行人控制信号灯

关键词： 步行 行人 出行 交通

行人控制信号灯（精选四篇）

行人控制信号灯 篇1

关键词：行人过街,感应信号控制,过街辅助设施

0 引 言

合理的路段行人过街设施有利于保障行人安全过街,提高交通效率。国内城市中行人乱穿马路等诸多不规范的过街行为,在一定程度上是由于忽视路段设计中对路段过街设施设计[1]。为规范交通秩序,提高路段行人过街效率,保障行人过街安全,交通工程师设计了多种路段行人过街设施,可分为平面过街设施和立体过街设施两大类。相对于立体过街设施,平面过街设施具有建设简单、投资少、行人过街方便等优点,应用最为广泛。但平面过街设施由于不能实现车流与人流的空间分离,无法完全阻止不规范的行人过街行为的发生,易影响路段车流的运行,存在较大的安全隐患。

路段平面过街设施可分为无信号控制、定周期信号控制、感应信号控制3类。无信号控制的行人过街设施应用最为广泛,在机动车交通量较大时易造成交通混乱,安全性较低。定周期控制行人过街设施是依据行人流量及机动车流量的历史数据设计,兼顾人、车的通行权,但在过街行人较少的情况下机动车会产生较大延误。感应式行人过街信号控制可根据车流量和人流量的变化改变信号控制方案,能显著改善行人过街安全性和效率。现有基于机动车信息的感应控制和基于过街行人信息的感应控制2种[2]。基于机动车信息的感应信号应用较为广泛,但对行人通行权的考虑有所缺失。基于过街行人信息的感应设施主要为“按钮式”行人过街设施,其能保障路段行人的通行权,体现“以人为本”的设计理念,但使用认知度偏低,智能化程度不高。在交通规范意识较为薄弱的地区,行人常因忽略过街按钮而直接闯红灯过街,容易发生严重的交通事故。

本文设计了一种新型的路段感应式行人安全过街系统,应用于行人过街需求和路段车辆到达具有脉冲特性的路段。该系统采用视频检测技术实现过街行人的自动检测,利用感应线圈检测机动车流的车头时距;通过感应控制实现信号的实时调整以保障行人通行权和减少对车流的影响;采用“减速带式”人行横道、路段行人过街通道灯、智能人行道护栏等辅助过街设施提醒驾驶员减速,空间隔离车流与人流。

1 系统框架设计

路段感应式行人过街系统由信息采集系统、过街信号控制系统、过街辅助设施3个子系统组成。信息采集系统分行人检测和机动车检测两部分,行人检测依靠视频检测技术自动识别过街等待区中行人,机动车检测采用感应线圈检测车辆的车头时距。过街信号控制系统根据行人等待时间和车流的车头时距,调整信号控制参数,并依据实时交通状况对路段通道灯和智能人行道护栏等行人过街辅助设施进行控制。系统兼顾行人过街需求和路段车辆通行效率,同时实现行人流和车流在空间和时间上的同步分离,系统实施框架见图1。

2 信息采集系统

2.1 行人检测

采用视频检测方法可自动获取行人图像。行人具有灵活性、非刚体性和随意性等特征,在视频拍摄时,所得图像中行人的轮廓表现得比刚体复杂;而且行人的外观受到身材、姿势、衣着、光照等多方面的影响,行人轮廓特征不容易被提取。因此将摄像机垂直架设在检测区域上方可最大限度地减少行人的遮挡和行人轮廓特征不易提取的不利因素,摄像机的设置见图2。

摄像机采集的原始图像往往存在噪声,不利于后续图像的处理。为了抑制噪声,须对拍摄的图像进行预处理,以改善图像质量,提高行人的辨识程度。考虑能较好过滤噪声、减少不必要的图像损失、原理简单适用等因素,系统采用中值滤波法对图像进行预处理。

图像经过预处理后,进一步采用基于统计分类的方法,即将行人检测看作是一个行人/非行人的分类问题,先对行人进行特征提取,然后利用模式识别进行分类。因此,行人特征提取方法和分类器的选择成为快速高效检测行人的关键。梯度直方图(histograms of oriented gradient,HOG)[3]被证明是能很好刻画人体的轮廓并描述局部形状信息的特征,对光照变化和少量的偏移不敏感,适用于提取行人特征。步骤如下:①将图片分成多个块,每个块分成多个单元格,在每个单元格中,计算梯度的方向分布直方图作为特征向量;②把每个块的特征向量串联起来构成整个图片的特征向量;③对于大量的特征,求出正样本(行人特征)的概率,联合Gentle Adaboost算法[4]创建的分类器实现行人的快速检测。Gentle Adaboost算法不仅具有较高处理精度与速度,同时算法简单,计算速度快,在需要进行实时信息的处理时显得格外的重要。

2.2 机动车检测

在人行横道两侧的停车线上游车道设置机动车检测器,负责机动车空档检测。检测器位置与机动车单位绿灯延长时间、车辆的平均速度密切相关,因此选择最佳的检测器布置位置对感应控制的效果具有重要作用。检测器距离停车线的距离应满足3个要求:

1) 保证车辆在单位绿灯延时内顺利通过人行横道,如式(1)。

$l{}_1\le g{}_{\min }\cdot v{}_{\text{v}}(1)$

式中:l1为机动车行驶方向上检测器与停车线的距离,m;gmin为机动车单位绿灯延长时间最小值,s;vv为路段机动车车速,m·s-1。

2) 满足车辆在人行横道前安全刹车的要求,见式(2):

$l{}_2\ge \frac{v{}_{\text{v}}^2}{2a}+t{}_{\text{d}}v{}_{\text{v}}(2)$

式中:l2为机动车在停车线前安全停车时检测器与停车线的距离,m;a为机动车减速度,m·s-2;td为驾驶员反应时间,s,vv为路段机动车车速,m·s-1。

3) 在最小流量时车辆排队不超越检测器,如式(3)。

$l{}_3\ge q{}_{\max }\cdot h{}_{\text{v}}(3)$

式中:l3为受车辆排队约束时检测器与停车线的距离,m;qmax为最小流量时的最大排队车辆数,辆,hv为排队车辆的平均车头间距,m。

综合以上3个要求,机动车检测器感应线圈与停车线之间的距离l=max(l1,l2,l3)。

3 路段行人过街感应信号控制系统

3.1 路段行人过街感应信号基本原理

行人过街的信号根据过街行人信息和路段车流空档进行实时的调整,路段行人过街感应信号工作流程见图3。

3.2 信号控制参数计算

路段行人过街感应信号配时方案中涉及5个重要控制参数:行人绿灯时间Gp、机动车初期绿灯时间G0、机动车绿灯极限时间Gmax、机动车单位绿灯延长时间gmin和gmax,其计算及获取方法见表1。

除了上述5个信号控制参数外,行人等待临界时间tp也是决定是否转换行人相位的重要参数。确定适当的tp值,可以减小过街行人延误,避免行人强行穿越的比例。通过对南京西康路、北京西路、进香河路和太平北路路段行人过街设施的观测,当行人平均延误低于20 s时,行人强行穿越的比例较低;在20～30 s时,比例适中;30 s以上,比例较高。因此,建议tp取值在20～30 s之间。

