Въздействие на характеристиките на пътната инфраструктура върху пътната маркировка

 

Ali Tidjani,Maxime Redondin,Laurent Bouillaut,Dimitri Daucher

ESREL 2019,29th European Safety and Reliability Conference, Sep 2019, Hanovre, Germany. 9p. hal-02968219

https://hal.science/hal-02968219

Submitted on 15Oct 2020

 

Резюме: Пътната маркировка направлява пътните потоци и насочва визуално участниците в движението, особено през нощта. Следователно тяхното качество и надеждност са важни въпроси, които трябва да се следят отблизо, за да се гарантира безопасността на участниците в движението. Много важна е тяхната видимост за автомобилите, които разполагат с технологии да ги разпознават и да подпомагат водачите, така че да се намали възможността от грешка. В това проучване не са взети предвид всички характеристики на пътната инфраструктура, които биха могли да окажат влияние върху разрушаването на маркировката. Всъщност, в зависимост от структурата и сложността на всички пътни инфраструктури, тези пътни маркировки биха могли да представят различен процес на деградация с течение на времето и в определени области. Идентифицирането на тези области може да помогне на стопаните на пътища да разработят локални стратегии за поддръжка. В това проучване като метод за идентифициране на тези области или клъстери в случая на френския национален път 4 (NR4) се предлага факторен анализ на смесени данни (FAMD), комбиниран с агломеративно йерархично клъстериране (AHC).

 

Ключови думи: Пътна маркировка, FAMD, AHC, пътна инфраструктура, маркировка на повърхността, деградация.

 

1. Въведение:

 

Пътната маркировка е средство за организация на движението по пътищата, също така както са и пътните. Тя е важно средство за подпомагане на шофирането, като насочва транспортните потоци, уточнява правилата за движение по пътищата, с нея се очертават местата за паркиране и се насочват визуално водачите, особено през нощта. В статии публикувани през 2012 г. от института VEDECOM „ Метод за оценка на маркировката за по-доброто ѝ разпознаване“ (2016 г.) и „Нов комплексен подход за откриване и проследяване на пътни ленти“ (2016) показват, че ясната и видима хоризонтална маркировка е по-важна от състоянието на пътното платно по отношение на безопасността на движението.

 

Пътната маркировка се забелязва през нощта благодарение на ретрорефлекторната си яркост. Всъщност маркировката връща светлината, излъчвана от фаровете на превозното средство, към неговия водач. С други думи, светлоотразяването позволява видимостта на пътната маркировка през нощта.

 

 

Светлината на ретроотражението се определя количествено с помощта на устройства, наречени ретрорефлектометри. На фигура 1 е представен случаят с Proceq - Zehntner Marking Retroreflection ZDR 6020 RL. Устройството е предназначено за закрепване на превозно средство и измерва динамично ретроотражението на пътната маркировка (фиг. 1(а)). Процесът на измерване се състои в закрепване на устройството от дясната или лявата страна на превозното средство. Източник с бяла светлина в устройството осветява маркировката на разстояние 6 m от предната част на камерата и количеството ретроотразена светлина се връща обратно към уреда.

 

Пътната маркировка обаче с времето понижава своите светлоотразителни качества (деградация). Това е представено на фигура 2. Новата маркировка е бляла и обикновено има силна ретрорефлексна яркост (600 𝑚𝑐𝑑𝑚² 𝑙𝑥 ⁄ ⁄). С течение на времето маркировката намалява нивото си на светлоотразяване. В най-добрия случай тя ще се превърне в сив обект и ще допусне ниска яркост на ретроотражението (50 𝑚𝑐𝑑𝑚² 𝑙𝑥 ⁄ ⁄).

