编辑推荐：
本研究报告通过分流率分析和天气分析的双重方法，评估了可变信息标志（VMS）在犹他州公路上的应用效果。研究发现，VMS在交通事故期间能显著提升18%的分流率，但在冬季天气下对驾驶员减速的引导作用有限（速度仅增加0.23 mph）。研究为交通部门（DOTs）优化VMS部署策略提供了实证依据和方法参考。
摘要
本文介绍了一项为犹他州交通部（Utah Department of Transportation）进行的双路径研究结果，旨在评估可变信息标志（Variable Message Sign, VMS）在犹他州公路上的处理效果。该研究旨在确定VMS处理对犹他州独特道路条件和配置下的通行效率和安全性产生的影响。研究进行了两项主要分析：一项是评估犹他州高速公路上发生事故时VMS信息对分流率有效性的分流率分析；另一项是评估犹他州峡谷冬季天气条件下VMS信息对驾驶员速度有效性的天气分析。分流率分析的结果表明，在碰撞事故期间激活VMS信息使分流率提高了18%。天气分析显示，在恶劣天气条件下激活VMS信息警告驾驶员减速，导致驾驶员速度增加了0.23英里/小时（0.37公里/小时），这一结果具有统计学意义，但实际意义不大。本研究的方法和结果将有助于交通部门及其他相关方制定其VMS政策，以更有效地影响驾驶员行为。
1. 引言
显示在可变信息标志（VMS）上的信息通常被认为是提高通行效率和安全性的有效策略；然而，证明这些益处的具体研究结果并不一致。交通部门（DOTs）使用VMS向出行公众传达可能不易察觉的信息。这些信息旨在影响驾驶员行为，包括告知驾驶员的路线选择和速度，从而提供关键信息。尽管VMS传递了宝贵信息，但它们对DOTs而言是一项巨大的投资，包括前期资本支出以及持续的运营和维护成本。对特定驾驶环境下VMS有效使用方式的了解不足，可能导致VMS布局欠佳和资金利用不足。
本研究评估了VMS处理在两个特定用例中改善通行效率和安全性的有效性。首先，测量了VMS在犹他州高速公路上发生事故时引导驾驶员驶离高速公路的有效性。其次，评估了VMS在犹他州峡谷冬季天气条件下鼓励驾驶员降低速度的有效性。两项评估均使用了文献中未观察到的混合效应模型。收集并评估了来自犹他州交通部（UDOT）传感器的速度、流量和天气数据，以衡量VMS在每个用例中的有效性水平。分流率分析使用事故日速度与控制日速度的比率作为其因变量，天气分析则使用最小化-最大化方程将多个可能的天气观测值中的一个分配给单个速度观测值。本研究的结果确定了VMS的有效用途，以协助指导VMS部署策略，并为州或地区特定研究提供可靠的方法。
本文随后进行了分析VMS与道路数据有效性的先前研究的文献综述。然后概述了分流率分析和天气分析的方法，并呈现了每项分析的结果和讨论。最后，总结了研究的结论。
2. 文献综述
VMS用于向出行公众告知可能不易察觉的信息。特定于道路的信息通常包括关于前方危险天气条件、路面积雪或落石、施工地点和/或事故相关拥堵的警告。如果沟通有效，驾驶员能够做出更好的选择，从而提高道路的安全性和通行效率。许多驾驶员报告看到了VMS信息，但确定其对驾驶员行为的影响则更为复杂。
关于VMS的文献非常广泛，包含对驾驶员遵从心理以及VMS信息结构、对VMS的信任度和感知紧迫感如何影响驾驶员遵从度的研究。这些研究在此不予讨论，但Wu等人对VMS文献及影响驾驶员遵从度的因素进行了系统综述。
