基于空间自相关的常规城市公交车辆危险驾驶热点路段识别

doi:10.12141/j.issn.1000-565X.230026

华南理工大学学报(自然科学版) ›› 2024, Vol. 52 ›› Issue (4): 138-150.doi: 10.12141/j.issn.1000-565X.230026

• 交通安全 • 上一篇

基于空间自相关的常规城市公交车辆危险驾驶热点路段识别

张文会¹ 刘拓¹^,^2† 宋雅靖¹ 苏嘉祺¹

^1.东北林业大学土木与交通学院, 黑龙江哈尔滨 150040
^2.比亚迪汽车工业有限公司商用车研究院, 广东深圳 518118

收稿日期:2023-01-19 出版日期:2024-04-25 发布日期:2023-05-09
通信作者: 刘拓（1990-），男，硕士，主要从事交通安全研究。 E-mail:liutuo901010@163.com
作者简介:张文会（1978-），男，博士，副教授，主要从事交通安全研究。E-mail:rayear@163.com
基金资助:
黑龙江省重点研发计划项目(JD22A014)

Identification of Hazardous Driving Hotspots of Conventional Urban Bus Based on Spatial Autocorrelation

ZHANG Wenhui¹ LIU Tuo¹^,^2† SONG Yajing¹ SU Jiaqi¹

^1.School of Civil Engineering and Transportation, Northeast Forestry University, Harbin 150040, Heilongjiang, China
^2.Commercial Vehicle Research Institute, BYD Auto Industry Company Limited, Shenzhen 518118, Guangdong, China

Received:2023-01-19 Online:2024-04-25 Published:2023-05-09
Contact: 刘拓（1990-），男，硕士，主要从事交通安全研究。 E-mail:liutuo901010@163.com
About author:张文会（1978-），男，博士，副教授，主要从事交通安全研究。E-mail:rayear@163.com
Supported by:
the Key R&D Program of Heilongjiang Province(JD22A014)

摘要/Abstract

摘要：

为了获得公交危险驾驶状态的空间分布特征，采用空间自相关性分析方法，识别危险驾驶状态的空间集聚性，确定危险驾驶状态热点路段，并对显著性影响因素进行分析。首先，采集4个季度各1周公交车辆卫星定位数据样本，修复重复数据、异常数据和缺失数据，并以公交站点为节点划分空间区段，对每个区段进行编号；接着，将速度过快、急加速、急减速和急转弯确定为危险驾驶状态，参照车辆运动学特性获得4种危险驾驶状态阈值，并计算4种危险驾驶状态的统计学指标和全局莫兰指数，结果表明，公交车辆危险驾驶状态具有空间集聚性（空间随机分布概率p < 0.01，标准差得分值Z > 2.58），速度过快状态（全局莫兰指数为0.731）的空间集聚性最为显著；然后，分别对4种危险驾驶状态进行局部空间自相关性分析，绘制了90%、95%和99%置信度下的莫兰散点图和Lisa集聚图，结合城市地图，获得危险驾驶状态的热点路段；最后，选取路段长度、车道数、平直度等9个指标，对比分析了OLS模型、SLE模型、SEM模型和SDM模型的拟合优度，采用SDM模型获得4种危险驾驶状态的显著性影响因素。文中研究结果可为公交车辆危险驾驶状态空间识别、精细化安全运行管理提供理论依据。

关键词: 交通运输工程, 公交车辆, 运行安全, 热点路段, 空间自相关

Abstract:

