設計通行能力

設計通行能力修正方法

1 引 言

駕駛員因素是影響道路交通安全的首要因素, 駕駛員的視覺系統作為獲取交通信息的主要通道起著非常重要的作用。駕駛員的視覺特性不僅與道路交通環境有關，而且受到交通流水平的影響，但是目前這些關於交通流水平與駕駛員視覺特性關係的研究仍停留在主觀、定性分析的階段，缺乏對兩者之間關係的定量分析。因此有必要通過分析駕駛員的眼動規律, 研究駕駛員的視覺特性與交通流水平之間的關聯度。

灰關聯熵分析法是基於行為因子序列的微觀或宏觀幾何接近, 是分析和確定因子間影響程度或因子對主行為貢獻程度的有效方法。傳統的分析方法往往追求大樣本，或要求樣本服從典型分佈, 計算量大，而交通流水平與視覺特性分析中的數據呈現灰度大、無典型分佈的特點，灰關聯熵分析法能夠克服傳統分析方法在這方面的不足, 可用於遴選出對交通流水平影響程度較大的視覺特性參數, 揭示駕駛員視覺特性的微觀差異與宏觀交通流的關係。路段通行能力是進行道路設計和改造的重要依據，研究合理的路段通行能力修正方法有利於消除瓶頸路段, 提高路網效率。以往對路段通行能力的計算中，都從宏觀上假設駕駛員的駕駛特性相似, 交通流特徵受同一普遍規律的影響，沒有考慮駕駛員在不同交通流水平下的視覺駕駛特性差異, 沒有揭示駕駛員視覺特性的微觀差異與宏觀交通流的關係，導致研究結果與實際情況誤差較大。本文中筆者基於駕駛員視覺特性參數在不同交通流水平下的變化特徵，採用灰關聯熵分析方法遴選出視覺特性參數，定量反映不同交通流水平下視覺特性的差異，從而對路段通行能力進行修正。

2視覺特性參數的採集及數據處理

通過在真實道路環境中進行眼動試驗，獲得駕駛員視覺特性參數, 對其進行處理得到灰關聯熵分析中所需要的時間序列數據。

2 .1 試驗設計

採用瑞典的Smar t Eye Pro 3 .5 眼動儀對駕駛員視覺特性參數進行採集；同時取得試驗時的路段交通流水平。試驗道路選取為南京市北京東路(城市主幹道),限速50 km·h。試驗中選取40名駕駛員，其中32 名男性,8 名女性;30 歲以下駕駛員16 人,31 ～40 歲駕駛員12 人,41 ～60 歲駕駛員12 人；駕駛員的駕齡小於5 年的10 人,5 ～10 年的22 人，大於10 年的8 人；被試駕駛員的職業包括計程車駕駛員、教師、公務員、工程師、學生、軍人。眼動儀系統輸出的原始數據包括不同時刻頭部的3D 空間位置及方向、視線的3D 空間位置、眼瞼閉合狀態以及視角的水平和垂直角度。

2 .2 眼動數據處理

通過Visual Basic 資料庫處理程序以及Mi-crosoft Excel 等數據分析軟體將原始數據轉換為研究所需的視覺特性參數, 即注視點分佈、視角區域分佈、平均注視時間以及平均眼瞼張開距離, 分析這些視覺特性參數與交通流水平的熵關聯度，從而選出能用於路段通行能力修正中擬合函數(確定視覺特性參數與路段交通量之間關係的函數)所需的參數。

2 .2.1 注視點分佈

注視點分佈是指注視時視線與車行方向垂直平面交匯點的分佈情況。當注視點坐標在分佈權值圖(圖1)中的分佈較為集中在中央時, 注視點對應的權值M 相應較高；反之，注視點對應的權值也較低。通過注視點的權值差異, 可以定量區分駕駛員的注視點分佈情況，將其與交通流水平關聯起來。

2 .2.2 視角區域分佈

視角區域分佈是指駕駛員水平、垂直視角在車行方向垂直平面上的投影分佈情況。交通流飽和度較低時，駕駛員有充裕的時間觀察四周情況, 反之, 駕駛員則更多地將注意力分配給中心區域和左邊，對右邊側的觀察明顯減少。所以給左邊側賦予的權重為1 .5,中心區域為2 ,右邊側為1。這樣通過視角區域分佈的權值差異, 可以定量區分駕駛員在路段上視角區域的分佈情況, 將其與交通流水平關聯起來。

2 .2.3 平均注視時間

注視時間就是相鄰2 次眼跳之間的時間間隔，即視線3D 空間位置相對穩定的時間間隔。對眼動試驗數據進行篩選, 剔除與駕駛無關的注視行為時間，消除不良數據對分析結果的影響，然後用VisualBasic 資料庫處理程序處理數據，得到各個注視時間，對所有注視時間求平均值即得平均注視時間。

