面对严峻的交通安全形势，除了做好基础设施建设，智能调控也是关键。闯红灯作为导致交通事故发生的因素之一，分析闯红灯频率来促进信号配时优化具有重要的现实意义。

面对严峻的交通安全形势，除了做好基础设施建设，智能调控也是关键。闯红灯作为导致交通事故发生的因素之一，分析闯红灯频率来促进信号配时优化具有重要的现实意义。那么如何做到精准预测呢？在未来交通控制理论与系统大会上，北京航空航天大学助理教授陈鹏发表了《基于高精度数据的信号交叉口闯红灯频次影响因素分析及估计》主题演讲。

以下为陈鹏演讲全文：

随着机动车保有量的增加，城市交通压力巨大，交通安全形势也愈发严峻，城市交叉口是各向人流和车流的集散地，同样也是交通事故的多发地。在所有的交叉口事故中，车辆闯红灯是一个主要的直接致因。

闯红灯严重破坏了交叉口路权分配的原则，增加了路口交通冲突，导致大量交通事故的发生。根据美国联邦公路管理局(NHTSA)的统计结果显示，因为闯红灯行为引起的交通事故，造成至少大约165000人受伤，其中750人死亡。面对如此巨大的统计数字，有必要寻求有效的解决方案，预测、预防闯红灯行为的发生，提升交叉口的安全运营水平。

研究闯红灯行为，我们需要进行数据的采集，一般有如下几种方式：

第一种是人工采集，它具有成本高、精确率低、数据样本小的缺点，由于缺乏大量数据支持，导致研究结果的客观性不强。

第二种是通过架设自动摄像机进行研究，架设摄像机的安装要求较高，受天气和光线的影响较大，视频数据格式的存储不变，会造成数据在线处理和实时预测困难。

第三，在各个交叉口处线圈检测器的布设比较广泛，它的格式简单易存储，数据处理速度较快，因此利用线圈检测器研究闯红灯行为具有一定的吸引力。但是目前很少有人采用线圈检测器进行闯红灯识别和研究。究其原因，因为实地布设的绝大部分线圈检测器采集的是针对一定时间段内交通状态参数的集计数据。而高精度线圈检测器能够采集单个车辆踏上、离开检测器的精准时间，利用这些高精度数据可以分析各个车辆进入交叉口的通行行为，从而为闯红灯预测、预防提供了可能。

通过文献综述，发现较多的研究针对的是闯红灯频率（veh/h）与入口流量、黄灯出现频率等因素的统计关系，比较直观也容易得出，但是无法分析车流内部属性特征对于闯红灯频次的影响。即，由于不同时段到达交叉口的车流具有不同的闯红灯频率或者可能性，如果单纯通过闯红灯频率进行宏观统计，则无法精确分析各影响因素。

综上，闯红灯相关研究较多采用视频检测器数据，受限于处理的速度与精度，分析的数据较为有限，无法应用于大范围、长时间的研究。另外，闯红灯频次相关研究注重构建统计关系，忽略了对客观具有闯红灯可能性车流的界定。例如，绿灯初期到达的车流完全不具有闯红灯的可能性，如果把这些车流作为闯红灯频次统计的基数并不客观。因此，提出了结合高精度线圈数据和信号灯事件数据对闯红灯行为进行研究。

研究内容主要包含三个部分:

一是结合高精度数据进行交叉口闯红灯行为识别;

二是结合提取的闯红灯数据定义闯红灯频次，分析哪些影响因素会诱使驾驶员闯红灯，例如踏上检测器的时间、速度、与周围车辆的车头时距、信号周期等;

三是结合影响因素的分析，提取关键的影响因素构建闯红灯频次的估计模型，并利用实际数据进行验证。

数据来源于美国明尼苏达大学交通实验室，由交通信息与信号采集监控系统（SMART-SIGNAL）采集，与传统的交通控制系统相比，SMART-SIGNAL系统通过在交通信号控制柜中附加数据采集系统软件和程序，达到实时监控检测器和信号配时主机的状态。

