等待阶段使用手机对行人过街风险的影响

彭金栓，袁浩，宋臻，范子斌，杨祥浩，张磊

(重庆交通大学，交通运输学院，重庆 400074)

0 引言

行人作为道路交通系统中的弱势群体，其过街安全性一直是国内外学者聚焦的热点。据统计，我国行人事故伤亡率约占总事故伤亡人数的20%，其中行人过街伤亡占比50%以上[1]。行人过街过程可以划分为等待和运动两个阶段，过街启动时刻一般被视为这两个阶段的分界点[2]。对整个行人过街过程中的交通行为特征进行解析，对于充分掌握行人过街规律，针对性优化过街系统具有重要的理论和现实意义。

在对过街行为进行调查研究时，多从速度、视觉和心理特性等维度展开，解析行人过街的风格特征与风险致因[3-4]。信息化时代，行人过街使用手机现象越发普遍，极易诱发分心，对行人过街安全产生潜在威胁。为探索使用手机对过街行为特性的影响，国内外学者进行了广泛关注与研究。姜康等[5]引入分心感知相关概念，结合计划行为理论分析行人过街运动发现，行为意向和知觉行为控制是影响行人使用手机的主要因素。TAPIRO 等[6]发现，等待阶段使用手机会减少行人信息检索频次，延后过街启动时间，易错过可通行间隙。JIANG等[7]发现，运动阶段使用手机会导致行人注意力明显下降，观测周围环境频率降低。TIAN等[8]研究表明，运动阶段使用手机将导致行人自身步速和步幅长度显著减小，跨步时间及其变异性增大。SALTOS 等[9]分析近年事故分布规律发现，行人过街使用手机导致的交通事故数呈指数增长趋势。CAMPISI等[10]研究指出，运动阶段使用手机可能会诱发分心行为，导致行人违章概率增大。PEŠIĆ等[11]基于观测数据构建多元逻辑回归模型，结果显示，运动阶段使用手机群体违章概率约为正常过街行人的8.5 倍。违章会增大行人过街风险，苑红伟等[12]基于事故统计数据发现，与行人相关的交通事故中，行人违章致死率约为24.6%。

综上所述，已有研究存在以下不足：大多聚焦运动阶段，缺乏考虑等待阶段使用手机对行人过街特征以及过街风险产生的影响；鲜有研究将过街风险贯穿等待和运动两个阶段，不利于对风险内涵的精准量化。本文针对行人等待阶段使用手机的现象，提取不同群体在等待及运动两阶段的行为特征差异，探索不同特征与违章情况的内在联系，进一步评估过街风险。研究结果可以为行人交通安全教育框架扩容、信号灯配时自适应优化、人—车冲突预警规则改进等提供一定的理论支撑。

1 数据采集与提取

1.1 采集时间与地点

选择重庆市南岸区万寿路与南城大道交叉口处南北向人行横道作为数据采集地点，如图1 所示。人行横道总长度为22 m，行人信号灯周期为100 s，其中红灯时长80 s，绿灯时长20 s。调查发现，该路口工作日16:00-18:00 行人交通量较大，平均流量为400 人·h-1。为充分保证样本数量，综合考虑室外亮度对视频效果的影响，拍摄时段选为工作日16:00-18:00，数据采集时间共6 d。

图1 数据采集地点及设备Fig.1 Data acquisition location and equipment

1.2 采集设备

利用索尼HDR-PJ820E 图像采集设备记录行人过街状态，通过回放提取行人动态过街特征。采用双机位水平角度拍摄形式，将拍摄设备置于人行横道侧向位置，降低对行人的干扰程度。此外，利用卷尺测量人行横道各区段尺寸。

1.3 组织设计

将行人等待阶段所在过街位置划分为3 个区域，并按照车道延展线将运动阶段划分为4 个区域，如图2 所示。通过视频回放，筛选出过街等待阶段中使用手机和正常等待两类群体，观察其后续过街行为。将运动阶段使用手机群体样本剔除，消除无关变量，得到过街风险评估的两组对照。记录并提取两类群体过街行为特征，为后续分析提供数据支撑。

