基于ExiD的高速公路合流汇入特性与安全性研究

doi:10.12141/j.issn.1000-565X.240437

华南理工大学学报(自然科学版) ›› 2025, Vol. 53 ›› Issue (8): 50-60.doi: 10.12141/j.issn.1000-565X.240437

基于ExiD的高速公路合流汇入特性与安全性研究

温惠英¹, 黄坤火¹, 陈喆², 赵胜¹, 胡宇晴², 黄俊达¹

^1.华南理工大学土木与交通学院，广东广州 510640
^2.广东联合电子服务股份有限公司，广东广州 510620

收稿日期:2024-08-29 出版日期:2025-08-25 发布日期:2025-01-17
通信作者: 黄俊达（1995—），男，博士生，主要从事交通规划、交通仿真研究。 E-mail:cthuangjunda@mail.scut.edu.cn
作者简介:温惠英（1965—），女，教授，博士生导师，主要从事交通规划、交通安全研究。E-mail： hywen@scut.edu.cn
基金资助:
国家自然科学基金项目(52372329)

An Investigation into Expressway Merging Behavior and Safety Based on ExiD Data

WEN Huiying¹, HUANG Kunhuo¹, CHEN Zhe², ZHAO Sheng¹, HU Yuqing², HUANG Junda¹

^1.South China University of Technology，Guangzhou 510640，Guangdong，China
^2.Guangdong E -Serve United Co. ，Ltd. ，Guangzhou 510640，Guangdong，China

Received:2024-08-29 Online:2025-08-25 Published:2025-01-17
Contact: 黄俊达（1995—），男，博士生，主要从事交通规划、交通仿真研究。 E-mail:cthuangjunda@mail.scut.edu.cn
About author:温惠英（1965—），女，教授，博士生导师，主要从事交通规划、交通安全研究。E-mail： hywen@scut.edu.cn
Supported by:
the National Natural Science Foundation of China(52372329)

摘要/Abstract

摘要：

高速公路合流区的车辆换道频繁、驾驶环境复杂、交通冲突严重，是交通事故的多发区域，准确理解高速公路合流区车辆运行状态与交通安全之间的关系，能够为实时预判事故风险、构建交通安全控制策略提供依据。本研究基于德国ExiD车辆轨迹数据，根据车辆进入加速车道到汇入主线过程中主线外侧车辆的相对位置变化，对高速公路合流区车辆汇入模式进行划分。为系统刻画汇入行为所带来的安全风险，引入碰撞时间（TTC）理论，构建了汇入风险表征体系。该体系包括两个层面的指标：一是基于二维TTC的汇入时刻风险指标，用于评估车辆在汇入瞬间的潜在冲突程度；二是基于碰撞暴露时间的汇入过程风险指标，用于评估整个汇入过程中的累积风险水平。在模型构建方面，采用XGBoost、LightGBM、GBDT和RF 4种机器学习算法，建立高速公路合流区车辆汇入风险判别模型，并通过SHAP（SHapley Additive exPlanations）理论对高速公路合流区车辆汇入风险致因进行分析。实验结果表明，基于XGBoost的高速公路合流区的汇入风险判别模型表现最优，总体准确率达95.52%，其准确率、精确率、召回率和F1分数方面均优于其他模型。此外，模型对比结果表明：考虑了汇入持续时间和汇入紧迫度的风险识别模型准确率更高。SHAP的分析进一步揭示：合流区车辆汇入风险与主线前车速度差平均值、速度差最大值、距离平均值、汇入持续时间、汇入过程纵向加速度标准差、汇入车辆速度等因素关系密切。

关键词: 交通安全, 高速公路合流区, 交通冲突, 风险识别, 机器学习

Abstract:

Expressway merging areas are characterized by frequent lane changes, complex driving environments, and intense traffic conflicts, making them high-risk zones for traffic accidents. Accurately understanding the relationship between vehicle operating status and traffic safety in these merging areas can provide a foundation for real-time accident risk prediction and the development of effective traffic safety control strategies. This study is based on vehicle trajectory data from the German ExiD dataset. By analyzing the changes in the relative positions of mainline outer-lane vehicles during the process from a vehicle entering the acceleration lane to merging into the mainline, the merging patterns in expressway merging areas were classified. To systematically describe the safety risks associated with merging, this study introduced the Time to Collision theory and developed a risk representation framework. This framework includes two levels of indicators: (1) a merging moment risk indicator based on two-dimensional TTC, which evaluates potential conflict at the moment of merging; and (2) a merging process risk indicator based on collision exposure time, which reflects the accumulated risk throughout the merging process. For model development, four machine learning algorithms—XGBoost, LightGBM, GBDT, and Random Forest—were used to build a classification model for merging risk. In addition, SHAP was applied to interpret the model and analyzed the key factors influencing merging risk. Experimental results show that the XGBoost-based risk identification model for expressway merging areas outperforms other models, achieving an overall accuracy of 95.52%. It also demonstrates superior performance in terms of accuracy, precision, recall, and F1-score. Furthermore, comparison among models indicates that incorporating merging duration and urgency significantly improves risk identification accuracy. SHAP analysis further reveals that merging risk is closely related to several factors, including the ave-rage and maximum speed differences with the leading vehicle on the mainline, the average distance to the leading vehicle, merging duration, the standard deviation of longitudinal acceleration during merging, and the speed of the merging vehicle.

