陳政，溫惠英

（華南理工大學(xué)，土木與交通學(xué)院，廣州 510641）

0 引言

車(chē)道變換是交通安全領(lǐng)域的重要研究課題，車(chē)輛在車(chē)道變換期間，駕駛?cè)诵枰獙?duì)周?chē)慕煌ㄟ\(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)分析，選擇目標(biāo)車(chē)道和最佳的換道時(shí)機(jī)，以期到達(dá)特定車(chē)道或獲得更好的駕駛條件[1]。由于車(chē)道變換是一個(gè)多階段的決策過(guò)程，駕駛?cè)瞬粌H需要關(guān)注其所處車(chē)道前后方車(chē)輛運(yùn)行狀態(tài)，還需要處理周邊車(chē)輛的運(yùn)行信息，這增加了駕駛?cè)说墓ぷ髁考靶睦韷毫?，?dǎo)致駕駛?cè)藳Q策失誤率增加，存在較高的行車(chē)風(fēng)險(xiǎn)[2]。而隨著換道階段駕駛?cè)怂幗煌ōh(huán)境復(fù)雜度的上升，駕駛?cè)藫Q道決策的失誤率也越高[3]。

由于隧道特殊的管狀結(jié)構(gòu)，其內(nèi)部與外部的行車(chē)環(huán)境存在較大差異。隧道內(nèi)昏暗的行車(chē)環(huán)境以及駕駛?cè)笋{車(chē)通過(guò)隧道洞口時(shí)經(jīng)歷的照度明暗變化都會(huì)對(duì)行車(chē)安全產(chǎn)生不利影響[4]。因此，駕駛?cè)嗽谲?chē)輛進(jìn)入隧道前會(huì)在交通條件允許的情況下，提前換入行車(chē)視野較好的車(chē)道，以此來(lái)降低隧道環(huán)境對(duì)行車(chē)安全產(chǎn)生的影響。從隧道路段交通事故的空間分布特征來(lái)看，臨近隧道路段的事故率最高，并且事故類型以追尾和側(cè)面碰撞為主，大多是由駕駛?cè)说膿Q道決策失誤導(dǎo)致的[5]。因此，研究隧道臨近段車(chē)輛換道特性對(duì)提升道路交通安全水平具有較強(qiáng)的現(xiàn)實(shí)意義。

換道持續(xù)時(shí)間作為研究車(chē)輛換道特性的關(guān)鍵指標(biāo)，研究方向主要集中于換道持續(xù)時(shí)間特征和影響因素的作用機(jī)理方面[6]。Toledo 等[7]將換道過(guò)程定義為換道車(chē)輛橫向位移單向連續(xù)變化的過(guò)程，并通過(guò)對(duì)Next Generation Simulation（NGSIM）數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)車(chē)輛在3～13 s完成換道。車(chē)輛換道行為決策受換道方式、車(chē)速、駕駛?cè)诵睦?生理特性以及周邊交通場(chǎng)景等多重因素影響[8]。Yang等[9]通過(guò)分析自然駕駛數(shù)據(jù)采集到的實(shí)際車(chē)輛換道數(shù)據(jù)，研究了不同等級(jí)道路和不同交通狀態(tài)下的換道臨界間隙與換道持續(xù)時(shí)間特性。李林波等[10]采用半?yún)?shù)的生存分析建模方法，研究不同種類影響因素對(duì)換道持續(xù)時(shí)間的影響。對(duì)于特定、復(fù)雜場(chǎng)景下的換道持續(xù)時(shí)間研究大都是通過(guò)模擬駕駛試驗(yàn)進(jìn)行的，柳本民等[11]通過(guò)駕駛模擬器采集了高速公路冰雪低摩阻路面車(chē)輛的換道行為數(shù)據(jù)，通過(guò)生存分析方法對(duì)換道持續(xù)時(shí)間分布特征進(jìn)行研究，定量分析了潛在因素對(duì)換道持續(xù)時(shí)間的影響。

