摘要: 以超车次率为城市道路超车行为宏观量化指标，结合 MYSQL 与 VBA，完成了海量视频超车数据的提取，分别构建了工作日、非工作日及工作日高峰期的超车次率影响因素逐步回归模型。研究结果表明: 行程时间及速度对超车行为影响显著，但车辆数在高峰期对超车行为的影响并不明显; 行程时间及速度在工作日对超车行为的影响更大，而车辆数在非工作日对超车行为的影响更明显。
关 键 词: 交通运输工程; 城市交通; 超车行为; 超车次率; 逐步回归模型
0 引 言
近年来，机动车拥有量及驾驶人数量迅速增长，人们在享受着机动化程度不断提高带来的便利之外，也承受着随之而来的交通事故频发、拥堵严重等负面效应的影响。相较于高速公路和普通公路，城市道路机动车出行次数更高，发生交通事故的可能性也更大。截至 2018 年初，我国城市道路总里程占全国道路总里程的 7.5%，而城市道路交通事故量及伤亡人数却分别占到全国的 45.8%和 38.8%，城市道路百公里交通事故率是高速公路的 4 倍、普通公路的 10 倍[1]。可见，相较于其他公路，城市道路交通形势更加严峻，相关人员需要加强对城市交通安全问题的重视。在城市道路上，超车行为对交通安全有重要影响，超车不当是造成通行效率低下、甚至导致交通事故的重要因素[2]。关于超车行为的研究，已经引起了相关学者的关注。
国内外相关学者围绕超车现象展开了一系列研究，取得了一定成果。E. I. VLAHOGIANNI 等[3]基于贝叶斯网络，构建了超车行为不确定性模型，揭示 了超车行为的微观影响因素，并指出男性司机做出超车决策的概率更高; G. HEGEMAN 等[4]利用模拟实验检验了超车辅助设备在双车道公路上的效果，发现超 车 概 率 与 冒 险 性 驾 驶 行 为 正 相 关; J. E. NARANJO 等[5]基于仿真分析，设计出了可自主实现路径跟踪及车道变换的超车系统; Z. C. HE 等[6]基于最优速度构建了超车期望影响模型; J. X. WANG 等[7]基于空间模型，构建了动态和准静态背景下的超车检测模型; H. FARAH 等[8]利用模拟实验研究了 IGT 与超车行为的关系; 柏伟等[9]开创性地在将超车过程分为换道、超越、并道 3 个阶段的基础上，结合车辆跟驰行驶时的安全距离，构建了新型超车判断及辅助模型，并以算例验证了该模型的实用性; 单晓峰等[10]通过分析双车道公路超车行为两难区，发现两难区出现的概率随着交通量及车速的增加而增加; 陈小龙[11]基于交通流理论及概率论，构建了山区双车道公路超车模型; 朱秀娟[12]基于模拟实验得到了双车道公路超车行为安全评价模型。
研究表明，超车行为受多种因素影响，是影响道路安全及通行能力的重要因素。但是，目前此方面的研究主要集中在双车道公路上，关于城市多车道公路超车行为的研究较为匮乏。而城市道路超车行为发生的概率更高，安全形势也更严峻。2018 年 1 月 7 日，中共中央办公厅、国务院办公厅印发了《关于推进城市安全发展的意见》，交通安全是城市安全的重要组成部分，而工作日和非工作日的交通差异及工作日高峰时段集中出行是城市交通的显著特点。笔者利用视频检测法，开创性地从城市多车道公路超车特性出发，对工作日、非工作日及工作日高峰时段的超车行为影响因素进行分析，分别构建了各自的超车次率影响因素回归模型; 分别对工作日与非工作日、工作日与其高峰时段的超车次率模型进行了对比分析，进一步充实了超车行为的相关研究，对推进交通安全管理、强化城市安全基础、提高城市交通安全性有重大现实意义。
1 超车特性评价指标
1.1 超车判定标准
超车是解决车速差异较大的重要手段，但同时也是导致交通事故的关键风险因素[13]。笔者在 K. TIAPRASERT 等[14]研究的基础上，以车辆通过指定点的顺序变化判定其是否超车。
2 数据来源
2.1 数据采集
数据采集点为秦皇岛市的两个交叉口( 分别为采集点 1、2) 。两采集点间路段单向直行车道数为 3，左右转车道数均为 1，车辆驶经该路段，两采集点均记录同一车辆的车牌信息，从而得到各车的通过时刻及顺序。设备布置如图 1。
2.2 数据处理
2.2.1 预处理
视频设备全天检测，得到海量数据。此外，通信故障、环境因素等均将影响数据质量，因此，需进行数据预处理。数据质量问题主要包括无效和冗余数据两类: ①无效数据主要是由于车辆跟车过近或不按规定车道行驶造成系统无法识别车牌信息，导致回传数据无法与上下游检测点车辆信息进行匹配，进而无法确定车辆的轨迹及其它信息; ②冗余数据主要是指同一辆车在极短的时间内先后被摄像机记录两次，并且不在同一车道，此种重复数据将造成部分车辆信息的重叠，不利于数据存储及相关处理。
