Анализ поведения велосипедистов на пешеходных переходах в Германии с помощью дронов

Анализ поведения велосипедистов на нерегулируемом пешеходном переходе в Германии с использованием видео с дрона

Предыдущие исследования изучали взаимодействия между транспортными средствами и пешеходами, а также между транспортными средствами и велосипедистами, но было проведено мало исследований, посвященных взаимодействиям между велосипедистами и пешеходами на перекрестках. Данное исследование устраняет этот пробел, анализируя взаимодействия между велосипедистами и пешеходами на нерегулируемом перекрестке в Германии с использованием общедоступных данных с дронов. Исследование представляет собой структуру и доказательство концепции для проактивного анализа поведения велосипедистов без опоры на данные о ДТП. Основные цели заключаются в выявлении переменных, влияющих на поведение велосипедистов при уступке дороги и время obstructed travel time (OTT – время затрудненного движения) в пределах предопределенной зоны на пешеходном переходе, а также в классификации поведения велосипедистов. С помощью моделей логистической и линейной регрессии были выявлены несколько ключевых предикторов, включая скорость велосипедиста, изменения траектории, время до точки конфликта (pedestrian timetoconflictpoint) и близость взаимодействия, которые существенно повлияли на поведение уступки. Установлено, что снижение скорости и присутствие пешеходов на зебре улучшают показатели уступки. Кроме того, кластерный анализ выявил две оптимальные и четкие группы поведения велосипедистов: один кластер демонстрировал меньшую склонность к уступке, а другой – большее соблюдение правил дорожного движения. Такой проактивный подход представляет собой ценную альтернативу в условиях, где сбор данных о ДТП затруднен из-за нормативных актов о конфиденциальности. Он предлагает критически важные сведения для стратегий управления дорожным движением, направленных на повышение безопасности пешеходов на нерегулируемых перекрестках, и применим к более широким контекстам с аналогичными проблемами сбора данных.

Резюме

Предыдущие исследования изучали взаимодействия между транспортными средствами и пешеходами, а также между транспортными средствами и велосипедистами, но было проведено мало исследований, посвященных взаимодействиям между велосипедистами и пешеходами на перекрестках. Данное исследование устраняет этот пробел, анализируя взаимодействия между велосипедистами и пешеходами на нерегулируемом перекрестке в Германии с использованием общедоступных данных с дронов. Исследование представляет собой структуру и доказательство концепции для проактивного анализа поведения велосипедистов без опоры на данные о ДТП. Основные цели заключаются в выявлении переменных, влияющих на поведение велосипедистов при уступке дороги и время obstructed travel time (OTT – время затрудненного движения) в пределах предопределенной зоны на пешеходном переходе, а также в классификации поведения велосипедистов. С помощью моделей логистической и линейной регрессии были выявлены несколько ключевых предикторов, включая скорость велосипедиста, изменения траектории, время до точки конфликта (pedestrian timetoconflictpoint) и близость взаимодействия, которые существенно повлияли на поведение уступки. Установлено, что снижение скорости и присутствие пешеходов на зебре улучшают показатели уступки. Кроме того, кластерный анализ выявил две оптимальные и четкие группы поведения велосипедистов: один кластер демонстрировал меньшую склонность к уступке, а другой – большее соблюдение правил дорожного движения. Такой проактивный подход представляет собой ценную альтернативу в условиях, где сбор данных о ДТП затруднен из-за нормативных актов о конфиденциальности. Он предлагает критически важные сведения для стратегий управления дорожным движением, направленных на повышение безопасности пешеходов на нерегулируемых перекрестках, и применим к более широким контекстам с аналогичными проблемами сбора данных.

Введение

Ходьба и езда на велосипеде являются популярными видами транспорта для коротких поездок, способствуя как устойчивым транспортным системам, так и здоровому образу жизни. Многие национальные и местные правительства по всему миру выступают за развитие велосипедного движения для повышения устойчивости. Создание удобных для ходьбы и езды на велосипеде дорожных сетей помогает сократить использование личных автомобилей, решая энергетические и экологические проблемы. Однако рост городского велосипедного движения и пешеходного движения увеличил взаимодействие между пешеходами и велосипедистами, что критически важно для изучения из-за их влияния на безопасность, комфорт и эффективность городского транспорта. Поскольку две группы движутся с сопоставимыми скоростями, имеют общие линии видимости и схожие время реакции, обычные сигналы приоритета становятся размытыми, что приводит ко многим «почти столкновениям», которые не отражаются в статистике ДТП. Понимание этих взаимодействий поэтому существенно для повышения воспринимаемой пешеходами безопасности и для достижения целей «Vision Zero», охватывающих всех участников дорожного движения, а не только моторизованный транспорт.

Взаимодействия между велосипедистами и пешеходами происходят в различных городских условиях, включая перекрестки, общие дорожки и пешеходные переходы. Эти взаимодействия варьируются от простого присутствия до более сложных сценариев, включающих уступку, остановку или изменение траектории для избежания столкновений. Характер этих взаимодействий зависит от инфраструктуры, поведения участников дорожного движения и контекстуальных элементов, таких как объем трафика и условия окружающей среды. Конфликты на дороге определяются как ситуации, когда два или более участника дорожного движения оказываются настолько близко во времени и пространстве, что столкновение становится вероятным, если ни один из них не изменит курс. Взаимодействия расширяют это определение, включая менее серьезные события, такие как одновременное присутствие пешехода и велосипедиста на дороге, которые заранее корректируют свои движения, чтобы избежать конфликта, обеспечивая плавное движение для обоих. Несмотря на то, что эти взаимодействия все чаще влияют на городской комфорт и безопасность, им уделяется меньше внимания, чем взаимодействиям, связанным с транспортными средствами. Во многих отчетах документируются взаимодействия между пешеходами и велосипедистами, но из-за отсутствия данных мало известно о частоте и характере столкновений, конфликтов и взаимодействий между велосипедистами и пешеходами. Столкновения с травмами между пешеходами и велосипедистами относительно редки, что делает их трудными для изучения и часто недостаточным источником данных для прогнозирования новых столкновений.

Предыдущие исследования изучали взаимодействия между транспортными средствами и пешеходами, а также между транспортными средствами и велосипедистами, но было проведено меньше исследований, посвященных взаимодействиям между велосипедистами и пешеходами. Исследования, посвященные взаимодействиям между велосипедистами и пешеходами, выявили различные индивидуальные и экологические факторы, влияющие на эти взаимодействия, такие как пол пешехода, скорость, отвлечение внимания (например, использование мобильного телефона), плотность пешеходов, двустороннее движение, ограничения скорости и разметка для велосипедистов. Большинство существующих исследований сосредоточено на общих дорожках, и очень мало внимания уделяется взаимодействиям на перекрестках. Ограниченные исследования, изучавшие взаимодействия на перекрестках, проводились на нерегулируемых перекрестках в университетских городках, где поведение может отличаться от поведения на различных типах перекрестков по всему городу. В подтверждение этого, издание «Cycling Monitor in Germany 2023» опросило 4003 граждан в возрасте от 14 до 69 лет об их предпочтениях и привычках в отношении мобильности. Опрос показал, что 60% респондентов считают, что многие велосипедисты способствуют небезопасности дорожного движения из-за своего поведения на дороге, при этом 53% идентифицируют себя как велосипедисты. В издании 2021 года 43% респондентов заявили, что другие участники дорожного движения не проявляют достаточного уважения и внимания к пешеходам. Среди 77%, идентифицировавших себя как велосипедисты, 34% признались, что соблюдают только те правила дорожного движения, которые считают целесообразными.

Ожидания, что велосипедисты будут уступать дорогу пешеходам на переходах, не всегда оправдываются, что приводит к потенциальным проблемам с безопасностью. Велосипедисты часто сворачивают или меняют скорость, чтобы избежать уступки, что может удивить пешеходов и привести к небезопасным ситуациям. В исследовании, проведенном в Ванкувере и Монреале, велосипедисты уступали дорогу более последовательно в хорошо спроектированных средах с четкими ожиданиями и сигналами. Ключевые факторы, влияющие на взаимодействия, включали пол пешехода, скорость и наличие пешеходной разметки. Другое исследование показало, что 47,5% взаимодействий на пешеходных переходах происходят между конфликтующим пешеходом и проезжающим велосипедистом, при этом обе стороны движутся перпендикулярно друг другу. Исследование также сообщило, что наиболее распространенной проблемой, касающейся велосипедистов, является неуступка дороги пешеходам на пешеходных переходах.