4 行人过街安全辅助设施

基于视频检测的感应式行人过街信号从时间角度分离了行人和车辆,能有效提高路段的通行效率、方便行人过街。但是对于部分交通意识淡薄的行人闯红灯过街、驾驶员未在人行横道前减速等具有较大的交通安全隐患的行为,更需要从空间分离等角度来设计。为此论文设计了“减速带式”人行横道、路段行人过街通道灯系统和智能人行道护栏3类行人过街安全辅助设施,以提高行人过街的安全性。

4.1 “减速带式”人行横道

“减速带式“人行横道的设计借鉴了减速带,通过让驶过人行横道的车辆产生颠簸感来提醒驾驶员在人行横道减速。设置方法为将绘有人行横道标线的路段抬高4 cm,与原路面以1∶4的坡面连接,如图4中标有人行横道标线的浅灰色路面所示。目前国外在一些生活区道路中有相关的应用,在城市干道应用时需要考虑路段车流速度。在平均车速较高时,不宜采用该设施,以避免产生车辆侧翻等事故。

4.2 路段行人通道灯系统

路段行人通道灯铺设于“减速带式”人行横道的坡面上,如图4中人行横道边的红色发光点。由信号控制机来控制其开关:只当行人信号绿灯时,跑道灯发出红光。采用高强度跑道灯,在行人过街时间发出强光束,形成光墙,警示驾驶员停车,在夜晚使用效果尤为明显。

4.3 智能人行道护栏

为了从空间上更好地隔离行人和机动车,避免行人闯红灯引发的交通事故。在设有机非分隔带的路段上安装智能人行道护栏。护栏由控制立柱、启闭门和三辊闸护栏组成,见图5。护栏在行人绿灯相位时开启。考虑到会有行人在护栏关闭时未能及时通过而被滞留在路段中,因此在护栏一侧设置三辊闸式护栏,只允许行人从路段到人行道的单向通行。

5 结束语

针对既有路段行人过街设施的不足,采用视频检测技术,实现对过街行人识别;利用感应线圈判别路段车流空档;根据行人过街需求量、等待时间以及机动车的空档设计了感应信号配时方案,确保行人过街通行权,并尽可能保障机动车的通行需求;应用“减速带式”人行横道、路段通道灯、智能人行道护栏3类行人过街安全辅助设施,实现人流与车流的时空分离,保障行人的过街安全性,提高路段车流运行效率。随着视频检测技术的检测精度的提高和检测设备费用的降低,智能化的行人检测技术将得到推广和应用。在后续的研究中,仍需进一步优化感应信号控制算法,考虑路段过街与相邻交叉口信号的协调,进行实物仿真,验证系统的安全性和有效性。

参考文献

[1]郑长江,王炜,陈淑燕.行人过街信号与交叉口信号的协调控制[J].交通运输工程学报,2004,4(4):106-109.

[2]郑明明,徐洪峰.路段信号控制人行横道的控制方案设计与分析[J].交通与计算机,2006,2(24):137-141.

[3]Navneet D,Bill T.Histograms of oriented gradi-ents for human detection[C]∥2005IEEE ComputerSociety Conference on Computer Vision and PatternRecognition,CVPR 2005,June 20,2005～June 25,2005.San Diego,CA,United States:Institute ofElectrical and Electronics Engineers Computer Soci-ety,2005:886-893.

[4]朱文佳,戚飞虎.基于Gentle Adaboost的行人检测[J].中国图像图形学报,2007,12(10):1095-1098.

[5]李文勇,陈学武,王庆,等.路段人行横道通行能力及过街绿灯时间计算[J].武汉理工大学学报:交通科学与工程版,2006,30(5):751-754.

[6]吴兵,李晔.交通管理与控制[M].北京:人民交通出版社,2005.

行人控制信号灯 篇2

步行交通是城市居民出行的主要交通方式之一, 2009年的一份调查报告显示, 我国大城市居民出行中, 步行占总数的20.1%[1], 而小城市的步行比例更大。在道路交通系统中, 行人为弱势群体, 也是交通伤害的主要受害者, 2006～2008年的全国道路交通事故统计数据表明, 行人、乘客、摩托车驾驶员三者伤亡人数占总数的70%以上, 而行人交通事故致因之一是行人违章过街行为[2]。如何降低和减轻行人交通事故已经成为城市交通管理的一项重点工作, 要改善行人交通安全需要从多方面入手, 包括:行人合理过街行为的有效引导、教育, 行人过街设施的优化布置和设计。显然, 在合理地诱导行人过街行为、优化过街设施设计之前, 必须清晰、完整地掌握行人的过街特性, 以保证措施的有效性。基于此, 本文拟针对城市道路路段行人过街横道上的行人过街行为开展研究, 通过行为数据采集, 运用统计方法来解析行人过街行为机理。

国内外关于行人过街行为的文献较多, 分别针对交叉口和路段过街横道, 从研究理论基础, 主要包括三类:间隙接受理论、离散选择模型、心理行为分析模型。基于间隙接受的行人过街研究受启发于机动车的间隙接受理论, Oxley等 (2005) 针对行人接受的间隙行为进行研究, 开展了两种不同的交通仿真测试, 以分析行人年龄、车流速度、车头时距等对间隙接受行为的影响, 结果表明, 前后车辆的间距和行人自身特征是影响最小接受间隙的最重要因素, 随着车流密度增加接受间隙减小[3]。中国学者姚荣涵等采用韦布尔分布函数模拟机动车车头时距分布, 得到了行人在一次穿越一条车道、多条车道或一个方向三种穿越方式下的穿越概率[4]。Yang等 (2006) 基于视频监测数据和问卷调查, 以交叉口红灯期间的行人行为为对象, 将行人分为遵章型和投机型两类, 考虑了警察、车辆和其他行人的影响, 构建了过街行为和接受间隙的微观仿真模型[5]。Das等 (2005) 在印度新德里采用参数估计和非参数估计方法估算了行人接受间隙, 结果显示, 行人过街行为取决于是否从路侧开始过街或从中央分隔带继续过街, 同时, 大型车辆对过街决策也有影响[6]。Khatoona等 (2012) 运用Logistic回归分析研究了印度德里的行人风险行为, 比较某交叉口设置分离式立交前后的行人行为, 结果显示, 立交设置后, 行人过街将选择更小的车流间隙, 而其它因素如等待时间、车型、行人性别、年龄等对其影响更显著[7]。Brewer等 (2006) 开展了行人行为分析发现, 行人过街时并非等到机动车流中出现相当大的间隙后才选择穿越, 相反, 他们期望车道上没有车辆而采用滚动间隙“Rolling gap”来过街[8]。Kadali和Perumal (2012) 通过采集路段过街横道处的行人特性、机动车特征和交通流特征数据, 基于对数正态线性回归Lognormal regression, 建立了行人接受最小间隙模型, 结果表明, 影响行人过街决策的主要因素包括:行人年龄、速度、过街方向、滚动间隙、车速。离散选择模型的理论假设是决策者效用最大化行为, 即决策者面临有限个选择方案, 每个方案有相应的效用值, 具有最大效用值的方案将被决策者采用[9]。中国学者王炜 (2005) 、裴玉龙 (2007) 等也分别运用间隙接受理论研究了行人在信号交叉口的过街行为[10,11]。Himanen和kulmala (1988) 采用离散选择模型研究了驾驶员与行人在横道处的行为, 发现影响过街行为的主要因素为过街人群规模、城市大小、车流速度、车队尺寸、行人至路缘石距离等[12]。 Sun等 (2003) 研究路段过街横道处行人和机动车的竞争合作行为, 采用概率模型和二元Logit模型描述了路段过街横道处的行人间隙接受行为和驾驶员让行行为, 将模型结果与观测数据进行比较发现, Logit模型预测结果具有很高的准确性[13]。Antonini等 (2006, 2009) 将行人前方空间离散成有限个小区间, 基于交叉嵌套Logit模型和混合嵌套Logit模型, 建立了行人的速度和方向模型。部分学者从行人过街心理来研究其行为, 该方法主要基于对行人的访问调查来分析行人的过街心理[14,15]。Hine (1996) 通过行人对过街难度、交通条件以及过街设施的评价结果, 识别其过街行为[16]。Evans和Norman (1998) 、Yagil (2000) 分别采用多层回归、多变量回归方法来模拟过街行为, 基于问卷调查, 从行人的态度、主观准则、感知的行为控制、自我意识刻画了行人的行为[17,18]。Diaz (2002) 、Lavalette等 (2009) 分别建立了结构方程模型, 以模拟行人过街的风险行为[19,20]。