In order to obtain the spatial distributing characteristics of hazardous bus driving status, this paper identified the spatial clustering through spatial autocorrelation analysis, determined the hot spots, and analyzed the significant influencing factors. Firstly, the study collected position system data samples of the urban buses for one week in each of the four quarters and modified the duplicate, abnormal and missing data. Bus stops were used as nodes to divide spatial spots, and every spot was numbered. Over speed, urgent acceleration, urgent deceleration and sharp turn were identified as hazardous driving status. The four conditions thresholds were obtained according to the kinematic characteristics of vehicles. The study calculated statistical indicators and global Moran’s I_g of four conditions. The results show that hazardous driving status are spatially clustered (probability of a spatial random distribution p < 0.01, standard deviation score Z > 2.58). Over speed has most significant characteristic of spatial clustering (I_g = 0.731). The study performed local spatial autocorrelation analysis for the four conditions. According to the analysis, local Moran’ s I scatter plots and LISA clustering plots are plotted at 90%, 95% and 99% confidence levels. The hazardous hot spots of urban buses were obtained combining with city maps. Finally, the study selected 9 factors such as road length, number of lanes and straightness to formulate models. The compare and analysis were performed to get the fitting goodness of OLS, SLE, SEM and SDM model. The SDM model was used to obtain the significant influencing factors for 4 dangerous driving states. The results can provide a theoretical basis for supervising the safety operation and identifying the hazardous driving status of urban buses in spatial perspective.

Key words: transportation engineering, bus, running safety, hot spot, spatial autocorrelation

中图分类号:

U491

张文会, 刘拓, 宋雅靖, 等. 基于空间自相关的常规城市公交车辆危险驾驶热点路段识别[J]. 华南理工大学学报(自然科学版), 2024, 52(4): 138-150.

ZHANG Wenhui, LIU Tuo, SONG Yajing, et al. Identification of Hazardous Driving Hotspots of Conventional Urban Bus Based on Spatial Autocorrelation[J]. Journal of South China University of Technology(Natural Science Edition), 2024, 52(4): 138-150.

图/表 24

表1

图1

表2

表3

公交车辆驾驶状态特征变量说明"

特征变量（符号）	说明	单位
速度（v）	数据记录时的瞬时速度值	km/h
方向角（H）	公交车辆车头方向与正北方向的夹角	（°）
经度（J）	数据记录时所处的经度值	（°）
纬度（W）	数据记录时所处的纬度值	（°）
加速度（a）	数据记录前后时刻的平均加速度值	$m / s 2$
方向角变化量（ $Δ H$ ）	数据记录时刻与时间间隔为3 s的上一时刻方向角差的绝对值	（°）

表3

表4

公交车辆危险驾驶状态判断阈值"

危险运行状态	判断阈值
速度过快	$v i > v *$ （ $i = k, k + 1, k + 2$ ）
急加速	$a k + 1 > 3 且 a k + 2 > 3$
急减速	$a k + 1 < - 3 且 a k + 2 < - 3$
急转弯	$v ¯ i > v 1 * 且 Δ H > Δ H * 或 v ¯ i > v 2 * 且 ω i > ω *$ （ $i = k, k + 1, k + 2$ ）

