本发明涉及交通技术领域，尤其涉及一种基于不同路段行人过街设施间距的确定方法及系统。
背景技术
行人过街设施尤指辅助行人过街的必要物理设施，如过街天桥，人行横道，地下通道等，在低等级公路镇村行人过街设施为人行斑马线。行人过街设施的间距即为相邻人行斑马线之间的距离。
近年来，越来越重视慢行交通配套设施的设计与施工，而在低等级公路(三级以下公路)镇村路段，往往人、车混杂，行人过街设施的间距过大会降低行人过街的便利性、容易导致行人违章过街；行人过街设施的间距过小则会干扰车辆的正常运行。科学、合理的确定低等级公路镇村段行人过街设施的间距是保证道路运行效率和行人生命安全的重要保障。
目前，行人过街设施的间距通常由交通局设定，且不同路段设置的行人过街设施的间距均相同，没有考虑到不同路段行人、车辆的数量不同。因此，目前设置的行人过街设施间距不符合根据实际路段合理设置行人过街设施的要求。另外，现有技术中对于行人过街设施的间距也没有进行系统的分析。
技术实现要素：
发明目的：本发明针对现有技术存在的问题，考虑不同路段不同行人不同环境，提供一种基于不同路段行人过街设施间距的确定方法及系统。
技术方案：本发明所述的基于不同路段行人过街设施间距的确定方法，其特征在于该方法包括：
(1)获取待测路段有过街需求的行人年龄以及行人学历；
(2)根据行人过街延误范围，确定行人可接受等待时间；
(3)根据所述行人年龄、所述行人学历、所述行人可接受等待时间以及初设的极限绕行距离，采用二元logistic回归模型，计算在所述待测路段行人选择过街设施过街相对于直接过街的概率；
(4)判断所述概率是否大于设定阈值，得到第一判断结果；
(5)若所述第一判断结果为是，则根据行人过街设施间距与所述极限绕行距离的对应关系，确定所述待测路段的行人过街设施间距；
(6)若所述第一判断结果为否，则更新所述极限绕行距离，并计算所述行人选择过街设施过街相对于直接过街的概率，并返回执行步骤(4)，直至所述概率大于所述设定阈值。
进一步的，步骤(1)具体包括：
(1.1)确定行人年龄分类区间表和行人学历分类区间表；所述行人年龄分类区间表包括5个类别，分别是：<21、21-30、31-45、46-60、>60；所述行人学历分类区间表包括4个类别，分别是：小学及以下、初中、高中、大学及以上；
(1.2)调查获取所述待测路段有过街需求的行人年龄、行人学历，得到调查结果；
(1.3)根据所述调查结果、所述行人年龄分类区间表以及所述行人学历分类区间表，确定行人年龄众数和行人学历众数，并将所述行人年龄众数确定为行人年龄，将所述行人年龄众数所在类别确定为行人年龄变量值，将所述行人学历众数确定为行人学历，将所述行人学历众数所在类别确定为行人学历变量值。
进一步的，步骤(2)具体包括：
根据期望的行人过街服务水平，对照待测路段对应的行人过街设施服务水平划分表，确定行人过街延误范围，并将所述行人延误范围的上限值确定为行人可接受等待时间。
进一步的，步骤(3)具体包括：
(3.1)以所述行人年龄、所述行人学历、所述行人可接受等待时间以及初设的极限绕行距离为自变量，将直接过街和利用过街设施作为行人过街方式的选择肢，建立二元logistic回归模型；所述二元logistic回归模型为：
其中，x1为行人年龄变量值；x2为行人学历变量值；x3为行人可接受等待时间；x4为极限绕行距离变量值；a为常量，b，c，d，e为对应变量回归系数；不同的极限绕行距离对应的不同的极限绕行距离变量值；
(3.2)对所述二元logistic回归模型进行迭代标定，确定a，b，c，d，e的值，更新二元logistic回归模型；
(3.3)将所述行人年龄变量值、所述行人学历变量值、所述行人可接受等待时间、所述极限绕行距离变量值输入到更新后的二元logistic回归模型中，计算行人选择过街设施过街相对于直接过街的概率。
进一步的，步骤(6)中所述更新所述极限绕行距离，具体包括：
(6.1)确定极限绕行距离集合；所述极限绕行距离集合中各个元素按照所述极限绕行距离的大小从小到大排列；
