用于评估轻型机动车辆安全性的二维交通冲突测量方法

《Reliability Engineering & System Safety》：A two-dimensional traffic conflict measurement for assessing the safety of light mobility vehicles

　　

轻型机动车辆（Light Mobility Vehicles, LMVs）由于防护有限且稳定性较低，属于道路易受伤群体。理解其追尾及侧擦碰撞风险对于设计有效的安全干预措施至关重要。为评估碰撞风险，研究人员已开发二维碰撞时间（two-dimensional Time to Collision, 2D-TTC）方法。然而，现有公式在LMV相关场景中实用性不足。本研究旨在开发更适合LMV安全应用的2D-TTC方法。研究在澳大利亚墨尔本某城市路段开展了案例研究，采用极值理论（Extreme Value Theory, EVT）建模交通冲突与碰撞之间的关系，并确定了2D-TTC及碰撞时间（Time to Collision, TTC）阈值。案例研究结果表明，与传统TTC函数相比，2D-TTC方法具有更紧密的交通冲突-碰撞关联。研究结果还表明，自行车比摩托车和电动自行车更频繁地卷入追尾和侧擦冲突。本研究证明了在评估LMV交通冲突时考虑二维运动学数据的重要性。未来基于更大数据集的实际应用可能为2D-TTC在交通安全评估中的使用提供洞见，强化LMV使用者跟随前车时的最小安全间距意识，并促进LMV预警系统的发展。

轻型机动车辆（Light Mobility Vehicles, LMVs)作为城市微观机动性的重要组成部分，包括自行车、电动自行车和摩托车等，在支持环境可持续性及提供首末公里出行解决方案方面发挥着关键作用，同时有助于缓解城市交通拥堵。然而，这类车辆由于相较于配备安全带、安全气囊等安全设施的机动车辆防护有限，更易发生交通事故。据世界卫生组织统计，摩托车和自行车分别占全球道路死亡人数的30%和5%。在澳大利亚，2024年摩托车骑行者死亡人数占道路死亡总数的21.2%，较上年增长1.5%；骑行者占3.4%，同期增幅高达20.6%。因此，提升LMVs的安全性势在必行。

道路安全提升依赖于对碰撞风险评估的全面理解。现有方法主要分为两类：基于历史碰撞数据的反应式方法，以及基于交通冲突数据的 proactive 替代安全方法。反应式方法存在数据稀缺、信息不准确及数据偏差等局限性。替代安全方法假设交通冲突可替代碰撞数据，因为碰撞是冲突的演化结果，二者具有相同的基本过程。由于未遂事件远多于实际碰撞，交通冲突能提供更稳健的碰撞风险模型。替代安全度量（Surrogate Safety Measures, SSMs）作为衡量指标被广泛应用于该 approach，其中碰撞时间（Time to Collision, TTC）因其计算简便、解释直观、与碰撞的验证关系以及适应多种交通冲突观测方法而最为常用。但传统TTC依赖一维速度，无法捕捉侧擦场景。Guo等人虽提出二维TTC（2D-TTC）以克服上述局限，但其公式假设前后车辆尺寸相同且后车在先右侧，这些条件在LMV交互场景中往往不切实际。

现有SSM阈值研究存在明显不足：不同研究对相似交通环境下的同一SSM报告了不同阈值；大量研究直接采用前人阈值而缺乏充分论证；现有阈值多局限于高速公路或交叉口且仅针对一般车辆；针对易受伤道路使用者的SSM研究尤为缺乏。阈值选择不当将导致将故意行为与真实错误混为一谈，无法深入理解事故成因。极值理论（Extreme Value Theory, EVT）中的超阈值峰值法（Peak Over Threshold, POT）是识别阈值的常用方法，不仅能确定阈值，还在评估交通冲突与碰撞关系方面展现良好前景。与分块极大值法（Block Maxima, BM）相比，POT因样本量更大而表现更优。

当前针对易受伤道路使用者的交通冲突安全评估多集中于交叉口、高速公路和农村道路，对城市路段中自行车和电动自行车的研究相对有限。然而统计显示，路段交通事故贡献显著：维多利亚州29%的死亡和38%的重伤发生在城市主干路和局部道路的路段；西澳大利亚州一半的骑行者碰撞发生在路段。这凸显了在混合交通环境下提升LMVs路段安全性的必要性。此外，追尾碰撞是维多利亚州城市路段最常见的碰撞类型，而侧擦碰撞也被报告为潜力最高的碰撞类型。

基于上述背景，本研究识别出四个关键研究空白：大多数SSMs使用一维速度而缺乏二维速度研究；替代安全研究多关注机动车辆间交互而易受伤道路用户研究不足；针对LMVs的特定SSM阈值几乎空白；路段SSM研究缺乏。本研究的主要贡献包括：提出更适合LMV安全应用的2D-TTC方法；识别并验证城市路段LMVs的最佳TTC和2D-TTC阈值；利用真实数据评估不同LMV类型在混合交通路段的碰撞风险。

