溫惠英 劉浩 杜穎新 趙勝

（華南理工大學(xué) 土木與交通學(xué)院，廣東 廣州 510640）

近些年對(duì)于市域范圍內(nèi)的短距離出行，越來越多的城市居民傾向于選擇非機(jī)動(dòng)化交通工具代步，然而隨著非機(jī)動(dòng)車使用率的不斷增加，各類交通安全問題日益凸顯，根據(jù)國家統(tǒng)計(jì)局的官方數(shù)據(jù)，2021年非機(jī)動(dòng)車交通事故發(fā)生數(shù)達(dá)到35 141起，死亡人數(shù)4 525，受傷人數(shù)40 156，財(cái)產(chǎn)損失達(dá)到8 032萬元［1］。在誘發(fā)非機(jī)動(dòng)車交通事故的諸多因素中，非機(jī)動(dòng)車在信號(hào)交叉口處的違法過街行為是主要原因之一。因此，研究非機(jī)動(dòng)車在信號(hào)交叉口的過街行為及其影響因素對(duì)減少交通事故的發(fā)生具有重要意義。

目前，國內(nèi)外已有學(xué)者對(duì)非機(jī)動(dòng)車過街行為進(jìn)行分類研究，根據(jù)非機(jī)動(dòng)車在過街前的等待選擇差異將非機(jī)動(dòng)車過街行為分為冒險(xiǎn)型、機(jī)會(huì)型和守法型3類［2-4］。其中冒險(xiǎn)型和機(jī)會(huì)型過街行為都屬于違法闖紅燈過街行為，故闖紅燈過街行為的影響因素是本研究的重點(diǎn)研究對(duì)象。目前國內(nèi)外學(xué)者對(duì)過街行為影響因素的研究主要集中在違法闖紅燈過街行為領(lǐng)域，研究發(fā)現(xiàn)非機(jī)動(dòng)車過街行為的影響因素常常與騎行者個(gè)人屬性、出行行為屬性和交通環(huán)境屬性等因素有關(guān)。高純［5］建立了電動(dòng)自行車闖紅燈行為的Cox風(fēng)險(xiǎn)模型，研究發(fā)現(xiàn)天氣、過街區(qū)域和載人因素對(duì)闖紅燈過街具有顯著影響。Bai 等［6］建立隨機(jī)參數(shù)Logit 模型研究騎行者闖紅燈傾向與可能因素的關(guān)系，結(jié)果顯示自行車群體規(guī)模、交通流量狀況、道路幾何形狀和交通控制屬性等因素會(huì)影響騎自行車的人闖紅燈的傾向。Pai 等［7］構(gòu)建了非機(jī)動(dòng)車闖紅燈行為的混合Logit 模型，結(jié)果發(fā)現(xiàn)紅燈持續(xù)時(shí)間、十字路口類型、騎手身份、騎手是否佩戴頭盔等因素與非機(jī)動(dòng)車闖紅燈顯著相關(guān)。然而，在交通環(huán)境屬性方面，現(xiàn)有研究主要集中在機(jī)動(dòng)車交通量、信號(hào)配時(shí)、交叉口類型等方面，而未考慮到交叉口控制方案對(duì)非機(jī)動(dòng)車過街的影響。交叉口控制方案分為信號(hào)交叉口和無信控交叉口。相比無信號(hào)控制的交叉口，信號(hào)交叉口可以研究信號(hào)周期、相位設(shè)置、紅燈時(shí)間等因素對(duì)非機(jī)動(dòng)車過街行為的影響，從而更全面地考慮交通環(huán)境屬性的影響，而信號(hào)交叉口又可細(xì)分為單口輪放、對(duì)稱放行和搭接相位控制的信號(hào)交叉口［8］，其中，搭接相位控制的信號(hào)交叉口是近年來重點(diǎn)研究的對(duì)象。王進(jìn)等［9］引入合流相位，研究了各類搭接相位模式，研究表明搭接相位的設(shè)置提高了各流向的綠燈時(shí)間利用率，從而增加了交叉口的通行能力。蘇燦航等［10］引入搭接相位的配時(shí)方法，并利用VISSIM仿真軟件對(duì)實(shí)際平面交叉口進(jìn)行仿真，結(jié)果表明利用搭接相位配時(shí)方法針對(duì)早高峰擁堵嚴(yán)重的進(jìn)口道效果顯著。然而目前對(duì)搭接相位控制信號(hào)交叉口的相關(guān)研究主要側(cè)重于機(jī)動(dòng)車通行相位設(shè)計(jì)與配時(shí)優(yōu)化，很少有學(xué)者就搭接相位控制方案的應(yīng)用對(duì)非機(jī)動(dòng)車過街行為的影響開展相關(guān)研究。另外，在研究方法方面，目前常采用的方法包括傳統(tǒng)統(tǒng)計(jì)模型方法和機(jī)器學(xué)習(xí)方法，在處理非機(jī)動(dòng)車闖紅燈過街問題上大多數(shù)學(xué)者采用Logit模型進(jìn)行分析［5，8，11］。然而由于統(tǒng)計(jì)模型對(duì)解釋變量和響應(yīng)變量有嚴(yán)格的假設(shè)，而且還不能夠全面考慮數(shù)據(jù)的特征，故在處理分類問題上可能弱于機(jī)器學(xué)習(xí)模型。

