行人是道路交通系统中的代表性弱势群体,一旦发生事故,行人受到伤害的严重程度明显高于其他交通参与者。统计数据表明,每一起涉及行人的道路交通事故平均会造成1.2名行人受伤或者死亡,而这1.2名行人中出现死亡的概率高达29.2%。近5年的统计数据中,我国行人死亡人数占当年交通事故死亡总人数的比例持续保持在25%以上。斑马线的设置正是为了解决行人的弱势身份问题。但实际情况表明,我国驾驶人在通过斑马线时遵守斑马线“行人优先”规则的比例极低,大量驾驶人甚至从来没有主动执行过“让行”动作。为提升行人过街安全性,可行的方法包括两个方面:第一是通过各种手段促进驾驶人主动实行“车让人”行为,降低行人-车辆冲突频率。第二是采用车载行人预警系统对行人-车辆交互关系进行辨识,当存在风险时对驾驶人告警、或者控制车辆进行自主制动。针对上述需求,本文利用小型激光雷达和视频记录仪对某无信号灯控制斑马线路段进行了超过4年的间歇性自然观察,获取了不同年份情况下该路段超过200小时的行人-车辆交互数据。数据样本中,通过试验斑马线的车辆总数超过10万辆,行人数量超过2万人。数据采集期间刚好覆盖了西安市交管部门“车让人”政策实施的三个不同阶段:政策实施力度无、政策实施力度强、政策实施力度弱。本文对“车让人”政策的研究,相当于借助交管部门的政策推行手段,在西安市开展了一个群体极为庞大的社会试验。同时,在数据采集期间,由于试验路段路面重新铺装导致该路段出现了斑马线缺失,由此本文也获取了同一路段在有、无斑马线两种情况下的行人-车辆交互数据。依托上述自然采集数据,本文的主要研究内容和结论如下:（1）分析研究了不同政策执行力度下行人过街的特性变化。当“车让人”政策执行力度从无变为强时,行人的被让行率从3.60%快速增加到68.60%。一旦政策执行力度减弱,行人的被让行率迅速下降至34.10%。整体让行率与政策执行力度之间呈现出强相关性。随着政策执行力度的增强,行人过街等待时间减少了约41.58%;与无政策执行力度时相比,当政策执行力度强时,其过街决策临界间隙值最小,行人的风险承担能力和过街的信心从数据而言增加了16%。上述数据表明,“车让人”政策的执行显著提升了行人的过街胆量。（2）分析研究了不同政策执行力度下车辆通过斑马线时的特性变化。随着政策执行力度的增加,相比于政策推行前,车辆通过斑马线时的平均车速下降了17.60%。当政策执行进入平稳期,即政策执行力度减弱时,车辆平均速度又开始上升,上升幅度达到10.20%。所有数据中,主动让行车辆的减速度均值为1.94m/s2,被动让行的车辆减速度均值为2.20m/s2。尽管不同政策执行模式下行人-车辆交互关系复杂多变,主动让行模式下车辆减速度均值整体要比被动让行模式下低11.80%。从这个角度也可以看出,车辆主动让行模式下行人过街的安全性更高,这也从另外一个角度证明了实施“车让人”政策对提升行人过街安全带来的有益效果。（3）考虑车载行人预警系统需求,建立了“车让人”政策执行平稳期行人过街前,有、无斑马线情况下的行人过街意图识别模型。行人过街开始前,当行人采取直接过街时,有、无斑马线情况下对应的车辆与斑马线之间的平均距离分别为38.46m和42.10m,对应的TTC均值分别为3.46s和3.83s。当行人选择等待过街时,有、无斑马线对应的车辆与斑马线之间平均距离分别为19.59m和22.00m,对应的TTC均值分别为1.96s和2.21s。在过街速度方面,行人采取直接过街时,有、无斑马线对应的平均值分别为4.15km/h和4.61km/h。当行人选择等待过街时,有、无斑马线对应的平均值分别为2.48km/h和2.16km/h。基于上述参数分析,本文采用融合注意力机制的长短时记忆网络（Attention mechanism&Bidirectional Long Short-Term Memory,Atten-Bi LSTM）建立了行人过街意图识别模型,在无斑马线时识别准确率达到了93.89%,有斑马线时为93.05%。（4）为提升车载行人预警系统需求,本文对“车让人”政策执行平稳期内有、无斑马线情况下,行人过街过程中的行人过街轨迹预测进行了建模研究。有、无斑马线情况下,行人执行过街时的平均已等待时间分别为7.23s和8.89s、行人过街时TTC均值分别为3.71s和4.22s,行人过街速度平均值分别为4.47km/h和5.47km/h。有、无斑马线情况下,车辆的平均速度分别为35.42km/h和29.17km/h。行人受政策影响,在有斑马线情况下,行人过街过程更大胆,在风险较高情况下行人依然倾向于过街。无斑马线时,行人倾向于选择风险较低情况再执行过街动作。基于隐马尔可夫（Hidden Markov Model,HMM）和Bi-LSTM的模型经实际数据检验,可对有、无斑马线情况下行人的轨迹进行准确预测,且Bi-LSTM模型的预测精度更高。