 

*В България светлоотразителността, съобразно действащите правила и норми, за новоположена пътна маркировка започва от 300 𝑚𝑐𝑑𝑚² 𝑙𝑥 ⁄ ⁄

 

Фиг.2. Понижение на светлоотразителността на пътната маркировка с времето (деградация)

 

Наличните устройства за проверка предвиждат, че яркостта на ретроотражението е единствената мярка, която се използва за оценка на състоянието на пътните маркировки. В правилата на NF EN 1436 (БДС EN 1436:2018 „Материали за пътна маркировка. Експлоатационни показатели на пътната маркировка и методи за изпитване“) се посочва, че светлоотразителността не трябва да пада под минимум 150 𝑚𝑐𝑑𝑚² 𝑙𝑥 ⁄ ⁄. Понижаването на светлоотразителността води до влошаването на състоянието на маркировката, което е съществен проблем и е необходимо стопаните на пътя да се грижат за пътната маркировка, за да се избегнат всякакви неблагоприятни последици. Също така трябва да се добави, че разработването на стратегия за поддръжка изисква първо проучване и анализ, което може да позволи да се определят зони за поддръжка. В научните изследвания по темата от последните тридесет години са представени предимно модели на влошаване, основани на регресионния метод. През 1995 г. Abboud и Bowman предлагат експоненциален модел като функция на възрастта на маркировката и разработват различни експоненциални модели като функция на средногодишния дневен трафик и възрастта на маркировката. През 2009 г. Sitzabee, Hummer и Rasdorf предлагат мултилинеен модел като функция на времето, първоначалната ретрорефлексия, средногодишния дневен трафик, напречните зони на и цвета на маркировката.

 

В своята дисертация от 2018 г. Maxime Redondin представяи различни стратегии за поддръжка на пътната маркировка в зависимост от нейната светлоотразителност. Тази дисертация показва, че е възможно осевата линия да се сегментира в мащаба на пътя, („единична непрекъсната линия“ М1, „двойна непрекъсната линия“ М2, „единична прекъсната линия“ М3, „двойна прекъсната линия“ М4 и“двойна смесена линия“ М4) и да се определят области на поддръжка. Анализират се и жизнените цикли на маркировката на централната линия по метода на Weibull (M. Redondin и L. Bouillaut от 2018 г.). В този дисертационен труд обаче не са разгледани различните характеристики на пътната инфраструктура, които биха могли да окажат влияние върху деградацията на маркировката.

 

Целта на това проучване е да се сегментира пътната инфраструктура според различни характеристики, като например влошаване на състоянието на настилката, маркировка на пътната настилка или конфигурация на пътните ленти. Този подход дава възможност за определяне на стратегически области за поддръжка въз основа на състоянието и вида на пътната инфраструктура. Общата цел на това проучване е оценката на въздействието на характеристиките на пътната инфраструктура върху качеството на пътната маркировка. С други думи, основният въпрос, който ще бъде разгледан в рамките на това проучване, е да се разбере до какво ниво пътната инфраструктура може да повлияе на планирането и определянето на зони за поддръжка на пътната маркировка.

 

В това проучване като метод за определяне на зони за поддръжка на пътната маркировка се предлага факторен анализ на смесени данни, комбиниран с агломеративно йерархично клъстериране.

 

След това се маркировката се сегментира по следния начин: централната, аварийната и крайната. Годишните проверки на тези три маркировъчни линии се извършват от CEREMA (Център за изследване на рисковете, околната среда, мобилността и градоустройството на Франция), а контролът на битума се осигурява от DIR EST (Междуведомствената дирекция на източните пътища на Франция към Министерството на транспорта, екологията и регионалното/териториалното планиране). Освен това на уебсайта на Министерството на екологията и енергийния преход (Ministère de l'Ecologie et de la Transition Energétique) бяха събрани някои бази данни, които описват основните характеристики на пътната инфраструктура, като например видовете пътни платна. Разработен е алгоритъм за сливане, за да се съберат всички тези бази данни в една голяма, преди да се приложат двата метода описани по-горе (FAMD и AHC).

 

Като илюстрация на този подход се разглежда 100-километров участък от френския национален път 4 (NR4).

 

След представянето на алгоритъма за класификация, настоящата статия ще се съсредоточи върху факта, че маркировката на повърхността е по-сегментирана както според характеристиките, така и според параметрите на разглежданата пътна инфраструктура. Друг интересен момент е, че областите, които не са били класифицирани в предишното проучване (M. Redondin, 2017 г.), са класифицирани в нови клъстери.

 

И накрая, това проучване е първата стъпка към въвеждането на модел за оптимизацията на поддръжката на пътната инфраструктура, която ще покрива нуждите на автономните автомобили.