图2 行人过街运动区域划分Fig.2 Division of pedestrian crossing movement area

1.4 样本提取

按照以上设计框架，对目标人行横道进行连续12 h 的数据采集，得到过街行人总数3952 人，其中男性1864 人，女性2088 人。将行人按年龄划分为少年(＜18 岁)、青年([18,40)岁)、中年([40,60)岁)和老 年(≥60 岁)，分别占据行人总数的6.02%、56.93%、30.93%及6.12%。通过回放视频，筛选出正常等待过街3085 人，等待阶段使用手机867 人。进一步剔除运动阶段使用手机样本，最终得到正常过街群体(等待阶段与运动阶段均未使用手机)696人，等待阶段使用手机群体(简称为使用手机群体)613人。

2 过街风险表征参数分析

本文拟基于违章视角映射行人过街风险。将行人违章形式划分为3 类：未按时到达、抢行过街及空间违章。基于多元参数构建过街违章分类模型，探索行为特征与违章形态的内在联系，进一步提取行人过街风险重要表征参数。

2.1 重要特征提取

2.1.1 模型构建

利用随机森林算法构建行人过街违章分类模型，通过网络搜索算法获得模型最优超参数，最终确定模型决策树总量N为450，遍历搜索最大深度为5，叶子节点及继续划分分类最小样本量为3[13]。定义A 类和B 类参数分别表示行人等待和运动阶段过街行为特征，C 类参数表示行人基本属性参数，D类参数为A、B两类的集合。按8∶2比例将采集数据分为训练集和测试集，对训练样本进行有放回随机抽样，以特征集合作为模型输入，违章情况作为输出，随机选取部分特征，训练产生决策树，重复N次操作构建随机森林模型。

由于启动时刻之后的行为特征不会对行人抢行过街产生影响，训练决策树时仅选择B、C类参数作为模型输入项；选择C、D类参数作为行人未按时到达和空间违章分类的特征输入。利用随机森林算法对测试集进行训练，采用票选法甄断行人违章类型，计算模型分类结果ACC(Accuracy)与AUC(Area Under Curve)值[14]，如表1所示。结果显示，两类群体在未按时到达、抢行过街以及空间违章三个维度分类效果均保持在较高水平(ACC 与AUC 值均大于0.8)，为后续行人过街风险表征参数提取提供重要理论依据。

表1 模型评价结果Table 1 Model evaluation results

2.1.2 特征提取

为提取过街风险表征参数，统计两类群体违章情况中特征参数重要度，结果如图3 所示。可知，影响行人未按时到达的重要特征参数为目标速度未达成率、过街平均速度、绿灯反应时间及启动速度(重要度大于10%)[15]。过街等待时间是影响行人抢行过街的主要因素(重要度大于20%)。过街位置选择和过街等待时间是影响行人空间违章的主要因素(重要度大于10%)。由此，共得到影响行人过街风险的6 个重要表征参数，如表2 所示。在C 类属性参数中，包含行人年龄、性别、手机分心类型(视觉、听觉)等，均未能入列风险表征参数，表明其对过街风险的表征强度较弱。为此，在后续研究过程中，不再分析年龄、性别、手机分心类型等因素对过街风险的影响。

表2 过街风险表征参数Table 2 Crossing risk characterization parameters

2.2 特征参数分析

2.2.1 违章类型与风险表征参数的映射关系

图4 为不同违章类型下风险表征参数分布情况。未按时到达类型下行人目标速度未达成率和绿灯反应时间更高，过街平均速度与启动速度更低；抢行过街和空间违章类型下均表现为行人等待时间更长；等待区域1导致的行人空间违章概率较低，区域2 较高。结果表明，各风险表征参数在违章/未违章两种状态下均具有显著差异，侧面印证了风险特征提取准确度较高，可用于后续行人过街风险评估。

图4 不同违章条件下参数差异特性Fig.4 Parameter difference characteristics under different violation conditions

2.2.2 使用手机对过街风险表征参数的影响

为研究使用手机和正常过街两类群体过街风险特征参数差异特性，对采集数据进行统计分析，如图5所示，主要结果如下：

图5 使用手机对风险表征参数的影响Fig.5 Effects of cell phone use on risk characterization parameters

(1)由图5(a)可知，两类群体等待阶段的过街位置选择没有明显差异，绝大多数选择安全区域等待过街，只有极少部分行人(＜3%)选择区域3 进行等待。

(2)由图5(b)、(c)可知，等待阶段使用手机导致的分心效应，其传导特征从等待阶段扩散至运动阶段。使用手机群体的过街等待时间总体高于正常过街群体。过街前手机分心导致行人对信号灯状态信息检索不及时，增大了绿灯反应时间。

