《Urban Science》：Modeling Driver Speed Variability and Profiles at Raised Pedestrian Crossings to Support 30 km/h Traffic Calming Zones: A Methodological Case Study
编辑推荐：
隆起行人过街设施（Raised Pedestrian Crossings, RPCs）的实施是降低城市地区车辆速度、提升道路安全水平最常用的策略之一。理解驾驶员速度剖面的变异性对于制定有效的交通稳静化政策（如30 km/h区域）至关重要，这些政策需要考虑驾驶员
隆起行人过街设施（Raised Pedestrian Crossings, RPCs）的实施是降低城市地区车辆速度、提升道路安全水平最常用的策略之一。理解驾驶员速度剖面的变异性对于制定有效的交通稳静化政策（如30 km/h区域）至关重要，这些政策需要考虑驾驶员反应的完整范围。本研究分析了在意大利卡西诺市一处RPC处，从接近和离开该设施的八个纵向点收集的来自2480名独特驾驶员的19,840个离散速度测量值。由于案例研究路段在RPC处交汇的不同坡度特征，该模型考虑了两种不同的方向性接近方式。为了克服简单普通最小二乘法（Ordinary Least Squares, OLS）模型的统计偏差，研究人员为每个方向实施了线性混合效应模型（Linear Mixed-Effects Model, LMEM）。这种分层方法正确地模拟了嵌套数据结构（驾驶员内的测量值），并量化了与个体驾驶员行为相关的方差。在此LMEM方法框架内，旨在评估驾驶员如何在RPC前后减速和加速。这一步骤至关重要，因为了解RPC上的车辆和驾驶员行为为实施有效的减速策略（如30 km/h区域）提供了基础。
论文解读：《Modeling Driver Speed Variability and Profiles at Raised Pedestrian Crossings to Support 30 km/h Traffic Calming Zones: A Methodological Case Study》
研究背景与意义
全球范围内，机动车与弱势道路使用者（Vulnerable Road Users, VRUs）的交互是导致城市道路死亡的主要原因之一。世界卫生组织（World Health Organization, WHO）及经济合作与发展组织（Organisation for Economic Co-operation and Development, OECD）等机构指出，高速行驶是碰撞伤害严重性的首要风险因素。为此，建立30 km/h区域（或20 mph区域）已成为标准政策建议，因为普遍降低车速被证明是减轻碰撞严重性（尤其是对缺乏物理保护的VRUs）的前提。然而，单纯依靠垂直标志降低车速并非创建有效30 km/h区域的最佳策略。物理措施（即交通稳静化措施，Traffic Calming Measures, TCMs）相比仅设置交通标志能产生更高的事故减少率。其中，隆起行人过街设施（Raised Pedestrian Crossings, RPCs）因其能迫使驾驶员减速以避免不适或损坏车辆，并保证VRUs的通行安全而被广泛应用。尽管RPCs的有效性已有文献记载，但现有研究在分析车辆速度剖面时往往忽略了车辆类别差异，且常依赖聚合数据（如平均速度或v85）和简单的普通最小二乘（Ordinary Least Squares, OLS）回归模型，忽视了速度数据的“嵌套”结构（同一驾驶员的多个测量值），可能导致对RPC有效性的估计偏差。因此，本研究旨在通过更精细的建模方法来填补这些空白，其成果发表于《Urban Science》。
关键技术与方法
研究人员采用了视频记录系统进行外部观察来收集速度数据，以确保捕捉用户的真实行为而无外部影响。数据收集严格控制了自由流条件，排除了强车辆交互和路边停车等瞬态外部条件，并分析了独特的车辆轨迹以关联独特驾驶员。视频录制系统被战略性放置，利用预定义的物理参考点（里程碑）创建网格，通过20帧/秒的频率评估速度，最大误差低于5.5%。在统计建模方面，研究实施了线性混合效应模型（Linear Mixed-Effects Model, LMEM）来重建速度剖面，该模型将方差分解为固定效应（描述总体平均行为）和随机效应（捕捉未观察到的异质性），从而克服了OLS模型在处理重复测量数据时的局限性。模型比较使用了赤池信息准则（Akaike Information Criterion, AIC）、贝叶斯信息准则（Bayesian Information Criterion, BIC）、对数似然（Log-Likelihood, LLF）等指标，并通过组内相关系数（Intraclass Correlation Coefficient, ICC）量化个体差异。
研究结果
5.1 统计分析
在模型校准前，研究人员进行了数据分布的解释性评估。结果显示，所有车辆类别的速度数据分布均近似正态分布，满足进一步统计分析的假设。通过方差分析（Analysis of Variance, ANOVA）发现，车辆类型对RPC上的车辆穿行速度有显著影响。然而，夏皮罗-威尔克（Shapiro-Wilk）检验和莱文（Levene）检验显示数据违反了正态性和同方差性假设。因此，研究人员采用了非参数的克鲁斯卡尔-沃利斯H检验（Kruskal-Wallis H-test），并结合邓恩事后检验（Dunn's post hoc test）与错误发现率（False Discovery Rate, FDR）校正。结果表明，运动型多用途汽车（Sport Utility Vehicles, SUVs）在两个方向上均表现出显著更高的穿行速度，例如在驶离方向A，SUVs比轿车（Sedans）、重型车辆（Heavy Vehicles）和城市微型车（City Cars）穿行速度显著更快。
5.2 使用LMEM的速度剖面
应用混合效应模型（MEM）允许在考虑驾驶员变异性和车辆类型的情况下重建连续速度剖面。研究人员比较了仅随机截距模型（M1）和随机截距与斜率模型（M2）。模型选择基于AIC、BIC和LLF等指标。结果显示，对于驶离方向A，M2模型表现出更好的预测性能，表明驾驶员间在减速/加速度率上存在高度变异性；而对于驶入方向B，M1模型提供了最佳拟合，表明驾驶员间的制动剖面更为恒定。此外，伪R2指标突出了人为因素的主导地位：虽然固定的空间和车辆变量解释了约18-20%的速度方差，但纳入个体驾驶员异质性（随机效应）将解释的方差提高到了77-85%。通过留出法验证（Hold-out validation）计算的绝对平均误差（Mean Absolute Error, MAE）在方向A为5.86 km/h，方向B为4.80 km/h。
讨论与结论
讨论部分指出，描述性统计分析显示，驶离方向A的车辆速度显著高于驶入方向B，这主要归因于RPC前后道路宽度的不同以及停车位导致的道路收窄。SUVs由于其较高的离地间隙、更大的轮胎直径和更耐受的悬架系统，能够减轻垂直加速度和车内不适感，从而始终以高于其他车辆类别的速度通过RPC，削弱了基础设施的交通稳静化目的。模型比较揭示了依赖于行驶方向的非对称行为反应。在驶离方向A，M2模型的优越性能表明驾驶员不仅在基准速度上，而且在RPC上的减速/加速度率上也存在高度变异性。相反，在驶入方向B，M1模型的最佳拟合表明驾驶员间的制动剖面较为恒定。
结论部分强调，本研究提出的LMEM能够精确捕捉接近、穿越和离开RPC的动态过程。研究证实，无论方向如何，SUVs的穿行速度均高于作为基线的城市微型车。同时，研究也指出了局限性，例如单一站点分析的普适性问题，以及视频分析相比车载自然驾驶数据可能存在的精度不足。尽管如此，该研究提供的方法论框架（从外部观察者数据收集到速度模型开发）可为其他环境中30 km/h区域的实施提供严谨的应用参考，并为城市管理者和学者研究交通稳静化方法提供了起点。