(6.2)按照所述极限绕行距离集合中各个元素的排列顺序更新极限绕行距离。
进一步的，所述行人过街设施间距与所述极限绕行距离的对应关系具体为：所述行人过街设施间距为所述极限绕行距离的2倍。
本发明所述的基于不同路段行人过街设施间距的确定系统包括：
行人年龄学历获取模块，用于获取待测路段有过街需求的行人年龄以及行人学历；
行人可接受等待时间确定模块，用于根据行人过街延误范围，确定行人可接受等待时间；
概率计算模块，用于根据所述行人年龄、所述行人学历、所述行人可接受等待时间以及初设的极限绕行距离，采用二元logistic回归模型，计算在所述待测路段行人选择过街设施过街相对于直接过街的概率；
第一判断结果得到模块，用于判断所述概率是否大于设定阈值，得到第一判断结果；
行人过街设施间距确定模块，用于当所述第一判断结果表示所述概率大于所述设定阈值时，根据行人过街设施间距与所述极限绕行距离的对应关系，确定所述待测路段的行人过街设施间距；
概率重新计算模块，用于当所述第一判断结果表示所述概率小于或者等于所述设定阈值时，更新所述极限绕行距离，并计算所述行人选择过街设施过街相对于直接过街的概率，并跳转第一判断结果得到模块，直至所述概率大于所述设定阈值。
进一步的，所述行人年龄学历获取模块具体包括：
分类区间表确定单元，用于确定行人年龄分类区间表和行人学历分类区间表；所述行人年龄分类区间表包括5个类别，分别是：<21、21-30、31-45、46-60、>60；所述行人学历分类区间表包括4个类别，分别是：小学及以下、初中、高中、大学及以上；
调查结果得到单元，用于调查获取所述待测路段有过街需求的行人年龄、行人学历，得到调查结果；
行人年龄学历确定单元，用于根据所述调查结果、所述行人年龄分类区间表以及所述行人学历分类区间表，确定行人年龄众数和行人学历众数，并将所述行人年龄众数确定为行人年龄，将所述行人年龄众数所在类别确定为行人年龄变量值，将所述行人学历众数确定为行人学历，将所述行人学历众数所在类别确定为行人学历变量值。
进一步的，所述行人可接受等待时间确定模块，具体用于：
根据期望的行人过街服务水平，对照所述待测路段对应的行人过街设施服务水平划分表，确定行人过街延误范围，并将所述行人延误范围的上限值确定为行人可接受等待时间。
进一步的，所述概率计算模块，具体包括：
二元logistic回归模型建立单元，用于以所述行人年龄、所述行人学历、所述行人可接受等待时间以及所述极限绕行距离为自变量，将直接过街和利用过街设施作为行人过街方式的选择肢，建立二元logistic回归模型；所述二元logistic回归模型为：
其中，x1为行人年龄变量值；x2为行人学历变量值；x3为行人可接受等待时间；x4为极限绕行距离变量值；a为常量，b，c，d，e为对应变量回归系数；不同的极限绕行距离对应的不同的极限绕行距离变量值；
二元logistic回归模型更新单元，用于对所述二元logistic回归模型进行迭代标定，确定a，b，c，d，e的值，更新二元logistic回归模型；
概率计算单元，用于将所述行人年龄变量值、所述行人学历变量值、所述行人可接受等待时间、所述极限绕行距离变量值输入到更新后的二元logistic回归模型中，计算行人选择过街设施过街相对于直接过街的概率。
其中，所述行人过街设施间距与所述极限绕行距离的对应关系具体为：所述行人过街设施间距为所述极限绕行距离的2倍。
有益效果：本发明与现有技术相比，其显著优点是：本发明以不同路段的不同的行人年龄、行人学历、行人可接受等待时间为依据，确定过街设施间距，符合根据实际路段合理设置行人过街设施的要求，不仅提高了过街设施间距的准确度，还提高了不同路段行人过街设施设置的有效性，避免了过街设施间距过大而降低行人过街的便利性，或因过街设施间距过小而干扰车辆正常通行等情况的发生。
附图说明
图1为本发明实施例基于不同路段行人过街设施间距确定方法的流程示意图；