Традиционные методы оценки безопасности перекрестков обычно полагаются на исторические данные о ДТП. Однако этот подход имеет заметные ограничения, особенно на нерегулируемых перекрестках, где такие данные часто скудны, неполны или недоступны, что требует альтернативных методов оценки. Альтернативой являются суррогатные меры безопасности (SSM – surrogate safety measures), которые указывают на потенциальный риск столкновения на основе наблюдаемых взаимодействий, а не фактических столкновений. Вместо того чтобы полагаться на редкие столкновения, SSM количественно оценивают вероятность и серьезность потенциальных конфликтов путем анализа наблюдаемых взаимодействий, таких как относительное время, расстояние и маневры уклонения. SSM используют траектории из видео или датчиков для проведения проактивных оценок безопасности на участках, где записи о ДТП скудны или нерепрезентативны. SSM также облегчают сравнение между местами и проектами до возникновения вреда. Используя видеоанализ и передовые технологии обнаружения, можно собирать подробные данные о движениях пешеходов и велосипедистов для расчета этих SSM. В некоторых исследованиях анализировалось время, необходимое для завершения поворота направо, в зависимости от положения пешехода на зебре, чтобы понять, как водители реагируют на пешеходов на регулируемых перекрестках. Время, затраченное на завершение поворота направо, считалось эффективным показателем безопасности, отражающим уровень «уважения» водителей к пешеходам и служило суррогатной мерой безопасности для ранжирования перекрестков по безопасности на основе поведения водителей, независимо от данных о ДТП. Другое исследование взаимодействий между транспортными средствами и пешеходами на нерегулируемых перекрестках сгруппировало поведение водителей, используя время obstructed travel time (OTT – время затрудненного движения) транспортных средств, движущихся прямо в предопределенной зоне; оно выявило две четкие группы: одну с высоким уровнем соблюдения правил водителями, и другую с низким уровнем соблюдения. Предложен подход, основанный на шаблонах, с использованием SSM, для повышения безопасности путем обучения водителей правильному поведению. Этот подход классифицирует взаимодействия между пешеходами и транспортными средствами на основе поведения участников дорожного движения, особенно различая уклоняющееся и неуклоняющееся поведение пешеходов и транспортных средств на нерегулируемых перекрестках. Эти методы, используемые для изучения взаимодействий между транспортными средствами и пешеходами, могут быть применены и для изучения взаимодействий между велосипедистами и пешеходами.

Взаимодействия между велосипедистами и пешеходами на нерегулируемых перекрестках остаются недостаточно изученными из-за ограниченности надежных данных. Отчеты о ДТП фиксируют только редкие события, заканчивающиеся травмами или гибелью, в то время как систематическая видеозапись затруднена, особенно в Германии, где строгие правила конфиденциальности и длительные процедуры одобрения ограничивают запись. Даже при установке камер на видеозаписях возникают помехи из-за окклюзии, ограниченных углов обзора и эффекта наблюдателя: участники дорожного движения изменяют свое поведение, когда замечают заметное оборудование. Следовательно, хотя несколько исследований задокументировали соблюдение правил водителями на пешеходных переходах, сообщая о показателях уступки, которые варьируются от 4% до 45% в различных национальных контекстах; напротив, поведению велосипедистов при уступке на сопоставимых переходах уделялось гораздо меньше внимания со стороны ученых.

Для устранения этих пробелов данное исследование представляет собой структуру и доказательство концепции использования данных видеосъемки с дрона с видом сверху, полученных из общедоступного набора данных, в качестве альтернативного метода для проактивного изучения поведения участников дорожного движения без необходимости использования данных о ДТП. Исследование использует видеозаписи с дрона высокого разрешения, снятые с высоты более 60 метров над проезжей частью. Вид с высоты птичьего полета устраняет окклюзии, обеспечивает высокую точность позиционирования как в продольной, так и в поперечной осях и остается практически невидимым для людей на земле, сохраняя естественное поведение и маскируя личные данные. Этот подход обеспечивает более динамичное понимание взаимодействий между велосипедистами и пешеходами, способствуя повышению безопасности до возникновения столкновений. Классифицируя и категоризируя поведение велосипедистов во время взаимодействий с пешеходами на пешеходном переходе в пределах предопределенной зоны, данное исследование стремится информировать целенаправленные меры по повышению безопасности и соблюдению правил дорожного движения. Конкретные цели:

• 1. выявить и понять факторы, влияющие на поведение велосипедистов при уступке дороги и время obstructed travel time (OTT) велосипедиста при наличии пешеходов;
• 2. применить методы кластеризации для категоризации велосипедистов на основе их моделей взаимодействия, предоставляя информацию о различном поведении пешеходов.

Методология

Кластеризация на основе моделей (Modelbased clustering)

Кластеризация на основе моделей — это статистический подход к разделению данных на кластеры, где предполагается, что каждый кластер генерируется определенной вероятностной моделью. Эта методология предлагает обоснованную основу для кластеризации путем формального определения кластеров с помощью статистических моделей, часто гауссовых смесей. В кластеризации на основе моделей предполагается, что данные поступают из смеси основных распределений вероятностей, где каждый компонент смеси соответствует кластеру. Таким образом, задача кластеризации преобразуется в задачу оценки плотности. Математически, если мы обозначим данные как X = x_1, x_2, ots, x_n, плотность x_i моделируется как в Уравнении (1).

f(x_i|arTheta) = umimits_{k=1}^{K} i_k f_k(x_i| heta_k) (1)

где:

• k — количество кластеров,
• i_k — пропорция смешивания для кластера k (при umimits_{k=1}^{K} i_k = 1 и i_k > 0 для всех k),
• f_k(x_i| heta_k) — плотность компоненты k-го компонента,
• arTheta = i_k, heta_k_{k=1}^K — параметры модели смешивания.

Например, в наборе данных с двумя кластерами каждый кластер может быть представлен различным гауссовым распределением, где f_k(x_i| heta_k) — функция плотности вероятности гауссова распределения с параметрами heta_k (среднее значение и ковариация). Цель состоит в оценке этих параметров arTheta, что включает определение пропорций смешивания i_k и параметров плотностей компонентов heta_k.

Точка данных x_i представляет собой отдельное наблюдение, имеющее данные по d переменным в наборе данных X, который, как предполагается, генерируется из одного из K кластеров в соответствии с вероятностями i_k. Задача состоит в выводе, к какому кластеру принадлежит каждая точка данных, и в оценке параметров, которые наилучшим образом описывают базовое распределение данных.

Кластеризация смешанных данных на основе моделей

Кластеризация смешанных данных на основе моделей расширяет эти принципы на наборы данных, содержащие как непрерывные, так и категориальные переменные. Для смешанных данных каждое наблюдение x_i = (x_{ic}, x_{id}) состоит из непрерывных переменных x_{ic} и дискретных переменных x_{id}. Модель смешивания будет включать различные типы распределений для непрерывных и категориальных переменных. Один из подходов заключается в использовании модели латентных классов для категориальных данных и гауссовой модели для непрерывных данных, при этом совместная плотность задается как в Уравнении (2):

f(x_i|arTheta) = umimits_{k=1}^{K} i_k f_{kc}(x_{ic}| heta_{kc}) f_{kd}(x_{id}| heta_{kd}) (2)

где:

• f_{kc} — функция плотности вероятности (pdf) непрерывных переменных для кластера k,
• f_{kd} — функция массовой вероятности (pmf) дискретных переменных для кластера k,
• heta_k = ( heta_{kc}, heta_{kd}) — параметры для непрерывной и дискретной частей кластера k.