行人过街行为是一个复杂过程, 受行人特性 (出行目的地、路径、性别、年龄、冒险心理) 、道路特征 (有无中间带、道路宽度、非机动车道) 、交通流特性 (密度、速度、流量、车型) 、周边环境 (天气、城市中心/郊区) 等影响, 现有研究大多针对某个地区或某个交叉口/路段过街横道, 而且这些研究所得的模型和结论缺少标定[21]。我国城市道路行人过街问题极为突出, 而相关研究还较少。基于此, 本文以长沙市8处无信号控制的路段过街横道为对象, 采集行人过街行为数据, 基于统计分析研究行人过街行为, 为解决我国城市道路过街横道处的拥堵和安全问题提供依据。

2 数据采集与分析

为了分析行人过街行为, 选择长沙市中心城区内8处路段过街横道开展调查, 如表1, 结合视频采集和测速雷达进行数据采集。摄像机架设于横道附近建筑上方, 记录横道上的行人和机动车行为;于过街横道上游20米处采用测速雷达获取到达车辆速度。对视频数据进行处理, 提取行人过街决策 (通过/停止) 、过街人群人数、行人性别、年龄 (小孩、中青年、老年) 、交通量、车头时距、车型 (小车、中型、大型) 、道路宽度 (车道数) 。合并视频数据和雷达测速数据, 得到行人过街行为数据样本。

本次调查选择晴天, 时间为上午9∶00～11∶00, 共计获得1449个有效样本。

2.1 个体属性与过街行为

(1) 在无信号过街横道处穿越机动车流时, 男性选择“通过”的比例高于女性。调查对象为男性选择“通过”的比例为58.7%, “停止”的比例为41.3%;而女性选择“通过”的比例为50.4%, “停止”的比例为49.6%.

(2) 小孩选择“通过”比例最高, 中青年次之, 老年人比例最低。小孩选择“通过”的比例为70%, “停止”的比例为30%;中青年选择“通过”的比例为57.7%, “停止”的比例为42.3%;而老年人选择“通过”的比例仅为38.4%, “停止”的比例为61.6%.

(3) 群体过街选择“通过”的比例高于单人过街, 群体过街时, “通过”比例为56.4%, “停止”比例为43.6;而单人过街时, “通过”比例为47.5%, “停止”比例为52.5%.

2.2 交通条件与过街行为

(1) 车头时距是影响行人决策的重要因素, 行人“通过”对应的车头时距区间值为 (1.99, 17.92) 秒, 中值为 4.58秒;而“停止”对应的车头时距区间值为 (1.05, 3.56) 秒, 中值为2.24秒。

(2) 车型对行人过街决策也有一定影响, 行人面临小车时选择“通过”的比例为56.8%, “停止”比例为43.2%;面临中型车时“通过”的比例为50.4%, “停止”的比例为49.6%;面临大型车“通过”的比例为45.5%, “停止”的比例为54.5%.

(3) 描述性统计结果没有显示交通量和车速对行人过街决策有影响。

2.3 道路条件与过街行为

车道数也将影响行人过街决策, 单向车道数为1、2、3、4时, 行人选择“通过”比例为59.3%、58.7%、56.7%、56.1%, 选择“停止”比例分别为40.7%、41.3%、43.3%、43.9%.

3 行人过街决策模型及解析

3.1 模型变量及编码

为了进一步深入分析各因素对行人过街决策的影响程度, 采用二值多元Logistic回归以建立行人过街决策模型。模型因变量为过街决策D, D为二分类变量, D=1表示“通过”, D=0表示“停止”。选择包含个体属性、交通条件和道路条件在内的8个指标作为自变量, 包括1个二分类变量、3个三分类变量, 4个为连续变量, 分类变量编码及定义如表2。

由于变量“车型T”均为无序分类变量, 采用两个哑变量T1、T2编码, “小车”对应T1=0, T2=0, “中型车”对应T1=1, T2=0, “大型车”对应T1=0, T2=2。

3.2 基于Logistic回归的行人过街决策模型

将行人“通过” (D=1) 的概率记为P, P与自变量之间的Logistic回归模型为:

${\rm P}\{D=1\}=\frac{\exp (\beta {}_0+\beta {}_{1}X{}_1+\cdots +\beta {}_{n}X{}_n)}{1+\exp (\beta {}_0+\beta {}_{1}X{}_1+\cdots +\beta {}_{n}X{}_n)}$

采用SPSS软件对Logistic回归方程的参数进行标定。自变量进入方程分两种方式: 变量T1, T2采用强迫回归法 (Enter) 进入方程; 其它7个变量采用逐步向前回归法, 剔除依据基于条件参数估计似然比 (Forward Conditional) 。

最终进入方程的变量为7个, 变量“交通量”被剔除 (sig.=0.139) , 哑变量“大型车”的显著性sig.=0.061, 略大于0.05, 所以变量“车型”保留在方程中。行人过街决策Logistic模型变量参数如表3所示。

采用Hosmer-Lemeshow拟合优度检验法对Logistic回归模型的拟合程度进行检验, 结果如表4。表4显示, 卡方值为52.493, 自由度等于8, 拟合优度指标sig.=0.052>0.05, 表明模型预测值与样本数据值差异不显著, Logistic模型能较好地拟合样本数据。

模型预测的准确率如表5所示, 模型预测的总体准确率为77.2%, 其中预测行人“停止”的准确率为79.8%, 预测行人“通过”的准确率为75.1%, 表明该模型具有较高的准确率, 是可以接受的模型。

3.3 行人过街行为解析

应用表3数据分析单因素对行人过街行为的影响, 可得出:

