混合车流下单车道道路通行能力分析

以跟驰理论为基础,通过对由大、小两种车型构成的混合车流不同跟驰序列、不同组合概率的研究,得出了跟驰车头时距单车道路段多车型混合车流通行能力模型。研究表明,单车道路段多车型混合车流通行能力不仅与反应时间、车辆长度、车辆速度、制动性能有关,还与混合车流的车辆组成状况及跟驰序列有关,最后分析了各影响参数之间的关系。     

路段混合车流通行能力分析

分别从时间、空间以及时空综合角度,对以大车、小车两种代表车型组成的混合车流进行分析;建立了路段混合车流通行能力模型——跟驰车头时间间隙模型、跟驰车头空间间隙模型及动态时空消耗模型;分析了模型间关系,得出三者一致性。     

基于跟弛模型的多车型混合车流道路通行能力

针对多车型混合车流条件下道路通行能力问题,以跟弛理论为基础,通过对大、中、小3种车型的不同组合概率及不同跟弛序列下最小车头时距的研究,得到了多车型混合车流条件下跟弛平均车头时距通行能力模型。进一步通过对3种车型不同组合下的跟弛状态、平均车头间距及三参数之间的关系,建立了多车型混合车流条件下跟弛平均车头间距通行能力模型,探讨了多车型混合车流条件下车道宽度、自行车和交叉口因素对理论通行能力的影响及修正。最后通过实例计算分析了不同小型车比例下混合车流的通行能力变化趋势,得出车型比例是影响混合车流道路通行能力的重要因素。同时论证了两个模型对多车型混合车流道路通行能力的实用性和一致性。     

非机动车干扰下信号交叉口的通行能力计算

针对城市信号交叉口非机动车干扰机动车行驶的问题,通过调查分析各进口道机动车运行特性,对直行和直左的进口道机动车饱和车头时距及通行能力计算方法进行研究。首先,从进口道停车线出现4种不同跟驰模型的概率出发,构建车辆起始阶段混合车头时距模型,结合实际数据得到车头时距的修正系数;然后,分析采集数据得到非机动车数量对驶入信号交叉口的机动车混合车头时距的影响,采用回归分析法构建对应的特征模型;最后结合交叉口实际信号灯时间计算通行能力。研究结果表明：本文采用的通行能力计算方法与实测值的误差为2.5%,较《城市道路设计规范》法及HCM通行能力计算法的误差小,提高了信号交叉口通行能力计算结果的精准度。     

重载公路信号交叉口车辆跟驰特性及折算系数

为研究重载公路信号交叉口处不同车型车辆跟驰行为的差异,调查获取自然驾驶条件下某重载公路信号交叉口通行车辆的跟驰数据,分析各车型车辆的跟驰特性。结果显示：绿灯启亮后,重载公路信号交叉口的车辆加速非常缓慢,车流长期处于加速阶段,几乎无法在绿灯期间达到稳定车速;此外,在跟驰过程中,车辆车间时距随车型变化差异显著,随车速变化差异不明显。基于以上发现,并考虑不同运行阶段车流运行特性的差异,分别对容量计算法和车头时距法进行改进,利用实测数据计算得出重载公路信号交叉口加速阶段和稳定阶段的车辆折算系数。     

混有自适应巡航控制汽车的交通流通行能力分析

应用交通流基本图模型,研究不同自适应巡航控制(adaptive cruise control,ACC)汽车比例下混合交通流通行能力。针对现有ACC跟驰模型存在的不足,考虑车头间距-速度函数关系构建新的ACC跟驰模型,推导不同ACC比例下的混合交通流基本图模型,计算混合交通流的流量-密度解析曲线,分析ACC跟驰模型改进前后对混合交通流通行能力的影响作用,并针对性地进行参数敏感性分析。研究结果表明,改进后的ACC跟驰模型可克服原模型通行能力受限的缺陷,将常规驾驶交通流最大通行能力提升近2倍且不受道路最大限速值的影响。     

多转向多车型车流通过主路的通行能力

以可接受间隙理论为基础，利用概率论的方法，对由直行车、左转车和右转车共同组成的多种车型混合车流进行分析，建立了无信号交叉口支路混合车流不同转向且服从M3分布的通行能力模型，推广了无信号交叉口单一车型、直行车流理想条件的通行能力模型．     

基于动态安全车距的车辆跟驰模型及稳定性分析

为了更好地模拟车辆的跟驰特性,在全速度差(full velocity difference, FVD)模型的基础上考虑前车与跟随车的车头间距、速度差、速度和加速度等因素,建立了一种基于动态安全车距的改进FVD跟驰模型。构建了可变车头时距模型量化前车加速度对跟驰车头间距的影响程度;应用小振幅扰动分析和长波展开进行了模型线性稳定性分析,推导了改进FVD模型的临界稳定性条件;设计环形道路上微扰动数值仿真实验,分析了扰动后的车辆跟驰行为特性,解析加速度参数对模型抗扰能力的影响。研究结果表明：考虑前车加速度信息可以降低扰动演化时的波动振幅,有助于提高车流的稳定性。     

多车型车流穿越多车道主路的通行能力

以可接受间隙理论为基础,利用概率论的方法,由以由ｒ种代表车型组成的混合车流进行分析,建立无信号交叉口支路混合车流穿越主路ｍ条车道,每一车道交通流的车头时距服从不同强度的Ｍ３分布的通行能力模型,推广了无信号交叉口单一车型、单一车道理通行能力模型。     

