周 旦， 许 镭， 顾国斌， 严勇力， 赵红专

(桂林电子科技大学建筑与交通工程学院， 桂林 541004)

随着社会经济的快速发展，中国城市的道路交通需求大幅度增加。特别的，非机动车的保有量和使用量增长显著[1]。中国的非机动车出行也逐渐由过去单一的传统人力自行车出行转变为人力自行车和电动自行车并存的出行方式，尤其在地势较为平坦的部分中小城市，电动自行车的出行比重更高。在混行非机动交通流中，由于电动自行车的速度相对较快，且更便捷与省力，因此，在混行非机动车道内经常发生超车事件，尤其是电动自行车对人力自行车的超车行为。在超车过程中会加重骑行者额外的精神负担，且对骑行者的正常行驶造成干扰，因此，超车事件数可被用于混行非机动车道路服务水平评价[2]。

Botma[3]首先建立了自行车超车事件计算模型，并认为自行车流量、速度和道路宽度等对超车事件数影响显著，此方法也被道路通行能力手册(HCM2000)[4]中自行车道路服务水平评价所采用。Beura等[5]使用模糊神经网络算法，构建了一个适用于不均匀交通量的BLOS模型，且经过分析可知路段宽度、交通流量以及路边停车活动是对该模型有重要影响的敏感性因素。中国非机动车骑行环境较为复杂，道路流量大且人力自行车与电动自行车混行现象突出。闫星臣等[6]应用高斯函数分析了城市非机动道路内超车事件数与主要影响因素之间的关系。颜佳佳[7]基于均速标准差和均速离散差值等指标与非机动车道路服务水平评价标准建立联系，为非机动车道宽度与通行能力的相互关系研究奠定了基础。李玉清[8]基于多值元胞自动机模型，提出了一种以密度、平均速度、负荷度等为评价指标的自行车道服务水平评价方法。

国外在非机动车超车事件和服务水平评价方面的研究当中，更多的是侧重于对传统人力自行车的研究，对于电动自行车的研究则非常少，这主要基于他们的国情，而中国的混行非机动交通流现象则更为突出，所以国外学者得出的结论与规范标准并不能很好的表征中国的道路运行状况。中国学者在建立服务水平评价体系时，主要是围绕传统的交通流参数得出结论，而很少考虑到骑行者的主观感受，且往往评价指标较多，无法简洁直观地进行评价。基于此，现从混行非机动交通流的特性出发，将超车事件数列为混行非机动车道服务水平的评价指标，并结合骑行者的主观感受建立混行非机动车道服务水平分级标准。以期为混行非机动车道路运行状态判别以及规划与管理提供理论依据。

1 非机动车交通流数据采集

1.1 调查路段

选取广西壮族自治区内桂林市、柳州市和南宁市典型混行非机动车道路作为调查地点。这三座城市的主城区地势较为平坦，非机动车交通系统较为发达，非机动车作为市民出行的最基本交通方式，数量非常庞大，特别是电动自行车所占比重较高，独立的非机动车道内人力自行车和电动自行车混行现象突出。调查路段的选取原则主要包括以下三个方面：①非机动车流量较大的城市主次干道上，具有机非物理隔离设施，道路平直，骑行视野较好；②远离道路交叉口、公交站台、路侧开口等且路内没有机动车停车设施；③天气状况较佳，调查时间选取在工作日的7:00—9:00和17:00—19:00。选取10个重要路段进行调查，各个路段的基本情况如表1所示。

表1 调查路段的基本情况Table 1 Investigate the basic situation of the road section

1.2 数据采集

在调查过程中，首先，设定长度为15 m的调查区域，部分路段的实况如图1所示；其次，使用无人机对选取的路段进行拍摄，记录下非机动车辆的实时运行状况；最后，使用视频处理软件，获取每一辆车通过调查区域的时间、车型、速度等信息。