在现有的VMS评估研究中，主要使用的方法之一是驾驶员调查。陈述偏好调查通常因其简单且能提供普遍性结果而被使用。利用陈述偏好调查已确定了许多实际发现，包括驾驶员遵从度与驾驶员人口统计学特征相关、对VMS的信任度可能取决于驾驶员使用道路的频率，以及驾驶员可能更依赖VMS获取事故信息而非智能手机。虽然陈述偏好调查可能易于创建，但分发成本可能相当高，并且可能无法完全反映驾驶员观看VMS时的真实行为与其陈述的反应相比。
评估VMS信息对驾驶员行为影响的一种不太常见但可能更准确的方法是基于经验的道路数据研究。该方法用于收集和分析驾驶员在道路上反应或历史行为的真实世界数据，提供对驾驶员真实行为的洞察，而非个体的行为陈述。基于经验的研究数量有限，这些研究为VMS有效性的不同方法论方法和发现提供了宝贵的见解。表1显示了八项使用经验道路数据评估VMS效果的研究。
前两项研究开发了计算机预测模型以帮助衡量VMS的有效性。Lam和Chan利用时间依赖性交通分配模型评估在VMS上提供旅行时间的效果。研究人员定义了道路网络中不同位置在有VMS和无VMS情况下的总网络时间之比，并确定VMS在非经常性拥堵期间比在经常性拥堵期间更能减少旅行时间。虽然Lam和Chan的模型在统计上很强，但他们使用统计分布作为输入数据，而非来自道路条件的经验数据，这意味着结果可能与真实世界条件不同。
相反，Levinson和Huo使用从环形探测器收集的流率数据来训练他们的离散分流选择模型。使用训练数据进行的t检验发现，VMS可以在激活后10分钟内显著影响驾驶员分流率。统计预测模型是模拟真实世界结果的有用工具，尤其是在利用经验道路数据时，可以产生一致的结果。
其他研究人员直接分析了经验道路数据而未使用模型。Erke等人测量了按照VMS推荐路线分流的车辆比例。虽然20%的车辆按照推荐路线分流，但研究时段是从晚上10:30到午夜，持续两个晚上，总共三个小时的观察时间，这是一个明显有限的研究时段。然而，由于Levinson和Huo发现分流率在VMS信息出现后10分钟内受到显著影响，因此Erke等人的发现仍然是可靠的。
Ghosh等人使用来自环形探测器的流率数据计算流变化率，即与中值的移动百分比差异。使用无事故日的数据确定中位流率，并使用有事故日的数据确定当因事故激活VMS信息时，流变化率如何受到影响。虽然研究人员发现VMS信息对出口匝道的流出流率有显著影响，但他们也承认，事故信息可以通过多种渠道（例如，电视、广播、互联网）获得，很难完全确定VMS对分流的单独影响。
Romero等人在西班牙马德里收集了高速公路环形探测器的流数据，以评估VMS是否影响从非收费高速公路分流到收费高速公路的分流率。研究人员发现，当VMS显示信息时，分流率上升。具体来说，当显示事故信息和每条高速公路的旅行时间时，分流到收费高速公路的分流率显著增加。
Basso等人利用安装在VMS前后的自动车辆识别门站收集的匿名车辆数据，确定速度和非经常性VMS信息激活对车道变更行为的影响。分析了六个月的数据，研究人员发现，88%的情况下，VMS信息没有降低驾驶员速度，72%的情况下，信息未能引发驾驶员变更车道。
Xuan和Kanafani开发了一种包含“有-无”分析和“前-后”分析的两部分方法论，该分析基于高速公路环形探测器的流率数据集。这两种分析的结合以及对可见拥堵影响的考虑，创建了一个强大的分析框架来衡量VMS信息激活对分流率的影响，但发现所使用的数据没有显著影响。
在考虑VMS信息对车辆速度的影响时，可以根据收集的数据类型进行各种分析。Glendon和Lewis在学校附近的可移动VMS上显示三种不同的反超速信息，以评估VMS在何种条件下可以降低速度。观察到的速度降低因星期几和一天中的时间而异，但在显示信息的那一周观察到了速度降低，并在之后的一周看到了部分速度降低。
