从网联车数据中提取有用信息:驾驶波动度量与交叉口碰撞频率的实证研究

随着高频网联与自动驾驶车辆数据的出现,分析人员已能够从中提取有用信息。为此,定义并探讨了“驾驶波动性”这一概念,即偏离常态。可利用在交叉口观测到的车辆瞬时速度、加速度和加加速度,以不同方式计算若干离散与变异度量。本研究通过将网联车辆的 Michigan Safety Pilot Deployment 数据与多个交叉口的碰撞和清单数据相结合,探讨代表新近可用的安全性替代度量的不同波动性度量。交叉口数据经过误差检查并核实准确性。然后,针对每个交叉口计算了 37 种不同的波动性度量。通过估计固定与随机参数泊松回归模型,将这些波动性用于解释交叉口碰撞频率。结果显示,在控制暴露变量与几何特征后,三种驾驶波动性度量的增加与更高的交叉口碰撞频率呈正相关。更多交叉口碰撞与超出阈值带的速度与加速度车辆数据点占比更高相关;这些带由均值加两倍标准差生成。此外,车辆通过交叉口时速度的时间变化随机波动性幅值越高,碰撞频率越高。这些度量可用于定位具有高驾驶波动性的交叉口,即碰撞蓄势待发的热点。因此,可对这些交叉口进行深入分析,并在高波动性地点考虑主动安全对策以提升安全性。