以往研究方法假設(shè)不同駕駛?cè)藢?duì)影響因素的反應(yīng)是相同的，忽略了不同駕駛?cè)藢?duì)換道風(fēng)險(xiǎn)感知水平的差異。同時(shí)，在車(chē)輛換道時(shí)間特征研究中廣泛應(yīng)用的生存分析半?yún)?shù)估計(jì)方法，其在建模時(shí)難以考慮駕駛?cè)说漠愘|(zhì)性。此外，受數(shù)據(jù)采集技術(shù)的限制，對(duì)隧道臨近路段這類特殊、復(fù)雜的交通場(chǎng)景，目前大多是通過(guò)模擬駕駛實(shí)驗(yàn)采集車(chē)輛換道數(shù)據(jù)，但模擬駕駛實(shí)驗(yàn)難以真實(shí)還原行車(chē)場(chǎng)景，給駕駛?cè)艘詫?shí)際的行車(chē)體驗(yàn)，因此，在分析結(jié)果上還是存在一定的偏差。

因此，本文在既有研究基礎(chǔ)上，通過(guò)自然駕駛試驗(yàn)采集高速公路隧道臨近路段車(chē)輛換道數(shù)據(jù)，引入生存分析理論研究不同行車(chē)環(huán)境下隧道臨近路段的車(chē)輛換道時(shí)間特征，并考慮不同駕駛?cè)藫Q道風(fēng)險(xiǎn)感知水平的異質(zhì)性，構(gòu)建隨機(jī)參數(shù)加速失效時(shí)間模型，分析隧道臨近段行車(chē)環(huán)境、車(chē)輛運(yùn)行狀態(tài)等因素對(duì)車(chē)輛換道持續(xù)時(shí)間的影響。本文方法可為改善高速公路隧道路段行車(chē)安全水平提供理論依據(jù)。

1 數(shù)據(jù)采集

本文定義隧道臨近段為車(chē)輛從高速公路普通路段到隧道進(jìn)口的過(guò)渡路段。依據(jù)隧道對(duì)車(chē)流和駕駛行為的影響范圍，將隧道臨近段劃定為隧道進(jìn)口至隧道進(jìn)口前1.5 km 的區(qū)間[12]，圖1 為高速公路隧道臨近段示意圖。為研究高速公路隧道臨近段車(chē)輛換道持續(xù)時(shí)間特性，本文通過(guò)在多條高速公路隧道臨近路段開(kāi)展自然駕駛試驗(yàn)，采集試驗(yàn)車(chē)輛及周邊車(chē)輛的換道數(shù)據(jù)。

圖1 高速公路隧道臨近段示意圖Fig.1 Schematic of adjacent section of freeway tunnel

1.1 試驗(yàn)地點(diǎn)

選擇廣東省韶關(guān)市京港澳高速公路上的烏坑壩隧道（1337 m）、石門(mén)坳隧道（1120 m）和媲雙坳隧道（750 m）為試驗(yàn)隧道，3 條隧道皆為雙向4 車(chē)道的分離式隧道，隧道內(nèi)有照明，隧道外路段限速100 km·h-1，隧道內(nèi)限速80 km·h-1。

1.2 試驗(yàn)駕駛?cè)?/h3>

試驗(yàn)共選取73名駕駛?cè)?，其中?8名男性駕駛?cè)耍?5名女性駕駛?cè)?，平均駕齡均在3年以上，矯正視力均在0.8以上，無(wú)重大交通事故記錄，對(duì)道路熟悉程度一般，使用同一車(chē)輛在3條試驗(yàn)隧道路段各進(jìn)行4 次自然駕駛試驗(yàn)，共計(jì)開(kāi)展876 次自然駕駛試驗(yàn)。