(3)由图5(d)～(f)可知，为弥补绿灯反应时间较长导致的消极效应，使用手机群体通常在过街启动时速度更快，但启动后速度逐渐放缓，导致后续过程区域内实际速度低于目标速度，行人整体目标速度未达成率升高，过街平均速度降低。

进一步对各特征参数进行Mann-Whitney U差异性检验，结果显示，除过街位置选择外，其余参数在两类群体下均存在显著差异。

3 行人过街风险评估

3.1 模型构建

CRITIC 权重法[16]是兼顾特征数据变异性与相关性的一种综合评价方法，利用数据标准差描述各指标内部变异程度，相关系数表示指标之间矛盾度，基于客观属性衡量特征权重大小。对比层次分析法和模糊综合评价法，CRITIC 权重法消除主观因素影响，提高风险评估结果可信度；同时相比于熵权法和变异系数法，增加考虑指标内部相互关系，更为全面反映指标影响程度，提高赋权准确性。

本文利用CRITIC权重法构建行人过街风险评估模型，具体建模步骤如下。

(1)假定评价样本数量为n，评价指标维度为m，构建原始评价矩阵为

式中：xij为第i个样本中第j个评价指标的特征值，i=1,2,…,n；j=1,2,…,m。

(2)归一化

式中：max(xj)、min(xj)分别为第j个评价指标的最大值和最小值；为第i个样本中第j个评价指标原始变量无量纲化后的特征值。

(3)描述指标变异程度

(4)计算各评价指标矛盾度

式中：rkj为第k个与第j个评价指标间的相关系数；Aj为指标j的矛盾度。

(5)获取各指标信息量

式中：Cj为第j个评价指标的信息量。(6)确定指标权重

式中：Wj为第j个评价指标的权重。

风险表征参数权重分布如表3所示，可知目标速度未达成率、过街位置选择及绿灯反应时间对行人过街风险影响程度最大。

表3 过街风险表征参数权重分布Table 3 Weight distribution of street crossing risk characterization parameters

(7)量化风险评估结果

式中：Gi为第i个样本的风险评估得分。

3.2 风险评估

依据上述构建的风险评估模型，得到使用手机和正常过街两类群体在不同约束条件下的风险评估结果，如图6 所示。直观可见，不同违章状态下使用手机群体过街风险均高于正常过街行人。综合评分结果显示，使用手机群体过街风险分布范围为9.34～75.37，均值为37.78；正常过街群体过街风险分布区间为3.00～74.09，均值为29.96。基于均值统计结果，在对应的数据采集背景及条件下，使用手机群体的过街风险相对正常过街群体整体增大了约26.1%，表明等待阶段使用手机对行人产生的分心效应，其影响将持续渗透至运动阶段，并有扩大过街风险的内在趋势。进一步进行Mann-Whitney U差异性检验，结果显示，使用手机与正常过街群体在不同违章状态下其风险评分存在显著差异。

图6 行人过街风险评估结果Fig.6 Results of pedestrian crossing risk assessment

4 结论

本文聚焦行人在等待阶段使用手机的行为，提出一种全新的过街风险表征与量化框架，主要结论如下：

(1)从高维特征中提取重要参数，发现目标速度未达成率、过街平均速度、绿灯反应时间、启动速度、过街等待时间及过街位置选择对行人过街违章有主要影响。

(2)等待阶段使用手机对过街位置选择影响较小，但会产生额外分心效果，导致行人反应变慢，过街平均速度降低，并增大行人启动速度和目标速度未达成率。

(3)目标速度未达成率、过街位置选择及绿灯反应时间对过街风险影响程度最大。过街前使用手机，对行人造成的负效应将从等待阶段扩散至运动阶段，使用手机群体其过街风险相对正常过街群体增加了约26.1%。

与传统研究相比，本文将等待阶段行为特征纳入过街风险涵盖范围，消除过街风险对运动阶段过度依赖产生的弊端；基于行人违章角度挖掘过街风险表征参数，使得风险评估结果更为全面客观；此外，精准量化了等待阶段手机分心对过街风险的影响机制及传导效应。相关研究成果可为行人过街安全教育、过街辅助设施的优化与改进等提供重要的决策依据。