鑒于以上分析，本研究通過調(diào)研獲取了廣州市典型的搭接相位控制信號(hào)交叉口的非機(jī)動(dòng)車過街?jǐn)?shù)據(jù)。考慮到信號(hào)周期內(nèi)不同時(shí)段對(duì)非機(jī)動(dòng)車過街行為的影響，將一個(gè)完整的信號(hào)周期按照非機(jī)動(dòng)車的風(fēng)險(xiǎn)沖突劃分為4個(gè)風(fēng)險(xiǎn)時(shí)段，并將非機(jī)動(dòng)車過街行為分為冒險(xiǎn)型、機(jī)會(huì)型和守法型3類，構(gòu)建C5.0決策樹模型分析個(gè)體、行為、環(huán)境等因素對(duì)3類過街行為的影響，并分析評(píng)價(jià)模型的分類效果，以期為交通管理提供理論依據(jù)，提高交叉口非機(jī)動(dòng)車通行的安全水平。

1 數(shù)據(jù)準(zhǔn)備

1.1 數(shù)據(jù)來源及處理

為獲取非機(jī)動(dòng)車過街行為數(shù)據(jù)，在非機(jī)動(dòng)車出行的高峰時(shí)刻采用攝像機(jī)錄像法調(diào)查了廣州市內(nèi)10個(gè)典型的搭接相位控制的信號(hào)交叉口，部分調(diào)查地點(diǎn)如圖1所示。

圖1 非機(jī)動(dòng)車過街行為部分調(diào)查地點(diǎn)實(shí)景Fig.1 Real view of the investigation site of the non-motor vehicle crossing behavior

搭接相位控制方案是近年來信號(hào)交叉口主要采用的一種控制方案，搭接相位是指在某相位結(jié)束之前，提前起動(dòng)另一個(gè)相位的一股或多股車流，或者在某相位開始之前，提前結(jié)束其前期相位的一股或多股車流，即兩個(gè)相位之間存在部分車流的搭接。搭接相位控制方案能有效緩解交叉口各流向間飽和度不均衡現(xiàn)象，提高各流向的綠燈時(shí)間利用率，從而增加了交叉口的通行能力。本研究信號(hào)交叉口的選取規(guī)則如下：

（1）具有一定的代表性。交叉口的幾何設(shè)計(jì)為當(dāng)?shù)丶皣鴥?nèi)其他城市較為典型的情況，且至少存在一個(gè)進(jìn)口采用搭接相位控制方案。

（2）非機(jī)動(dòng)車流量合理。單個(gè)信號(hào)周期內(nèi)的過街非機(jī)動(dòng)車數(shù)量較多，且在非機(jī)動(dòng)車紅燈信號(hào)期間到達(dá)交叉口的車輛應(yīng)占據(jù)較大比例。

（3）各信號(hào)交叉口基本特征較為相似。各交叉口進(jìn)口的渠化方式及特征、機(jī)動(dòng)車交通信號(hào)燈的類型等無關(guān)要素宜相同或相似。

（4）研究因素之外的影響較少。交叉口宜與周邊環(huán)境相對(duì)獨(dú)立，如：附近無道路施工點(diǎn)、下游路段的交通擁堵不會(huì)影響上游機(jī)動(dòng)車的正常通行、交叉口處無交警或交通協(xié)管員值守等。