表4

表5

图2

表6

图3

图4

表7

图5

图6

表8

图7

图8

表9

图9

图10

表10

表11

表12

表13

表14

参考文献 26

1	左精力，王秋平，陈君．城市公交GPS数据与IC卡数据时空特性融合算法［J］．交通信息与安全，2021，39（2）：101-108.
	ZUO Jingli， WANG Qiuping， CHEN Jun ．A fusion algorithm based on spatiotemporal characteristics of the GPS data and IC card data in urban public transportation［J］．Journal of Transport Information and Safety，2021，39（2）：101-108.
2	吴红波，郭敏，杨肖肖．基于地图API和GIS路径分析的城市公交车路网优化［J］．北京交通大学学报，2022，46（1）：69-78.
	WU Hongbo， GUO Min， YANG Xiaoxiao ．Optimization of urban bus network based on map API data and GIS path analysis［J］．Journal of Beijing Jiaotong University，2022，46（1）：69-78.
3	陈辉，蒋圭峰，姜桂圆，等．基于海量公交轨迹数据挖掘的地图匹配算法［J］．计算机应用，2018，38（7）：1923-1928.
	CHEN Hui， JIANG Guifeng， JIANG Guiyuan，et al ．Map matching algorithm based on massive bus trajectory data mining［J］．Journal of Computer Applications，2018，38（7）：1923-1928.
4	LI P， ABDEL-ATY M， YUAN J ．Using bus critical driving events as surrogate safety measures for pedestrian and bicycle crashes based on GPS trajectory data［J］．Accident Analysis & Prevention，2021，150：105924/1-8.
5	薛清文，蒋愚明，陆键．基于轨迹数据的危险驾驶行为识别方法［J］．中国公路学报，2020，33（6）：84-94.
	XUE Qing-wen， JIANG Yu-ming， LU Jian ．Risky driving behavior recognition based on trajectory data［J］．China Journal of Highway and Transport，2020，33（6）：84-94.
6	TIMMERMANS C P M， ALHAJYASEEN W K M， ROSS V，et al ．Introducing a multi-variate classification method：risky driving acceptance among different heterogeneous driver sub-cultures［J］．Journal of Safety Research，2020，73：81-91.
7	HAN W， ZHAO J ．Driver behaviour and traffic accident involvement among professional urban bus drivers in China［J］．Transportation Research Part F：Traffic Psychology and Behaviour，2020，74：184-197.
8	纪少波，张珂，李伦，等．基于纯电动汽车高频数据的驾驶风格分类方法［J］．同济大学学报（自然科学版），2022，50（2）：273-282.
	JI Shaobo， ZHANG Ke， LI Lun，et al ．Driving style classification method based on high frequency data from pure electric vehicles［J］．Journal of Tongji University （Natural Science），2022，50（2）：273-282.
9	王海星，王翔宇，王招贤，等．基于数据挖掘的危险货物运输风险驾驶行为聚类分析［J］．交通运输系统工程与信息，2020，20（1）：183-189.
	WANG Hai-xing， WANG Xiang-yu， WANG Zhao-xian，et al ．Dangerous driving behavior clustering analysis for hazardous materials transportation based on data mining［J］．Journal of Transportation Systems Engineering and Information Technology，2020，20（1）：183-189.
10	孙川，吴超仲，褚端峰，等．基于车联网数据挖掘的营运车辆驾驶速度行为聚类研究［J］．交通运输系统工程与信息，2015，15（6）：82-87.
	SUN Chuan， WU Chao-zhong， CHU Duan-feng，et al ．Driving speed behavior clustering for commercial vehicle based on connected vehicle data mining［J］．Journal of Transportation Systems Engineering and Information Technology，2015，15（6）：82-87.
11	李彦瑾，罗霞．突发环境下城市道路网关键路段集识别［J］．交通运输系统工程与信息，2018，18（2）：128-135.
	LI Yan-jin， LUO Xia ．Identification of urban road network’s critical links set under emergency environment［J］．Journal of Transportation Systems Engineering and Information Technology，2018，18（2）：128-135.
12	李君羡，吴志周，沈宙彪．基于行程时间影响的关键路段识别与查找［J］．交通运输系统工程与信息，2020，20（6）：129-135.
	LI Jun-xian， WU Zhi-zhou， SHEN Zhou-biao ．Identification and retrieval of critical segments based on travel time effect［J］．Journal of Transportation Systems Engineering and Information Technology，2020，20（6）：129-135.
13	邓红星，白伊杨．考虑轨迹数据的公交运行状态识别［J］．重庆理工大学学报（自然科学），2023，37（2）：233-240.
	DENG Hongxing， BAI Yiyang ．Research of state recognition and application of GPS-based bus operation［J］．Journal of Chongqing University of Technology（Natural Science），2023，37（2）：233-240.