图2为本发明二元logistic回归模型建立过程示意图；
图3为本发明过街延误值上限示意图；
图4为本发明行人过街设施临界间距示意图；
图5为本发明实施例基于不同路段行人过街设施间距确定系统的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
图1为本发明实施例基于不同路段行人过街设施间距确定方法的流程示意图，如图1所示，具体包括以下步骤：
步骤101：获取待测路段有过街需求的行人年龄以及行人学历。具体包括：
确定行人年龄分类区间表和行人学历分类区间表；所述行人年龄分类区间表包括5个类别，分别是：<21、21-30、31-45、46-60、>60；所述行人学历分类区间表包括4个类别，分别是：小学及以下、初中、高中、大学及以上。
调查获取所述待测路段有过街需求的行人年龄、行人学历，得到调查结果。
根据所述调查结果、所述行人年龄分类区间表以及所述行人学历分类区间表，确定行人年龄众数和行人学历众数，并将所述行人年龄众数确定为行人年龄，将所述行人年龄众数所在类别确定为行人年龄变量值，将所述行人学历众数确定为行人学历，将所述行人学历众数所在类别确定为行人学历变量值。
步骤102：根据行人过街延误范围，确定行人可接受等待时间。
具体包括：根据期望的行人过街服务水平，对照所述待测路段对应的行人过街设施服务水平划分表，确定行人过街延误范围，并将所述行人延误范围的上限值确定为行人可接受等待时间。步骤103：根据所述行人年龄、所述行人学历、所述行人可接受等待时间以及初设的极限绕行距离，采用二元logistic回归模型，计算在所述待测路段行人选择过街设施过街相对于直接过街的概率。
其中，非集计模型是描述个体选择行为的模型，可广泛应用于具有选择行为的社会各个方面。其中logit模型是非集计概率模型的典型代表，它通过对logistic回归模型做自然对数转换得到。通常人们将“logistic回归”、“logistic模型”及“logit模型”的称谓相互通用。当因变量为离散变量时，可以选取logistic回归来预测因变量与相应解释变量的关系。logistic回归属于广义线性回归的一种，可以用来预测在自变量值发生变化时，个体对某种行为选择的可能性有多大，其模型在理论上对出行者的交通行为说服力强，且结构简单，操作方便，适用性强，因此应用也最广泛。
logistic回归模型的基本假设为：(1)出行者是交通行为意志决定的最基本单位；(2)在特定的选择条件下，出行者会选择其所认为的效用最大的方案。
假设在理论上存在的连续反应变量
当
式中：εi为服从logistic分布的误差项；α为回归截距，一般为常数；β是自变量xi的回归系数。由公式(1)可以得到行人选择第i种过街方式的条件概率为：
p(yi＝1|x＝xi)＝p(α+βxi+εi＞0)＝p(εi＞-α-βxi)(2)
由于logistic分布是对称的，因此可以将公式(2)改写为：
p(yi＝1|x＝xi)＝p(εi≤α+βxi)＝f(α+βxi)(3)
其中f为εi的累积分布函数，公式(1)中对于εi的假设分布决定了分布函数形式，当假设εi为logistic分布时，就可以得到logistic回归模型。对于标准logistic分布而言，其平均值为0，方差为π2/3，此时可以使得累积分布函数p(yi＝1|x＝xi)成为一个较简单的公式：
上式表示的函数即为logistic函数，无论εi取任何值，logistic函数的取值范围均在0至1之间。将公式(4)改写为：
上式实际上即为εi取值是α+βxi时的累积分布函数，也就是εi作为一系列影响事件发生概率之因素的线性函数。上述为较简单的一元回归为例，当目标为多元回归时，可以设pi＝p(yi＝1|x＝xi)，则能得到如下式所示的logistic回归模型：
式中，pi为行人选择第i种过街形式的概率，它是一个非线性的解释变量xi的函数，可以转化为一个线性函数。可以定义某种过街形式i不被选择的条件概率为1-pi，则过街形式被选择与不被选择的概率之比为：