通過對(duì)采集到的視頻數(shù)據(jù)進(jìn)行特征提取，獲取了騎行者性別、騎行者年齡、車輛類型、騎行者身份、等待情況、闖紅燈情況、騎行狀態(tài)、過街方式、過街區(qū)域、過街軌跡、到達(dá)時(shí)期、機(jī)動(dòng)車車道數(shù)、機(jī)動(dòng)車流量、非機(jī)動(dòng)車信號(hào)燈設(shè)施、信號(hào)周期、紅燈時(shí)間等數(shù)據(jù)，通過篩選最終得到非機(jī)動(dòng)車過街的有效數(shù)據(jù)10 733個(gè)。

1.2 非機(jī)動(dòng)車過街行為分類

本研究根據(jù)相關(guān)學(xué)者的研究［2-4］以及非機(jī)動(dòng)車在交叉口的等待選擇和闖紅燈情況，將非機(jī)動(dòng)車過街行為分成冒險(xiǎn)型、機(jī)會(huì)型和守法型3類。冒險(xiǎn)型過街是指非機(jī)動(dòng)車在紅燈信號(hào)期間到達(dá)交叉口后，不遵循信號(hào)燈指示停車等待而直接穿越；機(jī)會(huì)型過街是指非機(jī)動(dòng)車在紅燈信號(hào)期間到達(dá)交叉口后，先遵循信號(hào)燈指示停車等待，而后尋找間隙伺機(jī)穿越；守法型過街是指非機(jī)動(dòng)車在紅燈信號(hào)期間到達(dá)交叉口后，始終遵循信號(hào)燈指示停車等待，直至綠燈啟亮后再穿越。3 類過街行為的特征如表1 所示。3 類過街行為的數(shù)據(jù)樣本量依次為4 757、2 689、3 287，將3 類過街行為數(shù)據(jù)集依照7∶3 的隨機(jī)抽樣規(guī)則拆分為訓(xùn)練集和測試集，訓(xùn)練集樣本量依次為3 330、1 882、2 301，測試集樣本量依次為1 427、807、986。

表1 3類非機(jī)動(dòng)車過街行為特征表Table 1 Table of characteristics of three types of non-motor vehicle crossing behavior

1.3 非機(jī)動(dòng)車風(fēng)險(xiǎn)時(shí)期劃分

為了研究非機(jī)動(dòng)車到達(dá)路口時(shí)所處紅燈時(shí)期對(duì)過街行為的影響，本研究將紅燈時(shí)期劃分為紅燈初期、紅燈穩(wěn)定期和紅燈末期3個(gè)時(shí)段［12］。其中紅燈初期定義為非機(jī)動(dòng)車紅燈時(shí)間的最初5 s；紅燈末期定義為非機(jī)動(dòng)車紅燈時(shí)間的最后5 s；紅燈穩(wěn)定期定義為介于紅燈初期與紅燈末期之間的時(shí)段。另外，為了深入分析搭接相位控制下信號(hào)交叉口不同時(shí)段的風(fēng)險(xiǎn)情況對(duì)非機(jī)動(dòng)車過街行為的影響，本研究按照非機(jī)動(dòng)車過街時(shí)的風(fēng)險(xiǎn)沖突將一個(gè)完整的信號(hào)周期劃分為對(duì)向綠燈風(fēng)險(xiǎn)期、同向綠燈安全期、同向綠燈風(fēng)險(xiǎn)期和垂直方向風(fēng)險(xiǎn)期4 個(gè)時(shí)段，如圖2 所示。由于本研究所定義的風(fēng)險(xiǎn)為非機(jī)動(dòng)車闖紅燈和正常行駛的機(jī)動(dòng)車沖突所造成的風(fēng)險(xiǎn)，所以風(fēng)險(xiǎn)期皆為非機(jī)動(dòng)車信號(hào)燈為紅燈的時(shí)期。以一個(gè)非機(jī)動(dòng)車的行駛方向?yàn)槔?個(gè)風(fēng)險(xiǎn)時(shí)期的定義如下：

圖2 風(fēng)險(xiǎn)時(shí)期劃分示意圖Fig.2 Schematic diagram of the breakdown of risk periods

（1）對(duì)向綠燈風(fēng)險(xiǎn)期定義為當(dāng)一個(gè)方向的非機(jī)動(dòng)車紅燈信號(hào)亮起，而對(duì)向進(jìn)口道各個(gè)方向機(jī)動(dòng)車被賦予綠燈且為單口放行狀態(tài)時(shí)的時(shí)段；

