基于轨迹数据的共享电动自行车逆行风险行为影响因素研究
Research on Influencing Factors of Reverse Riding Risk Behavior of Shared E-bike Based on Trajectory Data作者机构：北京工业大学交通工程北京市重点实验室北京100124 华南理工大学土木与交通学院广东广州510641
出 版 物：《中国公路学报》 (China Journal of Highway and Transport)
年 卷 期：2021年第34卷第12期
页 面：262-275页
核心收录：
学科分类：0402[教育学-心理学(可授教育学、理学学位）] 0303[法学-社会学] 0710[理学-生物学] 08[工学] 082302[工学-交通信息工程及控制] 0833[工学-城乡规划学] 0823[工学-交通运输工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0713[理学-生态学]
主 题：交通工程 逆行影响因素 可解释机器学习 共享电动自行车 轨迹数据 CatBoost模型
摘 要：为改善电动自行车带来的交通安全问题,研究逆行风险行为与其影响因素间的相关关系。基于长沙市芙蓉区共享电动自行车GPS轨迹数据,实现逆行行为的精准识别,采用机器学习CatBoost模型与SHAP可解释机器学习框架,从道路条件、交通状态、土地利用性质等方面开展逆行行为影响要素挖掘及作用解析。研究结果表明:CatBoost模型能够有效预测路段逆行频次并提取逆行行为的重要影响因素,主要包括出行时段、公共交通设施、土地利用性质、道路条件及交通状态等;从出行时段来看,工作日、早晚高峰时段更容易发生逆行;从公共交通设施与土地利用性质来看,道路周围公交站地铁站出口数量及餐饮、公司、购物等设施数量与逆行频次呈现非线性影响关系,在一定范围内设施数量与逆行行为存在正影响作用;从道路条件来看,过街通道间距在50~400 m时不易发生逆行,在非机动车道无物理隔离设施或过街通道间距在400~600 m时容易发生逆行,间距大于600 m时作用不稳定;从路段机非分隔形式来看,护栏分隔的逆行概率较低,绿化带分隔的逆行概率较高;从交通状态来看,当骑行速度、加速度较低或较高时与逆行行为负相关,当骑行速度在6~16 km·h^(-1)及加速度在0.3~1.0 m·s^(-2)时与逆行行为正相关。研究成果可为共享电动自行车风险骑行行为辨识、非机动车交通安全管理提供有效的技术支持。
维普期刊数据库
同方期刊数据库