研究采用的技术路线如下：数据采集于澳大利亚墨尔本中央商务区Lonsdale Street的城市路段，该路段为双向三车道无独立自行车道配置，含公交专用道。研究使用Sony A6700相机以4K@60fps分辨率从连接两侧建筑的天桥进行4小时视频记录（2024年12月周三早高峰8-9时及2025年5月周二下午高峰16:45-17:45），覆盖60米路段。采用Kinovea 2025版半自动视频跟踪软件提取道路使用者运动学数据，包括速度、纵向和横向速度及位置，时间间隔为1/60秒，并使用Savitzky-Golay滤波平滑数据以减少跟踪噪声。速度验证通过与固定距离-时间法计算的对比，均方根百分比误差约为±2.5%。碰撞数据来源于Transport Victoria公开数据门户（2012年1月至2025年12月），经筛选后保留白天LMV相关碰撞11起。

研究方法包括TTC公式、改进的2D-TTC公式及EVT-POT方法。TTC定义为在速度和方向保持恒定的假设下，距潜在碰撞的剩余时间，需满足位置正确、后车速度大于前车速度、后车位于前车后方三个条件。2D-TTC扩展至二维框架，包含纵向2D-TTC（2DTTC_lon）用于追尾场景和横向2D-TTC（2DTTC_lat）用于侧擦场景。本研究针对Guo等人公式的局限进行改进，考虑不同车辆尺寸及LMV可位于其他车辆任一侧的实际情况，详细推导了改进公式。此外，研究还引入时间暴露2D-TTC（Time Exposed 2D-TTC, TE-2DTTC）和时间积分2D-TTC（Time Integrated 2D-TTC, TI-2DTTC）以反映路段冲突的持续时间和强度。

EVT-POT方法用于建模交通冲突与碰撞的统计关系。当阈值足够高时，超过阈值的样本服从广义帕累托分布（Generalised Pareto Distribution, GPD），其形状参数（ξ）和尺度参数（σ）通过概率加权矩（Powered Weighted Moments, PWM）法估计，该方法对小样本更可靠。阈值确定采用平均剩余寿命图和参数稳定性图进行图形分析，并结合Akaike信息准则（AIC）辅助确定。碰撞概率计算基于TTC或2D-TTC等于或小于0时发生碰撞的假设，估计年碰撞数为估计范围与观测间隔之比乘以碰撞概率。

研究结果显示了以下重要发现。描述性统计表明，共观测到71辆自行车、64辆电动自行车和129辆摩托车，检测到765对交互。TTC_min与2DTTC_lon的样本量差异反映了考虑二维速度后更多交互被识别为潜在追尾场景。自行车和电动自行车的TTC_min分布早期更为陡峭，表明短TTC值更为集中。

阈值选择结果为：摩托车TTC阈值3.40秒、2DTTC_lon阈值2.46秒、2DTTC_lat阈值3.27秒；自行车和电动自行车TTC阈值3.62秒、2DTTC_lon阈值3.41秒、2DTTC_lat阈值3.09秒。冲突-碰撞关系验证表明，2DTTC_lon的估计年碰撞数（摩托车0.058起、自行车和电动自行车0.15起）与实际年碰撞数（0.07起）更为接近，而TTC明显高估（摩托车19.68起、自行车和电动自行车2.81起），证实2D-TTC具有更优的交通冲突-碰撞关系。

安全分析揭示，自行车在追尾和侧擦冲突中均表现最为突出。合并峰期分析显示，自行车追尾冲突比例最高（20%），侧擦冲突比例亦最高（15%）；电动自行车各项安全指标最低，表明其碰撞风险相对较小。时间暴露和强度指标同样支持自行车风险最高的结论。时段差异分析发现，上午高峰仅自行车出现冲突，下午高峰摩托车追尾冲突比例最高而自行车侧擦冲突最多。值得注意的是，自行车在允许路侧停车时安全性看似提升，可能与避免与大车共用车道有关，但需警惕"开门杀"风险。所有LMV类型在冲突中多处于跟随车位置，提示需加强跟车安全间距教育。

研究结论指出，尽管存在观测窗口短、单一地点、半自动轨迹提取耗时及碰撞数据有限等局限，2D-TTC在城市路段LMV安全评估中展现出优于传统TTC的性能。未来研究应延长观测时间、覆盖多地点、采用自动化轨迹提取工具、在高碰撞频率地点验证，并可考虑将2D-TTC方程与实际碰撞轨迹或高保真交通仿真进行对比验证。研究为LMV安全政策制定提供了理论基础和实用阈值，包括将2D-TTC作为替代SSM、应用于前后对比和设施设计评估、强化LMV使用者最小安全间距意识、以及推广车载预警技术等。