Оценка и выбор модели

Алгоритм ожидания-максимизации (EM – Expectation-Maximization) является широко используемым методом для оценки параметров моделей смешивания. Во время шага E (E-step) алгоритм вычисляет ожидаемое значение логарифмического правдоподобия на основе текущих оценок распределения над назначениями кластеров. На шаге M (M-step) он максимизирует это ожидаемое логарифмическое правдоподобие для обновления оценок параметров. На практике алгоритм EM начинает с начальных предположений о параметрах и чередует шаги E и M. Этот итеративный процесс продолжается до тех пор, пока параметры не сойдутся к стабильным значениям, что указывает на адекватное соответствие модели смешивания данным. Благодаря своей гибкости, алгоритм EM применим к широкому спектру задач кластеризации, от простых гауссовых смесей до более сложных сценариев, включающих различные типы данных и распределений.

Комбинация EM для оценки параметров и критериев, таких как Байесовский информационный критерий (BIC – Bayesian Information Criterion), для выбора модели делает эту методологию надежной и эффективной для выявления базовой структуры в данных. Это гарантирует, что будет выбрана наиболее подходящая модель для представления данного набора данных.

Линейная регрессия

Линейная регрессия — это фундаментальный статистический метод, используемый для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. Цель состоит в том, чтобы найти линейное уравнение, которое наилучшим образом предсказывает зависимую переменную на основе независимых переменных. Простейшей формой является простая линейная регрессия, где имеется одна независимая переменная. Модель выражается как в Уравнении (3).

Y = eta_0 + eta_1 X + psilon (3)

где:

• Y — зависимая переменная,
• X — независимая переменная,
• eta_0 — свободный член (intercept),
• eta_1 — наклон линии,
• psilon — представляет собой член ошибки, учитывающий вариацию в Y, не объясненную X.

Коэффициенты eta_0 и eta_1 оцениваются с использованием метода наименьших квадратов, который минимизирует сумму квадратов отклонений между наблюдаемыми значениями и значениями, предсказанными моделью. Оценки наименьших квадратов даются Уравнениями (4) и (5).

idehat{eta}_1 = rac{umimits_{i=1}^{n} (X_i - ar{X})(Y_i - ar{Y})}{umimits_{i=1}^{n} (X_i - ar{X})^2} (4)

idehat{eta}_0 = ar{Y} - idehat{eta}_1 ar{X} (5)

где ar{X} и ar{Y} — средние значения X и Y соответственно. Множественная линейная регрессия расширяет это на несколько независимых переменных. Модель приводится в Уравнении (6).

Y = eta_0 + eta_1 X_1 + eta_2 X_2 + dots + eta_p X_p + psilon (6)

Здесь eta_j (для j=1, ots, p) — коэффициенты для независимых переменных X_j.

Логистическая регрессия

Логистическая регрессия используется для моделирования бинарных исходов, где зависимая переменная может принимать только два возможных исхода (часто кодируемых как 0 и 1). В отличие от линейной регрессии, логистическая регрессия моделирует вероятность того, что Y принадлежит к определенной категории. Модель логистической регрессии формулируется как в Уравнении (7).

ext{logit}(P(Y=1|X)) = neft(rac{P(Y=1|X)}{1 - P(Y=1|X)} ight) = eta_0 + eta_1 X_1 + eta_2 X_2 + ots + eta_p X_p (7)

Левая часть, ext{logit}(P(Y=1|X)), — это лог-отношение шансов вероятности того, что Y=1. Модель гарантирует, что предсказанные вероятности находятся в пределах от 0 до 1. Вероятность P(Y=1|X) может быть получена путем применения логистической функции, заданной Уравнением (8).

P(Y=1|X) = rac{1}{1 + e^{-(eta_0 + eta_1 X_1 + eta_2 X_2 + ots + eta_p X_p)}} (8)

Коэффициенты eta_0, eta_1, eta_2, ots, eta_p обычно оцениваются с использованием максимального правдоподобия (MLE – Maximum Likelihood Estimation), которое находит значения параметров, максимизирующие функцию правдоподобия, заданную Уравнением (9).

L(eta) = rodimits_{i=1}^{n} P(Y_i|X_i)^{Y_i} [1 - P(Y_i|X_i)]^{1 - Y_i} (9)

Интеграция регрессии в кластеризацию

Для улучшения анализа регрессионные модели могут быть включены в кластеры, идентифицированные алгоритмом кластеризации. Первоначально данные кластеризуются на основе только определенных ключевых переменных с помощью алгоритма кластеризации, такого как Mclust. Эта начальная кластеризация идентифицирует четкие кластеры в наборе данных. После этого отдельные регрессионные модели подгоняются в каждом кластере для понимания взаимосвязи между множественными предикторами и зависимой переменной. Предикторы, используемые в множественной линейной регрессии, включают значимые предикторы, выявленные в предыдущем анализе.

Этот продвинутый подход интегрирует регрессионную модель в каждый кластер, подгоняя уникальную регрессионную модель для каждого кластера для прогнозирования зависимой переменной на основе предикторных переменных. Комбинированная методология предоставляет более глубокие сведения и более точное разделение данных, позволяя выявлять четкие подгруппы в данных, каждая из которых характеризуется своей специфической взаимосвязью между зависимой и предикторными переменными.

Используя объединенные преимущества кластеризации и регрессии, эта методология предлагает надежную основу для анализа сложных наборов данных со смешанными типами данных и присущими взаимосвязями между переменными. Она улучшает интерпретируемость кластеров, предоставляя четкие математические взаимосвязи внутри каждого кластера, что облегчает принятие обоснованных решений и предиктивную аналитику. Этот подход повышает аналитическую мощность и применимость методов кластеризации, делая его ценным инструментом как для исследователей, так и для практиков.

Сбор данных

Строгие законы Германии о конфиденциальности данных означают, что любая видеозапись, содержащая идентифицируемую информацию, такую как лица или номерные знаки, требует явного разрешения от местных властей. Этот процесс не только занимает много времени, но и требует полного соблюдения различных руководящих принципов защиты данных в соответствии с Общим регламентом по защите данных (GDPR – General Data Protection Regulation). Учитывая эти проблемы и трудоемкость получения разрешений, для целей данной статьи, в качестве структуры и доказательства концепции, исследование опирается на общедоступный набор данных, основанный на видеозаписях с дрона с видом сверху. Вид сверху гарантирует, что личности людей не идентифицируются напрямую, тем самым минимизируя проблемы конфиденциальности, но при этом предоставляя ценные данные для анализа взаимодействий между велосипедистами и пешеходами.

Данное исследование использует общедоступный набор данных для анализа и кластеризации поведения велосипедистов на нерегулируемом перекрестке в Германии. Дроновые видео, снятые в разрешении 4K (4096 × 2160 пикселей) с частотой 25 кадров в секунду, каждое длится около 20 минут и охватывает площадь 80 × 40 метров. Всего было записано 242,6 минуты. Траектории пешеходов и велосипедистов были предоставлены набором данных, который извлекал и обрабатывал траектории из видеозаписей дронов на четырех перекрестках. Данное исследование было сосредоточено на перекрестке улиц Бисмаркштрассе и Шлоссштрассе (идентификатор записи 18–29), в частности, изучая взаимодействия между велосипедистами и пешеходами на зебре, как показано на Рис. 1. Переход на перекрестке имеет длину 5 метров и ширину 3,5 метра, с разметкой в виде зебры, обозначающей пешеходный переход. Знаки пешеходного перехода расположены по обе стороны дороги, а за переходом есть пунктирная линия, указывающая на необходимость уступки для транспортных средств, въезжающих на перекресток. Однако эта линия уступки предназначена для транспортных средств, а не конкретно для приоритета пешеходов. Ограничение скорости на этом перекрестке составляло 50 км/ч (30 миль/ч).

Хотя исходные видеоданные не были предоставлены, разработчик набора данных предоставил исходный код на Python для визуализации траекторий. Визуализатор импортирует данные траекторий и отображает их на изображении места записи. Пользователи могут визуализировать определенные кадры или воспроизводить записанные треки с возможностью отображения такой информации, как идентификаторы треков. Каждый класс участников дорожного движения представлен определенной формой: транспортные средства отображаются в виде прямоугольников, а велосипедисты и пешеходы — в виде точек для каждого кадра, на котором они видны.