1.3 試驗(yàn)時(shí)間

自然駕駛試驗(yàn)于2020年3～9月進(jìn)行，試驗(yàn)時(shí)間選在晴朗的白天。

1.4 試驗(yàn)車(chē)輛及試驗(yàn)儀器

試驗(yàn)車(chē)型選用小型轎車(chē)，實(shí)驗(yàn)儀器包括：毫米波雷達(dá)、GPS、三軸加速度計(jì)、行車(chē)記錄儀，如圖2所示。

圖2 自然駕駛試驗(yàn)儀器設(shè)備Fig.2 Naturalistic driving test apparatus

1.5 試驗(yàn)過(guò)程及數(shù)據(jù)描述

1.5.1 試驗(yàn)過(guò)程

本文數(shù)據(jù)采用實(shí)車(chē)行駛的實(shí)時(shí)數(shù)據(jù)采集方式，為保證采集隧道臨近段車(chē)輛換道數(shù)據(jù)的真實(shí)性，試驗(yàn)過(guò)程中未要求試驗(yàn)車(chē)輛駕駛?cè)诉M(jìn)行主動(dòng)換道操作，而是讓其自主選擇駕駛策略。在試驗(yàn)車(chē)中的成員使用儀器設(shè)備記錄試驗(yàn)車(chē)輛的車(chē)速、橫縱方向加速度、時(shí)間、位置、車(chē)道，以及周邊車(chē)輛的相對(duì)位置、速度等數(shù)據(jù)，共得到876組實(shí)車(chē)試驗(yàn)數(shù)據(jù)。

車(chē)輛換道過(guò)程如圖3所示，車(chē)輛從T0時(shí)刻開(kāi)始換道，并于T2時(shí)刻駛?cè)肽繕?biāo)車(chē)道，完成換道過(guò)程。為獲取準(zhǔn)確的車(chē)輛換道信息，依據(jù)所采集的車(chē)輛位置與橫向速度的變化情況，分別對(duì)換道行為和換道起止時(shí)刻進(jìn)行識(shí)別，從而實(shí)現(xiàn)車(chē)輛換道軌跡數(shù)據(jù)的提取。

圖3 車(chē)輛換道過(guò)程Fig.3 Lane change process

與城市道路相比，高速公路的車(chē)流密度相對(duì)較低，同時(shí)自然駕駛試驗(yàn)的車(chē)輛換道數(shù)據(jù)采集方法存在較強(qiáng)的隨機(jī)性。對(duì)車(chē)輛換道數(shù)據(jù)識(shí)別和提取后，最終得到有效換道數(shù)據(jù)234條，換道數(shù)據(jù)統(tǒng)計(jì)情況如表1 所示。高速公路隧道臨近段車(chē)輛換道時(shí)間平均值為5.55 s，中位數(shù)5.26 s，標(biāo)準(zhǔn)差為1.66 s，小于4 s 的比例為14.53%，約19.66%的數(shù)據(jù)大于7 s，約68.38%的數(shù)據(jù)分布在4～7 s范圍內(nèi)。

表1 換道數(shù)據(jù)統(tǒng)計(jì)Table 1 Statistics of lane changing behaviors

1.5.2 數(shù)據(jù)描述

高速公路隧道臨近段車(chē)輛換道持續(xù)時(shí)間的影響因素主要考慮換道方向特性、與隧道的相對(duì)位置、換道車(chē)輛與周邊車(chē)輛的相對(duì)運(yùn)動(dòng)狀態(tài)、換道車(chē)輛自身的運(yùn)行狀態(tài)及目標(biāo)車(chē)道行車(chē)環(huán)境的影響。其中，目標(biāo)車(chē)道行車(chē)環(huán)境主要與車(chē)輛間的相對(duì)位置有關(guān)，即換道車(chē)輛開(kāi)始換道時(shí)與目標(biāo)車(chē)道的前車(chē)間隙和后車(chē)間隙，由于后隨車(chē)間隙不受自身控制，故相對(duì)前車(chē)間隙是個(gè)更為重要的因素[13]。