Key words: traffic safety, expressway merging areas, traffic conflicts, risk identification, machine learning

中图分类号:

U491

温惠英, 黄坤火, 陈喆, 赵胜, 胡宇晴, 黄俊达. 基于ExiD的高速公路合流汇入特性与安全性研究[J]. 华南理工大学学报(自然科学版), 2025, 53(8): 50-60.

WEN Huiying, HUANG Kunhuo, CHEN Zhe, ZHAO Sheng, HU Yuqing, HUANG Junda. An Investigation into Expressway Merging Behavior and Safety Based on ExiD Data[J]. Journal of South China University of Technology(Natural Science Edition), 2025, 53(8): 50-60.

图/表 14

图1

表1

图2

图3

图4

表2

模型变量选择"

变量	变量类型	含义		变量类型	含义
$y$	分类	是否存在冲突	$X 17$	连续	沿车道线方向加速度
$X 1$	连续	区域4交通量	$X 18$	连续	垂直车道线方向加速度
$X 2$	连续	区域4交通密度	$X 19$	分类	前车类型（小客车标记为1；小货车标记为2；大卡车标记为3）
$X 3$	连续	区域4路段平均车速	$X 20$	连续	汇入过程与前车速度差平均值
$X 4$	连续	区域5交通量	$X 21$	连续	汇入过程与前车速度差标准差
$X 5$	连续	区域5交通密度	$X 22$	连续	汇入过程与前车速度差最大值
$X 6$	连续	区域5路段平均车速	$X 23$	连续	汇入过程与前车距离平均值
$X 7$	分类	汇入车辆类型（小客车标记为1；小货车标记为2；大卡车标记为3）	$X 24$	连续	汇入过程与前车车头时距平均值
$X 8$	连续	汇入车辆长度	$X 25$	分类	后车类型（小客车标记为1；小货车标记为2；大卡车标记为3）
$X 9$	连续	汇入车辆宽度	$X 26$	连续	汇入过程与后车速度差平均值
$X 10$	连续	汇入车辆速度	$X 27$	连续	汇入过程与后车速度差标准差
$X 11$	连续	汇入过程横向加速度标准差	$X 28$	连续	汇入过程与后车速度差最大值
$X 12$	连续	汇入过程纵向加速度标准差	$X 29$	连续	汇入过程与后车距离平均值
$X 13$	连续	汇入过程横向加速度最大值	$X 30$	连续	汇入过程与后车车头时距平均值
$X 14$	连续	汇入过程纵向加速度最大值	$X 31$	连续	汇入持续时间
$X 15$	连续	沿车道线方向速度	$X 32$	连续	汇入紧迫度
$X 16$	连续	垂直车道线方向速度