Каждая запись состоит из изображения с перспективой дрона и трех CSV-файлов. Два CSV-файла содержат метаданные о дорожных пользователях и записях, включая такие сведения, как номер записи, идентификатор трека, класс, частота кадров, продолжительность, местоположение и количество пешеходов. Третий CSV-файл предоставляет информацию о траекториях по кадрам, включая переменные, такие как идентификатор, номер кадра, положения x и y, скорости x и y, направление, ускорения x и y, а также боковые и продольные скорости и ускорения. Набор данных охватывает траектории различных транспортных средств (легковые автомобили, автобусы, грузовики) и уязвимых участников дорожного движения (пешеходы и велосипедисты), при этом данное исследование сосредоточено на траекториях пешеходов и велосипедистов. Возраст и пол участников дорожного движения не были включены в предоставленный набор данных.

Конечный набор данных, используемый для моделирования взаимодействий между велосипедистами и пешеходами, включает наблюдения, ограниченные ведущими велосипедистами, проезжающими через переход (т. е. первым велосипедистом в любом потоке приближения), которые столкнулись с одним пешеходом или группой пешеходов, пересекающих дорогу с одного направления. Велосипедисты, идущие позади (trailing cyclists), которые могли реагировать как на действия ведущего велосипедиста, так и на действия пешеходов, были исключены из анализа. Аналогично, если транспортное средство находилось непосредственно перед или позади велосипедиста, или пешеходы пересекали дорогу с обоих направлений, эти взаимодействия были отброшены, чтобы анализ изолировал чистые взаимодействия между велосипедистами и пешеходами. Исключая такие факторы, как объем трафика, плотность пешеходов и взаимодействия между велосипедистами, этот подход фильтрации ограничивает исследование сравнимыми взаимодействиями один на один между велосипедистами и пешеходами, позволяя более сфокусированный анализ взаимодействия между велосипедистами и пешеходами на переходе.

Взаимодействия между проезжающими велосипедистами и конфликтующими пешеходами были задокументированы в пределах предопределенной зоны. Зона движения велосипедиста составляет 30 метров (приблизительно 100 футов) в длину, начиная за 5 метров (16,5 футов) до пешеходного перехода и простираясь на 25 метров за ним. Область пешеходного перехода была определена так, чтобы включать как зебру, так и прилегающие к ней зоны. Был написан пользовательский код Python для извлечения конкретных деталей, включая начало и конец перехода пешехода, въезд и выезд велосипедиста из предопределенной зоны, а также направление движения как пешеходов, так и велосипедистов. Было извлечено и задокументировано несколько других переменных, в том числе количество конфликтующих пешеходов и то, начинал ли пешеход(ы) переход в пределах зебры.

Для выявления взаимодействий между велосипедистами и пешеходами был использован автоматизированный процесс. Автоматизированный скрипт Python сначала пометил каждое потенциальное взаимодействие между велосипедистом и пешеходом. Каждое кандидатное взаимодействие затем визуально проверялось кадр за кадром, чтобы подтвердить, что один ведущий велосипедист взаимодействовал с одним потоком пешеходов. После подтверждения взаимодействия анализировались точные кадры, где произошло взаимодействие.

Чтобы ограничить субъективность, подтверждение взаимодействия следовало двум бинарным правилам включения: (i) один ведущий велосипедист, взаимодействующий с одним пешеходом или одним потоком пешеходов в пределах предопределенной зоны, и (ii) отсутствие явного влияния моторного транспортного средства на взаимодействие велосипедиста и пешехода (например, отсутствие транспортного средства непосредственно перед/за велосипедистом в пределах зоны или выходящего на переход). Все кандидаты, отмеченные машиной, были проверены кадр за кадром с использованием визуализатора траекторий. Неоднозначные случаи, такие как велосипедисты, следующие позади, обгоняющие или идущие бок о бок велосипедисты, одновременные потоки пешеходов, приближающиеся с обеих сторон, частичные окклюзии вокруг ключевых временных меток или любое потенциальное влияние моторного транспортного средства, были исключены, а не разрешены на основе суждений. Намерения не предполагались; решения основывались исключительно на наблюдаемых критериях (статус ведущего, одиночный поток пешеходов и отсутствие влияния транспортного средства). Велся простой журнал проверки для документирования решений (идентификатор кандидата, сохранить или отбросить, и причина). Для повышения воспроизводимости будущие исследования должны включать слепую дублирующую проверку выборки случаев и сообщать статистику согласованности между оценщиками.

В два будних дня в июле 2019 года (вторник и среда) дроны работали с 16:00 до 19:15 в первый день и с 16:00 до 18:00 во второй день; однако для анализа было записано и предоставлено только 135 минут и 104 минуты видеозаписей соответственно. Погода была солнечной/ясной, и закат еще не наступил, поэтому условия видимости и состояния дорожного покрытия были стабильными. Всего во время 242,6 минут видеоданных было зафиксировано 604 пересекающих зебру пешехода и 1125 проезжающих велосипедистов. Из них было выявлено 107 интересующих взаимодействий между велосипедистами и пешеходами. Таблица 1 обобщает ключевые характеристики видеозаписей, использованных в анализе, включая количество пересекающих пешеходов, проезжающих велосипедистов и выявленных интересующих взаимодействий во время каждой сессии записи. Хотя данные были собраны в разные будние дни и время, строгие правила включения, описанные выше, наряду с отсутствием темноты или неблагоприятных погодных условий, минимизируют влияние времени суток на анализируемые здесь поведенческие переменные. Остаточные временные эффекты признаются как ограничение и мотивация для будущих многопериодных сбора данных.

Четыре случая взаимодействий между велосипедистами и пешеходами были идентифицированы на зебре. Эти случаи определялись направлением движения как велосипедиста, так и пешехода. Выявленные случаи:

• случай 1: Велосипедист движется в направлении A, а пешеход пересекает дорогу в направлении A,
• случай 2: Велосипедист движется в направлении A, а пешеход пересекает дорогу в направлении B,
• случай 3: Велосипедист движется в направлении B, а пешеход пересекает дорогу в направлении A, и
• случай 4: Велосипедист движется в направлении B, а пешеход пересекает дорогу в направлении B.

Номера кадров из набора данных были преобразованы во временные метки для фиксации ключевых моментов взаимодействий. Рис. 2 иллюстрирует эти четыре идентифицированных случая, показывая зону движения велосипедиста наряду с временными метками, соответствующими двум ключевым положениям велосипедистов и одному ключевому положению конфликтующих пешеходов:

• временная метка, когда центр велосипеда въехал в предопределенную зону, обозначенная как P_1,
• временная метка, когда конфликтующий пешеход достиг точки конфликта, обозначенная как P_2, и
• временная метка, когда центр велосипеда покинул предопределенную зону, обозначенная как P_3.

Четыре случая, показанные на Рис. 2, просто иллюстрируют каждую возможную геометрическую конфигурацию, которая может возникнуть, когда одиночный ведущий велосипедист и одиночный пешеход (или группа пешеходов) приближаются к зебре с любой стороны. Случаи 1 и 4, а также Случаи 2 и 2 являются зеркальными отображениями, отличающимися только направлением приближения, но они проиллюстрированы отдельно, чтобы показать, где расположены три эталонные временные метки P_1, P_2 и P_3. В анализе направление учитывается одной бинарной переменной (A или B).

Анализ данных и результаты

Время пешехода до точки конфликта (TTCP – Pedestrian Time to Conflict Point) определяется как время от въезда велосипедиста в зону до прибытия пешехода в точку конфликта (TTCP = P_2 - P_1), концептуально связанное с временем до зебры (TTZ – time to zebra). Время obstructed travel time (OTT) велосипедиста определяется как время, которое требуется велосипедисту для пересечения зоны (OTT = P_3 - P_1), адаптированное из времени obstructed right-turn time (ORTT). Эти SSM используются для указания динамики взаимодействия и уступки, а не для прогнозирования риска столкновений. Для понимания взаимодействий между велосипедистами и пешеходами были применены как логистическая, так и линейная регрессионные модели для выявления ключевых предикторов поведения уступки и времени obstructed travel time (OTT). Предикторы, рассмотренные в этих моделях, включали время пешехода до точки конфликта (TTCP), скорость велосипедиста при въезде в зону, замедление велосипедиста, направление движения велосипедиста, изменения траектории, снижение скорости, близость взаимодействия, находился ли пешеход уже на зебре, скорость пешехода, направление движения пешехода, начинал ли пешеход переход в пределах зебры, и был ли пешеход частью группы. Уровень значимости lpha = 0.05 использовался для определения включения переменных в модели.