采集数据的精度达到毫秒级，主要包括高精度的线圈检测器数据，例如检测器ID与状态，车辆到达检测器的时刻、检测器占用时间等，以及信号灯事件检测，包括相位ID与状态，各相位开始时刻与持续时长。

高精度数据与传统检测器数据最大的不同在于它不再是一段时间之内的统计数据，而是个体车辆踏上、离开检测器的精确时间数据。

实验数据采集区域是在美国明尼苏达州双子城TH55高速路的连续五个交叉口，时间是2008年11月—2009年10月。主干道方向共安装了三种类型的检测器，一是路段检测器，距离下游停车线大概400ft、120米的距离。二是停车线检测器，它不是严格布设在停车线，而是距离停车线仍有10ft-50ft、3米—15米，因此有些车辆在信号切换阶段踏上停车线检测器，但并不一定就会闯红灯，而有可能停在停车线前。三是下游进口道检测器。

那么如何基于线圈检测器进行闯红灯行为的研究？实际上就是简单的“连点成线”的过程。即，结合车辆踏上三种不同检测器的时间点以及信号灯状态，匹配车辆通过各个检测器的时间，连点成线估计可能的轨迹，分辨闯红灯、闯黄灯及绿灯通行车辆。

首先利用停车线检测器进行闯红灯识别，然后通过下游进口道检测器，判断识别的车辆是否存在匹配的时间点，进而验证闯红灯行为。基于提取的闯红灯车辆，再去了解车辆在踏上路段检测器的时刻、速度、信号状态等，分析闯红灯的影响因素，并用于闯红灯频次的估算。

结合停车线检测器的闯红灯行为识别，主要通过识别车辆是否采取减速或制动，设定一定的速度阈值识别车辆的行为。如果车辆没有采取制动、减速的行为，则识别车辆具有闯红灯的可能性，如果采取了减速、制动，速度低于一定的阈值，则初步识别车辆停止在停车线前。

首先，在停车线检测器处判断车辆是否具有闯红灯的可能性。然后，在下游进口道检测器处进行验证，是否能够找到一个匹配的时间点，即针对初步识别出的闯红灯车辆，计算下游路口检测器的时间搜索范围之内是否存在匹配数据，如果占用时间小于一定的阈值，则判断为闯黄灯或者闯红灯行为。在数据处理的过程中，发现匹配的是主干道方向的车流，但是在一定的信号时段，支路方向特别是右转车流会驶入下游进口道检测器。结合检测器占用时间的经验数据分析，将主路的直行车辆和支路的右转车辆区分开来。

接下来是对闯红灯影响因素或者驾驶员当时的状态进行分析，所以利用上游路段检测器和停车线检测器的数据进行匹配，采用“时间窗”的办法，假设在两个检测器之间车辆不发生换道行为，计算所需的最大旅行时间和最小旅行时间，找到匹配的时间点。

以上总共涉及三种检测器及三个数据处理的步骤，即识别、验证和匹配。通过这种方式实现了“连点成线”，识别出个体车辆的闯红灯行为。

提取的数据主要包含以下内容：针对目标车辆，其踏上检测器的时刻、速度，与本车道、周边车道车辆的车头时距，以及检测器的占有时间。在信号切换阶段，如果车辆集群到达检测器，后车可能会跟随前车闯红灯或闯黄灯。为了验证这个现象，提取了相邻车道的车头时距，同时还有信号灯状态的一些参数。

基于五个交叉口2008年11月—2009年10月一年间的数据，识别出闯红灯、闯黄灯，绿灯末段停车以及绿灯通行的车辆大概为4073万。但是闯红灯只有6550件，是一个占比较低的事件。以第一个交叉口Boone为例，对比闯黄灯和绿灯末段停车事件，闯红灯为1416起，占比0.79%，验证了闯红灯是一个小概率事件，同时说明本研究利用高精度线圈提取的闯红灯事件数据非常珍贵。进而，将第一个交叉口Boone处1416起闯红灯事件精确的分配到各个时间段，发现闯红灯行为同样具有早晚高峰的特性，这也验证了流量对闯红灯可能的影响。