（2）同向綠燈安全期定義為當(dāng)一個(gè)方向的非機(jī)動(dòng)車信號(hào)燈綠燈亮起，同向和對(duì)向的直行機(jī)動(dòng)車信號(hào)燈均處于綠燈狀態(tài)時(shí)的時(shí)段；

（3）同向綠燈風(fēng)險(xiǎn)期定義為當(dāng)一個(gè)方向非機(jī)動(dòng)車紅燈信號(hào)亮起，而同向進(jìn)口道各方向機(jī)動(dòng)車被賦予綠燈且為單口放行狀態(tài)時(shí)的時(shí)段；

（4）垂直方向風(fēng)險(xiǎn)期定義為當(dāng)一個(gè)方向非機(jī)動(dòng)車紅燈信號(hào)亮起，而垂直方向上任一進(jìn)口的直行或左轉(zhuǎn)機(jī)動(dòng)車被賦予綠燈、準(zhǔn)許放行的時(shí)段。

2 模型方法

2.1 C5.0決策樹算法

決策樹算法是以原始數(shù)據(jù)為基礎(chǔ)的歸納學(xué)習(xí)方法，屬于有監(jiān)督學(xué)習(xí)方法的一種，是機(jī)器學(xué)習(xí)中比較經(jīng)典的算法之一。相較于其他學(xué)習(xí)方法，決策樹模型結(jié)構(gòu)簡單，易于理解，并且具有較高的可解釋性，故迄今為止，仍是解決特征因素分類或特征變量回歸的主流方法之一，在交通領(lǐng)域取得了廣泛的應(yīng)用。

本研究采用決策樹算法中的C5.0算法研究非機(jī)動(dòng)車過街行為的影響因素，C5.0算法引入了自適應(yīng)增強(qiáng)Boosting 技術(shù)，以信息增益率作為最優(yōu)影響因素選擇的依據(jù)，且C5.0算法在選擇用于分割樣本數(shù)據(jù)集的特征因素時(shí)，并非直接選用信息增益率最大的屬性，而是先從特征因素中找出信息增益高于平均水平的所有屬性，再從中挑選信息增益率最大者作為分割依據(jù)。信息增益率的計(jì)算方法［13］如下。

（1）計(jì)算熵

熵指標(biāo)用于度量樣本數(shù)據(jù)集的不確定性，熵越大，不確定性也越大。對(duì)于某一訓(xùn)練樣本S，其熵值E（S）可通過式（1）計(jì)算［13］：

式中，pi表示具有第i類特征屬性的觀測個(gè)體在全體樣本中所占的比例，n表示特征屬性的數(shù)量。

對(duì)于某一屬性A，假設(shè)其下存在V項(xiàng)取值，若選擇該屬性分割樣本集合，則會(huì)相應(yīng)地產(chǎn)生V個(gè)分支。經(jīng)此分割后的訓(xùn)練樣本集合的熵值可通過式（2）計(jì)算［13］：

式中，E'（S）表示以特征屬性A為樣本分割依據(jù)、經(jīng)分割后的訓(xùn)練樣本集合S的熵，E（Sj）表示第j分支所對(duì)應(yīng)數(shù)據(jù)子集的熵，wj表示取值為特征屬性A下第j項(xiàng)的觀測個(gè)體在全體樣本中所占的比例，m表示特征屬性A可取值的數(shù)量。

（2）計(jì)算信息增益率

信息增益是樣本數(shù)據(jù)集分割后不確定性的減少程度，以特征屬性A分割訓(xùn)練樣本集合S得到的信息增益G（S，A）如式（3）所示，信息增益率H（S，A）則可由式（4）計(jì)算［13］：

式中，I（A）表示以特征屬性A下第j項(xiàng)取值分割訓(xùn)練樣本集合S的熵。

2.2 模型變量選擇

根據(jù)現(xiàn)有研究基礎(chǔ)以及調(diào)查的過街?jǐn)?shù)據(jù)，本研究從非機(jī)動(dòng)車騎行者的個(gè)體屬性、出行行為以及信號(hào)交叉口的交通環(huán)境3個(gè)方面選擇若干因素用于特征數(shù)據(jù)的提取及處理，由于非機(jī)動(dòng)車在過街前的等待選擇和闖紅燈與否是判別3類過街行為的關(guān)鍵要素，故在進(jìn)行模型構(gòu)建時(shí)需要剔除。最終，本研究共選取了17 個(gè)特征因素，其特征變量編碼及描述性統(tǒng)計(jì)如表2所示。

