双车道公路车间距的概率建模：面向安全与可持续交通运营的启示

《Sustainability》：Probabilistic Modeling of Inter-Vehicle Spacing on Two-Lane Roads: Implications for Safety-Oriented and Sustainable Traffic Operations Andrea Pompigna, Giuseppe Cantisani and Giulia Del Serrone

　　

准确表征车辆间距对于道路网安全评估与可持续运营至关重要，尤其在监测基础设施有限的双车道乡村公路上。与时间车头时距（temporal headways）不同，车辆间距直接反映物理车辆交互与道路占用情况，是评估碰撞风险与运营效率的更为合适的变量。本研究基于事件流（Event Flows）与随机点线性场（Linear Fields of Random Points）之间的统计同构性，构建了车辆间距的概率建模框架。利用经标定的微观仿真模型，研究针对单向交通生成了100至1300 veh/h流量范围内的间距分布数据。研究表明，Pearson III型分布（Pearson Type III distribution）能够一致地再现观测到的偏态、峰度及非零最小间距特征，且适用于各交通状态。分布参数通过极大似然法（maximum likelihood estimation, MLE）进行估计，并采用适用于大样本的启发式Kolmogorov–Smirnov（K–S）程序进行验证。研究结果揭示了间距分布参数与宏观交通变量之间的系统性关系，使得从常用交通数据估计不安全间距状态的概率成为可能。该框架通过提供安全评估与运营控制的量化基础，无需大量传感基础设施，从而支持面向可持续性的交通管理。

本研究聚焦于双车道乡村公路无超车条件下车辆行驶间距的概率建模，旨在为交通安全与可持续运营提供理论支撑。在交通流分析中，车辆间距（spatial spacing，又称距离车头时距distance headway或空间车头时距spatial headway）定义为沿道路路段在给定时刻相邻两车同源参考点之间的纵向距离，直接反映道路空间的物理占用与交通流组织；而时间车头时距（temporal headway或temporal headway）则为固定断面处相邻两车通过同一观测点的时间间隔。尽管时间车头时距更易于通过固定检测器采集，但其仅提供关于车辆物理邻近程度的间接信息，且隐含假设车速均匀。实际交通条件下，车速变异性引入的额外随机性打破了时距与间距观测之间的等价性，使时间车头时距难以可靠表征路段上的实际车间分离程度。因此，空间间距对于评估碰撞风险、道路占用及安全阈值符合性更为适宜。

然而，直接测量扩展路段上的空间间距存在实际困难：GPS、LiDAR或 instrumented vehicles 等实验方法虽能提供准确测量，但规模和适用性受限；视频记录与图像处理技术需要大量基础设施，通常仅部署于高速公路和主要走廊；无人机（UAV）航拍视频结合计算机视觉轨迹重构虽能采集高分辨率微观交通数据，但需要专门调查、监管授权和大量数据处理资源，在广大乡村路网中系统性应用仍受操作限制。双车道乡村公路作为国家与区域路网的重要组成部分，连接城市与地方及边缘地区，具有交通组成异质、几何约束严格、技术装备有限等特征。从可持续性角度，在无法承受大规模基础设施升级或传感器部署的经济与环境成本背景下，能够从常用交通数据中提取有意义信息的建模方法尤为宝贵。

现有研究主要集中在时间车头时距上，隐含假设固定断面测得的时间车头时距能够代表整个路段的车辆交互。后续研究证实时间车头时距分布随交通状态、速度和交互强度变化，不能视为空间均匀。相比之下，空间间距分布研究相对不足，尤其针对双车道乡村公路。本研究的核心贡献在于：基于事件流与随机点线性场的统计同构性，构建并验证面向双车道乡村公路的车辆间距概率建模框架，采用能够统一描述多种交通状态下的间距分布的Pearson III型分布，并揭示其参数与宏观交通变量的系统性关系。

研究采用的理论框架源于点过程（point process）理论。一维随机点过程定义在正半轴?⁺上，由递增的随机横坐标x₁, x₂, …, x_n表示，点间距离为Δ_ix = x_i+1 ? x_i。当点代表事件、横坐标代表时间t_i时，得到事件流（Event Flow，即到达过程arrival process），其间到达时间为τ_i = t_i+1 ? t_i，事件率为λ；当点代表沿直线排列的物体、横坐标代表位置时，得到物体线性场（Linear Field of Objects），其间距为s_i = l_i+1 ? l_i，物体密度为β。在交通术语中，事件流代表固定断面处的车辆到达，线性场代表路段瞬时车辆位置。这两种结构在形式上统计同构，建立了时间—空间、流量—密度之间的对偶关系：Q → D，t → l。

在Poisson假设下（无记忆性、普通性、平稳性），时间车头时距与空间间距均服从负指数分布。然而实际交通中，由于速度变异，时间分布与空间分布通常并不相同。为描述更一般的情况，研究人员从时间车头时距模型推导间距候选模型，包括负指数分布、移位指数分布（Shifted Exponential）、Erlang分布和对数正态分布。其中，Pearson III型分布作为三参数的Pearson分布族成员，能够以统一函数形式涵盖上述经典模型：当位置参数s₀ = 0且形状参数k为实数时，为Gamma分布；k为整数时为Erlang分布；s₀ = 0, k = 1时为负指数分布；s₀ > 0, k = 1时为移位指数分布。该分布由形状参数k > 0（控制偏度）、位置参数s₀∈?（最小间距）和速率参数λ = 1/θ ≠ 0（控制尺度）构成，概率密度函数为f(s) = λ[λ(s?s₀)]^k?1exp{?λ(s?s₀)}/Γ(k)，s ≥ s₀，其中Γ(k)为Gamma函数。

