等待階段使用手機對行人過街風險的影響

彭金栓，袁浩，宋臻，范子斌，楊祥浩，張磊

(重慶交通大學，交通運輸學院，重慶 400074)

0 引言

行人作為道路交通系統中的弱勢群體，其過街安全性一直是國內外學者聚焦的熱點。據統計，我國行人事故傷亡率約占總事故傷亡人數的20%，其中行人過街傷亡占比50%以上[1]。行人過街過程可以劃分為等待和運動兩個階段，過街啟動時刻一般被視為這兩個階段的分界點[2]。對整個行人過街過程中的交通行為特征進行解析，對于充分掌握行人過街規律，針對性優化過街系統具有重要的理論和現實意義。

在對過街行為進行調查研究時，多從速度、視覺和心理特性等維度展開，解析行人過街的風格特征與風險致因[3-4]。信息化時代，行人過街使用手機現象越發普遍，極易誘發分心，對行人過街安全產生潛在威脅。為探索使用手機對過街行為特性的影響，國內外學者進行了廣泛關注與研究。姜康等[5]引入分心感知相關概念，結合計劃行為理論分析行人過街運動發現，行為意向和知覺行為控制是影響行人使用手機的主要因素。TAPIRO 等[6]發現，等待階段使用手機會減少行人信息檢索頻次，延后過街啟動時間，易錯過可通行間隙。JIANG等[7]發現，運動階段使用手機會導致行人注意力明顯下降，觀測周圍環境頻率降低。TIAN等[8]研究表明，運動階段使用手機將導致行人自身步速和步幅長度顯著減小，跨步時間及其變異性增大。SALTOS 等[9]分析近年事故分布規律發現，行人過街使用手機導致的交通事故數呈指數增長趨勢。CAMPISI等[10]研究指出，運動階段使用手機可能會誘發分心行為，導致行人違章概率增大。PE?I?等[11]基于觀測數據構建多元邏輯回歸模型，結果顯示，運動階段使用手機群體違章概率約為正常過街行人的8.5 倍。違章會增大行人過街風險，苑紅偉等[12]基于事故統計數據發現，與行人相關的交通事故中，行人違章致死率約為24.6%。

綜上所述，已有研究存在以下不足：大多聚焦運動階段，缺乏考慮等待階段使用手機對行人過街特征以及過街風險產生的影響；鮮有研究將過街風險貫穿等待和運動兩個階段，不利于對風險內涵的精準量化。本文針對行人等待階段使用手機的現象，提取不同群體在等待及運動兩階段的行為特征差異，探索不同特征與違章情況的內在聯系，進一步評估過街風險。研究結果可以為行人交通安全教育框架擴容、信號燈配時自適應優化、人—車沖突預警規則改進等提供一定的理論支撐。

1 數據采集與提取

1.1 采集時間與地點

選擇重慶市南岸區萬壽路與南城大道交叉口處南北向人行橫道作為數據采集地點，如圖1 所示。人行橫道總長度為22 m，行人信號燈周期為100 s，其中紅燈時長80 s，綠燈時長20 s。調查發現，該路口工作日16:00-18:00 行人交通量較大，平均流量為400 人·h-1。為充分保證樣本數量，綜合考慮室外亮度對視頻效果的影響，拍攝時段選為工作日16:00-18:00，數據采集時間共6 d。

圖1 數據采集地點及設備Fig.1 Data acquisition location and equipment

1.2 采集設備

利用索尼HDR-PJ820E 圖像采集設備記錄行人過街狀態，通過回放提取行人動態過街特征。采用雙機位水平角度拍攝形式，將拍攝設備置于人行橫道側向位置，降低對行人的干擾程度。此外，利用卷尺測量人行橫道各區段尺寸。

1.3 組織設計

將行人等待階段所在過街位置劃分為3 個區域，并按照車道延展線將運動階段劃分為4 個區域，如圖2 所示。通過視頻回放，篩選出過街等待階段中使用手機和正常等待兩類群體，觀察其后續過街行為。將運動階段使用手機群體樣本剔除，消除無關變量，得到過街風險評估的兩組對照。記錄并提取兩類群體過街行為特征，為后續分析提供數據支撐。