本文從換道方向、至隧道進(jìn)口的距離、換道起始跟馳距離、換道車(chē)輛速度、與起始車(chē)道前車(chē)的車(chē)速差、至目標(biāo)車(chē)道前車(chē)距離等6個(gè)方面選取15項(xiàng)影響因素進(jìn)行分析，詳細(xì)信息如表2所示。

表2 影響因素的描述性統(tǒng)計(jì)Table 2 Descriptive statistics of influencing factors

在換道起始跟馳距離方面，依據(jù)車(chē)輛在開(kāi)始換道時(shí)前方100 m 距離內(nèi)是否有車(chē)輛對(duì)車(chē)輛的跟馳狀態(tài)進(jìn)行判定[11]，將換道起始跟馳距離劃分為（0,50]m、（50,100]m和大于100 m這3種類型。

2 車(chē)輛換道持續(xù)時(shí)間生存分析模型

2.1 生存分析理論

生存分析是指根據(jù)試驗(yàn)或調(diào)查得到的數(shù)據(jù)對(duì)觀察對(duì)象的生存時(shí)間進(jìn)行分析和推斷，研究生存時(shí)間和結(jié)局與眾多影響因素間關(guān)系及其程度大小的方法[14]。在車(chē)輛換道持續(xù)時(shí)間分析中，T指從車(chē)輛開(kāi)始換道至車(chē)輛駛?cè)肽繕?biāo)車(chē)道，完成換道為止所持續(xù)的時(shí)間，生存函數(shù)S（t）為車(chē)輛換道持續(xù)時(shí)間T大于t的概率，即

風(fēng)險(xiǎn)函數(shù)h（t）表示車(chē)輛從開(kāi)始換道動(dòng)作，在換道持續(xù)時(shí)間T達(dá)到t時(shí)，在接下來(lái)單位時(shí)間Δt內(nèi)完成換道的概率，即車(chē)輛在換道持續(xù)時(shí)間t至t+Δt之間完成換道的條件概率，表示為

2.2 全參數(shù)估計(jì)方法-加速失效時(shí)間模型

為研究各變量對(duì)車(chē)輛換道持續(xù)時(shí)間的影響，本文使用加速失效時(shí)間（AFT）模型（全參數(shù)估計(jì)方法）進(jìn)行定量分析。AFT 模型將生存函數(shù)S（t）的值對(duì)應(yīng)時(shí)間分位數(shù)的比值定義為加速因子，并通過(guò)加速因子評(píng)估協(xié)變量對(duì)生存時(shí)間的影響[14]。AFT 模型中，車(chē)輛換道持續(xù)時(shí)間的自然對(duì)數(shù)ln（T）表示為協(xié)變量的線性函數(shù)，即

式中：X′為協(xié)變量構(gòu)成的向量的轉(zhuǎn)置；β為回歸系數(shù)的向量；ε為擾動(dòng)項(xiàng)。

AFT模型的生存函數(shù)和風(fēng)險(xiǎn)函數(shù)分別為

式中：X為協(xié)變量構(gòu)成的向量；h0、S0分別為基準(zhǔn)風(fēng)險(xiǎn)函數(shù)、基準(zhǔn)生存函數(shù)。從式（4）和式（5）可以看出，exp（X′β）分別在大于0和小于0時(shí)加速、減速車(chē)輛換道持續(xù)時(shí)間。

3 車(chē)輛換道持續(xù)時(shí)間單因素分析

為定量分析在某一特定影響因素下車(chē)輛換道持續(xù)時(shí)間的分布特征，采用Kaplan-Meier方法對(duì)車(chē)輛換道持續(xù)時(shí)間的生存函數(shù)進(jìn)行估計(jì)，并通過(guò)Logrank 和Wilcoxon 檢驗(yàn)方法探究不同生存曲線之間的差異性。各分類變量的生存函數(shù)曲線如圖4所示。