 

2. Събиране на използваните данни

 

В този раздел са представени трите източника на данни. Най-просто казано, всяка променлива е определена с ключова дума. Проучването се основава на различни проверки, осъществени между 2007 и 2015 г.

 

Първият източник на данни е предоставен от CEREMA EST. От 2007 г. насам всяка година през септември се извършва проверка на повърхностния слой. Избраният ретрорефлектометър е Ecodyn. Идентифицирани са три линии: прекъснатата централна линия, аварийната линия и средната разделителна ивица. Методът FAMD разглежда само централната и аварийната линия, тъй като по път NR4 не е налична средната лента навсякъде. C20XY, E20XY, M20XY представляват съответно яркостта на отражението, оценена по време на кампанията 20XY на централната, аварийната и средната ивица.

 

Вторият източник на данни се предоставя от DIR EST. Настилката се инспектира всяка година. Установените различни видове битум са: Чист тънък битум (PTB), модифициран тънък битум (MTB), много тънък битум (VTB), модифициран много тънък битум (VTBM), полугранулиран битум (SGB), полугранулиран модифициран битум (SGMB) и високомодулно покритие (HMC). Между 2007 и 2015 г. не е извършвана подмяна на битума. Представена е и възрастта (Age) на настилката.

 

Последният източник на данни е предоставен от френското Министерство на екологичния и солидарния преход. Министерството стартира инициатива за отворени данни през 2017 г. като част от инициативата „Отворени данни“ с цел осигуряване на повече прозрачност за няколко сектора (Ministère de l'Ecologie et de la Transition Energétique 2018). Целите на правителството при предоставянето на данни на обществеността са да информира по прозрачен начин лицата, вземащи решения, и гражданите за начина на използването на публични средства, да предостави данни на компаниите от цифровия сектор, които разработват услуги за потребителите, и да засили ролята на държавата като доставчик на услуги в определени области. Министерството захранва и публикува десет подбази.

 

Всяка референтна точка (РТ) е локализирана в Ламбертови координати 93. Изчислява се разстоянието в метри до всяка последователна PR.

 

Описва се платното за движение между два PR (вж. фигура 3):

• еднопосочна лента: 2 посоки над 7 м (2(> 7));
• еднопосочна лента: 2 посоки под 7 м (2(< 7));
• еднопосочна лента: 3 начина, превишаващи 10 m (3(> 10));
• единична лента: 3 начина на движение, по-ниски от 10 м (3(< 10));
• единична лента: -отделна лента 2×2 пъти (2×2);
• тделна лента 2×1 път (2×1).

 

Пресичания на даден PR: пресичане с магистрала (Interchange), пресичане с друг път (Crossing) и разделяне. В останалите случаи няма конкретно наблюдение (No).

 

Общата степен на влошаване на състоянието на пътя: Отлично (Exc), приемливо (Acc), лошо, лошо.

 

Друга информация между два PR: средногодишен дневен трафик (AADT) и ширина на пътя (Width).

 

Базите данни се актуализират всяка година и позволяват проследяване във времето. След събирането на тези бази данни е разработен алгоритъм за обединяването им в една голяма база, която ще служи за надграждане на методологическата рамка.

 

Фиг.3. (а) едно платно с две ленти за движение, (b) едно платно с три ленти за движение, (c) едно платно с четири ленти за движение, (d) две платна за движение с 2х2 ленти в посока, (e) две платна за движение с 2×1 лента в посока

 

Тази окончателна база данни определя всеки PR като специфична пътна инфраструктура, ниво на деградация на настилката и наблюдение на маркировката на повърхността. Това описание е направено чрез качествени и количествени променливи. FAMD предлага управление на данните и идентифицира различни взаимовръзки между променливите. Окончателното клъстеризиране идентифицира различни PR, които допускат както сходно описание, така и сходно наблюдение на маркировката.