R?m?和Kulmala使用车辆速度来确定在发布天气相关信息时VMS信息能多有效地降低驾驶员速度。通过比较VMS位置前后的速度，他们发现速度显著降低了0.75英里/小时（1.2公里/小时）。该分析使用对道路条件的视觉观察来确定道路是否结冰，但没有收集任何传感器检测到的天气数据。
Keshari等人在R?m?和Kulmala近25年后，在密歇根州的VMS上发布冬季天气相关信息时发现了非常相似的结果。在三个地点桥梁前的冬季天气条件下测试了两条信息（例如，“桥面先于道路结冰/减速”，“道路湿滑条件/减速”），发现第二条信息（“道路湿滑条件/减速”）与默认旅行时间信息相比，速度降低了0.6–0.7英里/小时。此外，研究人员观察到，初始速度较快的车辆速度降低幅度最大。
Sui和Young使用速度数据来衡量VMS信息的影响，但还整合了道路气象站收集的天气属性。使用标准线性回归模型，研究人员发现VMS信息对驾驶员速度的影响超出了天气相互作用所观察到的影响。
正如文献所示，已经开发了许多使用经验道路数据评估VMS效果的不同方法论。最常用的方法是假设检验和测量效应大小，但也使用了时间依赖性交通分配、二元Logit、非参数回归和线性回归模型。Keshari等人使用了固定效应模型，并为不同的处理地点和车辆类型生成了单独的模型，但文献中尚未使用混合效应模型。此外，文献中的大多数研究只考虑了VMS的单一用途，例如车道、速度或分流变化。本研究评估了当下游发生碰撞事故时VMS如何影响车辆分流，以及当呈现冬季天气信息时速度如何变化。两种方法的结合为VMS的用途及其在各种情况下的有效性提供了更广阔的视角。
总体而言，本研究通过使用混合效应模型并在同一地理区域内评估VMS对分流和减速驾驶员的影响，做出了新颖的研究贡献。
3. 方法论
本研究的方法论在本节中呈现。首先将讨论分流率分析，然后是天气分析。每节将讨论数据准备和所使用的评估方法。
3.1. 分流率分析
分流率分析测量了位于犹他州高速公路上的VMS信息在下游存在碰撞事故时，将驾驶员引导至替代路线的效果。结合道路数据类型分析了与下游碰撞事故相关的VMS信息的效果。
对于分流率分析，在事故当天和控制日，在相应的主线站和出口匝道站收集了以15分钟为间隔的聚合高速公路流量。还收集了主线速度以控制拥堵。本节概述了该分析的数据准备和开发的方法论，其中包括一个混合效应模型。
3.1.1. 分流率分析数据
为该分析收集了多种类型的数据。从UDOT的TransSuite服务器检索VMS信息数据，以识别信息内容和持续时间。虽然该数据集包含各种信息类型（例如，旅行时间信息、安珀警报等），但仅选择与碰撞事故相关的信息进行分析。这些信息包含下游碰撞事故的位置或影响（例如，拥堵、交通停滞或车道封闭信息）。然而，信息中包含具体的分流路线或出口匝道供驾驶员遵循的情况并不常见。
碰撞数据是与UDOT报告UT-23.05的研究人员合作收集的，该报告侧重于衡量扩展事件管理团队对犹他州高速公路的益处。研究人员评估了一个称为超额旅行时间（Excess Travel Time, ETT）的指标，该指标计算了因碰撞事故导致的驾驶员总延误时间。收集了2018年3月至8月以及2022年犹他州高速公路上的个别碰撞事故数据。研究人员与UDOT官员协调选择了这些时间段，以避免与恶劣的冬季天气和COVID-19大流行期间独特的交通条件相互影响。ETT指标以小时计算，碰撞事故根据总延误进行排序。该数据集提供了研究期间所有犹他州高速公路碰撞事故的时间、里程桩位置和影响。