表2 特征變量編碼及統(tǒng)計(jì)Table 2 Feature variable coding and statistics

表2中特征因素過街風(fēng)險(xiǎn)定義為非機(jī)動(dòng)車過街時(shí)與機(jī)動(dòng)車之間產(chǎn)生的風(fēng)險(xiǎn)；車道數(shù)定義為非機(jī)動(dòng)車過街時(shí)穿越的機(jī)動(dòng)車道數(shù)，即垂直方向道路雙向車道數(shù)；沖突機(jī)動(dòng)車流量定義為一次非機(jī)動(dòng)車紅燈時(shí)間內(nèi)與過街非機(jī)動(dòng)車構(gòu)成沖突的來自各方向的機(jī)動(dòng)車流量之和。

3 結(jié)果分析

3.1 模型分類效果評(píng)價(jià)

為了評(píng)價(jià)決策樹模型的分類效果，本研究得出了3 類過街行為測試集的預(yù)測結(jié)果混淆矩陣，如圖3所示。

圖3 3類過街行為的預(yù)測混淆矩陣Fig.3 Predictive confusion matrices for three types of street crossing behavior

根據(jù)混淆矩陣和式（5）-（7）得到的模型準(zhǔn)確率、精確率、召回率情況如表3所示。表3中，0表示未發(fā)生此類過街行為，1 表示發(fā)生此類過街行為。可以看出，3 類過街行為預(yù)測結(jié)果的平均準(zhǔn)確率可以達(dá)到85.92%，且平均精確率和平均召回率都可以達(dá)到80%以上，說明模型的預(yù)測精度較高。但是，機(jī)會(huì)型和守法型過街行為的測試精確率和召回率存在低于80%的情況，即模型對(duì)機(jī)會(huì)型和守法型過街行為的預(yù)測精度低于對(duì)冒險(xiǎn)型過街行為的預(yù)測精度，本研究推測這種情況可能是由于測試數(shù)據(jù)集的類不平衡現(xiàn)象造成的。數(shù)據(jù)樣本量的不平衡導(dǎo)致冒險(xiǎn)型過街行為的預(yù)測精度明顯高于其他兩類，為了提高模型的整體預(yù)測精度，后續(xù)可以采用不平衡數(shù)據(jù)集的決策樹算法或者對(duì)數(shù)據(jù)樣本量進(jìn)行平衡等方法進(jìn)行研究。

表3 3類過街行為預(yù)測結(jié)果性能指標(biāo)Table 3 Performance indicators of three street crossing behavior prediction results

式中：F表示準(zhǔn)確率，Q表示精確率，R表示召回率，T1表示實(shí)際值為正結(jié)果預(yù)測為正，T2表示實(shí)際值為負(fù)結(jié)果預(yù)測為負(fù)，N1表示實(shí)際值為正結(jié)果預(yù)測為負(fù)，N2表示實(shí)際值為負(fù)結(jié)果預(yù)測為正。

考慮到測試數(shù)據(jù)集中的類不平衡現(xiàn)象可能會(huì)對(duì)預(yù)測結(jié)果的準(zhǔn)確率產(chǎn)生影響，在采用上述指標(biāo)評(píng)價(jià)前述決策樹模型的判別性能的同時(shí)，也利用ROC曲線和AUC 值開展進(jìn)一步分析，AUC 值為ROC 曲線下的面積，ROC 曲線全稱為受試者工作特征曲線，是反映敏感度和特異性連續(xù)變量的綜合指標(biāo)，當(dāng)AUC值介于0.5～1.0時(shí)，模型預(yù)測效果則優(yōu)于隨機(jī)猜測，AUC的值越大，模型的性能越好，且在設(shè)定恰當(dāng)閾值的情況下，模型將具有較高的預(yù)測價(jià)值［14-15］。圖4 示出了3 類過街行為的判別決策樹ROC曲線。可以看出，冒險(xiǎn)型、機(jī)會(huì)型、守法型過街行為決策樹模型測試結(jié)果的AUC 值分別為0.920、0.880、0.953，模型整體預(yù)測性能良好，且閾值設(shè)定分別為0.565、0.472、0.351 時(shí)，模型能夠取得最優(yōu)的預(yù)測效果。

