本研究基于20个上海市信号交叉口的真实车辆轨迹数据，构建了反向传播神经网络（BPNN）模型，并通过神经网络解释图、影响因素的相对重要性和灵敏度分析探讨了几何、交通状况、信号控制和管理四个维度共12种因素对直行、左转车辆路径分散的影响。研究发现，出口车道数、车道偏移度和自身车道饱和度对直行路径分散影响最大，而左转路径分散则主要受出口车道数、左转角度和导流线设置的影响。同时，交通管理措施（如隔离带和导流线）能有效减少路径分散。该研究为交叉口设计和管理提供了理论依据，有助于优化交叉口内部秩序、提高通行效率。
中文标题：揭秘交叉口车辆二维轨迹离散现象
英文原题：Modeling and analysis of vehicle path dispersion at signalized intersections using explainable backpropagation neural networks
通讯作者、第一作者：赵 靖，上海理工大学
关键词：轨迹离散；驾驶行为；交叉口；神经网络
研究背景
大家有没有注意过，在红绿灯路口，明明大家都在直行或左转，但每辆车的行驶轨迹却各不相同？例如对于左转车辆，有的车喜欢转小弯，有的车喜欢转大弯，甚至有些车会走出蛇形走位。这种现象在交通工程中被称为路径分散（Path Dispersion）（图1）。这种现象看似微小，却直接影响路口的通行效率和事故风险。
为什么会出现这种情况？传统观点认为，这和司机的驾驶习惯、路况复杂程度有关。但具体是哪些因素在主导？如何量化这种影响？这正是赵靖教授团队试图解答的问题。他们收集了上海20个繁忙交叉口的车辆轨迹数据，用人工智能模型进行分析，最终找到了影响车辆行驶路径的关键因素，并提出了优化建议。
图1：交叉口内的轨迹离散现象
研究成果
1.数据采集：大规模真实轨迹数据
赵靖研究团队使用无人机拍摄了早高峰时段的交叉口车流，并通过视频识别软件提取了4394辆车的精确行驶轨迹。这些数据涵盖了不同车道数、信号灯设置和交通管理措施的路口，确保分析结果具有广泛适用性。
2.建模分析：神经网络找出离散的关键因素
为了量化分析路径分散的影响因素，团队构建了一个神经网络模型（BPNN），输入数据为12种几何、交通、信号和管理因素（图2），输出为交叉口的路径分散度（图3）。模型训练后，通过神经网络解释图、影响因素的相对重要性和灵敏度分析找出影响交叉口秩序的关键因素。（图4、图5、图6）
图2：影响因素
图3：轨迹离散量化
图4：神经网络解释图（NID）
图5：直行轨迹离散影响因素的相对重要度
图6：直行路径分散度的灵敏度分析
3.关键发现：
直行车辆的秩序主要受出口车道、车道偏移越大、自身车道拥堵程度的影响。具体趋势为：出口车道数越多，路径越分散车道偏移越大，轨迹越乱；自身车道越堵，路径越不稳定。
左转车辆的秩序主要受左转弯半径、对向直行车流量、导流线设置的影响。具体趋势为：左转弯半径越小，路径变化越大；对向直行车流量越大，左转车越容易绕路，秩序越差；有导流线时，路径更规范。
交通管理措施能够有效提高交叉口内的交通秩序。具体为：导流线能够降低20%路径分散程度；中央隔离带对左转车辆的约束更强；非机动车隔离带能够显著稳定直行车辆轨迹。
未来方向
本研究系统揭示了交叉口车辆路径分散的关键影响因素，为后续研究提供了重要基础。未来工作可重点开展以下方向的深入探索：
多模态环境因素整合：将气象条件（降水、能见度等）、光照强度等动态环境变量纳入分析框架，建立更完备的路径分散预测模型；
智能管控系统开发：结合车路协同技术，研发基于实时轨迹预测的动态车道管理算法，实现交叉口通行能力的自适应优化。
主要作者简介
赵 靖 上海理工大学教授，主持国家自然科学基金青年科学基金项目(B类项目)等国家级项目6项，入选中国智能交通协会优秀科技创新领军人才、上海市曙光计划等人才计划。主要从事交通系统设计、交通控制与管理方向研究。以第一或通讯作者发表论文140余篇。获中国智能交通协会、中国交通运输协会和教育部科技进步奖。
引用本文
Jing Zhao, Ruoming Ma, Jian Sun, et al.,Modeling and analysis of vehicle path dispersion at signalized intersections using explainable backpropagation neural networks. Fundamental Research. 5(4) (2025) 1645-1658.
原文链接（复制到浏览器中查看）：https://www.sciencedirect.com/science/article/pii/S266732582300273X