（1）不同位置的換道持續(xù)時(shí)間分布特征

車(chē)輛在高速公路隧道臨近段不同位置的換道持續(xù)時(shí)間生存函數(shù)曲線如圖4（a）所示。從圖4（a）中可以看出，在0～3 s 內(nèi)3 組生存曲線的變化都較為平緩，說(shuō)明在隧道臨近路段較少車(chē)輛于3 s 內(nèi)完成換道。從3 s開(kāi)始，3組生存曲線開(kāi)始出現(xiàn)明顯的差異，至隧道進(jìn)口距離越近，車(chē)輛換道持續(xù)時(shí)間越短。

圖4 各分類變量的車(chē)輛換道持續(xù)時(shí)間生存曲線Fig.4 Survival curve of lane changing duration for each category variable

通過(guò)LogRank 檢驗(yàn)和Wilcoxon 檢驗(yàn)進(jìn)行組間比較，發(fā)現(xiàn)兩種檢驗(yàn)方法的結(jié)果存在差異，LogRank檢驗(yàn)接受原假設(shè)（p=0.21），而Wilcoxon檢驗(yàn)拒絕原假設(shè)（p=0.01）。這主要是由于兩種檢測(cè)方法權(quán)重系數(shù)不同而導(dǎo)致出現(xiàn)傾向性的差異，Wilcoxon 檢驗(yàn)對(duì)生存時(shí)間較短的個(gè)體賦予較大權(quán)重，所以更容易檢驗(yàn)出早期的差異；而LogRank 檢驗(yàn)則更容易發(fā)現(xiàn)后期有差異的個(gè)體。從該檢驗(yàn)結(jié)果可以得出：不同路段區(qū)間車(chē)輛換道持續(xù)時(shí)間在前期存在較大差異，而后期差異較小。

（2）不同換道方向的換道持續(xù)時(shí)間分布特征

圖4（b）展示了車(chē)輛在不同換道方向下車(chē)輛換道持續(xù)時(shí)間的生存曲線變化情況，其中左側(cè)車(chē)道為道路內(nèi)側(cè)車(chē)道，右側(cè)車(chē)道為道路外側(cè)車(chē)道。根據(jù)Log Rank 檢驗(yàn)與Wilcoxon 檢驗(yàn)，p＜0.05，表明兩者的換道持續(xù)時(shí)間存在顯著性差異。從圖4（b）中可以看出，當(dāng)時(shí)間達(dá)到4 s時(shí)，不同換道方向的生存曲線差異愈發(fā)明顯，向右換道的生存曲線更為陡峭，說(shuō)明向右換道的車(chē)輛傾向于在更短的時(shí)間內(nèi)完成換道。

（3）不同換道起始跟馳距離的換道持續(xù)時(shí)間分布特征

圖4（c）展示了換道車(chē)輛與起始車(chē)道前車(chē)處于不同距離情況下的換道持續(xù)時(shí)間生存曲線變化情況，從約2.7 s 開(kāi)始，換道車(chē)輛在起始車(chē)道處于跟馳狀態(tài)（與前車(chē)距離小于100 m）與非跟馳狀態(tài)（與前車(chē)距離大于100 m）的生存曲線開(kāi)始出現(xiàn)明顯差異，車(chē)輛處于跟馳狀態(tài)下的生存曲線下降更快，說(shuō)明大部分駕駛?cè)颂幱诟Y狀態(tài)時(shí)趨于更快完成換道操作。而到約5.7 s 時(shí)，換道車(chē)輛在起始車(chē)道跟馳距離處于50～100 m 的生存曲線下降速度減慢。LogRank 檢驗(yàn)p=0.04，Wilcoxon 檢驗(yàn)p=0.06，表明換道車(chē)輛與起始車(chē)道前車(chē)處于不同距離情況下，車(chē)輛換道持續(xù)時(shí)間在前期差異較小，而在后期存在較大差異。