除数据质量问题外，原始数据中的时间格式为日期时间型，不利于后续时间加减的直接运算。因此，需将日期时间型数据格式转换为类数值型数据格式( Unix 时间戳格式: 从格林威治时间起至现在的总秒数) 。
因此，数据预处理过程涉及到删除无效数据、数据格式转换和删除冗余数据 3 方面，结合 MYSQL 与 VBA 进行数据预处理。预处理后，采集点 1、2 有效数据分别为 216 735 条、173 905 条。
2.2.2 分周期统计
如图 2，车辆运行受信号灯控制，灯态转换前后车辆出发时间差明显增大，故基于预处理结果，对数据进行分周期统计，匹配上下游数据并判断顺序变化，得到各周期超车数据，步骤如下:
步骤 1: 人工确定某周期绿灯始亮时刻 t1。
步骤 2: t1 加上周期间隔值( 受车辆性能、司机反应时间等影响，各周期间隔值存在小幅度波动，故以周期时长为标准周期间隔值) 得到下一周期绿灯始亮时刻 t2。
步骤 3: 以 t2 为新的绿灯始亮时刻，进行步骤 2 的计算。
步骤 4: 利用 VBA 依次循环，完成数据分周期统计。
3 超车次率影响因素模型构建
3.1 影响因素
超车行为受车辆数、速度、行程时间、驾驶员素质等多种因素影响[15]。笔者基于视频数据特征，从交通流特性角度考察超车次率影响因素，如表 1( 上标 s、w、wh 用于区分非工作日、工作日及其高峰时段的交通参数) 。表
相关知识推荐：交通科技期刊评高级工程师可以吗
可见，工作日超车次率与车辆数、速度及行程时间呈正 相 关，其 中，速度对超车次率的影响最大，行 程 时 间 次 之，车辆数对超车次率的影响最小。 3.2.2 非工作日超车次率非工作日超车次率影响因素回归结果如表 4 ～表 5。表 4、表 5 中: 模型 1 以 ns 为预测变量; 模型 2 以 ns 、t s 为预测变量。
3.2.4 数据拟合
基于回归结果，得工作日、非工作日及工作日高峰时段数据拟合结果如图 3 ～图 5。
对比工作日及其高峰时段超车次率回归模型可知: 行程时间及速度均对超车行为有显著影响，并且在高峰时段，超车行为受两者影响的程度更高，这可能与高峰时段人们的出行目的及时间要求相关。但是，车辆数在高峰时段对超车行为的影响并不明显，这可能与高峰时段交通量较大，超车难度系数提高相关。通过对比工作日及非工作日的超车次率回归模型，发现: 行程时间及速度在工作日对超车行为的影响更大，而车辆数在非工作日对超车行为的影响更加明显。交通状态过饱和时，无法正常完成超车。鉴于数据覆盖范围有限，笔者所提模型适用于交通状态未达过饱和时的情况。
以往多为基于模拟实验或实车实验对双车道公路上的超车行为展开研究，数据量较小。此外，超车是驾驶人主观意识的反映，受驾驶人心理因素影响很大，实验中被试往往容易采取与平时驾驶习惯不同的措施，对结果影响很大，难以得到客观全面的超车行为参数，影响结果的可靠性。笔者利用视频法，基于正常驾驶状态下的海量数据对城市多车道公路上的超车特性进行分析，结果可靠。基于城市交通特点，开创性地对工作日全天、高峰时段及非工作日的超车行为影响因素进行了定量分析，对不同交通状态下的超车行为进行了更加细致化分析，对改善城市交通环境、促进交通安全具有实际意义。
4 结 论
笔者基于视频车牌识别技术得到海量交通数据，分析了城市多车道公路上超车行为，得出以下结论:
1) 结合 MYSQL 及 VBA 对海量数据进行了提取与优化，完成了数据分周期统计。
2) 以 ROT 作为超车特性宏观量化指标，得到了不同交通状态下的超车行为参数。
3) 对比工作日与非工作日超车次率模型，发现: 相较于非工作日，工作日超车次率受速度及行程时间的影响更大，而车辆数在非工作日对超车行为的影响更明显。
4) 对比工作日及其高峰时段的超车次率模型，发现: 在工作日及高峰时段，行程时间及速度均对超车行为影响显著，并且，在高峰时段，行程时间及速度对超车行为的影响更大。但是，车辆数在高峰时段对超车行为的影响并不明显，这可能与高峰时段内交通量大，超车难度系数高有关。
相应交通管理部门应着重加强对工作日期间 ( 尤其是高峰时段) 的车速管控，鼓励市民( 尤其是通行距离较远、行程时间较长的出行者) 选择公共交通方式出行，在保障通行效率的同时达到对超车次率进行控制的目标，提高交通安全系数。——论文作者：秦雅琴1 ，郑号染1，2 ，李剑仕1