Кроме того, к набору данных были применены два метода кластеризации — Mclust и ClustMD. Эти методы были выбраны для улавливания различных поведенческих паттернов из-за смешанной природы данных (непрерывные и категориальные переменные). Mclust предполагает, что данные следуют гауссову распределению, а ClustMD учитывает смесь непрерывных и категориальных переменных. Этот подход обеспечил надежность кластерного анализа, выявив четкие группы поведения велосипедистов на основе взаимодействий с пешеходами.

Сводка данных

Временная разница между въездом и выездом велосипедистов из предопределенной зоны движения (P_3 - P_1) рассчитывалась и называлась временем obstructed travel time (OTT) велосипедиста, представляющим продолжительность, в течение которой велосипедист был затруднен пешеходом. Аналогично, временная разница между P_2 и P_1 рассчитывалась как время пешехода до точки конфликта (TTCP), которое указывает, сколько времени потребуется конфликтующему пешеходу, чтобы достичь точки конфликта, когда велосипедист находился в P_1. Помимо OTT и TTCP, для каждого наблюдения были задокументированы несколько других ключевых переменных, включая:

• скорость велосипедистов при въезде в предопределенную зону (V_{cyclistentering}),
• замедление велосипедиста (Dec_{cyclist}),
• скорость пешехода (V_{ped}),
• направление движения велосипедиста (Dir_{cyclist}),
• направление движения пешехода (Dir_{ped}),
• пересекал ли пешеход в пределах зебры (Cross_{inside}),
• пересекала ли группа из двух или более пешеходов вместе (Group_{ped}),
• находился ли пешеход на зебре, когда велосипедист находился на расстоянии 5 метров (16,4 футов) от перехода (PedOnZebra),
• изменил ли велосипедист свою траекторию, чтобы избежать столкновения с конфликтующим пешеходом, то есть велосипедист выполнил объезд, либо оставаясь на изогнутой траектории, либо возвращаясь на прямую линию после маневра (TrajectoryChange_{cyclist}),
• снизил ли велосипедист скорость, когда он находился на расстоянии 5 метров (16,4 футов) от перехода (SpeedReduction_{cyclist}), и
• близость взаимодействия, классифицированная как «близкое» (оба участника дорожного движения находились близко к точке конфликта) или «дальнее» (один пользователь находился далеко от точки конфликта) (Interaction_{Proximity}).

Таблицы 2 и 3 содержат сводную статистику для этих переменных. Этот комплексный набор данных служит основой для регрессионных анализов, предлагая ценные сведения о поведении велосипедистов и пешеходов на зебре, которые могут информировать будущие стратегии управления дорожным движением и меры по повышению безопасности.

Набор данных включает 107 наблюдений взаимодействий между велосипедистами и пешеходами на зебре. Ключевые показатели включают время obstructed travel time (OTT) велосипедиста, которое в среднем составляет 8,48 секунды, и время пешехода до точки конфликта (TTCP) со средним значением 6,74 секунды. Эти показатели соответственно указывают типичную продолжительность, в течение которой велосипедисты затруднены пешеходами, и время, которое пешеходы тратят на достижение точки конфликта. Велосипедисты въезжали в предопределенную зону со средней скоростью 5,20 м/с и замедлялись в среднем на –0,96 м/с², взаимодействуя с пешеходами. Скорость пешеходов варьировалась, в среднем составляя 1,57 м/с, что отражает диапазон пешеходного поведения. Заметным результатом является то, что 87% пешеходов начинали переход в пределах размеченной зоны, а 25% были в группах, что подчеркивает обычное пешеходное поведение на зебре. Кроме того, 63% велосипедистов снизили скорость, а 21% изменили траекторию во время взаимодействий, что свидетельствует о значительном соблюдении мер предосторожности со стороны велосипедистов в присутствии пешеходов. Однако 41% велосипедистов не уступили дорогу пешеходам, что указывает на существенную долю несоблюдения правил уступки на зебре. Это отсутствие уступки пешеходам представляет собой значительную проблему безопасности и подчеркивает необходимость улучшения стратегий управления дорожным движением и мер безопасности на нерегулируемых перекрестках. Эти сведения подчеркивают важность целенаправленных мер для повышения соблюдения правил велосипедистами и защиты безопасности пешеходов.

Видео наблюдения перекрестка показали, что среди велосипедистов, уступивших дорогу пешеходам, 29% сделали это, когда пешеходы еще приближались к зебре и еще не начали переход. Кроме того, среди велосипедистов, уступивших дорогу пешеходам, 14% изменили свою траекторию прямо перед уступкой. Среди велосипедистов, которые не уступили дорогу пешеходам, 45% имели близкие взаимодействия с пешеходами. Кроме того, среди велосипедистов, которые не уступили дорогу пешеходам, 75% не уступили, когда пешеходы уже находились на зебре.

Логистический регрессионный анализ

Логистический регрессионный анализ был направлен на моделирование вероятности уступки велосипедистами пешеходам на зебре. Первоначально все потенциальные переменные, влияющие на решение велосипедиста уступить дорогу пешеходам на зебре, были включены в модель логистической регрессии. После этого для окончательного анализа были оставлены только значимые переменные. Структура модели логистической регрессии показана в уравнениях (10). Подробности модели показаны в Таблице 4.

Yield_{cyclist} = 1.01 - 0.04 V_{cyclistentering} - 0.15 TrajectoryChange_{cyclist} + 0.67 SpeedReduction_{cyclist} - 0.23 Interaction_{Proximity} + 0.07 PedOnZebra (10)

Окончательная модель логистической регрессии сохранила несколько значимых переменных. Более высокие скорости велосипедистов при въезде в зону были связаны с меньшей вероятностью уступки пешеходам, что указывает на то, что более быстрые велосипедисты менее склонны уступать. Велосипедисты, менявшие свою траекторию, также были менее склонны уступать, что предполагает, что изменения траектории коррелируют с несоблюдением правил уступки. Напротив, велосипедисты, снизившие скорость, были значительно более склонны уступать, что подразумевает, что поощрение снижения скорости может улучшить поведение уступки. Дальние взаимодействия снижали вероятность уступки, указывая на то, что велосипедисты менее склонны уступать, когда пешеходы не находятся близко к точке конфликта. Кроме того, присутствие пешеходов уже на зебре увеличивало вероятность уступки велосипедистами, предполагая, что видимое присутствие пешеходов на переходе побуждает велосипедистов уступать.

Все предикторы демонстрируют очень низкие факторы инфляции дисперсии (VIF ≈ 1,1–1,8), что значительно ниже общепринятого порогового значения 2,5–5. Это указывает на то, что ни одна из переменных не сильно линейно коррелирует с другими, поэтому мультиколлинеарность незначительна. Следовательно, стандартные ошибки и оценки отношения шансов в логистической модели должны быть стабильными и надежными. Модель хорошо соответствует данным. Остаточная сумма отклонений уменьшается с 25,91 в нулевой модели до 6,06 с включенными предикторами, так что объясняется около 77% отклонения. Очень низкое значение AIC (10,5) дополнительно указывает на экономный, но информативный подгон, предполагая, что модель обеспечивает хорошее общее описание факторов, влияющих на то, уступают ли велосипедисты на переходе. Анализ WebPower указывает, что требуется минимум 55 наблюдений для достижения стандартной статистической мощности 80%. При фактической выборке из 107 взаимодействий между велосипедистами и пешеходами модель превышает этот минимальный порог.