将公式(7)取自然对数就能够得到一个线性函数：
公式(8)将logistic函数进行了自然对数转换，可称作y的logit，即为logit(y)。经转换后得到的logit(y)有许多可利用的线性回归模型的性质。
当有k个自变量，公式(6)可以扩展为：
与之相对应的logit回归模型为：
因此，当拥有了各个案例的观测自变量x1至xk值构成的样本，并同时拥有是否选择某种过街形式i的观测值，就能够用这些信息来分析和描述在特定条件下行人选择某种过街形式的行为及选择的概率。
结合待测路段的行人过街特点的分析，本发明选取非集计模型中的logistic模型为基础进行建模，分析该待测路段行人对过街设施的选择情况，其建模过程如图2所示。
a、以所述行人年龄、所述行人学历、所述行人可接受等待时间以及初设的极限绕行距离为自变量，将直接过街和利用过街设施作为行人过街方式的选择肢，建立二元logistic回归模型；所述二元logistic回归模型为：
其中，x1为行人年龄变量值；x2为行人学历变量值；x3为行人可接受等待时间；x4为极限绕行距离变量值；a为常量，b，c，d，e为对应变量回归系数；不同的极限绕行距离对应的不同的极限绕行距离变量值；
b、对所述二元logistic回归模型进行迭代标定，确定a，b，c，d，e的值，更新二元logistic回归模型；
c、将所述行人年龄变量值、所述行人学历变量值、所述行人可接受等待时间、所述极限绕行距离变量值输入到更新后的二元logistic回归模型中，计算行人选择过街设施过街相对于直接过街的概率。
步骤104：判断所述概率是否大于设定阈值，得到第一判断结果；若所述第一判断结果表示所述概率大于所述设定阈值，则执行步骤105；若所述第一判断结果表示所述概率小于或者等于所述设定阈值，则执行步骤106。
步骤105：根据行人过街设施间距与所述极限绕行距离的对应关系，确定所述待测路段的行人过街设施间距。
其中，所述行人过街设施间距与所述极限绕行距离的对应关系为所述行人过街设施间距为所述极限绕行距离的2倍。
步骤106：更新所述极限绕行距离，返回步骤103，直至所述概率大于所述设定阈值。
具体包括：确定极限绕行距离集合；所述极限绕行距离集合中各个元素按照所述极限绕行距离的大小从小到大排列，按照所述极限绕行距离集合中各个元素的排列顺序更新极限绕行距离。
实施例二
本实施例提供了另外一种低等级公路镇村段行人过街设施的间距确定方法，包括：
步骤一：调查获取特定路段有过街需求的行人年龄、行人学历数据，根据调查结果中年龄与学历的分类方式，选取行人年龄、行人学历众数所在类别的变量值作为x1和x2值。年龄、行人学历具体如表1所示，调查过街行人年龄分类具体分为5个区间，分别是：<21、21-30、31-45、46-60、>60。调查过街行人学历分类具体分为4个区间，分别是：小学及以下、初中、高中、大学及以上。
表1年龄、学历分类区间表
步骤二：根据期望的行人过街服务水平，查询低等级公路镇村段行人过街设施服务水平划分表得到行人过街延误范围，选取过街延误值上限作为行人可接受等待时间，即x3值。
其中低等级公路镇村段行人过街服务水平划分如表2所示，过街延误值上限如图3所示。
表2行人过街服务水平划分表
步骤三：如表3所示，以x4＝1(对应的极限绕行距离s0为50m)为初始计算节点，计算行人选择过街设施过街相对于直接过街的概率p过街设施。如果p过街设施＞0.5，则该处的过街设施间距可取为s＝2s0＝100m；反之，令x4＝x4+1，重新计算p过街设施值，直至满足p过街设施＞0.5时，计算结束。