 

3. Методологична рамка на проучването

3.1. Факторен анализ на комбинирани данни

Факторният анализ на смесени данни (FAMD) е предназначен за анализ на данни, съдържащи както качествени, така и количествени променливи. FAMD е анализ на главните компоненти (PCA), като трансформира качествените данни в пълна дизюнктивна таблица (CDT). Всъщност CDT дава възможност за трансформиране на качествените данни в нова таблица, показваща дали изследваните обекти притежават свойството на въпросната качествена променлива. Теглото на CDT е определено от (Pagès 2004).

 

PCA е проучвателна техника, която обобщава информацията, съдържаща се в набор от данни, в няколко синтетични променливи, които са линейни комбинации на оригиналните променливи въз основа на разграничаване на данните.

 

Изготвянето на обобщение на информацията по смисъла на PCA означава да се установи сходство между единиците, да се търсят групи от хомогенни единици, да се подчертае типология на единиците. Що се отнася до променливите, целта е да се откроят връзките между тях чрез синтетични променливи и да се подчертае типологията на променливите. PCA се стреми по общ начин да установи връзките между тези две типологии.

 

Една от основните цели на този метод е да се намали размерът на набора от първоначални променливи или, с други думи, представянето на максималното количество информация, съдържаща се в изходните променливи, като се използва намален брой нови променливи, корелирани помежду си (стохастична - вероятностна, нефункционална зависимост между случайни величини). Всъщност един малък набор от некорелирани променливи е по-лесен за разбиране и използване в различни анализи, отколкото по-голям такъв.

 

По този начин първите стъпки на FAMD при формализмацията на PSA съответстват на предварителната обработка на данните. Като първа стъпка таблицата с данни се разделя на две: количествени данни, от една страна, и качествени данни, от друга. В съответствие с този формализъм първата таблица се нормализира. Качествената част се трансформира в CDT, всяка колона от която се претегля с обратния корен на квадрата на стандартното отклонение. Накрая двете таблици просто се обединяват. Получената таблица може да се интерпретира от PCA.

 

След тези стъпки следващите съответстват на две различни, но допълващи се гледни точки: матрица на зависимостите и матрица на корелациите. Първата описва всяка зависимост според описателните променливи, а втората описва описателните променливи според зависимостите. За всяка матрица се изчисляват собствените стойности и се извеждат собствените вектори.

 

Фиг.4. Начупената осева линия на път NR4 е разделена на отделни 5 зони за подмяна

 

След това се извършват геометрични преобразувания на матриците на единиците и корелациите: геометричните оси се формират от собствените вектори, представя се хиперплоскостта на единиците и хиперсферата на корелациите. Дескриптивните променливи винаги са затворени в хиперсферата, чийто радиус е 1 (Pagès 2004).

 

След това се правят последователни проекции на Хилберт в двумерна декартова равнина, за да се представят картата на индивидуалностите и кръгът на корелациите. Картата обикновено съдържа облаци от точки. Тук всеки облак представлява единици, които са с тенденции да притежават едни и същи описателни променливи. Кръгът представя основните дискриминиращи променливи: колкото по-близо е променливата до границата на кръга, толкова по-дискриминираща е тя. Освен това, колкото по-отдалечени са променливите, толкова по-противоположни са те. Обратно, колкото по-близки са две променливи, толкова повече те са свързани.

 

Всеки външен вектор допринася за общата дисперсия на модела ACP. Главните компоненти са векторите, които допринасят най-много.

 

3.2. ​​Агломеративно йерархично клъстеризиране

 

Агломеративната йерархична клъстеризация (АХК) е итеративен метод за класификация, чийто принцип се състои в създаването на поредици от вложени участъци с нарастваща хетерогенност (между участъка в N класа, където всеки обект е изолиран, и участъка в 1 клас, който обединява всички обекти) (Tufféry 2011).

 

AHC може да се използва, когато има понятие за разстояние: в пространство от единици или в пространство от променливи. Необходимо е да сме дефинирали разстоянието между два обекта, което по принцип е естествено, и разстоянието между два класа, което оставя повече възможности. Именно това разстояние представлява критерият.

 

Алгоритъмът на AHC е създаден по следната схема:

1. началните класове са обектите;

2. изчисляват се разстоянията между класовете;

3. двата най-близки класа се обединяват и се заменят с един;

4. продължава се от 2. докато се получи само един клас, който съдържа всички обекти.