(1) 车头时距是影响行人过街选择的最关键因素。在其它因素不变的条件下, 车头时距增大1秒, 行人选择“通过”的可能性增大1.107倍。

(2) 车速越快, 行人选择“通过”的可能性降低。当车速增加1m/s (3.6km/h) , 行人选择“通过”的可能性下降至0.907倍。

(3) 车道数越大, 行人通过横道的愿望越强烈, 道路增宽1条车道, 则行人选择“通过”的可能性增大0.162倍。

(4) 同样的道路交通条件下, 男性在过街横道处选择“通过”的可能性是女性的1.641倍。

(5) 群体过街与单人过街对行人决策有影响, 当群体人数2～5人时, 通过的概率是单人的1.172倍, 但是当群体人数>5人时, 通过概率是单人的0.635倍。引起这种偏差的原因是:当群体数很大时, 车辆驾驶员为了避免长时间的停车可能选择更高速度和跟车时距, 从而减少了行人穿越的机会。

(6) 在同等条件下, 中青年人“通过”的概率大于小孩, 小孩通过的概率大于老人, 这与常人理解一致。

(7) 车型越大, 行人选择“通过”的概率越低, 行人面临中型车选择“通过”的概率是面临小车的0.912倍, 而面临大型车时概率降到0.636倍。

4 行人接受临界车头时距特性

为了进一步分析行人过街行为, 本节将讨论行人临界接受车头时距Hc的特性。针对行人决策样本数据, 选择车头时距为自变量, 分别绘制不同车道数、性别、群体人数、年龄、车型下行人选择“通过”的概率曲线, 如图1、图2、图3、图4、图5。

参考机动车流穿越临界间隙的定义[22], 定义行人接受车流临界车头时距Hc为:车流中出现的车头时距等于Hc时, 行人选择“停止” (D=1) 和“通过” (D=0) 的概率相等, 即P{D=1}=P{D=0}=0.5。

在以上各图中于纵坐标0.5处作参考线, 即可得到各种情形下的临界车头时距, 发现:

(1) 行人过街时, 采取的临界车头时距基本在2～4秒。

(2) 当道路为1车道时, 临界车头时距约为4秒, 随着车道数增加, 临界车头时距减小, 当车道数为4时, 临界车头时距约等于2.5秒。

(3) 男性行人的临界车头时距为3秒, 而女性为3.8秒。

(4) 单人过街时, 临界车头时距为3.5秒, 而群体过街人数为2～5人时, 临界车头时距为3.2秒, 当超过5人以上群体过街时, 临界车头时距3.8秒。

(5) 小孩过街时, 采取的临界车头时距为3.8秒, 而中青年为3秒, 老年人则达5.7秒。

(6) 面临小车时, 行人采取的临界车头时距为3.2秒, 中型车则潍3.4秒, 而大型车为4.2秒。

5 结论

本文基于Logistic回归方法构建了无信号控制路段过街横道处行人过街决策的理论模型, 验证了车头时距、车流速度、车型、道路宽度 (车道数) 、行人性别、年龄、过街群体人数对行人过街决策的影响。 以长沙市8处无信号路段过街横道为对象采集行人过街样本1449个, Logistic回归方程系数表明:车头时距是影响行人过街决策的关键因素; 随着车流速度增加1m/s, 行人选择通过可能性减小约10%;行人面临中型车选择通过的概率比小车小约8.8%, 而面临大型车时概率减小36.4%; 道路宽度增加 1条车道, 行人选择通过的概率增大16.2%;男性选择通过概率比女性大64.1%;中青年选择通过概率比小孩高34.4%, 而老年人通过概率比小孩低53.7%;群体过街人数为2～5人时通过概率比单人过街高17.2%, 而过街人数大于5时通过概率比单人过街低36.5%. 本文研究行人过街的临界车头时距特性结果表明:行人过街时采取的临界车头时距在2～4秒, 而车道数、性别、过街群体人数、行人年龄、车型对临界车头时距有明显影响。基于Logistic回归的行人过街行为研究成果可以为行人过街设施设计、信号控制提供理论依据, 也可以为行人安全改善提供参考。

城市信号交叉口行人过街速率分析 篇3

实际上,对哈尔滨市市民来说,过街行人步行速度居中,对于不同的年龄梯次,显示不同的过街速度,为现有哈尔滨市规范行人步行速度参数积累数据来源。文章调查、分析了哈尔滨市三个重要交叉口,记录了750 组详实的数据,对各类不同影响因子作用下的行人过街速度实行分类分析,找出导致差异的影响因素。

1 调查方法与数据分析

平均步行速度是通过行人过街速度详细调查得来的,具体地说,就是通过测量交叉口人行过道长度与行人触及时间计算而得到的。

1.1 影响因子研析

行人过街速度的影响因子包括行人的年龄、性别、人行横道宽度、打伞与否、携带行李与否、有无过街伴行人群、机动车流量、过街群体数量、交叉口信号配时等相关因素。因此,本文可从中挑选出具有较大影响的几个因子进行研究。

1.2 数据汲取

依据研究的群体类别,本文选取了三个交叉口进行实际数据录摄,分别是红旗大街先锋路路口、中山路长江路路口、黄河路嵩山路路口。各路口的实际情况如下。

1.2.1 红旗大街与先锋路交叉口

红旗大街机动车流量集中,先锋路机动车流量较大;红旗大街的跨度较大,路中未设安全岛,信号灯一次控制行人过街。

1.2.2 中山路与长江路交叉口

中山路人流量较大,且该路口经过的老人和儿童居多;设有安全岛,信号灯分段控制行人过街过程;长江路行人流量较少,车流量多。

1.2.3 黄河路与嵩山路交叉口

该交叉口行人多,路中设有高架桥,没有安全岛,行人过街时与同向右转车发生交织或冲突;该路段信号配置时常出现时间差,大部分行人不遵守交通规则而进入人行横道,从而积聚了交通隐患。

2 数据特性分析

行人过街速度特性的研究可选取速度平均值、15%位速度、85%位速度和方差等指标来描述。

2.1 性别差异对行人速率的影响

2.1.1 速度区间范围分析

男女平均速度和速度区间分布显然不同,通过调查研究可知:男性平均速度为1.470 m/s,明显高于女性为1.256 m/s,男女过街通过速度区间分别分布于1.2～1.8 m/s和1.1～1.5 m/s。两群体速率区间图接近正态分布,其15% 位速度、平均速度与85% 位速度的比较如表1所示。调查中发现,行人速度较快时一般发生在快速通过交叉口,速度在1.8 m/s 以上的男性为10.01%、女性为7.69%,差别不明显。这表明,在遇到特殊情况时,如抢时间、绿灯闪烁时间不足、行人与机动车辆发生冲突时继续前行等,男女通过速度较快。从这一点来看,性别并不影响过街速度。

2.1.2 行人速度正态分布分析

通过调查研究,采用显著性水平为0.05的正态分布分析与单因素方差分析,见表2。样本均值由公式(1)表示,标准差由公式(2)表示,正态分布的概率密度函数由公式(3)表示