圖4 3類過街行為ROC曲線Fig.4 ROC curves for three types of street crossing behavior

3.2 冒險(xiǎn)型過街行為的影響因素分析

冒險(xiǎn)型過街行為決策樹模型結(jié)構(gòu)如圖5 所示，可以看出，到達(dá)風(fēng)險(xiǎn)期因素為決策樹的根節(jié)點(diǎn)，是冒險(xiǎn)型過街行為中最重要的影響因素，非機(jī)動(dòng)車信號(hào)燈設(shè)施、沖突機(jī)動(dòng)車流量、車道數(shù)和過街風(fēng)險(xiǎn)為決策樹的中間節(jié)點(diǎn)，對(duì)冒險(xiǎn)型過街行為的發(fā)生均存在顯著影響。

圖5 冒險(xiǎn)型過街行為決策樹Fig.5 Decision tree for risky street crossing behavior

（1）對(duì)于對(duì)向綠燈風(fēng)險(xiǎn)期內(nèi)到達(dá)的騎行者，未裝設(shè)非機(jī)動(dòng)車信號(hào)燈設(shè)施時(shí)發(fā)生冒險(xiǎn)型過街行為的數(shù)量為498，分組占比達(dá)到了68.98%，而在設(shè)置有非機(jī)動(dòng)車信號(hào)燈的交叉口，騎行者冒險(xiǎn)過街行為則大大減少。其原因可能是，此時(shí)期內(nèi)騎行者在缺乏非機(jī)動(dòng)車信號(hào)燈給予清晰指引的情形下，傾向于跟隨對(duì)向直行車流選擇闖紅燈過街。

（2）對(duì)于同向綠燈風(fēng)險(xiǎn)期內(nèi)到達(dá)的騎行者，無論所在交叉口是否安裝有非機(jī)動(dòng)車專用信號(hào)燈，其發(fā)生冒險(xiǎn)型過街行為的數(shù)量為1 817，分組占比高達(dá)83.69%。其原因可能是，同向綠燈風(fēng)險(xiǎn)期內(nèi)非機(jī)動(dòng)車與機(jī)動(dòng)車沖突風(fēng)險(xiǎn)較小，騎行者為減少等待時(shí)間選擇闖紅燈過街。

（3）對(duì)于垂直方向風(fēng)險(xiǎn)期到達(dá)的騎行者，在單次紅燈時(shí)間內(nèi)沖突機(jī)動(dòng)車流量大于30 輛的交叉口處，發(fā)生冒險(xiǎn)型過街行為的情況相對(duì)較少，分組占比僅為6.31%，而在沖突機(jī)動(dòng)車流量不超過30 輛而所需穿越車道數(shù)大于4的交叉口，騎行者冒險(xiǎn)過街分組占比超過67%。其原因可能是，沖突車流量越小、垂直方向道路雙向車道數(shù)越多，可供騎行者穿越的過街間隙越大，間隙數(shù)量也越多，騎行者覺得過街相對(duì)安全則選擇冒險(xiǎn)闖紅燈過街。

（4）在垂直方向風(fēng)險(xiǎn)期內(nèi)且雙向車道數(shù)不超過4的交叉口，存在沖突風(fēng)險(xiǎn)車輛時(shí)超過50%的騎行者發(fā)生了冒險(xiǎn)型過街行為，而在無沖突風(fēng)險(xiǎn)的環(huán)境下，發(fā)生了冒險(xiǎn)型過街行為的騎行者分組占比僅為36.04%。該現(xiàn)象可能是受到其他影響因素的耦合作用而導(dǎo)致的，可能與交叉口處非機(jī)動(dòng)車信號(hào)燈設(shè)施的安裝情況有關(guān)，在存在過街風(fēng)險(xiǎn)的組別中，非機(jī)動(dòng)車專用信號(hào)燈安裝率僅為10.60%，而在無過街風(fēng)險(xiǎn)組別中，設(shè)施安裝率則將近五成。在無裝設(shè)非機(jī)動(dòng)車信號(hào)燈設(shè)施的環(huán)境下，因缺乏對(duì)應(yīng)信號(hào)燈的過街指引，且垂直方向道路雙向車道數(shù)較少，沖突機(jī)動(dòng)車車流量也較小，故發(fā)生冒險(xiǎn)型過街的行為較多。

