深入分析

一、研究体系

在当前的政策背景下，中央、北京市各层面高度重视慢行交通系统规划建设，十九大报告提出倡导简约适度、绿色低碳的生活方式，开展绿色出行等行动，《北京城市总体规划（2016年－2035年）》提出要建设步行和自行车友好城市。

在此背景下，研究搭建以大数据驱动的交通行为与安全综合研究平台体系，具体包括自行车驾驶模拟实验平台、自行车GPS+手机定位数据、共享单车美团哈啰青桔出行数据，以及基于城市道路和枢纽行人BIM技术+3D/VR沉浸技术搭建的行人认知实验平台。

基于研究平台针对慢行交通的核心能力搭建自行车研究体系，以轨迹数据、事故数据、土地利用、道路数据、交通数据、环境数据等为数据基础，对出行者的生心理特征、出行特征、骑行行为特性进行挖掘与分析，形成面向非机动车服务水平评价与安全风险致因解析的理论研究体系，服务于慢行交通的规划设计管理与人因行为管控。

二、研究背景与思路

当前我国电动自行车的保有量增长迅速，但与此同时，电动自行车的事故年增长率也居全交通方式第一，死亡人数逐年增加。现阶段，电动自行车的精细化管控尚缺乏有效抓手，制约着安全水平的提升。各类违法风险骑行行为频发是导致事故的重要因素，为此以逆行、超速、占道行驶等典型风险行为作为突破口来进行研究。

当前，共享新业态快速发展。研究以共享电动自行车为切入点，借助车辆上自带的GPS设备获取细粒度轨迹数据，支撑风险骑行行为识别，进一步融合具备广度、深度、粒度、互补的多源多维数据，采用机器学习等分析方法深度挖掘背后的机理，最终服务于安全防控精准化靶向治理。

三、案例应用-逆行风险行为

以逆行风险为例，研究选取湖南省长沙市芙蓉区的共享电动自行车数据进行分析，该行政区属于长沙市政治经济文化中心，辖区内道路交通条件复杂多样。共享电动自行车轨迹数据质量较好，轨迹数据回传间隔在3秒与10秒左右，能够支撑风险骑行行为识别。

不同于机动车，在获取数据后，研究针对电动自行车摇摆不定和路径丰富等特征，开展数据预处理。首先是数据切分。研究将订单数据切分为独立轨迹点，形成带有开锁点、关锁点和中间过程点的完整轨迹链，规范字符串存储的轨迹文本（格式统一），使每条数据仅有一组经纬度点（地图映射），清除缺失信息的订单数据（保证信息完整）。

随后进行数据清洗，消除因城市高楼建筑遮挡等外界因素干扰造成的数据异常。

进而将轨迹链上的轨迹点匹配到城市主要道路网上。

最后根据单双向路特征、车辆行驶方向以及道路方位角对车辆运行轨迹进行逆行判定。

研究将逆行行为、骑行人人口属性、出行时段、道路条件、交通状态等多维数据纳入数据库当中，搭建逆行行为致因解析数据库。

基于逆行行为致因解析数据库，研究采用多种机器学习算法识别逆行行为影响因素，进而采用SHAP可解释机器学习框架探究各风险因素对于逆行行为的影响。

研究发现过街通道的间距和机非分隔形式都会影响到逆行行为的发生。

此外，公共交通设施和土地利用性质以及出行时段、人口属性、交通状态等都对逆行行为有一定的影响。

基于以上分析，研究给出了针对性的管理建议。

四、未来攻关

未来，将利用大数据分析等手段，在非机动车风险状态评价、骑行服务质量评价等方面继续开展深入研究，以支撑风险预测预警、风险隐患排查、设施质量升级、慢行出行服务等推广作用。

此外，将基于已构建的融合自行车、电动自行车、行人、机动车的模拟平台，深入分析多交通群体的交通冲突特性，以支撑非机动车的道路交通组织设计与优化。

*文章内容是赛文交通网根据北京工业大学城市交通学院副教授边扬分享的《电动自行车骑行风险行为判定及应用》主题报告整理所得，有删减（文章经过本人审核）。