 

На това ниво трябва да се подчертае, че критерият за различие, използван в изследванията тук, е разстоянието на Уорд. Този избор е обоснован от факта, че разстоянието на Уорд свежда до минимум загубата на информация поради агрегирането на данните. Това разстояние се определя от уравнение 1 по следния начин:

 

 

4. Заявка за френския национален път 4

 

4.1. Френският национален път 4

 

Национален път 4 (NR4), разположен в департамента Марна, е френски национален път, който свързва Париж и Страсбург. Той е основният пример, който ще послужи като помощно средство в настоящото проучване. В предишното проучване (M. Redondin, et al. 2017) са идентифицирани пет стратегически зони на този път, както е показано на фигура 4 по-долу. Тази фигура показва също, че улиците на Витри льо Франсоа са недостъпни.     

 

Петте групи от фигура 4 са следните: 

 

• Клъстер 1 съответства на откритите селски пътища.
• Клъстер 2 съответства главно на региона Vitry-le-François.
• Клъстер 3 съответства на обходния път на Sézanne.
• Клъстер 4 съответства на обходния път на Fère-Champenoise.
• Клъстер 5 съответства на местна магистрала в близост до Sommesous.

 

Тези клъстери от последното проучване обаче са получени, без да се вземат предвид характеристиките на пътната инфраструктура (M. Redondin, 2018 г.).

 

4.2. Факторен анализ на смесени данни за NR4

 

След прилагане на PCA към реконструираните количествени данни и качествените данни, трансформирани в CDT (чрез алгоритъм FAMD, разработен в софтуера R), дяловете от общата дисперсия, обяснени от първите единадесет основни компонента, са представени на фигура 5. От нея се вижда, че само първият компонент обяснява 14,7 % от общата дисперсия, а първите три компонента, взети заедно, обясняват 33,2 % от дисперсията.

 

Фиг. 5. Пропорции на дисперсията, обяснена от факторните оси.

 

Съществуват няколко критерия за избор на броя на компонентите в дадено изследване. Най-разпространеният критерий е този на Кайзер. Той е следният: собствена стойност, по-голяма от 1, показва, че съответният главен компонент (ПК) представлява по-голяма дисперсия в сравнение с една оригинална променлива, когато данните са стандартизирани. Това обикновено се използва като праг, от който се запазват основните компоненти. Имайте предвид, че това се прилага само когато данните са нормализирани. В настоящото проучване този критерий води до избора на 8 оси, които обясняват 59,9 % от общата информация, съдържаща се в данните.

 

Друг метод за определяне на броя на главните компоненти е критерият на Карлис-Сапорта-Спинакис (KSS). KSS се определя от уравнение (2). Всъщност този критерий е един от най-надеждните за определяне на броя на главните компоненти, тъй като взема предвид съотношението между броя на променливите и броя на единиците. Този принцип на подбор се състои в запазване на компонентите, чиито собствени стойности са по-големи от KSS с: 𝑝 броят на променливите и 𝑛 броят на индивидите. Всъщност това е устойчив вариант на принципа на Кайзер (Karlis, Saporta et Spinakis 2003).

 

 

Прилагането на принципа на Карлис-Сапорта-Спинакис избира първите девет основни компонента, с които се получава пространство с голям дял от общата дисперсия.       Интерпретацията на факторните оси се извършва последователно, за всяка ос и всеки облак от точки, като се разглеждат приносите за формирането на осите. Променливите, които допринасят най-много за формирането на дадена ос, са тези, чиито координати по тази ос са близки до 1 по абсолютна стойност.

 

Третият се изразява в сравнението на отделни пътища на две нива в лошо състояние, пресичащи части с разлика в нивото и полузърнеста битумна настилка, на пътища с 2×2 ленти за движение, които са в лошо състояние и без пресичане.

