《Accident Analysis & Prevention》：Understanding overtaking risk evolution patterns and their influencing factors based on trajectory data
编辑推荐：
动态风险演化建模与聚类分析|车道变更阶段|超车行为模式识别|时间序列对齐|交通流参数影响评估
作者：白俊|李在荣|郑亮
中南大学交通与运输工程学院，中国湖南长沙410075
摘要
了解超车行为的动态风险对于提高公路安全性和指导自适应驾驶策略至关重要。本研究开发了一个基于阶段的超车风险框架，涵盖了变道、超车和回归车道三个阶段的纵向和横向风险。通过在不同阶段对风险指标进行加权，构建了一个综合风险指标，并利用动态时间规整（Dynamic Time Warping）对超车轨迹进行时间序列聚类。研究识别出三种典型的风险演变模式：谨慎型、激进型和稳健型，分别占42.45%、10.07%和47.48%。这些风险演变模式揭示了风险的不同时间峰值：谨慎型驾驶员在变道和超车阶段都表现出双峰特征；激进型驾驶员在超车阶段面临最高风险；而稳健型驾驶员以最低的总体风险完成超车任务。为了解释这些模式的形成，使用包含均值异质性的随机参数多项逻辑回归（random parameters multinomial logit）模型，并结合宏观交通流指标进行了分析。结果表明，卡车的存在显著增加了谨慎型超车轨迹的可能性，而上游车速的标准差较高与激进型超车行为有显著的正相关关系。此外，异质性分析表明，在上游车速较高的情况下，驾驶员对下游干扰更加敏感，从而加剧了超车失败的情况。与传统多项逻辑回归模型相比，包含均值异质性的随机参数模型具有更好的拟合度，这突显了考虑交通流中未观测异质性的必要性。本研究提供了一种数据驱动的方法论，整合了可解释的风险指标、时间序列聚类和离散选择建模，为自动驾驶中的自适应风险管理提供了实用见解。
引言
超车是高速公路上最复杂且安全性最具挑战性的驾驶操作之一。据统计，4%至10%的交通事故发生在超车过程中（Motro等人，2016年）。与稳态跟车不同，超车涉及多车辆互动、跨车道机动性以及高强度的感知、决策和控制周期，导致车辆相对速度和距离在短时间内迅速变化（Bar-Gera & Shinar，2005年），风险表现出显著的时间性和多阶段特征。尽管已有大量关于替代安全措施的研究（Ghods，2013年；Ghods和Saccomanno，2016年；Hegeman等人，2009年），但大多数现有研究使用在孤立时间点测量的静态或准静态指标来评估超车风险。这些方法隐含地假设风险是瞬时且独立的，忽略了超车是一个动态累积、达到峰值并逐渐消散的过程。因此，目前尚不清楚不同的超车操作是否遵循不同的风险演变轨迹，以及这些差异是否与交通条件有系统性的关联。
为了解决这一空白，本研究将分析重点从静态风险评估转向动态风险演变。我们将超车过程划分为三个阶段（变道、超车和回归车道），并构建了一个综合的纵向-横向风险指标来捕捉其时间进展。由于不同驾驶员的超车持续时间和阶段时机存在显著差异，直接比较风险曲线是不可行的。因此，采用动态时间规整（DTW）对异质轨迹进行对齐，以便识别潜在的风险演变模式。最后，使用随机参数多项逻辑回归（RPML）模型及其均值异质性扩展来研究交通流特性如何影响不同风险演变类型的选择。本研究的主要创新之处在于将超车安全分析从静态事件检测转向动态风险演变建模，并采用了一个统一的、基于阶段和时间对齐的方法论框架。
本研究有三个贡献：首先，提出了一个基于阶段的综合风险框架，能够捕捉超车过程中的纵向和横向耦合；其次，识别了潜在的动态风险演变模式，而不仅仅是依赖于平均或峰值风险指标；第三，将这些模式与宏观交通条件联系起来，提供了对异质超车风险的行为解释。
本文的其余部分结构如下：第2节和第3节分别介绍了文献回顾和数据准备；第4节介绍了整体方法论；第5节展示了研究结果和讨论；第6节对本文进行了总结。
超车风险的相关研究
最近关于超车安全的研究主要集中在使用自然驾驶数据的替代安全指标和基于事件的风险评估上。例如，Mahmud等人（2022年）利用自然驾驶数据为双车道未分隔公路上的超车冲突开发了离散选择风险严重性模型，强调了速度差异和车辆类型对超车风险的影响。与此相关的是，潘杰荣和沈（2022年）采用了基于模拟器的风险评估方法。
数据描述
本研究使用的轨迹数据来自德国高速公路的高精度交通轨迹数据集——HighD数据集（Krajewski等人，2018年）。该数据集由配备摄像头的无人机在德国科隆附近的六个不同地点采集，时间跨度为2017年至2018年。数据集包含60个子数据集，采样频率为25 Hz。每个子数据集包含以下信息：
- (1)
轨迹文件（track.csv）：记录位置（x, y）、速度、加速度、车道
风险指标的构建
为了系统地评估高速公路环境中超车行为的动态风险水平，本研究基于可以从车辆轨迹数据中提取的物理变量，构建了一个包括纵向风险和横向风险的综合风险指标系统。风险指标的构建考虑了超车过程的阶段特征，并分别对每个阶段的主要风险维度进行了建模。
聚类结果
在本研究中，聚类的最大簇数设置为9。对于每个簇，使用TimeSeriesKMeans进行聚类，并根据公式（13）计算性能指标。图2显示了与簇数k相关的，曲线k = 3时弯曲点的位置表明最佳簇数为三个。
图3展示了在最佳簇数下的超车风险演变模式分类结果。
结论
本研究从过程的角度描述了高速公路上超车的动态风险：围绕“变道、超车和回归车道”三个阶段，构建了一个综合的纵向/横向风险指标和阶段权重体系，并以时间序列作为基本单位进行分析。与以往基于阈值的静态判别方法不同，本研究跟踪了风险在连续时期内的“孕育、上升和下降”过程，并进行了聚类分析。
CRediT作者贡献声明
白俊：撰写——初稿、可视化、验证、软件开发、方法论设计、数据整理、概念构建。李在荣：撰写——审稿与编辑、监督、资源获取。郑亮：撰写——审稿与编辑、监督、资金获取。
利益冲突声明
作者声明他们没有已知的可能会影响本文研究的财务利益或个人关系。
致谢
本研究得到了以下机构的支持：国家自然科学基金（项目编号：72471249）、长沙市自然科学基金（项目编号：kq2402221）、长沙市重大科技项目（项目编号：kh2401002）、国家自然科学基金（项目编号：72371251）、湖南省杰出青年科学家自然科学基金（项目编号：2024JJ2080）以及湖南省重点研发计划（项目编号：）。