研究采用的技术方法主要包括以下方面。首先，基于事件流与随机点线性场的统计同构性建立理论框架，将时间过程与空间过程通过点过程理论相联系。其次，采用经标定的微观交通仿真模型生成间距数据，该模型包含车辆生成模型（VGM，含时间车头时距分布模型THDM和初始速度分布模型ISDM）和车辆交互模型（VIM，含首车速度模式FVSP和跟驰模型CFM）。跟驰行为采用General Motors（GM）模型，参数α₀、m、l与Greenberg基本图（fundamental diagram）标定结果一致（m=0, l=1, α₀=V_m）。车辆以恒定长度L = 4.5 m的质点表示。仿真覆盖100至1300 veh/h共13个流量水平，每水平生成100个独立序列，每序列100辆车，总计130,000辆车。数据来源于意大利北部一段双车道乡村公路的24小时监测，该路段限速90 km/h，禁止3.5吨以上货车通行，禁止超车，监测约28,000辆车，数据用于模型的标定与验证。再次，采用极大似然估计（MLE）估计Pearson III型分布参数，并利用适用于大样本的启发式Kolmogorov–Smirnov（K–S）检验程序进行拟合优度（GoF）验证，该程序通过从原始样本中重采样1000个规模为100的子样本，计算平均D_n统计量与临界值比较。数据按流量（每100 veh/h为一组）和密度（每5 veh/km为一组，低密度区进一步细分为每1 veh/km）进行分类分析。

研究结果部分，按流量分类的结果显示（原Table 2），所有流量类别的经验间距分布与Pearson III型分布的一致性假设均未被拒绝。按密度分类的结果（原Table 3）类似，仅最低密度类别（1–5 veh/km）的平均D_n接近临界值；将该类别进一步细分为1 veh/km步长后（原Table 4），所有子类别的拟合优度均改善并通过检验。参数估计结果显示：速率参数λ随流量和密度增加而增大，反映平均间距的压缩；形状参数k的范围约为0.7至1.3，低流量低密度时变异性较高，高密度时趋于稳定。流量分类中λ与流量呈幂律关系，且约600 veh/h处存在阈值，区分弱交互与跟驰主导两种状态；密度分类中λ与密度近乎线性关系。期望间距E[s] = s₀ + k/λ随流量和密度增加而系统性减小，可用负幂律函数准确描述。由间距分布推断的期望密度ED = 1000/(k/λ + s₀)与Greenberg宏观模型预测值及各类别平均密度高度一致，相关系数接近1。

讨论部分，研究人员进一步阐释了参数趋势的物理意义。λ的增加对应概率质量向低间距值的集中，表明更紧凑的车辆配置；k < 1时分布高度右偏、零点处有众数，变异性大；k = 1时为指数分布对应最大随机性；k > 1时众数远离零点，分布趋于对称、相对变异性降低。参数与宏观变量的系统性关系为安全导向评估和监管间距要求符合性评价提供了可解释且解析可处理的表达形式。

研究结论强调，车辆间距作为空间车头时距，是双车道乡村公路单向单车道条件下交通流微观分析的核心变量，比时间车头时距更适于评估碰撞风险、道路占用和运营效率。本研究的主要科学贡献在于：基于事件流与随机点线性场的统计同构性，构建并验证了面向双车道乡村公路的车辆间距概率模型；采用灵活的Pearson III型分布，以统一函数形式涵盖多种经典分布，准确捕捉间距的正偏态、尖峰态、非零最小值及高流量下的自相关特征；揭示了分布参数与流量、密度之间的系统性趋势，经验证的参数趋势与宏观交通关系的一致性确保了模型不是纯统计近似而是保持基本交通动力学。应用层面上，该框架将微观车辆交互与宏观变量相联系，无需连续车辆位置追踪即可估计不安全跟车状态的概率，特别适用于传感基础设施经济与环境代价过高的乡村公路网络，支持关键运行状态识别、安全标准符合性评估及面向安全与运营可持续性的交通管理策略。该方法还为高级驾驶辅助系统（advanced driver assistance systems, ADAS）、碰撞预警算法和车车通信策略提供统计基础，其可持续贡献不仅体现在安全改善，还包括交通效率提升和对昂贵监测技术的依赖降低。

研究也承认了若干局限性：分析集中于无超车条件下的单向交通，假设车辆类别均质且车长恒定；间距分布源自标定微观仿真模型，尚未与独立的直接监测空间间距数据集（如UAV或轨迹重构测量）进行交叉验证；框架为分布导向，未显式建模车辆交互的完整时序依赖结构。未来研究将利用标定间距分布推导与最小跟车距离标准和追尾碰撞暴露明确关联的安全导向指标，并优先获取双车道乡村公路直接观测空间车辆间距数据以进行独立实证验证，从而建立概率间距模型、监管合规性与纵向安全之间的操作联系，推进双车道公路系统安全、效率与可持续性统一评估框架的发展。