Линейный регрессионный анализ

Линейный регрессионный анализ был направлен на понимание взаимосвязи между временем obstructed travel time (OTT) велосипедиста и различными предикторами. Первоначально все потенциальные переменные, влияющие на OTT велосипедиста, были включены в модель линейной регрессии. После выявления значимых предикторов модель была уточнена, чтобы сохранить только эти переменные. Структура модели линейной регрессии показана в уравнениях (11). Подробности модели показаны в Таблице 5.

OTT = 4.20 + 0.92 TTCP - 0.44 V_{cyclistentering} - 0.71 Dec_{cyclist} - 0.49 Dir_{cyclist} + 1.83 SpeedReduction_{cyclist} - 2.02 Interaction_{Proximity} (11)

Окончательная модель линейной регрессии сохранила несколько значимых переменных. Время пешехода до точки конфликта (TTCP) положительно связано с OTT, указывая на то, что по мере увеличения времени, необходимого пешеходу для достижения точки конфликта, увеличивается и время obstructed travel time (OTT) для велосипедистов. Большее значение OTT может свидетельствовать о том, что велосипедисты уступают дорогу пешеходам, как это предусмотрено законом. Более высокие скорости велосипедистов при въезде в зону связаны с уменьшением OTT, что указывает на то, что более быстрые велосипедисты менее склонны уступать и вместо этого предпочитают быстро проезжать через переход, сокращая свое время obstructed travel time. Большее замедление велосипедистами связано с уменьшением OTT, что указывает на то, что велосипедисты, которые более резко замедляются, как правило, быстрее проходят переход, потенциально не уступая дорогу пешеходам. Направление движения велосипедиста является значимым предиктором с отрицательной оценкой, что указывает на то, что определенные направления могут влиять на вероятность уступки со стороны велосипедистов. Велосипедисты, снижающие скорость, имеют значительно более длительное время obstructed travel time, что указывает на то, что велосипедисты, замедляющиеся, уступают дорогу пешеходам, что приводит к увеличению OTT. Близость взаимодействия оказывает существенное отрицательное влияние на OTT: более дальние взаимодействия приводят к более коротким временам obstructed travel time, возможно, из-за более решительных действий, предпринятых велосипедистами для прохода через конфликтную зону без уступки.

Парные корреляции между тремя непрерывными предикторами умеренные (|r| ≤ 0,44), и все факторы инфляции дисперсии находятся в пределах от 1,0 до 2,7, что значительно ниже обычного порогового значения 5. Следовательно, мультиколлинеарность незначительна, и каждая переменная вносит в модель в основном уникальную информацию. Регрессионная модель объясняет почти 88% дисперсии в OTT (R² = 0,879, скорректированный R² = 0,871), и F-тест высоко значим. Остатки имеют стандартную ошибку 1,18 с и AIC 347, что указывает на экономную, но мощную спецификацию. При наблюдаемом размере эффекта (f² = 7,24) текущая выборка из 107 взаимодействий обеспечивает практически 100% статистическую мощность. Даже для более консервативного, среднего эффекта (f² = 0,15) модель потребовала бы 98 наблюдений; исследование превышает этот априорный порог, подтверждая, что выборка более чем адекватна для выявления значимых взаимосвязей.

Кластеризация

При выборе модели рассматривались K = 1–5 при нескольких ковариационных структурах. BIC и ICL последовательно выбирали K = 2 как наиболее экономное решение. Решения с K ≥ 3 не улучшали подгонку существенно. Эти решения имели тенденцию создавать небольшой третий кластер, состоящий в основном из наблюдений, близких к границе принятия решений в пространстве TTCP-OTT. Это снижало интерпретируемость без обеспечения четкого разделения поведения. Вероятности апостериорных назначений были в целом высокими, что указывало на хорошее разделение для двухгруппового решения при имеющихся данных. Для ясности и последовательности в оставшейся части этого раздела велосипедисты, уступающие дорогу, будут называться «уступающими» (Yield_{cyclist} = Yes), а те, кто не уступал, — «неуступающими» (Yield_{cyclist} = No). Кластер 1 называется неуступающими, а Кластер 2 — уступающими.

Используя метод Mclust, была подогнана гауссова конечная модель смешивания с эллипсоидальной ориентацией (VVE), что привело к двум оптимальным кластерам. Логарифмическое правдоподобие модели составило −456,4157, с BIC −959,5596 и ICL −964,0836. Таблица кластеризации показывает, что Кластер 1 содержит 37 наблюдений, а Кластер 2 — 70 наблюдений. Диаграмма рассеяния, сгенерированная на основе результатов кластеризации Mclust, отображает два четких кластера на основе TTCP и OTT, как показано на Рис. 3. Кластер 1, неуступающие (красный на Рис. 3), в основном состоит из точек данных с более короткими значениями TTCP и OTT, что указывает на более быстрые взаимодействия между велосипедистами и пешеходами. Напротив, Кластер 2, уступающие (синий на Рис. 3), состоит из точек данных с более длинными значениями TTCP и OTT, что предполагает более продолжительные взаимодействия, когда велосипедисты с большей вероятностью уступают дорогу пешеходам. Таблицы 6 и 7 представляют сводную статистику для непрерывных и категориальных переменных соответственно в каждом кластере.

Метод ClustMD также использовался для кластеризации данных с применением модели EVI с двумя компонентами. Оценочный BIC для этой модели составляет 2940,229. Таблица кластеризации для ClustMD показывает, что Кластер 1 (неуступающие) содержит 37 наблюдений, а кластер 2 (уступающие) — 70 наблюдений. Аналогично результатам Mclust, диаграмма рассеяния из кластеризации ClustMD показывает два четких кластера на основе TTCP и OTT, как показано на Рис. 4. Кластер 1, неуступающие (красный на Рис. 4), включает точки данных с более короткими значениями TTCP и OTT, что указывает на более быстрые взаимодействия и меньшую вероятность уступки. Напротив, Кластер 2, уступающие (синий на Рис. 4), включает точки данных с более длинными значениями TTCP и OTT, что указывает на большее время, проведенное во взаимодействии, подразумевая более продолжительное взаимодействие, вероятно, из-за более частой уступки велосипедистами пешеходам.

Для углубления анализа данные были сначала кластеризованы с помощью алгоритма Mclust, используя только TTCP, что выявило две четкие группы. Внутри каждого кластера была подогнана отдельная модель множественной линейной регрессии для объяснения времени obstructed travel time (OTT) велосипедиста на основе TTCP и дополнительных предикторов, которые были значимы в предыдущей модели, обобщенной в уравнениях (11). Прогнозы из этих регрессионных моделей визуализированы на Рис. 5, иллюстрируя, как взаимосвязи между предикторами и OTT различаются между двумя кластерами. Цветные линии — это подогнанные значения, полученные из этих регрессионных моделей, специфичных для кластера. Каждая линия построена путем упорядочивания наблюдений в кластере по TTCP и соединения их предсказанных моделью значений OTT, поэтому она представляет собой тенденцию, предсказанную полной многомерной моделью, а не простое одномерное сглаживание.

Таблица кластеризации показывает, что кластер 1, неуступающие, состоит из точек данных с более коротким OTT, в то время как кластер 2, уступающие, включает точки данных с более длинными значениями OTT. Регрессионная модель для Кластера 1, неуступающих, показывает, что велосипедисты в этой группе обычно имеют более низкие значения OTT, что предполагает, что они менее склонны уступать или затруднены пешеходами в течение более короткого времени. Вариативность в регрессионной линии в пределах Кластера 1, неуступающих, указывает на то, что другие факторы, такие как V_{cyclistentering}, Dec_{cyclist} и Interaction_{Proximity}, также влияют на OTT в пределах этого кластера. С другой стороны, регрессионная модель для Кластера 2, уступающих, демонстрирует значимую положительную взаимосвязь между TTCP и OTT. Это предполагает, что даже при увеличении TTCP OTT также увеличивается. Это указывает на то, что велосипедисты в этом кластере с большей вероятностью ждут и уступают дорогу пешеходам, что приводит к увеличению значений OTT.