其中，计算行人选择过街设施过街相对于直接过街的概率p过街设施，具体包括以下内容：采用spss22.0作为模型建立的分析工具，以行人年龄(x1)、行人学历(x2)、车道数(x3)、行人流量(x4)、行人可接受等待时间(x5)、极限绕行距离(x6)六个因素为自变量，将直接过街和过街设施作为行人过街方式的选择肢，建立二元logistic回归模型。为了解自变量对行人过街选择行为影响的显著程度，提取出贡献较大的自变量，采用向后逐步回归法。经过四次迭代，得到模型的拟合优度统计量，见表3和表4。在第四次迭代之后，cox&snellr平方和nagelkerker平方值分别为0.388和0.518，说明模型能在51.8％的概率上解释因变量的回归变异。在表4中hosmer和lemeshow检验统计量在第四步后显著性大于0.1，所以可以接受零假设，表明模型拟合效果较为理想。其中表3中的估算在迭代号4终止，因为参数估算更改小于.001。
表3模型摘要
表4hosmer和lemeshow检验
表5是实际观测结果和预测结果的分类表，从表5中可以看到，迭代最终结果直接过街的行人预测的正确率为66.4％，使用过街设施过街的行人预测正确率为95.2％，总体正确率为83.1％，说明预测结果较为理想。表5中额分界值为.500。
表5实际观测结果和预测结果的分类表
模型的标定结果如表6所示。最终模型确定的自变量为行人年龄(x1)、行人学历(x2)、行人可接受等待时间(x5)和极限绕行距离(x6)，四者的显著性水平分别为0.022、0.019、0.005和0.021，均小于0.05，说明以上四个因素在95％的置信水平上能有效影响低等级公路镇村段行人过街选择行为，其中等待时间在99％的置信水平上显著影响行人的行为。
表6“直接过街-过街设施”二元logistic回归结果
最终可得到的模型为：
其中p过街设施—行人选择过街设施过街相对于直接过街的概率，当计算所得值大于0.5时则视为选择过街设施过街。
x1、x2、x5、x6—分别为行人年龄、行人学历、行人可接受等待时间和极限绕行距离，取值方式参见表7。
为了让各个自变量的标号按照先后顺序排列，公式12变更为：
其中p过街设施—行人选择过街设施过街相对于直接过街的概率，当计算所得值大于0.5时则视为选择过街设施过街。x1、x2、x3、x4—分别为行人年龄、行人学历、行人可接受等待时间和极限绕行距离，取值方式参见表7。
由公式(13)可以对过街行人的过街方式选择做出判断和预测。结合模型的回归结果可知，①年龄的系数为负值，年龄段平均每提高一个类别(20岁及以下、21～30岁、31-45岁、46-60岁、61岁及以上)，选择过街设施过街的概率会降为前一个类别的0.701倍，表明随着年龄的增加，出于节省体力的考虑行人更倾向于直接过街。②学历、等待时间、绕行距离的系数为正值。其中，学历每提高一个类别(小学及以下、初中、高中、大学及以上)，选择过街设施的概率增加为前一类别的1.262倍；等待时间每提高一个类别(＜30s、30～60s、＞60s)，选择过街设施的概率增加为前一类别的1.604倍；绕行距离每提高一个类别(50m、100m、200m)，选择过街设施的概率增加为前一类别的1.457倍。从直观上来说，学历更高、对等待时间和绕行距离接受程度更高的人群更愿意接受采用过街设施过街。
利用p过街设施判断低等级公路镇村段行人是否过街，具体内容包括：根据行人过街行为选择的logistic模型，当其他影响因素(年龄、学历、极限等待时间)不变时，可接受的极限绕行距离每提高一个类别，选择过街设施的概率增加为前一类别的1.457倍，所以当选择过街设施的概率高于0.5时，可以认为在当前状态下行人更倾向于使用过街设施过街。
步骤四：根据此时x4对应的s0值，计算最终过街设施间距s＝2s0。
其中，计算的过程为：结合图4的行人过街设施临界间距示意图，行人过街的极限绕行距离为s0，当行人处于两个过街设施正中间时，为其过街的最不利位置，此时行人过街设施的间距s＝2s0，因此行人过街设施的间距一般不超过行人所能接受的极限绕行距离得行人过街设施的间距s＝2s0。
其中，x4＝1对应的极限绕行距离s0为50m、x4＝2对应的极限绕行距离s0为100m、x4＝3对应的极限绕行距离s0为200m，具体对应关系如表7所示。
表7极限绕行距离对应表