图1 部分路段的实况Fig.1 Actual situation of some road sections

2 混行非机动车道超车事件数预测模型

2.1 非机动车超车事件

将单位时间内、单位长度路段上，骑行者完成的一次超越行为定义为一个非机动车超车事件，如图2所示。将超车事件数定义为调查路段15 m范围内每分钟发生的超车个数(个/min)[9]。在超车过程中骑行者需集中注意力感知周边车辆及行车环境，并判断安全距离以完成超车。骑行者行驶过程中超车事件越多，表明行驶过程受到的阻碍与困难越大，骑行舒适度也相应降低。

图2 非机动车超车事件示意图Fig.2 Sketch map of actual non motor vehicle overtaking events on some road sections

2.2 非机动车流量

在调查区域内以固定1 min为间隔统计非机动车交通流量，并将其转化为小时交通量(辆/h)。由于选取的调查路段宽度均不相等，因此，为了统一计算标准，将交通流量再除以非机动车道宽度，得到每延米宽度下的非机动车流量(辆/h/m)，如式(1)所示。同时为了准确计算混行非机动车道内的交通流量，有必要将电动自行车换算成人力自行车，基于超车冲突事件数，设定电动自行车相对于人力自行车的换算系数为1.2[10]。

(1)

式(1)中：Qa为非机动车单位小时流量，辆/h/m；q为1 min的非机动车流量，辆/min；W为路段宽度，m。

2.3 车均占有空间

车均占有空间是道路工程设计规范中服务水平评价的主要指标，但目前仅局限于对传统人力自行车的探究，而对混行非机动车运行状况的研究则较少。因此，将人力自行车和电动自行车均纳入研究范围之内。车均占有空间由调查区面积除以调查区域内的混行非机动车数量得到，借鉴雷雪琪等[11]方法，利用视频处理软件以固定5 s间隔为调查区域拍快照分别统计电动自行车和人力自行车数量，以人力自行车为基准折算非机动车当量并求和，再以连续60 s数据的平均值作为数据分析的基础，如式(2)所示：

(2)

式(2)中：O为车均占有空间，m2/辆；S为调查区面积，m2；Qb为调查区内的非机动车总数，辆。L为调查区长度，m；P1,P2,…,P12分别为每个快照下调查区域内的非机动车辆数。

以南宁市邕江大桥、柳州市文昌路等4个路段为例，使用数据统计分析软件对单位小时流量与车均占有空间进行回归分析。结果表明，单位小时流量对车均占有空间影响显著，并成一元线性回归关系，如表2所示。从该影响因素来看，单位小时流量越大，车均占有空间越小。这是因为在路段宽度、机非隔离条件等一致的环境下，随着路段流量增大，骑行者的骑行空间进一步被压缩，受到的干扰变大，舒适性也随之降低。

表2 车均占有空间与单位小时流量的关系Table 2 The relationship between the space occupied by vehicles and the flow per hour

2.4 超车事件数预测模型

在混行非机动车道内，超车事件数会受到众多因素的影响，如单位小时流量、车均占有空间、速度、电动自行车比例、车道宽度等。由于调查路段中电动自行车比例均大于80%，电动自行车占比对超车事件数影响很小，故不对该因素进行相关分析。为了明确上述因素对超车事件数影响的显著性程度，建立多元线性回归方程[12]。设随机变量y与变量{χ1,χ2,…，χk}的多元线性回归模型的一般形式为

y=β0+β1χ1+β2χ2+…+βkχk+ε

(3)

式(2)中：{β0,β1,β2,…,βk}为k+1个未知参数，称为回归系数；y为因变量；χ1,χ2,…,χk为k个自变量；ε为随机误差。因变量为超车事件数，自变量为主要影响因素。