接下来，从整体层面对交叉口的安全运行效益进行评价。结合6550例闯红灯事件，发现绝大多数闯红灯车辆踏上路段检测器的时间集中在黄灯开始前两秒至黄灯开始后三秒。因此，认为这个时间段对应较高的闯红灯可能性，因此提出一个新的闯红灯频次的定义：以黄灯开始前两秒至黄灯开始后三秒踏上路段检测器的车辆数为基数，在每1000辆基数中平均闯红灯车辆的个数。根据新的闯红灯频次的定义，开展闯红灯频次影响因素分析的研究。

首先测试了车辆速度的影响，发现速度较低的车辆具有较小的闯红灯频次，闯红灯车辆相比于非闯红灯车辆接近交叉口时具有更高的行驶速度。通过测试与目标车辆同车道的车头时距影响，发现在与前车的车头时距在1.5—3.5秒时，对应较大的闯红灯频次。然后，分析了相邻车道车头时距的影响，发现两者成负相关关系，即与相邻车道车头时距范围在0-3s时，闯红灯频次具有较高值，超过这个范围后，闯红灯频次开始呈现下降趋势。当车辆黄灯期间成队列到达交叉口时，后车倾向于跟随前车一起通过交叉口。

进而，测试了信号周期长度的影响，通过构建二次函数，初步发现较小和较大周期都会导致闯红灯频次的增加，但由于周期时长样本数有限，这个结论具有一定的局限性。另外，通过分析交叉口几何特征参数的影响，发现交叉口出口宽度与闯红灯频次较为符合线性正相关关系，即出口宽度越大，闯红灯频次越高。

此外，还分析了车辆到达时刻对闯红灯频次的影响，发现两者之间的关系符合高斯函数。黄灯开始后的0.5s至1s，闯红灯频次最大；越远离这个范围，闯红灯频次越小；到达时刻为-2s或3s，闯红灯频次趋近0。由于明尼苏达冬季的寒冷气候，还分析了雨雪天气对闯红灯频次的影响，结果显示雨雪天闯红灯频次高于非雨雪天闯红灯频次。

结合识别的闯红灯影响因素，本研究构建了一个非线性回归模型，重点把黄灯开始前两秒和黄灯开始后三秒时间段内踏上路段检测器的交通流量作为因变量代入方程。采用Levenberg-Marquardt方法进行参数估计，T检验和K-S检验显示实际观测值和估计值的残差遵从均值为0.0的正态分布，ANOVA检验显示模型的拟合程度较好。

对各个路口的验证结果显示，基于高精度检测器数据提取的闯红灯频次估算模型，能够有效的对闯红灯频次进行估计。如果将各个交叉口不同进口道的闯红灯频次估计结果放入一张图，发现整体的准确率较高。交叉口主干道方向的闯红灯频次估计误差较低，次干道由于车流到达的随机性较大，模型仍然存在一些未能解释的系统误差。

最后是总结和展望。本研究主要开展了三部分的工作，即基于高精度数据提取闯红灯行为，并对闯红灯频次影响因素进行分析，最后构建频次估计模型，应用实际数据进行验证。

展望未来，由于检测器的位置及对应数据的限制，本研究构建的闯红灯行为识别算法具有地域的局限性，未来计划通过在不同位置布设线圈检测器，分析闯红灯行为，提高闯红灯行为预测的准确性。

第二是在车联网环境下，除了估计交叉口整体闯红灯频次，精确预测单个车辆闯红灯的概率。对于个体车辆闯红灯行为，拟提出基于闯红灯概率预测的交叉口全红时间延长算法，即如果检测到车辆在对应时段踏上路段检测器的速度较高，判断车辆具有较高的闯红灯可能性，则动态提供一个全红时间的延长，减少该车辆对路权分配的影响及与相交方向车流的冲突。

第三是考虑延误和闯红灯频次的干道信号配时多目标优化。传统的干道信号配时优化算法中，绝大多数考虑的是最小化延误、最小化停车率等，拟结合本研究对于交叉口闯红灯频次的估计，在保证干道通行效率的同时，将闯红灯频次的安全因素作为优化目标，对干道信号配时进行优化。

以上就是我的报告，谢谢大家。