$\begin{array}{l}\overline{x}=u=\frac{x{}_1+x{}_2+\cdots +x{}_n}{n},(1)\\ \sigma =\\ \sqrt{\frac{1}{{\rm N}-1}[(x{}_1-\overline{x}){}^2+(x{}_2-\overline{x}){}^2+\cdots (x{}_n-\overline{x}){}^2]},(2)\\ f(x)=\frac{1}{\sigma 2\pi }e{}^{-\frac{(x-u){}^2}{2\sigma {}^2}}.(3)\end{array}$

单因素方差分析是指对单因素试验结果进行统计分析,它是两个样本平均数比较的引伸,用来检验多个平均数之间的差异,检验统计因素对试验结果有无显著性影响的一种方法。完全随机设计则不考虑个体差异的影响,仅仅考虑一个因素,但两个或多个水平可同时参与,也称单因素实验设计。实验过程中,按照随机化原则将试验对象随机分配到一个处理因素的多个水平当中去,再观察各组的试验响应;观察各个因素水平,再按某个因素的各个水平分组,衡量该因素的效果。通过单因素方差分析,比较离均差平方和(SS)、自由度(df)、均方差(MS)、统计量(F)和通过查寻F临界值表得到P值,其结果见表3。由于F>F -crit=3.848921,男、女之间总体平均值存在一定差异。

2.2 年龄差异的行人速率分布

2.2.1 速度分布特征分析

调查显示,不同年龄人群行人速率如表4 所示。

由表4得知:老年人速度偏低,其生活、工作压力小,而中青年步行速度较快,其原因是此类人群家庭、社会责任繁重,工作节奏快,整天忙碌,生活和工作压力大,而且他们的身体素质与其他人群相比具有优越性,因此,以较快的速度越过信号交叉口;儿童过街充满了好斗性和竞争性,奔跑是他们的习惯,于是过街速率较快;而陪同儿童过街的成年人由于考虑安全问题也不得不加快速度越过交叉口。不同年龄段行人15%位速度及85%位速度见表5。

2.2.2 行人速度的正态分布分析

依据数据调查结果,显著性水平为0.05 的正态分布如表6及图1所示。

性别差异产生的行人过街速度的单因素方差数据分析结果见表7。

上述分析可知,各组之间具有统计学差异。

总的说来,中、青年由于没有明显的区别界限,其速度均值差距不大;儿童不适于单独行动,由成年人带领,其速度与青年、中年差别不大;而老年人则与儿童、青年、中年速度显示了较大的差异。因此,信号交叉口配时尤其不应该忽视老年人群体。

2.3 附加因素对行人速度的影响

附加因素影响时的行人速度见表8。

通过详细调查,部分行人漠视交通法规,过街行人闯红灯等违章迹象屡见不鲜。违章者越过交叉口的速率超过整体平均速率,也超过遵纪过街的行人速率。这种现象暴露了行人通过交叉口的冒险性,人与车辆的冲突、人与人的比肩前行使司机的决策受到限制,这就增大了发生交通隐患的可能性。

由于行人流量没有大到因人行横道宽度不足而影响行人过街速度的程度,因此,行人过街速率主要跟以上因素有关。当然,多人同行时过街速度偏低。行人列数与数量的大小对其过街时间有直接影响。当人员居多时,驾车者注意力集中,如遇到紧急情况可采取紧急刹车等办法,保证了行人安全;当过街人数减少时,司机可能会疏忽于行人,采取想象的速度前行,因此,降低了行人的安全系数。此外,站在心理学的视觉分析其行为,由于同行人数居多,行人在心理上存在潜意识的安全感,这就有可能无视非机动车和机动车的存在,放松了警惕性,因而对相对而行的机动车没有思想准备,产生麻痹大意的思想而酿成事故。

根据哈尔滨市相关路段的调查,中山路与长江路路口靠近省政府、省公安厅,该线通过哈尔滨市火车站和公路客运站两个客流集散点,另外黄河路与嵩山路交叉口有大型超市和集贸市场,外地打工带行李的人数较多。通过分析得知,携带行李步行时,行人过街速度缓慢。

2.4 测量结果整总体分析

通过与其他文献比较,本次行人测量的速度稍快一些,在误差允许的情况下,这样的结果与哈尔滨市人群的生活习性、信号交叉口的地点和周边辅助设施极其相关。哈尔滨市是全国排名前十的大城市,居民生活节奏快,就业压力大,行人的步行速度较快;从过街人群看相关交叉口,中山路与长江路路口下行是火车站,通过该路口的行人多为旅客,有的携带行李,众多因素使得行人更加渴望急速越过交叉口;通过交通流来分析,红旗大街与先锋路交叉口一般情况下车流量大,交通车辆在直行的时候绿灯显现时间长,为了抢回时间,行人则会以更快的速度越过交叉口。

3 行人过街设计速度的整合

本次调查的数据与通行的设计规范采用的行人过街设计速度相比,规范采用的设计速度1.2 m/s与调查所示的15%位速度相比过高,使许多行人不能在绿灯闪烁期间通过,甚至很多老年人不得不加速跑步通过,有的过街速度甚至超过了2.7 m/s。

为确保绝大多数行人安全、顺畅地通过信号交叉口,应该采用15%位速度作为设计速度,以保证15%行人的安全。调查数据显示,整个样本的15%位速度为1.123 m/s,而为了保证老年人的安全与便捷,充分体现以人为本、保护弱势群体的原则,还应考虑老年人的特殊状况,因为老年人过街的15%位速度为0.913 m/s,在老年人较多的相应地段应该适当地降低行人过街设计速度。因此,本文推荐的信号交叉口行人过街步行设计速度为0.90～1.15 m/s 之间。这个速度与国外相关研究得出的结论相差无几。

4 结束语

本文通过调查研究和分析表明,现行的行人过街基础设施以及有关政策还有很多问题需要改善。在信号交叉口处涌现交织与冲突,其中过街行人与机动车辆的冲突尤为引人注目,一般情况下,行人信号灯只能分离行人与侧向直行车辆的冲突,不能避免来自转弯车辆的冲突。一旦遇到此类冲突时,可以采取改变信号配时,或进行交通补充管制,也可以在信号交叉口相位中设置行人专门使用的相位。通过调节信号灯配时,既可以降低行人的过街延误,又保证了老年群体的过街安全,充分体现信号交叉口的全面设置、以人为本的原则。当遇见宽度较大的人行道时,就要配设安全岛,使行人再次过街时从能够相应缩短信号周期和行人等待时间。如二次过街后,行人产生的延误仍然大于行人等待的忍耐极限时间,可考虑搭设人行天桥、地下通道或者采用路网分流等措施。

摘要：通过分析各种条件下的行人过街速度,对哈尔滨市三个大型信号交叉口的不同时段、区域和年龄群体的行人过街时的相关参数进行调查,应用统计学研究的方法对数据进行对比分析,可以计算在各类因素作用下的行人步行过街速度。在此基础上,推荐合理的交叉口行人过街设计速度,可为计算信号交叉口处的行人过街信号灯配时和制定相关政策以及管理设施的设置提供依据。

关键词：行人过街,设计速度,信号交叉口,统计分析

参考文献

[1]SZ-C-B03-2007,上海市城市干道行人过街设施规划设计导则[S].