从表3统计分析的结果可以看出，对超车事件数影响显著的因素包括路段宽度、单位小时流量以及车均占有空间。由于车均占有空间和单位小时流量成线性回归关系，单位小时流量对超车事件数的影响更显著，且在实际交通调查中，非机动车流量更易统计，因此，舍去车均占有空间变量，建立超车事件数和路段宽度、单位小时流量的多元回归关系模型。超车事件数与主要影响因素关系如图3所示。回归模型拟合优度R2=0.733，如式(4)所示：

表3 多元线性回归模型检验结果Table 3 Test results of multiple linear regression model

图3 超车事件数与主要影响因素关系图Fig.3 Relationship between overtaking events and main influencing factors

y=9.684W+0.013Qa-38.907

(4)

式(4)中：y为超车事件数。

由模型可知，超车事件数随路段宽度及流量的增加而增加，其中单位小时流量对超车事件数的影响大于路段宽度对超车事件数的影响。

3 服务水平评价体系构建

3.1 评价指标选取

服务水平是衡量道路交通流中的车辆运行好坏以及驾驶员和乘客所感受的量度表征[13]。因此，在确定混行非机动车道路服务水平评价指标时，既应选取能反映交通流客观运行状态的指标，也应考虑非机动车交通出行者的主观感受。2.4节给出了超车事件数的预测模型，它是混行非机动交通流的重要特征之一，也是体现骑行舒适性的综合性指标。因此，选取超车事件数作为服务水平评价的客观指标。

在主观评价方面，主要采用视频片段打分法[14]，该方法主要是在密闭的空间环境中，邀请一定数量的志愿者，通过播放调查点视频片段的方式，独立地对每个片段进行打分评价，分值为0～10，分值越低代表非机动车道路服务水平质量越差，反之则代表服务水平质量更高。

本次调查共邀请到了30位志愿者，志愿者涵盖了不同年龄层次的学生、老师以及社会群众。在打分评价之前，首先对志愿者进行相关培训，要求志愿者结合已给出的参考评价标准，如表4所示，回想在日常骑行过程中所遇到的各种骑行环境以及心理状态。接着选取15个具有不同服务水平的道路视频片段，志愿者通过观测视频中的骑行环境，为道路服务水平进行评价。本次调查共获得450个样本，剔除掉部分不合理的样本后，共有有效样本421个。将评分结果样本量按照[0,2)、[2,4)、[4,6)、[6,8)、[8,10]5个区间进行对比统计，统计结果显示大部分样本的评分都趋向于中间值4～8分，而较为极端的情况则较少。

表4 主观打分评价标准Table 4 Subjective scoring evaluation criteria

3.2 服务水平划分K-means模型

K-means聚类算法是一种基于种类划分的算法，它选用距离作为相似性的评价指标[15]。混行非机动车道服务水平评价是一个较为模糊的概念，需综合考虑多种主、客观影响因素。基于此，主要建立以主观评价打分和超车事件数两个指标为输入，以服务水平评价等级为模型输出的K-means分类模型。

K-means算法步骤：第一步,输入实验所需的数据即实际交通调查中所获得的主观打分及超车事件数，为了消除二者之间不同量纲的影响，选用Z得分法对原始数据进行标准化处理。

第二步，参照现行道路工程设计规范和主观打分评价标准等将混行非机动车道服务水平划分为5个等级，故取K=5，即将所有样本经过训练后得到5个集合。

第三步，从所有调查样本中随机抽取5个样本作为初始中心点。

第四步，计算剩余样本与5个样本中心点的欧式距离并作对比，距离哪个中心点近，就把这个样本划分到哪个中心点所归属的集合，即

ci=argminj‖xi-μj‖2

(5)

式(5)中：xi为样本数据；μj为聚类中心。

第五步，所有样本归于集合后，一共会产生5个集合，接着重新计算集合中心点，如式(6)所示，并迭代前面的步骤，直到集合中心点的位置收敛时结束[16]。

(6)