例如，选取浙江省丽水市遂昌县云峰镇兴东路段作为本文的工程实施案例，制定过街设施设置方案。
若期望行人过街服务水平为c级即行人过街有较明显的延误，但并未导致过街不便。由数据收集统计得，该路段行人年龄和学历分布如下表8所示
表8兴东路段行人年龄与学历分布
行人年龄众数在31-45岁，行人学历众数在初中，c级服务水平对应的行人延误区间为9～14s，将x1＝3、x2＝2、x3＝14s代入公式(13)中，当x4＝1时，p过街设施＝0.48＜0.5，令x4＝2，p过街设施＝0.51＞0.5满足要求，此时对应的绕行距离为100米，即过街设施间距为200米。
实施例三
本实施例提供了一种基于不同路段行人过街设施间距的确定系统。如图5所示，所述确定系统包括：
行人年龄学历获取模块100，用于获取待测路段有过街需求的行人年龄以及行人学历。
行人可接受等待时间确定模块200，用于根据行人过街延误范围，确定行人可接受等待时间。
概率计算模块300，用于根据所述行人年龄、所述行人学历、所述行人可接受等待时间以及初设的极限绕行距离，采用二元logistic回归模型，计算在所述待测路段行人选择过街设施过街相对于直接过街的概率。
第一判断结果得到模块400，用于判断所述概率是否大于设定阈值，得到第一判断结果。
行人过街设施间距确定模块500，用于当所述第一判断结果表示所述概率大于所述设定阈值时，根据行人过街设施间距与所述极限绕行距离的对应关系，确定所述待测路段的行人过街设施间距。
概率重新计算模块600，用于当所述第一判断结果表示所述概率小于或者等于所述设定阈值时，更新所述极限绕行距离，并计算所述行人选择过街设施过街相对于直接过街的概率，直至所述概率大于所述设定阈值。
所述行人年龄学历获取模块100，具体包括：
分类区间表确定单元，用于确定行人年龄分类区间表和行人学历分类区间表；所述行人年龄分类区间表包括5个类别，分别是：<21、21-30、31-45、46-60、>60；所述行人学历分类区间表包括4个类别，分别是：小学及以下、初中、高中、大学及以上。
调查结果得到单元，用于调查获取所述待测路段有过街需求的行人年龄、行人学历，得到调查结果。
行人年龄学历确定单元，用于根据所述调查结果、所述行人年龄分类区间表以及所述行人学历分类区间表，确定行人年龄众数和行人学历众数，并将所述行人年龄众数确定为行人年龄，将所述行人年龄众数所在类别确定为行人年龄变量值，将所述行人学历众数确定为行人学历，将所述行人学历众数所在类别确定为行人学历变量值。
所述行人可接受等待时间确定模块200，具体包括：
行人可接受等待时间确定单元，用于根据期望的行人过街服务水平，对照所述待测路段对应的行人过街设施服务水平划分表，确定行人过街延误范围，并将所述行人延误范围的上限值确定为行人可接受等待时间。
所述概率计算模块300，具体包括：
二元logistic回归模型建立单元，用于以所述行人年龄、所述行人学历、所述行人可接受等待时间以及所述极限绕行距离为自变量，将直接过街和利用过街设施作为行人过街方式的选择肢，建立二元logistic回归模型；所述二元logistic回归模型为：
其中，x1为行人年龄变量值；x2为行人学历变量值；x3为行人可接受等待时间；x4为极限绕行距离变量值；a为常量，b，c，d，e为对应变量回归系数；不同的极限绕行距离对应的不同的极限绕行距离变量值。
二元logistic回归模型更新单元，用于对所述二元logistic回归模型进行迭代标定，确定a，b，c，d，e的值，更新二元logistic回归模型。
概率计算单元，用于将所述行人年龄变量值、所述行人学历变量值、所述行人可接受等待时间、所述极限绕行距离变量值输入到更新后的二元logistic回归模型中，计算行人选择过街设施过街相对于直接过街的概率。
本实施例与实施例1和2一一对应，未详尽之处请参考实施例1和2中内容，不再赘述。
以上所揭露的仅为本发较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。