圖2 行人過街運動區域劃分Fig.2 Division of pedestrian crossing movement area

1.4 樣本提取

按照以上設計框架，對目標人行橫道進行連續12 h 的數據采集，得到過街行人總數3952 人，其中男性1864 人，女性2088 人。將行人按年齡劃分為少年(＜18 歲)、青年([18,40)歲)、中年([40,60)歲)和老 年(≥60 歲)，分別占據行人總數的6.02%、56.93%、30.93%及6.12%。通過回放視頻，篩選出正常等待過街3085 人，等待階段使用手機867 人。進一步剔除運動階段使用手機樣本，最終得到正常過街群體(等待階段與運動階段均未使用手機)696人，等待階段使用手機群體(簡稱為使用手機群體)613人。

2 過街風險表征參數分析

本文擬基于違章視角映射行人過街風險。將行人違章形式劃分為3 類：未按時到達、搶行過街及空間違章?；诙嘣獏禈嫿ㄟ^街違章分類模型，探索行為特征與違章形態的內在聯系，進一步提取行人過街風險重要表征參數。

2.1 重要特征提取

2.1.1 模型構建

利用隨機森林算法構建行人過街違章分類模型，通過網絡搜索算法獲得模型最優超參數，最終確定模型決策樹總量N為450，遍歷搜索最大深度為5，葉子節點及繼續劃分分類最小樣本量為3[13]。定義A 類和B 類參數分別表示行人等待和運動階段過街行為特征，C 類參數表示行人基本屬性參數，D類參數為A、B兩類的集合。按8∶2比例將采集數據分為訓練集和測試集，對訓練樣本進行有放回隨機抽樣，以特征集合作為模型輸入，違章情況作為輸出，隨機選取部分特征，訓練產生決策樹，重復N次操作構建隨機森林模型。

由于啟動時刻之后的行為特征不會對行人搶行過街產生影響，訓練決策樹時僅選擇B、C類參數作為模型輸入項；選擇C、D類參數作為行人未按時到達和空間違章分類的特征輸入。利用隨機森林算法對測試集進行訓練，采用票選法甄斷行人違章類型，計算模型分類結果ACC(Accuracy)與AUC(Area Under Curve)值[14]，如表1所示。結果顯示，兩類群體在未按時到達、搶行過街以及空間違章三個維度分類效果均保持在較高水平(ACC 與AUC 值均大于0.8)，為后續行人過街風險表征參數提取提供重要理論依據。

表1 模型評價結果Table 1 Model evaluation results

2.1.2 特征提取

為提取過街風險表征參數，統計兩類群體違章情況中特征參數重要度，結果如圖3 所示?？芍?，影響行人未按時到達的重要特征參數為目標速度未達成率、過街平均速度、綠燈反應時間及啟動速度(重要度大于10%)[15]。過街等待時間是影響行人搶行過街的主要因素(重要度大于20%)。過街位置選擇和過街等待時間是影響行人空間違章的主要因素(重要度大于10%)。由此，共得到影響行人過街風險的6 個重要表征參數，如表2 所示。在C 類屬性參數中，包含行人年齡、性別、手機分心類型(視覺、聽覺)等，均未能入列風險表征參數，表明其對過街風險的表征強度較弱。為此，在后續研究過程中，不再分析年齡、性別、手機分心類型等因素對過街風險的影響。

表2 過街風險表征參數Table 2 Crossing risk characterization parameters

2.2 特征參數分析

2.2.1 違章類型與風險表征參數的映射關系

圖4 為不同違章類型下風險表征參數分布情況。未按時到達類型下行人目標速度未達成率和綠燈反應時間更高，過街平均速度與啟動速度更低；搶行過街和空間違章類型下均表現為行人等待時間更長；等待區域1導致的行人空間違章概率較低，區域2 較高。結果表明，各風險表征參數在違章/未違章兩種狀態下均具有顯著差異，側面印證了風險特征提取準確度較高，可用于后續行人過街風險評估。

圖4 不同違章條件下參數差異特性Fig.4 Parameter difference characteristics under different violation conditions

2.2.2 使用手機對過街風險表征參數的影響

為研究使用手機和正常過街兩類群體過街風險特征參數差異特性，對采集數據進行統計分析，如圖5所示，主要結果如下：

圖5 使用手機對風險表征參數的影響Fig.5 Effects of cell phone use on risk characterization parameters

(1)由圖5(a)可知，兩類群體等待階段的過街位置選擇沒有明顯差異，絕大多數選擇安全區域等待過街，只有極少部分行人(＜3%)選擇區域3 進行等待。

(2)由圖5(b)、(c)可知，等待階段使用手機導致的分心效應，其傳導特征從等待階段擴散至運動階段。使用手機群體的過街等待時間總體高于正常過街群體。過街前手機分心導致行人對信號燈狀態信息檢索不及時，增大了綠燈反應時間。