双车道公路无信号交叉口通行能力

分析了现有的车头时距分布模型 基于对我国大量的双车道公路上运行车辆车头时距分布模式的调查 ,提出了改进的M 3型车头时距分布模型 ,推导出双车道公路无信号交叉口处当主车道车流车头时距服从改进的M 3型分布时次车道车流通行能力计算公式 ,得出了整个交叉口通行能力随主车道车流量的关系 ,从而可为交叉口的评价及应采取的管理措施提供依据     

车距自控系统跟车模型稳定性仿真分析

用仿真分析方法,对可能用于车距自控系统的跟车模型的稳定性作了分析,主要内容包括：选定了３种可能用于车距自控系统的跟车模型,在以通行能力为约束的条件下,以前车突然制动与平稳降速２种典型驾驶行为和行驶车距与车速２种主要车辆行驶参数,对选定的３种跟车模型作了仿真,根据仿真结果给出了适用于车距自控系统的变速控制模型。     

混有CACC和ACC车辆的连续型元胞自动机交通流模型

现有的混合交通流元胞自动机模型中自动驾驶车辆与手动驾驶车辆在跟驰模型上大多仅存在反应时间上的差别,并不能体现自动驾驶上层控制系统实时调节加速度保持车速稳定的特点,基于Gipps模型和PATH实验室标定的ACC和CACC跟驰模型提出了更符合自动驾驶机理的连续型元胞自动机模型。通过计算机数值仿真分别从速度,流量,拥堵比例以及期望车间时距方面对不同渗透率下的混合交通流进行分析。结果表明,智能网联车辆能有效提高道路通行能力,且能大幅减少交通拥堵;智能网联车渗透率越高,开始出现拥堵车辆的密度临界值越大;同时道路通行能力随期望车间时距减小而增大。     

车联网环境下自动驾驶交通流建模与分析

在车联网环境下,对原有自动驾驶交通流跟驰模型进行改进,构建新的自动驾驶跟驰模型,并理论推导在不同自动驾驶比例下混合交通流稳定性的解析判别条件,从混合交通流稳定域角度对比分析模型改进前后混合交通流的稳定性。结果表明,相比于原自动驾驶跟驰模型,改进后的模型能有效缩小混合交通流不稳定区域,降低混合交通流全速度范围内稳定时所需的最低自动驾驶比例,从而提升自动驾驶混合交通流的稳定性。     

路侧公交专用车道下右转出口上游公交车头时距分布特征

为了描述公交专用车道模式下右转出口上游公交车的车头时距分布特征,考虑公交停靠站对公交车头时距分布的影响,将研究对象分为两类。基于实测数据,对公交车头时距进行非线性回归拟合,并通过卡方检验对各组数据进行拟合优度检验,从定性和定量角度对公交车头时距分布进行分析。研究结果表明：第Ⅰ类公交车头时距服从负指数分布,第Ⅱ类公交车头时距服从移位负指数分布。最后,基于可插间隙理论,建立了右转车辆在交织区延长后的通行能力模型;结合两种类型下的公交车头时距分布模型,分别建立了交织区长度与公交车流量和右转车流量的关系模型。     

公路无控交叉口混合车流的通行能力

文中以可接受间隙理论为基础 ,利用概率论和排队论的方法 ,对由r种车型组成的混合车流进行分析 建立了无信号交叉口主车流服从二阶Erlang分布下的支路多车型混合车流的通行能力模型 ,发展了无信号交叉口的混合车流通行能力理论 ,为现代化的公路交通管理提供了理论依据     

山区高速公路紧急避险车道辅助车道设置

通过对8处紧急避险车道主线外侧车道车头时距的收集与分析,运用拟合分析和卡方检验,发现当外侧车道交通流小于500veh·h-1时,车头时距符合负指数分布.考虑主线外侧车道交通流量、失控车辆的速度与失控车辆汇入的临界间隙,应用微分法求导得到失控车辆汇入主线外侧车道的汇入概率模型.通过分析失控车辆汇入主线外侧车道的换车道驾驶行为,得到了不同路面状况下车辆汇入临界间隙.在保证失控车辆95%的汇入成功率条件下,计算不同路面状况、主线外侧交通流量与驶入速度下的辅助车道长度设置值.     

GPS数据驱动的车辆跟驰行为建模与分析

为研究道路交通流特性,基于车载高精度GPS跟驰试验数据进行车辆跟驰建模研究,结合深度学习理论和数据驱动方法,构建了基于粒子群优化(particle swarm optimization, PSO)的长短期记忆(long short term memory, LSTM)车辆跟驰模型。首先,清洗和平滑车辆轨迹数据,并对驾驶特征行为参数及相关关系进行研究,如加速度、车头时距以及速度与跟驰距离特性关系等。在此基础上,制定跟驰状态筛选规则;其次,构建考虑时间序列的PSO-LSTM模型,识别跟驰数据样本集,将当前时刻的前车速度、车头间距和上一时刻的车头时距作为模型输入,预测当前时刻的跟驰车速度;接着,选用25辆车跟驰试验的高精度GPS数据验证PSO-LSTM模型性能;最后,为验证该模型的优越性,选用传统机器学习SVR(support vector regression)模型以及深度学习LSTM模型作为对比。结果表明,基于粒子群优化的长短期记忆模型预测精度高达0.993,整体预测效果高于SVR模型和LSTM模型,其中预测误差指标MAPE(mean absolute percentage error)较SVR和LSTM分别降低了60.02%、1.52%。PSO算法进行超参数优化后的PSO-LSTM模型,能更好地模拟车辆的跟驰行为。