2 .2.4 平均眼瞼張開距離

眼瞼張開距離指兩眼眼瞼之間距離的均值。對特定時間段內的所有眼瞼張開距離求平均值即得到該時間段內的平均眼瞼張開距離。

3熵關聯度分析

對試驗路段進行交通量統計,每5 min為一時段，得到交通量的時間序列，作為灰關聯熵模型中的參考列；通過對眼動數據的處理得到以5min為一時段的視覺特性參數時間序列,作為灰關聯熵模型中的比較列。

4路段設計通行能力修正

通過灰關聯度分析遴選出注視點分佈、視角區域分佈及平均注視時間3 個視覺特性參數，確定3 個參數與路段交通量的擬合函數，然後引入駕駛員計算得到比較列的關聯熵H(Rj) H(R 1)=1 .918 ,H(R2)=1 .914 ,H(R3)=1 .904 ,H(R4)=1 .884 計算得到熵關聯度Er(X 1)=0 .986 ,Er(X 2)=0 .983 ,Er(X3)=0 .978 ,Er(X 4)=0 .968根據熵關聯度準則, 確定灰關聯序由大到小依次為：注視點分佈、視角區域分佈、平均注視時間、平均眼瞼張開距離。注視點分佈、視角區域分佈、平均注視時間是駕駛員注意力的線索, 能夠很好地反映駕駛員與自身所處駕駛環境的互動關係, 以及反映駕駛員的內在生理、心理狀態。考慮到平均眼瞼張開距離的熵關聯度最小, 為避免過多的因素多重共線關係所引起的信息重疊, 根據灰關聯序選前3 個參數(注視點分佈、視角區域分佈及平均注視時間)作為擬合函數所需的3個視覺特性參數。

4 .1 路段交通量與駕駛員視覺穩定性的關係

駕駛員視覺穩定性是指駕駛員的視覺特性參數隨交通量的變化而引起的變化特性。在交通流飽和度較低時，駕駛員視覺特性參數比較平穩；隨著交通量增大，趨於最大通行能力時，由於駕駛任務的要求增大，環境複雜, 其視覺行為開始不穩定, 視覺特性參數變化劇烈，特別是注視點的分佈範圍縮小並且雜亂無章。通過試驗統計，路段交通量與駕駛員視覺穩定性的關係如圖3 所示。圖3 中,N為考慮駕駛員視覺特性的路段通行能力, N0為路段最大通行能力;G為視覺穩定性臨界值。根據灰關聯熵分析可以得到和交通流關聯度最高的3 個視覺特性參數，使用最小二乘法，利用MA TLAB 的曲線擬合功能確定視覺特性參數x 1、x2、x3與路段交通量x0之間的擬合函數x0=f (x 1,x2,x3)。

3個視覺特性參數是通過灰關聯熵分析得到的高關聯度因素, 摒除了由於因素相關度不夠而造成的系統誤差，因此擬合函數值和實測交通量值應有較好的吻合度。分析實測交通量值與擬合函數值的相對誤差, 當實測交通量值與擬合函數值比較接近時, 駕駛員視覺穩定。隨著交通量增大, 當實測交通量值與擬合函數值相對誤差超過一定限值ε時, 說明駕駛員的視覺穩定性處於由穩定狀態變化到不穩定狀態的臨界點G 點，此時的路段交通量為考慮駕駛員視覺特性的路段通行能力N。

4 .2 城市道路路段設計通行能力的修正

城市道路路段設計通行能力可根據單車道的理論通行能力進行修正而得。對理論通行能力的修正應包括車道數、車道寬度、自行車影響及交叉口影響 4 個方面當考慮駕駛員視覺特性因素時，隨著道路情況複雜度的增加，駕駛員要接收更多的交通信息, 從而延長了感覺-反應時間, 進而對通行能力造成一定的折減。設駕駛員視覺特性修正係數為f d,則考慮駕駛員視覺特性的影響后, 路段設計通行能力公式修正為

5 結語

(1)在真實的道路條件下，運用灰關聯熵分析法對駕駛員的視覺特性參數進行了灰關聯排序, 結果表明交通流水平對視覺特性參數的影響程度較大; 灰關聯序由大到小依次為注視點分佈、視角區域分佈、平均注視時間、平均眼瞼張開距離；隨著交通流飽和度的增加, 首先受到影響的是注視點分佈，即注視點分佈向中央集中。

(2)路段設計通行能力受到駕駛員視覺特性參數的影響, 需用駕駛員視覺特性參數對路段設計通行能力公式進行修正。在選取視覺特性參數時, 需要選取排序靠前、熵關聯度較大的參數, 以避免多變數多重共線關係所引起的信息重疊，本文方法能夠滿足這種要求。

(3)提出的對路段設計通行能力的修正方法考慮了駕駛員動態視覺特性的影響, 因此所得結果比現有方法得到的通行能力值更符合實際情況。