3.3 機(jī)會(huì)型過街行為的影響因素分析

機(jī)會(huì)型過街行為決策樹模型結(jié)構(gòu)如圖6 所示。可以看出，車道數(shù)因素為決策樹的根節(jié)點(diǎn)，是機(jī)會(huì)型過街行為中最重要的影響因素，紅燈時(shí)間和到達(dá)風(fēng)險(xiǎn)期為決策樹的中間節(jié)點(diǎn)，對(duì)機(jī)會(huì)型過街行為的發(fā)生均存在顯著影響。

圖6 機(jī)會(huì)型過街行為決策樹Fig.6 Decision tree for opportunistic street crossings

（1）在車道數(shù)大于4 的交叉口，發(fā)生機(jī)會(huì)型過街行為的騎行者分組占比僅為5.77%。其原因可能是，騎行者穿越車道數(shù)較多的道路耗時(shí)較長，與機(jī)動(dòng)車發(fā)生沖突的不確定性大大增加，尤其是在沖突機(jī)動(dòng)車流量較大的情況下，騎行者過街或?qū)⒏鼮橹?jǐn)慎。

（2）在車道數(shù)不超過4 而非機(jī)動(dòng)車紅燈時(shí)間大于120 s 的交叉口，發(fā)生機(jī)會(huì)型過街行為的騎行者數(shù)量為837，分組占比達(dá)到了73.55%。該現(xiàn)象的成因可能是，對(duì)應(yīng)紅燈時(shí)間超過了騎行者所能夠接受的最大忍耐時(shí)間，所以騎行者選擇放棄等待、伺機(jī)穿越。

（3）在所需穿越車道數(shù)不超過4 而紅燈時(shí)間不超過120 s 的交叉口處，對(duì)向綠燈風(fēng)險(xiǎn)期與同向綠燈風(fēng)險(xiǎn)期內(nèi)到達(dá)的騎行者中，發(fā)生了機(jī)會(huì)型過街行為的分組比重僅為12.24%。其原因可能是，在上述兩個(gè)時(shí)期非機(jī)動(dòng)車與機(jī)動(dòng)車沖突風(fēng)險(xiǎn)相對(duì)較小，騎行者往往會(huì)直接闖紅燈過街，較少騎行者會(huì)停車等待。

（4）在所需穿越車道數(shù)小于4 且為垂直綠燈風(fēng)險(xiǎn)期時(shí)，若紅燈時(shí)間大于90 s，發(fā)生機(jī)會(huì)型過街的騎行者數(shù)量為471，分組占比為42.28%，保持其他特征因素取值不變，紅燈時(shí)間減少至90 s以內(nèi)，則發(fā)生機(jī)會(huì)型過街的騎行者數(shù)量為237，分組占比提高至75%。其原因可能是，沖突機(jī)動(dòng)車流與非機(jī)動(dòng)車騎行者幾乎同時(shí)到達(dá)信號(hào)交叉口事件數(shù)大于騎行者較沖突機(jī)動(dòng)車先行到達(dá)的情況，為了安全起見，大部分的騎行者需要先等待沖突機(jī)動(dòng)車通過后，再行尋找合適的穿越間隙過街，因而導(dǎo)致機(jī)會(huì)型過街現(xiàn)象在此情景下較為突出。

3.4 守法型過街行為的影響因素分析

守法型過街行為決策樹模型結(jié)構(gòu)如圖7 所示，可以看出，沖突機(jī)動(dòng)車流量為決策樹的根節(jié)點(diǎn)，是守法型過街行為中最重要的影響因素，信號(hào)周期、車道數(shù)、過街區(qū)域和過街風(fēng)險(xiǎn)為決策樹的中間節(jié)點(diǎn)，對(duì)守法型過街行為的發(fā)生均存在顯著影響。

圖7 守法型過街行為決策樹Fig.7 Decision tree for law-obeying street crossing behavior

（1）在沖突機(jī)動(dòng)車流量不超過60 輛且信號(hào)周期不超過150 s 或是信號(hào)周期大于150 s 而車道數(shù)不超過4的交叉口，非機(jī)動(dòng)車騎行者發(fā)生守法型過街行為的分組占比分別為9.86%和9.45%。這是因?yàn)闆_突機(jī)動(dòng)車流量較小時(shí)為騎行者提供了時(shí)間較長、數(shù)量較多的過街間隙，且在車道數(shù)較少的情形下，騎行者過街耗時(shí)更短，沖突風(fēng)險(xiǎn)更為可控，騎行者更傾向于闖紅燈過街。