Обсуждение

Совместные результаты регрессии подчеркивают переменные, связанные со скоростью, как наиболее значимые предикторы поведения велосипедистов на зебре. Велосипедисты, которые заблаговременно снижали скорость, были более склонны уступать, тогда как более высокая скорость входа, дальняя близость взаимодействия велосипедиста и пешехода, а также любое боковое смещение снижали вероятность уступки и сокращали OTT. Эти выводы согласуются с предыдущими исследованиями, показывающими, что более низкие скорости дают участникам дорожного движения больше времени для реакции на пешеходов и, следовательно, приводят к более безопасным взаимодействиям, и что велосипедисты часто сворачивают, чтобы избежать уступки или столкновения с пешеходами.

Методы кластеризации предлагают способ выйти за рамки средних эффектов и выявить дискретные группы поведения в данных. Как Mclust, так и ClustMD независимо друг от друга пришли к одинаковым двум группам поведения, показывая, что неконтролируемое обучение может надежно извлекать четкие профили из данных траекторий. Неуступающие (Кластер 1) быстро пересекали переход, демонстрируя короткий OTT, высокую скорость входа и минимальное замедление, предполагая, что они менее склонны уступать пешеходам, возможно, пытаясь быстро проехать до того, как пешеходы полностью выйдут на переход. Уступающие (Кластер 2), с другой стороны, включали велосипедистов с более длительным OTT, большим снижением скорости и замедлением, что указывает на преднамеренную уступку и большее уважение к праву прохода пешеходов.

Хотя кластеризация дает полезные группы поведения, метки описывают наблюдаемые модели взаимодействия, а не фиксированные типы велосипедистов. Вероятности апостериорного назначения были в целом высокими, что указывало на хорошее разделение, но небольшая подгруппа наблюдений находится близко к границе принятия решений в пространстве TTCP-OTT. Эти пограничные случаи предполагают локально непрерывное поведение между неуступающими и уступающими и должны интерпретироваться с осторожностью.

Несмотря на то, что оба метода кластеризации выявили два четких кластера, точное назначение точек данных кластерам незначительно отличается между Mclust и ClustMD. Различия могут быть вызваны несколькими факторами. Mclust предполагает, что точки данных генерируются из гауссовой смеси моделей и подгоняет эллипсоидальные кластеры с равной ориентацией, захватывая определенные типы изменчивости в данных. ClustMD учитывает непрерывные и категориальные переменные, используя смесь гауссовых и дискретных распределений. Модель EVI допускает различный объем и равную форму, более эффективно подгоняя данные с различными базовыми распределениями. Mclust рассматривает все переменные как непрерывные и применяет гауссовы смеси непосредственно к данным, в то время как ClustMD различает непрерывные, порядковые и категориальные переменные, что приводит к различным структурам кластеризации, особенно если данные содержат смесь типов переменных. Стратегии инициализации и критерии сходимости различаются между двумя методами, причем Mclust использует алгоритм EM для гауссовых смесей, а ClustMD, возможно, использует иерархическую кластеризацию для инициализации и другой подход к сходимости, что приводит к различным локальным оптимумам. Различия в том, как два метода обрабатывают масштабирование и нормализацию переменных, также могут повлиять на результат кластеризации, причем ClustMD применяет различные стратегии масштабирования для непрерывных и категориальных данных.

Байесовский информационный критерий (BIC) показал, что два кластера лучше всего соответствуют данным, четко разделяя велосипедистов на группы уступающих и не уступающих. Однако на этот результат могут повлиять размер набора данных, конкретные характеристики изучаемой зебры или ненаблюдаемые факторы. Например, поведение пешеходов, такое как настойчивость или отвлечение на мобильные телефоны, а также условия окружающей среды, такие как блики, дождь на покрытии или фоновый шум от транспортных средств, могут подтолкнуть велосипедиста к одному из кластеров, не будучи зафиксированными в модели. Поскольку такие смешивающие факторы варьировались лишь незначительно в текущих записях, их влияние не может быть отделено от основных переменных, которые определяют классификацию. При более крупном наборе данных или данных, собранных в других местах, которые демонстрируют более широкий диапазон поведения пешеходов и велосипедистов и условий окружающей среды, могут появиться дополнительные классификации, такие как постоянные уступающие, ситуативные уступающие и не уступающие. Эта потенциальная дифференциация может обеспечить более детальное понимание поведения велосипедистов и помочь в разработке более целенаправленных мер.

Хотя уступка со стороны велосипедистов, вероятно, существует на континууме, информационный критериальный анализ этого набора данных поддерживает два доминирующих поведенческих режима: неуступающие, которые приближаются быстрее с минимальным замедлением, и уступающие, которые приближаются медленнее со значительным снижением скорости. Трехкластерные исследовательские решения в основном разделяли небольшую пограничную группу около границы между этими режимами, но не улучшали подгонку модели или интерпретируемость. При более крупных, многосайтовых выборках и более широком разнообразии условий могут появиться дополнительные стабильные подгруппы.

Выявляя два четких поведенческих паттерна, подход кластеризации подчеркивает необходимость целенаправленных мер, направленных на обеспечение соблюдения велосипедистами законов уступки на зебре. Присутствие значительной группы велосипедистов, которые не уступают, представляет риск для безопасности пешеходов. Меры, такие как улучшенная сигнализация, меры по снижению скорости (например, «дружелюбные» к велосипедам лежачие полицейские), улучшенный дизайн перекрестков, кампании по информированию общественности и более строгое соблюдение правил дорожного движения, могут быть эффективными для поощрения более безопасного поведения. Сосредоточив внимание на факторах, влияющих на уступку велосипедистами пешеходам, стратегии управления дорожным движением могут быть более эффективно разработаны для повышения безопасности пешеходов на нерегулируемых перекрестках.

Преобразование этих выводов в практику требует контекстно-зависимого выбора и пилотного внедрения мер, а не универсального подхода. Улучшенная сигнализация недорога и быстро развертывается, но часто менее эффективна без физического управления скоростью. Меры по снижению скорости для велосипедистов, такие как «дружелюбные» к велосипедам лежачие полицейские, могут снизить скорость приближения. Однако требуется тщательный дизайн, чтобы избежать дискомфорта или уклоняющегося маневра, а потребности в обслуживании могут их ограничивать. Улучшенный дизайн перекрестков, такой как суженные подходы, улучшенная видимость и поднятые элементы, как правило, более долговечен, но требует пространства, финансирования и координации с потребностями доступа. Кампании по информированию общественности являются масштабируемыми и заметными. Однако их влияние обычно угасает без периодического повторения. Более строгое соблюдение может повысить краткосрочное соблюдение, но требует устойчивых ресурсов и последовательного применения. В целом, выбор и комбинирование мер должны отражать местные условия площадки и эксплуатационные ограничения. Несмотря на трудности, эти меры могут принести существенную пользу, включая более низкие скорости приближения, более высокие показатели уступки, улучшенный комфорт пешеходов и более четкие ожидания приоритета, особенно при комбинировании и периодическом мониторинге.

Хотя представленный набор данных ограничен одним пешеходным переходом в Германии, методология применима к другим городским условиям и к различным типам взаимодействий участников дорожного движения. Видео с дронов или видео с камер, установленных на стационарных столбах, могут быть собраны на регулируемых или нерегулируемых перекрестках, общих пространствах и переходах в середине квартала. Из этих видео можно извлечь ключевые точки участников дорожного движения из данных траекторий, выявить локальные предикторы и кластеризовать поведение, как в данном исследовании. Поскольку рабочий процесс является модульным и основан на данных, города могут генерировать сопоставимые доказательства даже там, где данные о ДТП скудны, что позволяет применять целенаправленные, но методологически последовательные меры безопасности.