14	赵建东，贾卓瑾，梁营力，等．基于浮动车数据的城市区域路网关键路段识别［J］．北京交通大学学报，2021，45（4）：54-60，78.
	ZHAO Jiandong， JIA Zhuojin， LIANG Yingli，et al ．Identification of key road sections in urban road network based on floating car data［J］．Journal of Beijing Jiaotong University，2021，45（4）：54-60，78.
15	苏飞，董宏辉，贾利民，等．基于时空相关性的城市交通路网关键路段识别［J］．交通运输系统工程与信息，2017，17（3）：213-221.
	SU Fei， DONG Hong-hui， JIA Li-min，et al ．Identification of critical section in urban traffic road network based on space-time correlation［J］．Journal of Transportation Systems Engineering and Information Technology，2017，17（3）：213-221.
16	刘家良，孙立双．结合空间相关性的城市热点路段提取方法［J］．测绘通报，2018（6）：73-77.
	LIU Jialiang， SUN Lishuang ．Extraction of urban hot sections based on spatial correlation［J］．Bulletin of Surveying and Mapping，2018（6）：73-77.
17	杨洋，邵哲平，赵强，等．基于厦门港的海上交通事故地理空间分布及风险预测研究［J］．地球信息科学学报，2022，24（9）：1676-1687.
	YANG Yang， SHAO Zheping， ZHAO Qiang，et al ．Geographical spatial distribution and risk prediction of maritime traffic accidents in port of Xiamen［J］．Journal of Geo-information Science，2022，24（9）：1676-1687.
18	廖聪，邬伦，蔡恒，等．城市电动自行车违规充电隐患的空间分布及其影响因素［J］．北京大学学报（自然科学版），2021，57（4）：671-678.
	LIAO Cong， WU Lun， CAI Heng，et al ．Spatial distribution and influencing factors of unsafe charging for electric bicycles in urban areas［J］．Acta Scientiarum Naturalium Universitatis Pekinensis，2021，57（4）：671-678.
19	HUANG W， ZHANG Y， YIN D，et al ．Urban bus accident analysis：based on a Tropos goal risk-accident framework considering learning from incidents process［J］．Reliability Engineering & System Safety，2021，216：107918/1-10.
20	刘辉，章国鹏，王羿童，等．无控制交叉口交通安全影响因素分析［J］．公路交通科技，2019，36（9）：110-116.
	LIU Hui， ZHANG Guo-peng， WANG Yi-tong，et al ．Analysis on factors affecting traffic safety at uncontrolled intersection［J］．Journal of Highway and Transportation Research and Development，2019，36（9）：110-116.
21	朱建全，石琴．城市快速路路段车速分布特征及影响因素研究［J］．合肥工业大学学报（自然科学版），2018，41（1）：95-101.
	ZHU Jianquan， SHI Qin ．Research on vehicle speed distribution characteristics of urban expressway section and influence factors［J］．Journal of Hefei University of Technology （Natural Science），2018，41（1）：95-101.
22	GITELMAN V， KORCHATOV A， ELIAS W ．An examination of the safety impacts of bus priority routes in major Israeli cities［J］．Sustainability，2020，12（20）：8617/1-17.
23	张道文，母尧尧，王朝健，等．城市道路交通事故特性及严重程度研究［J］．安全与环境学报，2022，22（2）：599-605.
	ZHANG Dao-wen， MU Yao-yao， WANG Chao-jian，et al ．Research on characteristics and severity of urban road traffic accidents［J］．Journal of Safety and Environment，2022，22（2）：599-605.
24	郭淼，赵晓华，姚莹，等．基于驾驶行为和交通运行状态的事故风险研究［J］．华南理工大学学报（自然科学版），2022，50（9）：29-38.
	GUO Miao， ZHAO Xiaohua， YAO Ying，et al ．Study on accident risk based on driving behavior and traffic operating status［J］．Journal of South China University of Technology （Natural Science Edition），2022，50（9）：29-38.
25	任慧君，许涛，李响．利用车载GPS轨迹数据实现公交车驾驶安全性分析［J］．武汉大学学报（信息科学版），2014，39（6）：739-744.
	REN Huijun， XU Tao， LI Xiang ．Driving behavior analysis based on trajectory data collected with vehicle-mounted GPS receivers［J］．Geomatics and Information Science of Wuhan University，2014，39（6）：739-744.
26	SUN Chao， CHEN Xiaohong， ZHANG H M，et al ．Evaluation of driving behavior based on massive vehicle trajectory data［J］．Journal of Southeast University （English Edition），2019，35（4）：502-508.

