transport, 2018, 31(11): 165.

[10] 杜志剛， 黃發(fā)明， 嚴(yán)新平， 等. 基于瞳孔面積變動(dòng)的公路隧道明暗適應(yīng)時(shí)間[J]. 公路交通科技， 2013， 30(5)： 98.

DU Zhigang, HUANG Faming, YAN Xinping, et al. Light and dark adaption time based on pupil area variation at entrance and exit areas of highway tunnel[J]. Highway and Transportation Science and Technology, 2013, 30(5): 98.

[11] JOHAN E, GUSTAV M, TRENT V, et al. Effects of cognitive load on driving performance: The cognitive control hypothesis[J]. The Journal of Human Factors and Ergonomics Society, 2017, 59(5): 1.

[12] 李聰穎， 邵壯壯， 封少帥， 等. 自行車騎行者生理、心理與綜合負(fù)荷感知模型[J]. 交通運(yùn)輸工程學(xué)報(bào)， 2020， 20(1)： 181.

LI Congying, SHAO Zhuangzhuang, FENG Shaoshuai, et al. Physiology, psychology and comprehensive loading perception model of cyclists[J]. Journal of Traffic and Transportation Engineering, 2020, 20(1): 181.

[13] 胡江碧， 李然， 馬勇. 高速公路隧道入口段照明安全閾值評價(jià)方法[J]. 中國公路學(xué)報(bào)， 2014， 27(3)： 92.

HU Jiangbi, LI Ran, MA Yong. Evaluation method of lighting safety threshold for threshold zone of expressway tunnel[J]. China Journal of Highway and Transport, 2014, 27(3): 92.

[14] 趙妮娜， 趙曉華， 林展州， 等. 基于駕駛行為的高速公路出口標(biāo)志形式研究[J]. 中國公路學(xué)報(bào)， 2020， 33(4)： 137.

ZHAO Nina, ZHAO Xiaohua, LIN Zhanzhou, et al. Exit gore sign forms for freeway based on driving behavior[J]. Chinese Journal of Highway and Transport, 2020, 33(4): 137.

[15] 謝季堅(jiān)， 劉承平. 模糊數(shù)學(xué)方法及其應(yīng)用[M]. 4版. 武漢： 華中科技大學(xué)出版社， 2013.

XIE Jijian, LIU Chengping. Fuzzy mathematical methods and applications[M]. 4th ed. Wuhan: Huazhong University of Science and Technology Press, 2013.

[16] XIAO Qiang, HE Ruichun, YU Jianning. Evaluation of taxi carpooling feasibility in different urban areas through the K-means matter-element analysis method[J]. Technology in Society, 2018(53): 135.

[17] ZHOU Jibiao, CHEN Hong, YAN Bin, et al. Risk assessment of operation safety in freeway tunnels: an evaluation approach using multiple safety indices[J]. Journal of Transportation Safety & Security, 2014, 6(2): 93.

[18] 陳紅， 周繼彪， 王建軍， 等. 公路隧道運(yùn)行環(huán)境安全評價(jià)指標(biāo)與方法[J]. 長安大學(xué)學(xué)報(bào)(自然科學(xué)版)， 2013， 33(4)： 54.

CHEN Hong, ZHOU Jibiao, WANG Jianjun, et al. Safety evaluation index and method of highway tunnel operating environment[J]. Journal of Chang′an University (Natural Science Edition), 2013, 33(4): 54.

[19] 趙曉華， 鞠云杰， 李佳， 等. 基于駕駛行為和視覺特性的長大隧道突起路標(biāo)作用效果評估[J]. 中國公路學(xué)報(bào)， 2020， 33(6)： 29.

ZHAO Xiaohua, JU Yunjie, LI Jia, et al. Evaluation of the effect of RPMs in extra-long tunnels based on driving behavior and visual characteristics[J]. China Journal of Highway and Transport， 2020， 33(6): 29.

[20] 杜峰， 劉輝， 翁季， 等. 基于視覺功效的公路隧道入口段長度研究[J]. 重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版)， 2020， 39(3)： 36.

DU Feng, LIU Hui, WENG Ji, et al. Threshold zone length of road tunnel based on visual performance[J]. Journal of Chongqing Jiaotong University (Natural Science Edition), 2020, 39(3): 36.

引用格式：黃俊， 董盛時(shí)， 季紅玲， 等. 基于能源樁的城市隧道路面融雪防結(jié)冰技術(shù)探究[J]. 隧道建設(shè)(中英文)， 2021, 41(9)： 1468.

HUANG Jun, DONG Shengshi, JI Hongling, et al. Exploration of deicing technology for urban tunnel pavements using geothermal energy piles[J]. Tunnel Construction, 2021, 41(9)： 1468.