（2）若保持沖突機(jī)動(dòng)車流量和信號(hào)周期不變，隨著騎行者過街時(shí)所需穿越的車道數(shù)增加，守法過街的騎行者數(shù)量大大增加，當(dāng)過街區(qū)域自到達(dá)至穿越始終在非機(jī)動(dòng)車道上時(shí)，發(fā)生守法型過街行為的騎行者分組比重高達(dá)83.88%，而當(dāng)過街區(qū)域涉及機(jī)動(dòng)車道時(shí)，守法過街的騎行者分組比重值僅為44.36%。原因可能與在不同類型車道上行駛的騎行者對(duì)應(yīng)的心理特征存在差異有關(guān)，在機(jī)動(dòng)車道行駛的騎行者存在更為激進(jìn)的冒險(xiǎn)過街心理，并且由于搭接相位控制方案設(shè)置有同向綠燈風(fēng)險(xiǎn)期，非機(jī)動(dòng)車更傾向此時(shí)期闖紅燈且在機(jī)動(dòng)車道上行駛，因而發(fā)生闖紅燈過街行為的騎行者占比相對(duì)較大。

（3）在單次紅燈時(shí)間內(nèi)沖突機(jī)動(dòng)車流量為60 輛以上的交叉口，當(dāng)不存在過街風(fēng)險(xiǎn)時(shí)，發(fā)生守法型過街行為的騎行者數(shù)量為1 171，分組比重值高達(dá)91.41%，當(dāng)存在過街風(fēng)險(xiǎn)時(shí)，發(fā)生守法型過街行為的騎行者數(shù)量為99，分組比重為39.92%。原因可能是沖突機(jī)動(dòng)車流較大時(shí)，大部分騎行者為了安全起見選擇守法過街。

4 結(jié)論

以搭接相位控制信號(hào)交叉口的非機(jī)動(dòng)車為研究對(duì)象，將非機(jī)動(dòng)車過街行為劃分為冒險(xiǎn)型、機(jī)會(huì)型、守法型3類，將信號(hào)周期劃分為對(duì)向綠燈風(fēng)險(xiǎn)期、同向綠燈安全期、同向綠燈風(fēng)險(xiǎn)期和垂直方向風(fēng)險(xiǎn)期4個(gè)風(fēng)險(xiǎn)時(shí)段，并從個(gè)體、行為、環(huán)境方面選取了17 個(gè)自變量，構(gòu)建C5.0 決策樹模型進(jìn)行非機(jī)動(dòng)車影響因素分析，得到如下結(jié)論：

（1）本研究的C5.0 決策樹模型測試結(jié)果顯示，整體預(yù)測準(zhǔn)確率大于83.04%，且AUC值大于0.880，3類過街行為決策樹模型的預(yù)測精度均較優(yōu)。

（2）搭接相位控制信號(hào)交叉口非機(jī)動(dòng)車的過街行為主要與交通環(huán)境有關(guān)。到達(dá)風(fēng)險(xiǎn)期、非機(jī)動(dòng)車信號(hào)燈設(shè)施、沖突機(jī)動(dòng)車流量、車道數(shù)和過街風(fēng)險(xiǎn)對(duì)冒險(xiǎn)型過街行為的發(fā)生存在顯著影響，其中到達(dá)風(fēng)險(xiǎn)期為最重要的影響因素；車道數(shù)、紅燈時(shí)間和到達(dá)風(fēng)險(xiǎn)期對(duì)機(jī)會(huì)型過街行為的發(fā)生存在顯著影響，其中車道數(shù)為最重要的影響因素；沖突機(jī)動(dòng)車流量、信號(hào)周期、車道數(shù)、過街區(qū)域和過街風(fēng)險(xiǎn)對(duì)守法型過街行為的發(fā)生存在顯著影響，其中沖突機(jī)動(dòng)車流量為最重要的影響因素。

（3）本研究結(jié)果顯示非機(jī)動(dòng)車的冒險(xiǎn)型、機(jī)會(huì)型等闖紅燈過街行為除了受到過街區(qū)域、機(jī)動(dòng)車交通量、紅燈時(shí)間等交通環(huán)境因素影響外，還與非機(jī)動(dòng)車到達(dá)信號(hào)交叉口時(shí)所處的風(fēng)險(xiǎn)時(shí)期、車道數(shù)等因素顯著相關(guān)，而與騎手的行為因素顯著性較低。