Z	p	置信度/%
（-∞，-1.65）或（1.65，+∞）	<0.10	90
（-∞，-1.96）或（1.96，+∞）	<0.05	95
（-∞，-2.58）或（2.58，+∞）	<0.01	99

线路	运行方向	车辆编号	经度/（°）	纬度/（°）	方向角/（°）	速度/（km·h^-1）	记录时刻
59路	上行	1175639	126.698 176	45.730 640	215	14	2020-01-01T12：40：33
59路	上行	1128731	126.579 104	45.733 412	141	47	2020-01-01T6：36：36
…	…	…	…	…	…	…	…

危险运行状态	全局莫兰指数	Z
速度过快	0.731	4.321
急加速	0.617	3.850
急减速	0.668	4.251
急转弯	0.695	5.024

置信度/%	莫兰散点图中位置象限	路段ID	频次	p	Z
>90	1	8	1 211	0.087	1.71
	1	20	1 215	0.081	1.74
	3	25	23	0.063	1.86
>95	3	13	170	0.047	1.99
	1	4	882	0.039	2.06
	1	5	1 526	0.037	2.09
	3	23	360	0.036	2.10
	3	24	8	0.018	2.37
	1	7	1 235	0.014	2.46
>99	1	6	1 457	0.002	3.09

置信度/%	莫兰散点图中位置象限	路段id	频次	p	Z
>90	3	13	5	0.087	1.71
	3	11	3	0.076	1.77
	3	24	2	0.060	1.88
>95	1	3	11	0.039	2.06
	1	5	17	0.032	2.14
	1	6	7	0.024	2.26
	1	2	9	0.023	2.27
>99	1	4	11	0.001	3.29

基于空间自相关的常规城市公交车辆危险驾驶热点路段识别

Identification of Hazardous Driving Hotspots of Conventional Urban Bus Based on Spatial Autocorrelation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 24

参考文献 26

相关文章 8

编辑推荐

Metrics

本文评价

置信度/%	莫兰散点图中位置象限	路段ID	频次	p	Z
>90	3	3	7	0.071	1.81
>90	3	18	22	0.055	1.92
>95	1	1	1 778	0.036	2.10
	1	0	1 746	0.023	2.27
	3	6	8	0.014	2.46
>99	3	5	11	0.006	2.75
>99	3	4	8	0.005	2.81

危险驾驶状态	AIC平均值				BIC平均值
危险驾驶状态	OSL模型	SLM模型	SEM模型	SDM模型	OSL模型	SLM模型	SEM模型	SDM模型
速度过快	470.392	449.513	449.781	446.734	485.049	462.170	464.438	441.391
急加速	183.228	178.090	173.676	179.220	197.885	190.747	188.333	173.877
急减速	158.788	146.418	146.338	150.546	173.445	159.075	160.995	145.203
急转弯	469.708	452.771	453.771	453.553	484.365	465.428	468.428	448.210

变量	变量的系数				p
变量	OSL模型	SLM模型	SEM模型	SDM模型	OSL模型	SLM模型	SEM模型	SDM模型
k₁	0.002	0.473	0.623	0.598	0.010^**	0.012^*	0.000^***	0.001^***
k₂	46.463	2.446	-14.642	-20.065	0.304	0.908	0.454	0.289
k₃	2.320	-2.393	-0.671	1.806	0.067	0.038^*	0.083	0.054
k₄	277.868	-34.783	-309.339	3.039	0.061	0.089	0.012^*	0.099
k₅	1.353	4.656	8.908	0.421	0.917	0.448	0.282	0.958
k₆	-124.513	997.205	4 389.910	9 474.280	0.988	0.806	0.280	0.014^*
k₇	98.505	18.076	-25.140	-1.799	0.266	0.662	0.469	0.959
k₈	-203.237	-117.154	-43.982	-42.111	0.024^*	0.015^*	0.052	0.025^*
k₉	-121.983	-71.183	-24.651	-18.955	0.001^***	0.000^***	0.020^*	0.033^*