为了选择适合分流率分析的碰撞事故，使用了一套四个标准：
- •
碰撞事故需要具有较高的ETT。理论上，较高的ETT与受影响的驾驶员数量较多、排队时间较长、驾驶员分流的可能性较高以及可用于分析的更多高速公路出口匝道相关。虽然未量化高ETT阈值，但碰撞事故按ETT排序，并首先评估ETT最高的那些。
- •
需要至少一条供驾驶员绕过碰撞事故的替代路线。碰撞事故周围的替代路线至关重要，以便车辆有驶离道路的动机。
- •
要求在碰撞事故上游至少发布一条与碰撞事故相关的VMS信息。
- •
碰撞事故排队需要独立于高速公路上的其他拥堵或碰撞事故。这对于减少混杂变量对碰撞事故排队的影响以及增加任何观察到的车辆分流增加是由于所研究事件引起的可能性非常重要。
选择这四个选择标准的具体目的是为了在研究人员能力范围内控制这些碰撞事故发生的情境，并为研究VMS信息的效果提供最佳条件。需要注意的是，这些标准的选择意味着在农村高速公路、低流量走廊或没有智能交通系统（ITS）设备的路段上发生的碰撞事故未被代表。此外，由于优先考虑ETT较高的碰撞事故，持续时间短和影响中等的碰撞事故被纳入的可能性较小。
为了选择分析的碰撞事故，在筛选工作流程中实施了碰撞事故选择标准，如图1所示。首先，选择ETT最高的碰撞事故，因为它们具有最高的车辆延误小时数和潜在的可观察分流率。然后将每个碰撞事故的日期和时间输入ClearGuide，这是一个基于全球定位系统（GPS）的在线交通可视化工具。该工具使研究团队能够验证碰撞事故是否在指定的时间和地点发生，观察碰撞事故引起的排队对车辆速度的影响，并确保没有混杂的碰撞事故或拥堵会干扰碰撞事故引起的排队。如果未发现干扰性拥堵，则识别出在碰撞事故时间和地点附近发布的所有潜在VMS信息，并检查每条信息的相关性和与碰撞事故的接近程度。然后，利用UDOT交通网站识别碰撞事故与最后一个适用的VMS之间的每个出口匝道。最后，使用UDOT性能测量系统（PeMS）的环形探测器数据来识别用于分析的主线和出口匝道流量以及主线速度。
根据文献中的发现，预测一旦VMS信息被激活，在10分钟内将观察到行为差异。为了适应这一点，收集了标志激活前20分钟和激活后40分钟的流量。这允许在VMS激活时间之前有一个控制期，并考虑了车辆在激活后时间段内从VMS行驶到出口匝道所需的时间。还在控制日收集了相同时间段和出口匝道的数据，以提供正常条件下相同路段的数据。控制日选择为碰撞事故前一周或后一周的同一周几，且没有碰撞事故或事件。除了流量之外，还在碰撞日和控制日收集了主线路段的速度，以提供一个控制可见排队形成的指标。
为分流率分析选择了八起碰撞事故，三起来自2018年，五起来自2022年。从盐湖城和犹他县的32个出口匝道位置共编制了650个流量和速度观测值。所选碰撞事故的信息内容各不相同，但通常通过交替显示两条信息来呈现。第一条呈现车道封闭或碰撞事故详情（例如，“前方5英里左侧车道封闭”，“前方19英里处碰撞事故”，“2500 S处交通停滞”），第二条给予驾驶员适当的指示（例如，“谨慎驾驶”，“预期延误”，“减速”，“准备停车”，“使用替代路线”）。虽然未量化高ETT的特定阈值，但八个所选碰撞事故的ETT范围从7192.00到1404.61小时的总延误。
3.1.2. 分流率分析方法论
研究团队有兴趣测量警告驾驶员下游碰撞事故的VMS信息的效果，以及这些信息的发布如何影响紧邻碰撞事故上游的匝道处分流率。为了估计这种效果，开发了一个混合效应模型，如方程（1）所示。模型的因变量需要比较碰撞日的分流率与控制日的典型分流率，因此选择了碰撞日分流率与控制日分流率的