（4）與起始車(chē)道前車(chē)不同車(chē)速差的換道持續(xù)時(shí)間分布特征

從圖4（d）中可以看出，從約2.5 s 開(kāi)始，換道車(chē)輛車(chē)速大于和小于起始車(chē)道前車(chē)的生存曲線開(kāi)始發(fā)生明顯下降，其中換道車(chē)輛車(chē)速小于起始車(chē)道前車(chē)的生存曲線下降速率最快，而無(wú)前車(chē)情況的生存曲線從3.8 s 才開(kāi)始出現(xiàn)明顯下降。依據(jù)Log Rank與Wilcoxon 假設(shè)檢驗(yàn)結(jié)果，p＜0.05，表明與起始車(chē)道前車(chē)不同車(chē)速差的換道持續(xù)時(shí)間存在顯著差異。

（5）至目標(biāo)車(chē)道前車(chē)不同距離的換道持續(xù)時(shí)間分布特征

從圖4（e）中可以看出，換道車(chē)輛與目標(biāo)車(chē)道前車(chē)處于不同距離的生存曲線變化趨于一致，同時(shí)通過(guò)Log Rank 與Wilcoxon 方法進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果皆為p＞0.05，表明至目標(biāo)車(chē)道前車(chē)不同距離情況下的換道持續(xù)時(shí)間沒(méi)有顯著差異。

4 隨機(jī)參數(shù)AFT模型

為了獲得式（5）的參數(shù)解，需對(duì)持續(xù)時(shí)間進(jìn)行分布假設(shè)，常見(jiàn)的分布包括Weibull，對(duì)數(shù)正態(tài)，Loglogistic 和指數(shù)分布[14]。對(duì)采集到的高速公路隧道臨近段車(chē)輛換道持續(xù)時(shí)間數(shù)據(jù)進(jìn)行統(tǒng)計(jì)檢驗(yàn)，以確定合適的參數(shù)化模型，擬合結(jié)果如圖5所示。

從圖5 可以看出，Weibull，對(duì)數(shù)正態(tài)和Loglogistic 分布較為適用。其中，Weibull 分布適用于對(duì)風(fēng)險(xiǎn)率單調(diào)的數(shù)據(jù)進(jìn)行建模，其風(fēng)險(xiǎn)率隨時(shí)間呈指數(shù)級(jí)增加或減少，與車(chē)輛完成換道的概率隨時(shí)間的增長(zhǎng)而單調(diào)上升的情況類似，故本文選用Weibull分布進(jìn)行模型構(gòu)建[12]。Weibull分布的AFT模型的風(fēng)險(xiǎn)函數(shù)為

圖5 高速公路隧道臨近段車(chē)輛換道持續(xù)時(shí)間數(shù)據(jù)分布擬合結(jié)果Fig.5 Data distribution fitting of vehicle LCD in adjacent section of freeway tunnel

式中：λ為規(guī)模參數(shù)，λ=exp（X′β）；P為形狀參數(shù)。

傳統(tǒng)AFT 模型假設(shè)各因素對(duì)車(chē)輛換道持續(xù)時(shí)間的影響是一致的，屬于固定參數(shù)模型，未考慮不同換道車(chē)輛駕駛?cè)藗€(gè)體的異質(zhì)性。因不同駕駛?cè)四挲g、駕駛經(jīng)驗(yàn)和駕駛風(fēng)格等方面存在差異，導(dǎo)致不同駕駛?cè)藢?duì)換道風(fēng)險(xiǎn)的感知能力也不同，同一因素可能對(duì)不同駕駛?cè)水a(chǎn)生不同的影響，而固定參數(shù)AFT 模型難以解釋駕駛?cè)水愘|(zhì)性對(duì)車(chē)輛換道持續(xù)時(shí)間的影響[15]。因此，考慮不同駕駛?cè)藢?duì)換道風(fēng)險(xiǎn)水平感知的差異，構(gòu)建隨機(jī)參數(shù)AFT 模型，包含隨機(jī)參數(shù)項(xiàng)的估計(jì)參數(shù)向量可表示為