[1]	赵小梅, 朱香原, 汪秦, 等. 多类型公交线路的运行可靠性优化策略[J]. 华南理工大学学报(自然科学版), 2023, 51(8): 32-39.
[2]	翁剑成, 王茂林, 林鹏飞, 等. 基于客流特征鉴别的公交跨线组合调度优化方法[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 39-48.
[3]	张年罗霞张可. 基于齐当别理论的公交出行决策选择反转[J]. 华南理工大学学报(自然科学版), 2019, 47(9): 61-67.
[4]	徐洪峰何龙章琨. 相邻分体式路段人行横道的协调信号配时优化[J]. 华南理工大学学报（自然科学版）, 2015, 43(12): 106-113.
[5]	杨庆芳梅朵郑黎黎马明辉王伟. 基于云计算的城市路网最短路径遗传算法求解[J]. 华南理工大学学报（自然科学版）, 2014, 42(3): 47-51,58.
[6]	黄卫清李秀喜王津津钱宇. 含时滞动态系统运行安全的柔性和可控性集成分析[J]. 华南理工大学学报(自然科学版), 2012, 40(3): 15-21.
[7]	魏明靳文舟孙博. 区域公交车辆调度问题的可靠性[J]. 华南理工大学学报(自然科学版), 2012, 40(2): 50-56.
[8]	魏明靳文舟孙博. 区域公交车辆调度及购车计划的双层规划模型[J]. 华南理工大学学报（自然科学版）, 2011, 39(8): 118-123.

变量	变量的系数				p
变量	OSL模型	SLM模型	SEM模型	SDM模型	OSL模型	SLM模型	SEM模型	SDM模型
k₁	-0.002	0.001	0.003	0.005	0.072	0.070	0.021^*	0.010^*
k₂	0.001	-0.068	0.019	-0.383	0.999	0.844	0.953	0.260
k₃	-0.015	0.009	0.025	-0.041	0.808	0.830	0.589	0.463
k₄	-2.232	-2.288	-3.214	-1.984	0.716	0.589	0.358	0.564
k₅	-0.070	-0.048	-0.089	-0.217	0.632	0.632	0.450	0.140
k₆	-86.015	-37.951	16.775	-0.469	0.379	0.572	0.800	0.995
k₇	0.569	0.639	0.577	-0.388	0.564	0.346	0.325	0.546
k₈	-0.178	0.388	1.069	0.198	0.926	0.770	0.358	0.869
k₉	-0.597	-0.420	-0.338	-0.471	0.013^*	0.011^*	0.026^*	0.010^**

变量	变量的系数				p
变量	OSL模型	SLM模型	SEM模型	SDM模型	OSL模型	SLM模型	SEM模型	SDM模型
k₁	-0.003	-0.002	0.770	-0.003	0.268	0.061	0.107	0.184
k₂	0.002	-0.023	0.019	0.061	0.996	0.078	0.627	0.770
k₃	-0.004	0.013	0.129	0.078	0.927	3.215	0.401	0.019^*
k₄	3.049	3.213	0.313	3.215	0.469	-0.092	0.220	0.129
k₅	0.203	0.086	0.787	-0.092	0.052	11.785	0.531	0.313
k₆	-42.835	-24.614	-41.489	11.785	0.519	0.530	0.301	0.787
k₇	1.566	1.399	1.216	1.771	0.027^*	0.000^***	0.000^***	0.000^***
k₈	-0.074	0.181	0.044	0.584	0.955	0.815	0.949	0.425
k₉	-0.310	-0.343	-0.642	-0.631	0.239	0.026^*	0.001^**	0.004^**

变量	变量的系数				p
变量	OSL模型	SLM模型	SEM模型	SDM模型	OSL模型	SLM模型	SEM模型	SDM模型
k₁	0.337	0.336	0.232	0.307	0.396	0.120	0.249	0.148
k₂	2.046	-8.331	6.479	8.330	0.963	0.732	0.781	0.717
k₃	12.012	7.464	10.613	15.373	0.036^*	0.014^*	0.003^**	0.000^***
k₄	-38.273	-231.718	-468.536	-363.328	0.943	0.434	0.054	0.012^**
k₅	-3.505	-0.472	2.868	8.337	0.785	0.947	0.760	0.403
k₆	19 564.800	9 071.940	622.866	-62.169	0.030^*	0.054	0.898	0.990
k₇	42.748	38.389	4.989	18.188	0.621	0.418	0.906	0.669
k₈	231.132	210.451	262.946	180.185	0.180	0.025^*	0.001^**	0.024^*
k₉	-11.124	-23.757	-9.689	-42.520	0.739	0.198	0.673	0.074