表2

表3

表4

图5

表5

图6

图7

图8

图9

参考文献 22

[1]	查文贵．高速公路合流区交通冲突预测与安全评价研究［D］．重庆：重庆交通大学，2022.
[2]	阎莹，盛彦婷，袁华智，等．高速公路出入口区域行车风险评价及车速控制［J］．交通运输工程学报，2011，11（2）：90-96.
	YAN Ying， SHENG Yanting， YUAN Huazhi，et al ．Driving risk evaluation and speed control in passageway areas of freeway［J］．Journal of Traffic and Transportation Engineering，2011，11（2）：90-96.
[3]	WANG X， HADIUZZAMAM M， QIU T Z，et al ．Sensitivity analysis of freeway capacity at a complex weaving segment［C］∥Proceeding of the CICTP 2014：Safe，Smart，and Sustainable Multimodal Transportation Systems．Virginia：ASCE，2014：596-608.
[4]	谢济铭，秦雅琴，彭博，等．多车道交织区车辆跟驰行为风险判别与冲突预测［J］．交通运输系统工程与信息，2021，21（3）：131-139.
	XIE Jiming， QIN Yaqin， PENG Bo，et al ．Risk discrimination and conflict prediction of vehicle-following behavior in multi-lane weaving sections［J］．Journal of Transportation Systems Engineering and Information Techno-logy，2021，21（3）：131-139.
[5]	温惠英，黄坤火，赵胜．基于机器学习的高速公路大型货车追尾风险预测［J］．中国安全科学学报，2023，33（9）：173-180.
	WEN Huiying， HUANG Kunhuo， ZHAO Sheng，et al ．Prediction of rear-end collision risk of large trucks based on machine learning［J］．China Safety Science Journal，2023，33（9）：173-180.
[6]	翁楚滨．多车环境下智能车辆换道风险预测与轨迹规划方法［D］．广州：华南理工大学，2023.
[7]	王伟．基于车辆轨迹重构的高速公路合流区换道冲突计算方法［D］．广州：华南理工大学，2022.
[8]	杜胜品，马永锋．基于冲突点的交织区复杂度量化研究［J］．交通运输系统工程与信息，2014，14（1）：53-58.
	DU Shengpin， MA Yongfeng ．Quantitative analysis on complexity of weaving segment with conflicts［J］．Journal of Transportation Systems Engineering and Information Technology，2014，14（1）：53-58.
[9]	TANAKA S， HASEGAWA N， IIZUKA D，et al ．Evaluation of vehicle control algorithm to avoid conflicts in wea-ving sections under fully-controlled condition in urban expressway［J］．Transportation Research Procedia，2017，21：199-207.
[10]	WANG L， ABEL-ATY M， SHI Q，et al ．Real-time crash prediction for expressway weaving segments［J］．Transportation Research Part C：Emerging Technologies，2015，61：1-10.
[11]	YUAN J， ABEL-ATY M， CAI Q，et al ．Investigating drivers’ mandatory lane change behavior on the weaving section of freeway with managed lanes：a driving simulator study［J］．Transportation Research Part F：Tra-ffic Psychology and Behaviour，2019，62：11-32.
[12]	LI S， XIANG Q， MA Y，et al ．Crash risk prediction modeling based on the traffic conflict technique and a microscopic simulation for freeway interchange merging areas［J］．International Journal of Environmental Research and Public Health，2016，13（11）：1157.
[13]	GU X， ABDEL-ATY M， XIANG Q，et al ．Utilizing UAV video data for in-depth analysis of drivers’ crash risk at interchange merging areas［J］．Accident Analysis & Prevention，2019，123：159-169.
[14]	MOERS T， VATER L， KRAJEWSKI R，et al ．The exid dataset：a real-world trajectory dataset of highly interactive highway scenarios in germany［C］∥Procee-ding of the 2022 IEEE Intelligent Vehicles Symposium （Ⅳ）．［S.L.］：IEEE，2022：958-964.
[15]	叶云涛．考虑交通行为特性的高速公路交通冲突预测模型研究［D］．西安：长安大学，2022.
[16]	张方方，王长君，王俊骅．城市快速路匝道合流区车辆交互行为模式［J］．中国公路学报，2022，35（9）：66-79.
	ZHANG Fangfang， WANG Changjun， WANG Junhua ．Vehicle interaction patterns at on-ramp merging area of urban expressway［J］．China Journal of Highway and Transport，2022，35（9）：66-79.
[17]	MINDERHOUD M M， BOVY P H L. Extended time-to-collision measures for road traffic safety assessment［J］．Accident Analysis & Prevention，2001，33（1）：89-97.
[18]	BONELA S R， KADALI B R ．Review of traffic safety evaluation at T-intersections using surrogate safety measures in developing countries context［J］．IATSS Research，2022，46（3）：307-321.
[19]	高阳．对多重共线性检测指标的一些研究［D］．兰州：兰州大学，2019.
[20]	王兆华，刘杰，王博，等．融合机器学习与SHAP值算法的居民需求响应个体异质性因素挖掘与应用研究［J］．系统工程理论与实践，2024，44（7）：2247-2259.
	WANG Zhaohua， LIU Jie， WANG Bo，et al ．Research on mining and applications of individual heterogeneity factors in resident demand response by integra-ting machine learning and SHAP value algorithm［J］．Systems Engineering-Theory & Practice，2024，44（7）：2247-2259.
[21]	曲大义，戴守晨，陈意成，等．基于轨迹数据的车辆博弈切出及汇入行为建模［J/OL］．吉林大学学报（工学版）．［2024-03-05］．.
	QU Dayi， DAI Shouchen， CHEN Yicheng，et al ．Modeling of vehicle game cut-out and merging behavior based on trajectory data［J/OL］．Journal of Jilin University （Engineering and Technology Edition）．［2024-03-05］．.
[22]	李传华，吴昊，孙一帆．基于交通冲突的山区高速公路可变限速控制方法［J］．长安大学学报（自然科学版），2018，38（5）：154-161.
	LI Chuanhua， WU Hao， SUN Yifan ．Variable speed limit method of mountainous expressway based on traffic conflicts index［J］．Journal of Chang’an University （Natural Science Edition），2018，38（5）：154-161.