式中：βi為第i位駕駛?cè)说膮?shù)向量；ui為服從正態(tài)分布的異質(zhì)性隨機(jī)項(xiàng)。

隨機(jī)參數(shù)AFT模型可表示為

隨機(jī)參數(shù)AFT模型的風(fēng)險(xiǎn)函數(shù)為

規(guī)模參數(shù)λi為

本文研究了AFT 模型在隨機(jī)參數(shù)和固定參數(shù)兩種模式下的應(yīng)用情況。通過(guò)最大似然估計(jì)法對(duì)固定參數(shù)AFT 模型參數(shù)進(jìn)行估計(jì)。采用Halton 抽樣，基于仿真的最大似然估計(jì)法對(duì)具有隨機(jī)參數(shù)的AFT 模型進(jìn)行參數(shù)估計(jì)，抽樣次數(shù)取200 次。AFT模型在隨機(jī)參數(shù)和固定參數(shù)條件下的參數(shù)估計(jì)結(jié)果如表3所示。

表3 固定參數(shù)和隨機(jī)參數(shù)AFT模型估計(jì)結(jié)果比較Table 3 Comparison of estimation results between AFT model with fixed parameter and random parameter

隨機(jī)參數(shù)AFT 模型識(shí)別出3 個(gè)具有隨機(jī)效應(yīng)的隨機(jī)參數(shù)，分別為：至隧道進(jìn)口的距離（500,1000] m、至目標(biāo)車(chē)道前車(chē)距離（50, 100] m 和起始車(chē)道車(chē)速小于前車(chē)。

從協(xié)變量的顯著性來(lái)看，在隨機(jī)參數(shù)和固定參數(shù)AFT模型中，換道車(chē)輛速度和換道起始跟馳距離對(duì)車(chē)輛換道持續(xù)時(shí)間均無(wú)顯著影響。與固定參數(shù)AFT模型相比，隨機(jī)參數(shù)AFT模型中增加了4個(gè)顯著變量：至隧道進(jìn)口距離（1000, 1500] m、無(wú)前車(chē)、至目標(biāo)車(chē)道前車(chē)距離（0,50]m 和（50,100]m，表明隨機(jī)參數(shù)AFT 模型能識(shí)別出更多的車(chē)輛換道持續(xù)時(shí)間影響因素。

通過(guò)比較兩個(gè)模型估計(jì)結(jié)果的對(duì)數(shù)似然值和AIC，對(duì)固定參數(shù)和隨機(jī)參數(shù)AFT模型的擬合效果進(jìn)行驗(yàn)證，結(jié)果如表4 所示，發(fā)現(xiàn)隨機(jī)參數(shù)AFT 模型優(yōu)于固定參數(shù)的AFT 模型。鑒于隨機(jī)參數(shù)AFT模型的擬合度優(yōu)于固定參數(shù)的AFT模型，本文將基于隨機(jī)參數(shù)AFT模型的參數(shù)估計(jì)結(jié)果進(jìn)行分析。

表4 固定參數(shù)和隨機(jī)參數(shù)AFT模型的模型擬合優(yōu)度比較Table 4 Comparison of goodness of fit between AFT model with fixed parameter and random parameter