 

Останалите компоненти могат да бъдат описани по по-опростен начин. Компонент 4 се отнася за маркировката, чието състояние е приемливо в отделните участъци, включващи лента за аварийно спиране. Компонент 5 се отнася за настилката на 4 лентов път в посредствено състояние представляващи две платна за движение с 2×2 пътни ленти. Компонент 6 се отнася за едно платно за движение от 4 пътя в лошо състояние изработени от чист асфалт с много тънък модифициран асфалт. Компонент 7 се отнася за едно платно за движение с 2×1 пътни ленти в лошо състояние, направени от чист полупрозрачен битум. Компонент 8 е между настилки в приемливо състояние, имащи износващ слой от много тънък битум, с едно платно за движение с 2×1 пътни ленти в лошо състояние и без кръстовища. Последният избран компонент се отнася за три отделни платна за движение без особена пресечна точка с разминаване на отделни нива за 4 пъя в приемливо състояние с износващ слой от чист полузърнест битум.

 

4.3. Връзка между различните характеристики на NR4

 

След процедурата за подбор на основните компоненти, променливите на изследването могат да бъдат проектирани върху първите два основни компонента.    

 

На фигура 6 е показан кръгът на връзката на променливите. Тя показва връзките между всички променливи в това изследване. Тя може да бъде разчетена по следния начин:

 

• Положително взаимосвързаните променливи са групирани заедно;
• Отрицателно взаимосвързаните променливи са разположени от противоположните страни на началото на диаграмата (противоположни квадранти);
• Разстоянието между променливите и началото измерва качеството на представяне на променливите. Променливите, които са далеч от началото, са добре представени от PCA.

Фиг.6. Кръг на корелациите, свързани с NR4

 

В този кръг от взаимовръзки променливите 2(<7), HMC, Crossing и 3(<10), например, са положително взаимосвързани. Това означава, че маркировките, които са разположени в едни и същи области, имат едни и същи свойства. Въпреки това маркировките, които са в корелация с променливата 2×2, и тези, които са в корелация с променливата 2(>7), имат противоположни свойства. Маркировките на централната линия C2009, C2007 и C20013 са положително свързани с маркировките на аварийната линия E2011, E2012, E2010 и E2009, докато те са отрицателно корелирани с E2014, E2015, E2013 и E2008.

 

4.4. Карта на единиците и групирането им

 

За да се сегментират маркировъчните линии след PCA, следващата стъпка е да се избере броят на клъстерите чрез агломеративното йерархично групиране.     

 

Едно от решенията би било да се представят скоковете на инерция на дендрограмата, което ще направи възможно запазването на оптималния брой класове.       

 

Всъщност в зависимост от височината на участъка на дендрограмата броят на класовете е различен. На първо място, анализът на формата на дендрограмата може да даде представа за броя на класовете, които трябва да бъдат запазени. Именно скоковете на инерцията позволяват този анализ.

 

По този начин, след анализ на инерционните скокове, получени от инерционната графика, дендрограмата може да бъде разделена на 2, 4, 7, 9 или 14 класа. За да се избере оптималният брой измежду петте варианта, е необходимо да се проведе проучване за всеки отделен случай и да се избере най-добрият. 

   

Критерият за избор, адаптиран за това проучване, е този на качествата на представянето на единиците и променливите в зависимост от броя на избраните клъстери. Според този критерий единиците, които може да се групират заедно се счита, че принадлежат към един и същ клъстер. И така, най-доброто представяне е това, което позволява добро разграничаване на различните класове.     

 

След като се сблъскахме с петте случая, с най-качествено представяне се отличава резултатът за 9 класа. Това разделяне на 9 класа е представено чрез дендрограмата на фигура 7 по-долу.

 

Фиг.7. Дендрограма, свързана със сегментираната карта на единиците

 

От друга страна, проекцията на единиците и техните 9 избрани клъстера върху първата факторна равнина също е представена на фигура 8. Тази фигура дава възможност за по-добра визуализация на различните групи маркировки. Тя също така позволява да се свържат различните характеристики, дадени от променливите на пътната инфраструктура. Всъщност разчитането на картата на маркировката се извършва чрез позоваване на кръга на корелациите на променливите (фигура 6).

 

Фиг.8. Карта на единиците, свързани с NR4

 

Тази диаграма от фигура 8 е известна като карта на единиците (в конкретния случай маркировки). Нейното разчитане се улеснява от кръга на корелациите (вж. фигура 6), който се превежда като компас. Според четирите квадранта всяка маркировка може да бъде описана чрез съответните променливи в същия квадрант.  

