【作者】
李彦
a,b†
, 张雨洋
c,†
, 龙瀛
d,*
, Kavi Bhalla
e
, Majid Ezzati
f
d 清华大学建筑学院和恒隆房地产研究中心，教育部生态规划与绿色建筑重点实验室
【通讯作者邮箱】
[email protected]
【原文信息】
Yan Li, Yuyang Zhang, Ying Long, Kavi Bhalla, and Majid Ezzati. "Assessing bicycle safety risks using emerging mobile sensing data." Travel Behaviour and Society 38 (2025): 100906.
全球电动自行车拥有量的激增给自行车基础设施带来了巨大压力。本文旨在电动自行车与传统自行车共享车道的背景下，重新考虑自行车基础设施安全相关的风险因素。鉴于许多国家缺乏精确的自行车基础设施空间数据，本研究引入了一种基于自行车的移动感知方法，以经济、高效和大规模的方式获取白天和夜间的自行车道数据集。我们建立了基于计算机视觉的自行车风险因素评估模型，并对自行车安全风险因素的分布进行了可视化分析。研究覆盖了北京具有代表性的59.5公里自行车道。结果证实了电动自行车激增的显著影响：电动自行车使用者占骑行者的72.1%，其中仅32.3%佩戴头盔，8.4%存在逆行骑行行为。白天，排名最高的风险因素包括自行车道类型（约一半缺乏专用车道或为共享车道）、路边停车和路况不佳。夜间，街道照明不足是最显著的问题。本研究方法易于复制，可推广到新的多用户共存骑行环境或缺乏自行车空间数据的国家，为制定自行车安全政策和改进道路设计提供重要见解。
（1）
自行车安全指标体系
。
研究制定了一套评估中国城市自行车安全的指标体系。研究方法包括系统性文献回顾、专家讨论、分析中国社交媒体平台微博上的相关讨论以及北京法院判决记录。通过这些步骤，研究确定了17个与自行车基础设施安全相关的因素，这些因素能够代表中国城市自行车安全的指标。
研究还评估了这些因素在图像中的视觉表现和可识别性。
表1.
自行车安全风险因素
（2）
日间、夜间移动感知数据采集
。
该研究旨在全面记录指定区域内的自行车道。
团队使用ArcPy和ArcMap规划了59.5公里的路线，并利用装有GoPro相机的电动自行车进行数据采集。
采集过程中使用"Footpath"应用导航并记录GPS轨迹，保持25公里/小时的速度。
数据处理阶段，每秒提取一帧图像并与GPS坐标对应，同时应用相似度检测去除冗余图像。
整个处理过程使用Python、OpenCV、Pandas和NumPy完成。
夜间数据采集旨在记录自行车道路面亮度特征，采用与日间相同的路线。使用索尼DSLR A7R IIIA相机，以1秒间隔拍摄RAW格式照片，相机安装在电动自行车把手上，朝向路面呈20°角。通过亮度计在五个采样点测量亮度进行校准，数据处理阶段将坐标与照片关联并去重，为空间分析提供准确的夜间照明数据。
图1.收集自行车道数据的移动感知平台
（
3
）
日间、夜间风险因素识别方法
。
该
研究利用深度学习技术，主要是基于YOLOv7架构的卷积神经网络，对日间采集的图像进行分析，识别出不同类型的自行车道及相关风险因素。研究还使用SegNet模型进行道路分割，并通过相机校准技术计算自行车道宽度。此外，研究还涉及了道路条件识别、坡度估计、交通噪声预测和自行车流量量化。这些分析综合运用了图像处理、机器学习、GIS分析和计算机视觉技术，旨在全面评估自行车道的安全性和使用条件，为后续的城市规划和交通管理提供数据支持。
夜间自行车道风险因素识别的过程，主要聚焦于照明水平的评估。研究使用高动态范围（HDR）摄影技术来测量亮度，通过Python的OpenCV工具包将原始照片转换为HDR格式，并注意保持一致的色彩空间过渡。使用固定的光圈和快门速度，生成的HDR图像以.hdr格式存储，覆盖人眼可感知的亮度范围。随后，通过HDRSCOPE软件进行校准，生成亮度图，并使用Python的NumPy工具包计算平均亮度值，从而全面评估夜间照明条件，为识别潜在风险因素提供基础。
（
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。
研究探讨了电动自行车对自行车基础设施的影响。研究发现，电动自行车用户占自行车道使用者的72.1%，其中62.3%是快递员。大多数电动自行车用户超速行驶，平均速度达42 km/h，远超25 km/h的法定限速。调查显示，93%的传统自行车骑行者对电动自行车构成的潜在风险表示担忧。研究还发现了不当停车、不戴头盔（仅32.3%佩戴率）和逆行（8.4%）等问题。相关性分析显示，高自行车流量区域与不戴头盔行为高度相关，电动自行车骑行者更容易出现不安全行为。这些发现突显了电动自行车带来的安全挑战，为制定相关政策和改善自行车基础设施提供了重要依据。
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
点A：商业街景无法提供关于隔离自行车道状况的洞察。
点B：城市内的自行车基础设施变化迅速，而商业街景在更新以反映最新状况方面常常滞后。点C：即使在没有任何障碍物的情况下，商业街景也缺乏描绘自行车道具体状况的能力。它们不足以评估与道路裂缝和车道宽度相关的风险因素。
图4. 夜间遥感图像与夜间以自行车为中心的移动感知图像比较
图像来源：吉林一号卫星图像（左）和移动感知图像（右）
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。