[2]Transportation research board.Highway CapacityManual[R].Washington D C:TRB,National ResearchCouncil,2000.

[3]TARAWNEH M.S.Evaluation of pedestrian speed inJordan with investigation of some contributing factors[J].Journal of Safety Research,2001(32):229-236.

[4]刘光新,李克平,倪颖.交叉口行人过街心理及交通行为分析[J].交通科技与经济,2008,49(5):94-95.

[5]冯树民,吴阅辛.信号交叉口行人过街速度分析[J].哈尔滨工业大学学报,2006,23(9):76-78.

[6]陆健,叶惠琼,姚冬雷.行人过街设施合理间隔[J].交通运输工程学报,2002,2(4):63-67.

[7]同济大学概率统计研究组.概率统计[M].上海:同济大学出版社,2004.

[8]裴玉龙,冯树民.基于交通冲突的行人过街危险度研究[J].哈尔滨工业大学学报,2007,39(2):285-287.

行人控制信号灯 篇4

在城市交通中,行人交通是1个相对弱势的群体,涉及到行人的交通事故一直居高不下。过去几十年,为了适应社会经济的发展,一直本着 “以车为本”的理念,在进行交通设计时为了保障机动车的通行效率,多数道路行人过街环境遭到破坏,行人违法上道路行驶、违法占道、违反交通信号等不安全行为较为普遍。2007~2012年造成行人交通事故的原因见图1。其中违法上道路行驶、违法占道、违反交通 信号等分 别占33. 32%,12.50%和54.18%[1,2,3,4,5,6],违反交通信号是造成行人交通事故的主要原因。

在机动化快速发展的情况下,信号交叉口秩序混乱,信号周期长和行人违章过街三者组成了1个恶性循环状态,北京市也不例外。在优先考虑机动车交通运行效率的情况下,交叉口交通设施规划设计及建设管理理念未能对不同道路等级的行人过街行为给予不同的定位。在进行交通工程设计时,常常通过长周期信号控制方案、增加机动车车道数、压缩非机动车和行人的通行空间来保障机动车的流畅行驶,从而增加了行人的红灯等待时间,加剧了行人等待红灯的焦虑。同时,由于缺乏足够的服务于行人的人性化道路设施,造成行人违反交通法规,无视交通信号灯和交通标志,与机动车和非机动车抢行,造成交通秩序混乱,在增加了行人过街的危险性同时降低了交通流的总体运行效率。信号交叉口行人过街忍耐时间是行人和交通管理者共同关注的1个重要参数,是体现行人过街心理的重要指标,是设计交叉口信号控制方案的重要依据。当行人过街的等待时间超过其忍耐时间时,行人便会强行过街,出现人车混行的混乱状态,降低交叉口运行效率,并具有很大的安全隐患。因此,通过对北京市信号交叉口行人过街忍耐时间的研究,试图改善信号交叉口行人的过街环境,引导更多的城市居民参与绿色交通,从而缓解交通拥堵,实现北京市交通系统的高效运转以及交通系统良性、稳健发展,对于构建以人为本和建设宜居环境的和谐社会具有重大的现实意义。

1文献综述

Asaba和Saito[7]通过在日本的研究发现,行人过街等待的不耐烦峰值大约为40~45s,不耐烦感在21~28s时已开始产生。英国Rouphail等[8]得出英国行人可忍受等待时间为45~60s。 Martin和Johnson[9]对北美及欧洲相关研究进行了回顾,当双向车流量低于1 500辆/h、等待时间超过40s时,违章穿越机动车道的行人数量会急剧增加。佛罗里达州《步行规划设计手册》[10]提出,无论是否为信号控制过街,当行人过街等待时间超过30s时即会开 始焦躁。Geetam Tiwari等[11]对印度Delhi市的7个信号交叉口的行人进行调查,利用生存分析法得出了女性的平均等待时间比男性大27%;女性的90%行人等待时间比男性大44%。行人不安全通行的概率与等待时间有关。

卢守峰等[12]利用生存分析法提出了长沙市行人过街最大等待时间为40~50s的结论。郭宏伟等[13]在北京市信号交叉口实测数据的基础上,建立了基于危险的行人过街等待持续概率模型,得出大多数行人能够接受的等待时间为50s。 刘光新[14]通过分析上海市行人过街的等待规律, 得到行人在路边等待过街最大可忍受等待时间为90s,在中间安全岛的最大可忍受等待时间仅为50s。环梅等[15]通过摄像获得非机动车的等待忍耐时间及其影响因素数据,采用生存分析中的非参数方法建立等待时间的生存函数模型。结果表明,等待时间越长违规率越高。

信号交叉口行人过街忍耐时间是多种影响因素相互综合作用的结果,统一的忍耐时间并不能客观反映真实的情况。国内外对行人过街忍耐时间的研究因素较为单一,多集中在不同性别、不同年龄行人等待时间的差异,造成其研究结论的可操作性不强。因此,笔者通过收集北京市信号交叉口不同影响因素下行人过街忍耐时间的数据, 并对其进行统计分析,建立信号交叉口行人过街忍耐时间的Cox风险比例模型,实现信号交叉口行人过街忍耐时间的系统化分析。

2信号交叉口行人过街忍耐时间定义及其影响因素

2.1信号交叉口行人过街忍耐时间的定义

行人到达信号交叉口人行横道等待区域后, 通过对信号灯灯色、人行横道长度、过街行人数量、机动车流量、非机动车流量等周围交通条件、 道路条件以及过街环境的观察,如果行人信号灯为绿灯,则完成过街过程;如果行人信号灯为红灯,则原地等待行人信号绿灯并决定是否违章过街或等待至行人信号灯变绿灯后通行。行人在信号交叉口行人信号灯为红灯期间到达人行横道等待区等待过街,其等待时间有1个极限值,不会随着红灯时间的变化而变化,当超出行人的忍耐极限时,行人就会在车行道分隔线处沿着车流方向缓慢前进寻找适当的穿越间隙或者选择逐车道过街的方式试图强行通过交叉口而不会在等待区处继续等待,这种行人在人行横道等待区处所能忍受的极限等待时间,称为信号交叉口行人过街的忍耐时间。其中,等待时间是指红灯期间行人到达人行横道等待区至行人开始离开人行横道等待区的时间差;人行横道等待区是指由道路路缘石至车行道分隔线在人行横道上围合的区域。

通过国内外对信号交叉口行人过街忍耐时间的经验总结以及大量的调查分析,当信号交叉口行人信号灯为红灯期间,如果有75%左右的行人违章过街时,信号灯对人行基本无约束作用,行人会成群结队地通过交叉口,导致交叉口运行秩序混乱。因此,本文定义75%位的忍耐时间为行人过街的最大忍耐时间,即生存函数中25%分位点为行人过街的最大忍耐时间。当行人过街等待时间大于其最大忍耐时间时,行人会感觉不舒适,无法忍受从而违章过街。