 

Диаграмата (фигура 8) показва по-специално, че клъстер 1 в червен цвят е разделен на две. Друго наблюдение може да се направи за клъстер 9 в розов цвят. Този клъстер е един от районите на NR4: той е изолиран.

 

 

4.5. ​​​​​​​Клъстери проектирани по RN4

 

При тази класификация в девет клъстера, клъстер 1 (вж. фигура 9), оцветен в червено, е разделен на две. Това се дължи на факта, че маркировката на този клъстер е положена основно върху два вида пътища: пътища с отделни платна за движение 2×2 ленти и пътища с едно платно за движение 2 ленти.       

 

Оказва се, че маркировката на клъстер 1 е поставена върху пътища с отделни платна за движение с 2×2 ленти и пътища с едно платно за движение в отлично състояние. По тези пътища се забелязва наличието на малко повдигане, износващ слой, като по проект повече от половината (58 %) са покрити с чист тънък битум. Маркировката на осевата линия се е влошила значително през 2010 г., две години след полагането ѝ.

 

В клъстер 2,55% от маркировките са в приемливо състояние, а 45% са в отлично състояние. Пътните платна са почти изцяло (99 %) покрити с много тънък модифициран битум и са с отделни платна за движение с 2×2 ленти. В този клъстер има наличие на план за поддръжка и възстановяване и маркировката се е оказала по-устойчива във времето.

 

Клъстер 3 включва само маркировките, чиито настилки са в лошо състояние и по същество представляват отделни платна за движение с 2×2 ленти, покрити с много тънък модифициран битум. Наличието на разлика в надморската височина е важно обстоятелство, което трябва да се посочи при настоящото проучване (10 %).

 

Значителен брой от маркировките в клъстер 4 се намират върху път в лошо състояние на асфалтовото покритие (69%). Те включват маркировки на път с едно платно за движение с четири ленти, покрити с много тънък модифициран битум. Износването на пътната маркировка е значително (13%). Забелязва се и доста особена динамика на изменението на нивото на ретрорефлексия на крайната линия, което има значително увеличение между 2007 и 2008 г., след което значително намалява, преди да се стабилизира.

 

Маркировката в група 5 е са намира в условията на приемливо състояние на настилката и по същество е положена при едно платно за движение в двете посоки. Това е единственият клъстер, където има едно платно с три ленти, чийто размер е по-малък от 10,5 m.

 

Клъстер 6 е този с отделни платна за движение и с 2×2 ленти, покрити с много тънък модифициран битум и в приемливо състояние. Съществува значителна разлика във височината на настилката (75%) и износващ слой (25%). В този клъстер нивото на яркост на ретрорефлексията на централната линия показва забележителен пик през 2011 г., а за аварийната се появява пик през 2008 г.

 

Група 7 обединява предимно двупосочни пътни настилки на пътища с едно платно за движение, покрити с чист тънък битум и в приемливо състояние. Това е единственият клъстер, в който няма кръстовище, а неговият асфалт е най-старият от всички и има най-ниска дневна интензивност на движението.

 

Групата, в която всички участъци от пътищата са в отлично състояние, е клъстер 8. Той съдържа отделени платна за движение в посока 2×2 пътни ленти. Освен наличието на кота и план в този клъстер се забелязва и доста голям процент на износващия слой.

 

И накрая, клъстер 9 който се характеризира с голяма надморска височина (92%). Срещат се пътища с едно платно за движение с по една лента в посока и участъци с отделни две платна за движение за всяка посока всяко с по  2×2 ленти, покрити с модифициран полузърнест битум и в приемливо състояние. Трите вида маркировка в този клъстер показват сходно развитие.

 

Освен всичко изброено до тук, може да се извърши и мониторинг на различните линии на маркировката в зависимост от различните години на проучването.