汇入模式	后方车辆是否存在	前方车辆是否存在
A	不存在	不存在
B	不存在	存在
C	不存在	存在（后车变前车）
D	存在	不存在
E	存在	存在
F	存在	存在（后车变前车）

分类器	模型参数	参数取值	最佳参数
XGBoost	决策树数量	50~200	57
	最大树深度	3~10	3
	学习率/%	1~30	27
LightGBM	决策树数量	50~200	165
	最大树深度	3~10	7
	学习率/%	1~30	21
RF	决策树数量	50~200	64
RF	最大树深度	3~10	9
GBDT	决策树数量	50~200	177
	最大树深度	3~10	9
	学习率/%	1~30	17

模型	AUC	准确率/%	精确率/%	召回率/%	F1分数
XGBoost	0.96	95.52	97.50	85.00	0.898 9
LightGBM	0.94	94.02	91.20	84.12	0.871 6
GBDT	0.92	91.33	92.35	84.25	0.881 1
RF	0.92	90.16	91.48	83.36	0.872 3

XGBoost模型类别	准确率/%	精确率/%	召回率/%	F1分数
未考虑2个因素	94.21	96.49	96.49	0.964 9
考虑2个因素	97.33	96.61	97.43	0.982 7

基于ExiD的高速公路合流汇入特性与安全性研究

An Investigation into Expressway Merging Behavior and Safety Based on ExiD Data

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 22

相关文章 15

编辑推荐

Metrics

本文评价

[1]	温惠英, 马肇良, 赵胜, 巫立明, 黄坤火. 山区高速公路货车事故影响因素分析[J]. 华南理工大学学报(自然科学版), 2025, 53(7): 93-103.
[2]	刘文硕, 钟明锋, 周博, 吕方舟. 基于机器学习的高速铁路斜拉桥钢箱梁温度模式研究[J]. 华南理工大学学报(自然科学版), 2025, 53(6): 25-33.
[3]	巩忠文, 熊二刚, 王文翔, 等. 基于裂缝滑移模型的无腹筋RC梁抗剪承载力计算[J]. 华南理工大学学报(自然科学版), 2024, 52(5): 114-126.
[4]	赵建东, 许慧玲, 吕行, 等. 考虑代价敏感的高速公路偷逃费行为识别模型[J]. 华南理工大学学报(自然科学版), 2024, 52(5): 10-19.
[5]	董春娇, 陆育霄, 马社强, 等. 信号交叉口电动自行车多类别违规行为分析与建模[J]. 华南理工大学学报(自然科学版), 2024, 52(1): 83-89.
[6]	林培群, 龚敏平, 周楚昊. 面向运输风险识别的高速公路货车用户画像方法[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 1-9.
[7]	周楚昊, 林培群, 闫明月. 基于自监督学习的交通数据补全算法[J]. 华南理工大学学报(自然科学版), 2023, 51(4): 101-114.
[8]	董萍, 韦述阳, 刘明波. 多网络协作下电动汽车参与电力市场的调度策略[J]. 华南理工大学学报(自然科学版), 2023, 51(12): 83-94.
[9]	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.
[10]	王晓飞, 李思雨, 陈迷, 等. 平凸曲线组合均衡性对公路安全性的影响[J]. 华南理工大学学报(自然科学版), 2022, 50(7): 76-84.
[11]	宋建, 王文龙, 李东, 等. 基于Stacking集成学习的注塑件尺寸预测方法[J]. 华南理工大学学报(自然科学版), 2022, 50(6): 19-26.
[12]	赵晓华, 朱红臻, 边扬, 等. 基于扩展TPB模型的老年驾驶人自我调节行为研究[J]. 华南理工大学学报(自然科学版), 2022, 50(3): 28-37.
[13]	林培群夏雨周楚昊. 引入时空特征的高速公路行程时间预测方法[J]. 华南理工大学学报(自然科学版), 2021, 49(8): 1-11.
[14]	贾若, 戴昇宏, 黄霓, 等. 交通拥堵判别方法研究综述[J]. 华南理工大学学报（自然科学版）, 2021, 49(4): 124-139.
[15]	鲁岳符锌砂. 基于街景图像的城市景观与交通安全分析[J]. 华南理工大学学报（自然科学版）, 2021, 49(10): 22-30.