2.2信号交叉口行人过街忍耐时间的影响因素

根据国内外研究现状以及实地调查分析,红灯期间到达信号交叉口人行横道等待区处行人决策是否过街与行人过街所处的环境因素、个人特性、出行时间、交通状况以及道路环境等因素有关,如图2所示。影响因素的选取及 说明,见表1。当信号交叉口行人红灯时间太长,超过行人的最大忍耐时间时,多数行人会不顾信号灯的控制而强行穿越信号交叉口,从而违章过街。

图2 红灯期间到达人行横道等待区处 Fig.2 The main factors of crossing behavior of the pedestrians arrived at the signalized intersection crosswalk waiting area during the red light

3信号交叉口行人过街忍耐时间调查与分析

3.1调查方法

采用视频采集及人工观测相结合的方法进行数据采集。通过在信号交叉口进行实地录像拍摄获取录像,采集每周期内红灯期间行人到达信号交叉口人行横道等待区的时刻、行人开始通过的时刻、机动车交通流量、行人性别、行人年龄等数据; 通过人工观测的方法,采集人行横道长度、机动车车道数、行人红灯时长、行人绿灯时长等数据。

3.2调查地点

根据研究内容,以及北京市实际情况,选取10个不同的信号交叉口对行人过街的忍耐时间进行调查,信号交叉口的交通状况和道路环境概况,见表2。

3.3调查时间

由于北京相同季节温差变化较大,因此本文选择>30℃,20~30℃,10~20℃,0~10℃,<0℃5个温度段的工作日早高峰(07:00~09:00时)、晚高峰(17:00~19:00时)和休息日的16:00~18:00时这3个时间段进行调查,每个地点的过街视频录制连续时间至少为2h。

本文共收集了9 554个行人过街忍耐时间样本。其中,红灯期间离开人行横道等待区的忍耐时间数据8 883个;绿灯期间离开人行横道等待区的忍耐时间数据671个。

3.4信号交叉口行人过街忍耐时间调查数据分析

运用SPSS对调查的数据进行初步分析,在不考虑绿灯期间离开人行横道等待区的忍耐时间数据时,信号交叉口行人过街忍耐时间的均值为37.76s,其25%位忍耐时间为16.65s;50%位忍耐时间为31.32s;75%位忍耐时间为52.62s,即行人过街的最大忍耐时间是52.62s。见图3。

4信号交叉口行人过街忍耐时间的分布规律

4.1行人过街忍耐时间的基本函数

与传统分析方法相比,生存分析法研究信号交叉口行人过街忍耐时间的优势在于可以将事件的结果和出现此结果所经历的时间结合起来进行分析,可以考虑删失数据,以及在不知道行人过街忍耐时间服从何种分布的情况下,确定行人过街忍耐时间与影响因素间的定量关系。本文将信号交叉口红灯期间到达行人的过街等待过程看作是1个生存分析过程。针对信号交叉口过街的行人而言,生存分析的事件即为信号交叉口红灯期间到达的行人其过街等待时间超过其过街忍耐时间而采取的违章过街行为。事件的起点为红灯期间行人到达信号交叉口开始等待过街的时刻,事件终点为行人开始违章过街的时刻。事件有2种结果:1种是在红灯期间行人的过街等待时间超过了其过街忍耐时间采取的违章过街;另1种是等到行人信号灯变为绿灯后再过街。红灯期间到达信号交叉口人行横道等待区、红灯期间离开人行横道等待区的行人的忍耐时间,其值可以精确获得,是完全数据;红灯期间到达人行横道等待区、 行人信号灯变为绿灯后才开始过街的忍耐时间, 不能确切知道其忍耐时间,为删失数据。

生存分析中最重要的变量是生存时间,本文定义生存时间是指红灯期间到达人行横道等待区的行人从开始等待过街到开始采取过街行为的时间差。

F(t)是指行人的忍耐时间小于t的概率。则T的分布函数为

S(t)是指红灯期间到达的行人在红灯期间离开人行横道等待区前的等待时间大于特定时间t的概率,又称为生存函数

h(t)是指信号交叉口行人过街忍耐时间的风险函数是指红灯期间到达的行人在等待了时间t之后,在红灯期间没有离开人行横道等待区的行人,在接下来的1个非常小的单位时间间隔 Δt内通过人行横道等待区的概率,即在 (t,t+Δt) 时段内通过的,又称为危险率函数。

4.2行人过街忍耐时间的分布规律

图4为有无删失数据时信号交叉口行人过街忍耐时间的累积生存率,信号交叉口行人过街的累积生存率是其忍耐时间的减函数,随着忍耐时间的增加,行人的累积生存率降低。从图4中可以看出2条曲线的差异比较显著,在一定的累积生存率下,不考虑删失数据时行人忍耐时间下降的最快,考虑删失数据时行人忍耐时间下降的相对较慢。在相同的忍耐时间下,考虑删失数据的累积生存率和累积违章率趋于实际值,因此在处理数据时需要考虑删失数据。表3为有无删失数据行人过街忍耐时间的百分位数估计值。

5行人过街忍耐时间的Cox风险比例模型

5.1行人过街忍耐时间的Cox风险比例模型的建立

令t表示信号交叉口行人过街的忍耐时间, 向量X为1组影响因素,则Cox回归模型的基本表达形式为

式中:h(t,X)为t时刻的风险函数;h0(t)为基准风险函数(影响变量取0时t时刻的风险函数); X1,X2,…,Xp为1组影响影响因素或影响因素; β1,β2,…,βp为影响因素对应的回归系数。

如果βi>0,表示变量Xi增加时,危险率增加,Xi与危险率正相关,是危险因素;如果βi<0, 表示变量Xi增加时,危险率降低,Xi与危险率负相关,是保护因素;如果βi=0,说明变量Xi增加时,危险率不变,Xi与危险率零相关,即影响因素Xi对信号交叉口行人过街的忍耐时间无显著影响。

基于实证调查的行人过街忍耐时间数据以及对其相关的影响因素进行拟合,分析得到信号交叉口行人过街忍耐时间的累积生存函数图,见图5。从Cox风险模型估计的信号交叉口行人过街忍耐时间分布图可以看出:

1)基于Cox风险模型的信号交叉口行人过街忍耐时间的累积生存率是单调递减函数,随着忍耐时间的增大,行人继续等待过街的概率越小, 行人违章过街的概率越大。

2)Cox风险模型估计的信号交叉口行人过街忍耐时间的75%分位数是18.71s,50% 分位数是33.48s,25%分位数是52.88s,即行人过街的最大忍耐时间是52.88s。

信号交叉口行人过街忍耐时间是多种影响因素综合影响的结果,不同的影响因素对信号交叉口行人过街忍耐时间的影响不同。Cox风险模型影响因素系数的估计结果,见表4。

由表4温度、性别、年龄、出行时间、单位机动车流量、红灯时长、人行横道长度等7个影响因素的p值均小于0.05,说明这7个因素对信号交叉口行人过街的忍耐时间有着显著的影响。但用地性质的p值大于0.05,说明用地性质对信号交叉口行人过街忍耐时间的影响不显著。因此,信号交叉口行人过街忍耐时间的Cox风险比例模型为