從表3的估計(jì)結(jié)果中可以看出，在高速公路隧道臨近段，換道方向、至隧道進(jìn)口的距離、與起始車(chē)道前車(chē)的車(chē)速差、至目標(biāo)車(chē)道前車(chē)距離這4個(gè)變量會(huì)對(duì)車(chē)輛換道持續(xù)時(shí)間產(chǎn)生顯著影響。與向左換道的車(chē)輛相比，向右換道的車(chē)輛趨于在更短的時(shí)間內(nèi)完成換道，時(shí)間降低約11%。從與隧道進(jìn)口的距離上來(lái)看，至隧道進(jìn)口的距離越遠(yuǎn)，換道持續(xù)時(shí)間越長(zhǎng)，這可能是當(dāng)車(chē)輛距離隧道進(jìn)口較遠(yuǎn)時(shí)，換道車(chē)輛在進(jìn)入隧道前有更多的機(jī)會(huì)進(jìn)行換道操作來(lái)改善自身的行車(chē)環(huán)境；而當(dāng)車(chē)輛距離隧道較近時(shí)，其若需要進(jìn)行換道，則需要在較短的時(shí)間內(nèi)完成，此時(shí)駕駛?cè)丝赡艽嬖谳^為“急切”的心理，會(huì)采取相對(duì)激進(jìn)的換道策略，造成換道時(shí)間較短。相較于至隧道進(jìn)口距離（0,500]m 的情況，至隧道進(jìn)口距離（500,1000]m 和（1000,1500]m 情境下的換道時(shí)間分別增加約13%和21%。

在換道車(chē)輛與前車(chē)的相對(duì)運(yùn)動(dòng)狀態(tài)方面，當(dāng)換道車(chē)輛車(chē)速高于起始車(chē)道前車(chē)時(shí)，換道車(chē)輛人趨于在更短的時(shí)間內(nèi)完成換道，這可能與駕駛?cè)说鸟{駛風(fēng)格有關(guān)。當(dāng)前車(chē)的車(chē)速較低，不能滿足駕駛?cè)藢?duì)速度的需求時(shí)，其往往會(huì)采取換道措施來(lái)尋求更好的駕駛體驗(yàn)，而這類駕駛?cè)说鸟{駛策略相對(duì)激進(jìn)，換道持續(xù)時(shí)間普遍偏短。換道車(chē)輛與目標(biāo)車(chē)道前車(chē)距離越近，換道持續(xù)時(shí)間越短，相較于至目標(biāo)車(chē)道前車(chē)距離大于100 m的情況，至目標(biāo)車(chē)道前車(chē)距離（0,50]m和（50,100]m時(shí)的換道持續(xù)時(shí)間分別降低約16%和11%。這可能與換道車(chē)輛周邊交通環(huán)境的復(fù)雜度有關(guān)，當(dāng)周邊車(chē)輛較多時(shí)，駕駛?cè)瞬扇「虝r(shí)間完成換道的策略可以減少對(duì)周邊車(chē)輛影響的時(shí)間，從而降低行車(chē)風(fēng)險(xiǎn)；而當(dāng)至目標(biāo)車(chē)道前車(chē)距離較遠(yuǎn)時(shí)，車(chē)輛換道過(guò)程對(duì)周邊車(chē)輛的影響相對(duì)較小，駕駛?cè)丝梢圆扇「鼮椤皽睾汀钡膿Q道策略提升駕車(chē)體驗(yàn)，從而造成換道持續(xù)時(shí)間的增加。

5 結(jié)論

（1）高速公路隧道臨近段不同位置、不同換道方向、與起始車(chē)道前車(chē)不同車(chē)速差和跟馳距離情況下的車(chē)輛換道持續(xù)時(shí)間存在顯著差異。

（2）相較于固定參數(shù)AFT 模型，構(gòu)建的隨機(jī)參數(shù)AFT模型的擬合效果更優(yōu)。

（3）從隨機(jī)參數(shù)AFT 模型得到的估計(jì)結(jié)果來(lái)看，換道車(chē)輛的車(chē)速與換道起始跟馳距離對(duì)車(chē)輛換道持續(xù)時(shí)間均沒(méi)有顯著影響。向右換道、與隧道進(jìn)口距離越近、換道車(chē)速度大于起始車(chē)道前車(chē)、至目標(biāo)車(chē)道前車(chē)距離的降低都會(huì)減少高速公路隧道臨近段車(chē)輛的換道持續(xù)時(shí)間。