论文推荐 | 利用新兴移动感知数据评估自行车安全风险

（4）街道级别安全性测量方法。研究将计算机视觉方法识别的单点风险因素汇总到街道层面，为不同类型的自行车道分配了0到3的风险值，数值越高表示风险越大。夜间照明不足的评估基于平均照度，道路宽度风险值则根据城市规划标准确定。其他因素如公交车站、路边停车、障碍物、入口、路况不佳等，都采用密度计算方法进行评估。

1. 自行车道移动感知数据集

该数据集包含日间和夜间的GPS路线数据，分别覆盖59.5公里，包括8,251张日间图像和5,770张夜间图像。与商业街景数据相比，这个数据集的特点包括：以自行车为中心的视角，全天候覆盖，大样本量，高分辨率图像（1920×1080像素），以及全面的自行车相关标签（包括40,164个标记对象）。这些特性使得该数据集成为研究自行车安全风险因素的宝贵资源，为城市规划和交通管理提供了独特的视角和详细信息。

2. 模型准确性

研究评估了用于测量自行车道风险因素的三个计算机视觉模型的准确性。第一个是基于YOLOv7的物体检测模型，平均精度（mAP）达到0.82，其中路边停车检测效果最好（0.92），移动障碍物检测效果最低（0.73）。第二个是车道检测和相机校正模型，使用SegNet进行道路分割，准确率达96.4%，校正后的道路宽度测量误差（RMSE）为0.51米。第三个是基于HDR图像的亮度计算模型，亮度测量误差小于0.02 cd/m²。总体而言，这些模型在风险因素测量方面表现出高度的准确性，为后续的自行车道安全分析提供了可靠的数据基础。

3. 自行车道安全性可视化

研究总结了一项关于124条自行车道安全性的研究结果。研究分析了十个风险因素，包括照明、道路宽度、路边停车、路况等。结果显示，平均照度低于标准，但平均宽度基本符合要求。路边停车、路况不佳和道路占用是最常见的问题。研究区域包含所有类型的自行车道，其中划线自行车道最长。最严重的风险因素是路边停车、路况不佳和照明不足，分别影响了约65%、64%和88%的自行车道。商业区和地铁入口附近的自行车道障碍物较多。研究还显示了自行车流量和交通噪音的分布。值得注意的是，只有11个街道段符合夜间照明标准，这对夜间自行车安全不利。这些发现为改善自行车道安全提供了重要依据。

图2. 自行车道风险因素的空间分布

4. 与其他数据源的比较

研究还比较了自行车道安全研究中使用自主收集的街景数据与商业街景图像数据的优势。自主收集的数据能更好地反映自行车道状况，包括最新的道路变化和夜间照明情况。相比之下，商业街景图像通常从机动车道拍摄，无法充分反映自行车道状况，且数据可能过时。研究发现，基于商业SVI的机器学习方法低估了多数风险因素。此外，传统的夜间照明评估方法（如夜间遥感图像）难以准确反映自行车道的实际照明情况，特别是树木遮蔽的影响。这项研究强调了自主收集数据的重要性，未来可能通过众包平台收集街道级图像的想法，以全面评估自行车基础设施的安全性。

图3.  百度街景图像与以自行车为中心的街景图像（本研究的）的比较

5. 对规划政策的启示

研究讨论了中国城市慢行交通基础设施的安全问题和政策建议。随着电动自行车的快速普及，交通事故增加，突显了基础设施面临的挑战。现有的自行车道设计主要针对传统自行车，忽视了电动自行车的特殊需求，导致安全风险。研究发现，影响骑行安全的主要因素包括车道类型、路况、路边停车和夜间照明不足。为提高安全性，建议增加非隔离设施、改善路面平整度、加强对违规停车的管理，以及改善夜间照明。这些措施旨在优化自行车道设计，提高骑行安全，促进从机动车交通向主动交通的转变。总的来说，这项研究强调了将电动自行车的特性纳入自行车基础设施规划和设计的重要性，为政策制定提供了依据。

 2024