(3)由圖5(d)～(f)可知，為彌補綠燈反應時間較長導致的消極效應，使用手機群體通常在過街啟動時速度更快，但啟動后速度逐漸放緩，導致后續過程區域內實際速度低于目標速度，行人整體目標速度未達成率升高，過街平均速度降低。

進一步對各特征參數進行Mann-Whitney U差異性檢驗，結果顯示，除過街位置選擇外，其余參數在兩類群體下均存在顯著差異。

3 行人過街風險評估

3.1 模型構建

CRITIC 權重法[16]是兼顧特征數據變異性與相關性的一種綜合評價方法，利用數據標準差描述各指標內部變異程度，相關系數表示指標之間矛盾度，基于客觀屬性衡量特征權重大小。對比層次分析法和模糊綜合評價法，CRITIC 權重法消除主觀因素影響，提高風險評估結果可信度；同時相比于熵權法和變異系數法，增加考慮指標內部相互關系，更為全面反映指標影響程度，提高賦權準確性。

本文利用CRITIC權重法構建行人過街風險評估模型，具體建模步驟如下。

(1)假定評價樣本數量為n，評價指標維度為m，構建原始評價矩陣為

式中：xij為第i個樣本中第j個評價指標的特征值，i=1,2,…,n；j=1,2,…,m。

(2)歸一化

式中：max(xj)、min(xj)分別為第j個評價指標的最大值和最小值；為第i個樣本中第j個評價指標原始變量無量綱化后的特征值。

(3)描述指標變異程度

(4)計算各評價指標矛盾度

式中：rkj為第k個與第j個評價指標間的相關系數；Aj為指標j的矛盾度。

(5)獲取各指標信息量

式中：Cj為第j個評價指標的信息量。(6)確定指標權重

式中：Wj為第j個評價指標的權重。

風險表征參數權重分布如表3所示，可知目標速度未達成率、過街位置選擇及綠燈反應時間對行人過街風險影響程度最大。

表3 過街風險表征參數權重分布Table 3 Weight distribution of street crossing risk characterization parameters

(7)量化風險評估結果

式中：Gi為第i個樣本的風險評估得分。

3.2 風險評估

依據上述構建的風險評估模型，得到使用手機和正常過街兩類群體在不同約束條件下的風險評估結果，如圖6 所示。直觀可見，不同違章狀態下使用手機群體過街風險均高于正常過街行人。綜合評分結果顯示，使用手機群體過街風險分布范圍為9.34～75.37，均值為37.78；正常過街群體過街風險分布區間為3.00～74.09，均值為29.96?；诰到y計結果，在對應的數據采集背景及條件下，使用手機群體的過街風險相對正常過街群體整體增大了約26.1%，表明等待階段使用手機對行人產生的分心效應，其影響將持續滲透至運動階段，并有擴大過街風險的內在趨勢。進一步進行Mann-Whitney U差異性檢驗，結果顯示，使用手機與正常過街群體在不同違章狀態下其風險評分存在顯著差異。

圖6 行人過街風險評估結果Fig.6 Results of pedestrian crossing risk assessment

4 結論

本文聚焦行人在等待階段使用手機的行為，提出一種全新的過街風險表征與量化框架，主要結論如下：

(1)從高維特征中提取重要參數，發現目標速度未達成率、過街平均速度、綠燈反應時間、啟動速度、過街等待時間及過街位置選擇對行人過街違章有主要影響。

(2)等待階段使用手機對過街位置選擇影響較小，但會產生額外分心效果，導致行人反應變慢，過街平均速度降低，并增大行人啟動速度和目標速度未達成率。

(3)目標速度未達成率、過街位置選擇及綠燈反應時間對過街風險影響程度最大。過街前使用手機，對行人造成的負效應將從等待階段擴散至運動階段，使用手機群體其過街風險相對正常過街群體增加了約26.1%。

與傳統研究相比，本文將等待階段行為特征納入過街風險涵蓋范圍，消除過街風險對運動階段過度依賴產生的弊端；基于行人違章角度挖掘過街風險表征參數，使得風險評估結果更為全面客觀；此外，精準量化了等待階段手機分心對過街風險的影響機制及傳導效應。相關研究成果可為行人過街安全教育、過街輔助設施的優化與改進等提供重要的決策依據。