Заключение

Данное исследование установило основанную на дронах, независимую от данных о ДТП структуру и доказательство концепции для анализа взаимодействий между велосипедистами и пешеходами на нерегулируемом пешеходном переходе. Используя видеозаписи высокого разрешения, снятые с высоты более 60 метров над проезжей частью, метод устраняет проблемы окклюзии, эффекта наблюдателя и конфиденциальности, которые мешают использованию видеоданных с камер, сохраняя при этом естественное поведение и высокую точность позиционирования. Этот подход особенно ценен для мест, где данные о ДТП скудны, недостаточно сообщаются или трудно получить, таких как нерегулируемые перекрестки. Суррогатные меры безопасности, регрессионные модели и кластеры, основанные на поведении, представленные здесь, предлагают альтернативный метод оценки безопасности на перекрестках, позволяющий принимать упреждающие меры безопасности в районах, где данные о ДТП недоступны. Хотя смертельные случаи пешеходов с участием велосипедистов редки, дискомфорт и колебания, которые испытывают многие пешеходы, когда велосипедисты не уступают дорогу, подчеркивают необходимость таких дальновидных подходов.

Только 59% велосипедистов уступили дорогу пешеходам на зебре, 29% из них сделали это до того, как пешеходы начали переход, в то время как 41% велосипедистов вообще не уступили, что подчеркивает значительный уровень несоблюдения правил. Из тех, кто не уступил, 45% имели близкие взаимодействия с пешеходами, а 75% не уступили, когда пешеходы уже находились на зебре. Регрессионный анализ показал, что переменные, связанные со скоростью, являются основными предикторами взаимодействий между велосипедистами и пешеходами. Логистическая регрессия показала, что велосипедисты, движущиеся с более высокой скоростью или менявшие траекторию, были менее склонны уступать, тогда как снижение скорости и присутствие пешеходов на переходе увеличивали вероятность уступки. Линейная регрессия далее показала эту закономерность: более быстрые велосипедисты и резкое замедление были связаны с более коротким OTT, что указывает на меньшую уступку, в то время как снижение скорости положительно коррелировало с более длительным OTT, предполагая, что поощрение велосипедистов к снижению скорости может способствовать уступке. Кластерный анализ с использованием Mclust и ClustMD выявил две оптимальные и четкие группы поведения велосипедистов. Неуступающие (Кластер 1) демонстрировали более короткий OTT, отражающий более низкий уровень уступки, в то время как уступающие (Кластер 2) имели более длительный OTT, указывающий на более высокую вероятность уступки. Эта структура помещает TTCP и OTT в более широкое семейство суррогатных мер безопасности, подчеркивая, как SSM позволяют проводить проактивную оценку безопасности при ограниченности данных о ДТП. Следовательно, выводы должны интерпретироваться как упреждающие скрининговые доказательства для руководства выбором дизайна и операционных решений, а не как прямые оценки риска столкновений.

Эта дифференциация предполагает, что требуются целенаправленные меры для обеспечения соблюдения законов уступки, особенно для неуступающих (Кластер 1), которые менее склонны уступать. Сосредоточившись на выявленных значимых предикторах, стратегии управления дорожным движением могут быть более эффективно разработаны для защиты пешеходов и повышения безопасности на нерегулируемых перекрестках. Меры, поощряющие велосипедистов замедляться – такие как разметка «Уступай пешеходам» или плавные замедляющие подушки – и обеспечение видимости пешеходов могут повысить безопасность на зебре. Более четкий дизайн переходов также может помочь велосипедистам предвидеть присутствие пешеходов и реагировать соответствующим образом. Обучение велосипедистов важности уступки и потенциальным последствиям несоблюдения также может быть полезным, особенно для неуступающих (Кластер 1).

Хотя данное исследование предоставляет ценные сведения о взаимодействиях между велосипедистами и пешеходами на нерегулируемом перекрестке, следует признать несколько ограничений. Во-первых, сосредоточенность на одном немецком перекрестке, обусловленная доступностью высококачественных данных, ограничивает переносимость результатов на другие перекрестки с различными экологическими или проектными характеристиками. В частности, изучаемый участок представляет собой нерегулируемый пешеходный переход на двусторонней улице с одной полосой в каждом направлении. Дизайн и эксплуатационные характеристики перекрестка, такие как геометрия подъезда и видимость, длина и стиль разметки зебры, а также объемы пешеходов и велосипедистов, могут влиять на поведение велосипедистов при уступке и воспринимаемый риск. Более того, местный культурный контекст и нормы соблюдения могут влиять на ожидания уступки. Хотя велосипедисты могут воспринимать несоблюдение правил как низкий риск при наличии приемлемых интервалов, пешеходы все же могут испытывать дискомфорт, колебания или снижение воспринимаемой безопасности. Результаты следует интерпретировать с осторожностью при применении к условиям, отличным от тех, в которых они наблюдались. Во-вторых, хотя априорная проверка мощности показала, что 107 взаимодействий достаточно для выявления средних размеров эффекта в регрессионных моделях, это все еще скромная выборка. Таким образом, больший размер выборки необходим для проверки стабильности регрессионных моделей и границ кластеров. В-третьих, в наборе данных отсутствуют демографические данные, такие как возраст, пол и социально-экономический статус. Поскольку различные группы пользователей демонстрируют систематические различия, отсутствие этих переменных может исказить оценки эффектов и далее ограничить обобщаемость. В-четвертых, отсутствовали ключевые контекстуальные факторы, такие как положение солнца/блики, состояние поверхности, фоновый шум и индикаторы отвлечения (например, использование телефона). Эти неизмеренные переменные могут смешивать наблюдаемые ассоциации и влиять на назначение кластеров. Из-за ограничений конфиденциальности, присущих видео с видом сверху, прямое измерение этих атрибутов ограничено, что ограничивает интерпретируемость. В-пятых, хотя траектории, предоставленные исходным набором данных, были улучшены байесовским сглаживанием и заявлена пиксельная точность позиционирования, остаточный шум и интерполяция скрытых кадров все еще могут сдвигать ключевые временные метки (P_1, P_2 и P_3) на несколько десятых секунды, внося случайную ошибку в OTT и TTCP. Наконец, данное исследование опирается на суррогатные меры безопасности, выведенные из траекторий (TTCP и OTT). Хотя SSM позволяют проводить упреждающую оценку в районах с ограниченными данными о ДТП, они являются прокси, а не прямыми мерами риска столкновений. Их значения зависят от определений зон, оценки временных меток и контекста площадки. Соответственно, результаты следует интерпретировать как индикаторы динамики взаимодействия и соблюдения, а не как калиброванные прогнозы столкновений. Будущая работа должна изучить переносимость между площадками и, где это возможно, проверить результаты на основе независимых журналов конфликтов или многосайтовых наборов данных.

Будущие исследования должны расширить сферу применения, включив данные из нескольких перекрестков с различной шириной и уровнями потока, большими размерами выборок и демографической информацией для обеспечения более широкого понимания взаимодействий между велосипедистами и пешеходами. Для повышения обобщаемости будущие исследования должны явно выбирать перекрестки с различными конфигурациями полос движения, включая многополосные подходы, а также различные типы объектов и культурные контексты. Кроме того, они должны сочетать исходы, основанные на траекториях, с мерами комфорта и воспринимаемой безопасности, сообщаемыми пешеходами. Для устранения пробелов в измерениях в условиях ограничений конфиденциальности будущая работа должна исследовать альтернативные видеомодальности и точки обзора. Например, инфракрасное или тепловое изображение, а также косые или многокамерные углы могут быть использованы для обнаружения использования вспомогательных средств для передвижения и состава группы без идентификации лиц. Кроме того, будущая работа должна использовать время суток, положение солнца и данные о местной погоде в качестве прокси для бликов и состояния поверхности. Кроме того, объединение траекторий с открытыми наборами экологических данных (например, землепользование, тип объекта) предоставит лучший контекст для поведения. Дополнительно следует изучить влияние транспортных средств и различных конструкций инфраструктуры, таких как велосипедные дорожки, перекрестки в середине квартала и пешеходные островки, для оценки их эффективности в повышении безопасности на нерегулируемых перекрестках. Изучение поведения велосипедистов при поворотах направо и налево, а также роли передовых технологий, таких как интеллектуальные светофоры и системы предупреждения в реальном времени, может предложить новые способы управления поведением велосипедистов и повышения безопасности. Кроме того, важно учитывать динамику велосипедистов, следующих за лидирующими, а не только лидирующих, чтобы полностью охватить взаимодействия между велосипедистами и пешеходами на зебре.