 

4.6. ​​​​​​​ Мониторинг на пътната маркировка

 

Медианната ивица се сегментира в съответствие с предложеното клъстеризиране. Както е показано на следващата фигура 10, проследяването на маркировките се задълбочава, като се наблюдава всяка линия от маркировки в рамките на различните получени

 

Фиг. 10. Мониторинг на пътната маркировка

 

Еволюцията на пътната маркировка е интересна поради няколко причини и минава през няколко групи. Например в клъстер 1 маркировката на централната линия се е влошила значително през 2010 г., две години след полагането ѝ. В клъстер 4 се забелязва и доста специфично развитие на степента на ретрорефлексия на маркировката на крайните линии, която значително се е увеличила между 2007 и 2008 г., след което значително е намаляла, преди да се стабилизира. В клъстер 6 нивото на отразяване на маркировката на централната линия има забележителен пик през 2011 г., а при маркировката на аварийната линия пикът се появява през 2008 г. В клъстер 9 трите вида маркировки показват подобно развитие.

 

5. Сравнение с предишно проучване:

За да се получат стратегически зони за поддръжка на пътната маркировка, Redondin (M. Redondin, Класификационни подходи, базирани на силно цензурирани данни за анализ на надеждността и дефиниране на стратегии за поддръжка - Приложение към пътната маркировка в контекста на автономните превозни средства 2018) получи 5 клъстера чрез AHC, приложен към маркировката на централната линия.

 

Получаването на групи от маркировки дава възможност за разработване на локализирани стратегии за поддръжка, като се анализират по-специално свойствата на маркировките от тези различни групи. Въпреки това, AHC, приложен към маркировката на централната линия, без да се вземат предвид някои характеристики на инфраструктурата, не дава резултати, обхващащи цялата изследвана част от RN4. Всъщност черната зона около Витри льо Франсоа (вж. фигура 4), например, е част от некласифицираните зони. Също така трябва да се добави, че предишното проучване (M. Redondin, et al. 2017) е ограничено до централната линия на маркировката в неговата AHC.

 

Първата забележима разлика между двете фигури (фигура 4 и фигура 9) се отнася до некласифицираните зони в случай на маркировка само на централната линия. От друга страна, отчитането на всички характеристики на пътната инфраструктура е позволило да се класифицират тези некласифицирани зони. Също така трябва да се добави, че когато се анализира само маркировката на централните линии, получените групи имат висока степен на припокриване в някои области. Това не е така при изследването на цялата пътна инфраструктура, където различните групи са сравнително добре разграничени.

 

Тези разлики в броя на клъстерите и областите на припокриване между клъстерите свидетелстват за влиянието на характеристиките на пътната инфраструктура върху класификацията на хоризонталната пътна маркировка. Това е силната страна на постигнатото в това изследване и също така е по-подходящо от случая на изследване само на централната линия.

 

6. Заключение

 

Пътната маркировка играе важна роля за насочването на превозните средства като цяло и на бъдещите автономни превозни средства. Това е особено вярно, ако се интересуваме от всички пътни инфраструктури, които трябва да се поддържат, за да се гарантира максимална безопасност на автомобилното движение.

 

Първите резултати от това проучване показват, че отчитането на всички характеристики на инфраструктурите дава възможност за по-ефективно сегментиране на пътната маркировка за определяне на стратегически области на поддръжка. Всъщност деветте области, получени в това проучване, са по-добре разграничими (с по-малко припокриване) от тези, получени без отчитане на всички характеристики на пътните инфраструктури. Друг важен момент от тази работа е, че няма повече некласифицирани зони от това, което се случва, когато разглеждаме само хоризонталната пътна маркировка.

 

Това проучване, също така, даде възможност да се подчертае класификацията на всички пътни инфраструктури, съдържащи се в данните, събрани чрез FAMD в комбинация с методологията AHC. Тази класификация, сравнена с класификацията на маркировката на осовата линия, позволи да се открие влиянието на свойствата на пътната инфраструктура върху хоризонталната маркировка. Ето защо би било интересно да се анализират жизнените цикли на маркировката на централната линия, аварийната и крайната чрез анализ на Вейбул.

 

В крайна сметка би било интересно да се разшири настоящото проучване чрез иконометрично моделиране от панелен тип, за да се оцени степента на въздействие на характеристиките на пътната инфраструктура върху хоризонталната сигнализация.

 

Автори на изследването:

A. Tidjani, M. Redondin, L. Bouillaut, D. Daucher

Франция, 15 Октомври 2020 г.