式(6)中：n为样本数量。

最终的聚类结果如表5所示，第1类别为非常畅通状态，共有85个样本；第2类别为较畅通状态，包含114个样本，第3类别为一般拥堵状态，包括81个样本，第4类别为较拥堵状态，同样包含81个样本，第5类别为非常拥堵状态，涵盖60个样本。算法共输入421个样本，有效识别样本421个，遗漏0个样本，该算法对输入的样本具有较好的识别性。

表5 K-means算法聚类结果Table 5 Clustering results of K-means algorithm

3.3 服务水平评价标准

依据K-means算法得到的聚类结果，可知主观评价打分和超车事件数呈负相关关系，即当超车事件数增加时，主观打分会相应地降低。基于超车事件数和交通流参数之间的关系并结合骑行者主观评价打分，可以将混行非机动车道路服务水平划分为5个等级，具体如表6所示。

表6 混行非机动车道路服务水平评价标准Table 6 Evaluation standard of mixed non motor vehicle road service level

4 应用案例

4.1 路段概况

选取桂林市解放东路和南宁市民族大道C段为实例验证路段，解放东路是桂林市东西走向的主干道之一，采用三块板道路断面形式，机非隔离设施为绿化隔离带。民族大道是南宁市东西走向的标志性交通廊道，为四幅式道路，在辅道中采用护栏作为机非隔离设施。两条路段周边主要分布各类商业中心、休闲设施等，混行非机动车流量较大，超车事件频发。路段实况如图4所示。

图4 非机动车道实况Fig.4 Non motorized vehicle lane

4.2 服务水平评价

根据超车事件数预测模型，以某工作日高峰时段的混行非机动车流调查数据为例，如表7和表8所示，对两个路段的服务水平进行评价与分析。

表7 桂林解放东路非机动车道早高峰时段交通流参数Table 7 Traffic flow parameters of non-motorized Lane in Jiefang East Road in Guilin during morning peak hours

表8 南宁民族大道C段非机动车道晚高峰时段交通流参数Table 8 Traffic flow parameters of non motorized lane at Section C of Minzu Avenue in Nanning during peak hours

根据式(4)给出的预测模型，分别代入表7与表8中路段宽度和单位小时流量的数值。其中对于桂林市解放东路，可得第1 min的超车事件数为11个，参照表6，对应的服务水平等级为第二级。第2～5 min的超车事件数分别为14、18、13、14个，同理对应的服务水平依次为二级、三级、二级和二级。据此可以判断，桂林市解放东路非机动车道在早高峰(7:48—7:53)时段的服务水平为第二级，运行状态可描述为骑行者基本可以自由驾驶，能够自主选择速度或超车，但稍有约束，相互间干扰较少。对于南宁市民族大道C段，经计算可得第1～5 min的超车事件数分别为21、15、22、21、15个，参照表6，对应的服务水平依次为四级、三级、四级、四级和三级。由此可以判断，南宁市民族大道C段非机动车道在晚高峰(17:52—17:57)时段的服务水平为第四级，运行状态可描述为车流密集，驾驶者骑行速度低，车辆间相互干扰多，驾驶者不断寻求空隙以便超车。两条路段虽然都位于城市中心地带，但服务水平出现较为明显的差异主要是因为早高峰部分商业中心营业时间较迟，工作人员上班时间相应延后，故人流、车流量相对较少。而晚高峰由于下班、购物车流相互叠加，导致道路服务水平明显偏低。这与实际调查情况一致，由此表明研究结果具有较好的实践与应用价值。

5 结论

通过实地交通调查与数据分析，建立了基于单位小时流量和路段宽度的超车事件数预测模型，并应用K-means聚类算法构建了基于超车事件数和主观感受打分的混行非机动车道路服务水平评价标准，且通过实际案例验证了该评价标准是可行的。该评价方法不仅能够简洁、有效地反映非机动车道路的运行状况，还能够为城市非机动车道路的规划与管理提供理论依据。