5.2行人过街忍耐时间影响因素分析

5.2.1环境因素对信号交叉口行人过街忍耐时间的影响

温度为五分类变量,不同的温度段内信号交叉口行人 过街忍耐 时间的累 积生存率 ,见图6。

以 <0℃ 为参考对 象 ,XT15的回归系 数为 -0.310<0,是保护因素,相对风险率为e-0.310= 0.733,说明<0℃时行人的忍耐时间小于>30℃ 时行人的忍耐时间;XT25的回归系数为-0.474<0, 是保护因素,相对风险率为e-0.474=0.623,说明 <0℃时行人的忍耐时间小于20~30℃时行人的忍耐时间;XT35的回归系数为-0.577<0,是保护因素,相对风险率为e-0.577=0.562,说明<0℃ 时行人的忍耐时间小于10~20℃时行人的忍耐时间;XT45的回归系数为 -0.180<0,是保护因 素,相对风险率为e-0.180=0.835,说明<0℃时行人的忍耐时间小于0~10℃时行人的忍耐时间。

5.2.2行人特性对信号交叉口行人过街忍耐时间的影响

行人特性对信号交叉口行人过街忍耐时间的影响主要分为性别和年龄的影响,性别为二分类变量。不同性别的信号交叉口行人过街忍耐时间的累积生存率,见图7。以女性为 参考对象,XS的回归系数为0.120>0,是危险因素,相对风险率为e0.120=1.127,说明女性的忍耐时间大于男性的忍耐时间。

年龄为三分类变量,不同年龄的信号交叉口行人过街忍耐时间的累积生存率,见图8。以老年人为参考对象,XA13的回归系数为-0.391<0, 是保护因素,相对风险率为e-0.391=0.677,说明老年人的忍耐时间小于青少年的忍耐时间;XA23的回归系数为-0.624<0,是保护因素,相对风险率为e-0.624=0.536,说明老年人的忍耐时间小于中年的忍耐时间。

5.2.3出行时间对信号交叉口行人过街忍耐时间的影响

出行时间为三分类变量,不同出行时间信号交叉口行人过街忍耐时间的累积生存率,见图9。

其中,以早高峰为参考对象,XT13的回归系数为0.389>0,是危险因素,相对风险率为e0.389= 1.475,说明休息日行人的忍耐时间大于早高峰行人的忍耐时间;XT23的回归系数为0.181>0,是危险因素,相对风险率为e0.181=1.198,是危险因素,说明休息日行人的忍耐时间大于晚高峰行人的忍耐时间。

5.2.4交通状况对信号交叉口行人过街忍耐时间的影响

单位机动车流量是数值型变量,是连续变量, 影响因素回归系数XV为-0.120<0,是保护因素,说明与行人行走冲突方向的单位机动车流量越大,行人违章过街的概率越低,行人的忍耐时间越大。单位机动车流量每增加一个单位,行人违章过街的风险率将减少11.3%(1-e-0.120=0.113)。

红灯时长是数值型变量,是连续变量,影响因素回归系数XR为-0.009<0,是保护因素,说明红灯时长越长,行人违章过街的概率越低,行人的忍耐时间越大。红灯时长每增加1s,行人违章过街的风险率将减少0.9%(1-e-0.009=0.009)。

5.2.5道路环境对信号交叉口行人过街忍耐时间的影响

人行横道长度是数值型变量,是连续变量,影响因素回归系数XL1为-0.023<0,是保护因素, 说明人行横道越长,行人违章过街的概率越低,行人的忍耐时间越大。人行横道长度每增加1m, 行人违章过街的风险率将减少2.20%(1-e-0.023=0.022)。

6信号交叉口行人过街忍耐时间Cox比例风险模型的验证

分析单位机动车流量、红灯时长、人行横道长度变化时,信号交叉口行人过街忍耐时间的变化及在一定的忍耐时间分布下的累积生存率的变化情况,从而验证 信号交叉 口行人过 街忍耐时 间Cox风险比例模型的适用性,同时,也为分析不同交叉口的行人过街忍耐时间,以及为信号配时的优化方案提供1个理论指导。

图10为单位机动车流量变化下的信号交叉口行人过街忍耐时间分布图,从图中可以看出,单位机动车流量的变化对行人过街忍耐时间具有显著的影响,单位机动车流量越大,行人过街忍耐时间越大。表5为不同单位机动车流量下行人过街忍耐时 间的百分 位值 。当单位机 动车流量 从3pcu/(in· min)增加到8pcu/(in· min)和13pcu/(in·min),行人过街的最大忍耐时间从39.47s增加到58.48s和84.51s。

图11为不同红灯时长下的信号交叉口行人过街忍耐时间分布图,从图中可以看出,红灯时长的变化对行人过街忍耐时间比较显著的影响,红灯时长越长,行人过街忍耐时间越大。表6为不同红灯时长下行人过街忍耐时间的百分位值。当红灯时长从100s增加到130s和160s,行人过街的最大 忍耐时间 从4 6.0 4s增加到5 4.8 2s和65.18s。

图12为不同人行横道长度下的信号交叉口行人过 街忍耐时 间分布图 ,从图中可 以看出 , 人行横道长度的变化对行人过街忍耐时间比较显著的影响,人行横道长度越长,行人过街忍耐时间越大。表7为不同人行横道长度下行人过街忍耐时间的百分位值。当人行横道长度从24m增加到32m,40m,48m时,行人过街的最大忍耐时间从45.52s增加到51.30s,57.83s,64.95s。

由此可以看出,笔者所提出的Cox风险比例模型可以很好的用来描述影响因素对信号交叉口行人过街忍耐时间的影响。

7结束语

本文运用视频调查和人工调查相结合的方法获取北京市不同影响因素下行人过街忍耐时间的基础数据,并对其进行统计分析。建立了信号交叉口行人过街忍耐时间的Cox风险回归模型,模型估计信号交叉口行人过街的最大忍 耐时间是52.88s。研究结果表明,信号交叉口行人过街忍耐时间与温度、年龄、性别、出行时间、红灯时长、 人行横道长度、冲突方向单位机动车流量等因素有关,用地性质对信号交叉口行人过街忍耐时间的影响不显著。同时,对信号交叉口行人过街忍耐时间Cox比例风险 模型进行 了验证,结果表明,笔者所提出的Cox风险比例模型可以很好的用来描述影响因素对信号交叉口行人过街忍耐时间的影响。

摘要：行人交通是信号交叉口交通的重要组成部分。目前信号交叉口的规划设计优先考虑机动车效率,为了保障机动车的通行效率,北京市多数行人过街环境遭到破坏,"中国式过马路"应运而生。结合当前北京市交通的特点,以红灯期间到达信号交叉口人行横道等待区的行人为研究对象,运用视频调查和人工调查相结合的方法获取北京市不同影响因素下行人过街忍耐时间的基础数据,采集了9 554个行人过街忍耐时间样本。建立信号交叉口行人过街忍耐时间的Cox风险回归模型,结果表明信号交叉口行人过街的最大忍耐时间是52.88s,信号交叉口行人过街忍耐时间与温度、性别、年龄、出行时间、红灯时长、单位机动车流量、人行横道长度等影响因素有关,用地性质对信号交叉口行人过街忍耐时间的影响不显著。