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
来源：中国血液净化杂志2021年第12期北京时间：
作者：边扬, 杨家夏, 赵晓华, 张晓龙, 韩唐姗
单位：1. 北京工业大学 交通工程北京市重点实验室, 北京 100124;2. 华南理工大学 土木与交通学院, 广东 广州 510641"],"fundList_en":["National Natural Science Foundation of China (52072012)
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<sup>-1</sup>及加速度在0.3~1.0 m·s<sup>-2</sup>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。
关键词：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
基金资助：国家自然科学基金项目（52072012）
