预告标志对城市快速道路交织区交通流特性的影响

为了更好地采用城市快速路交织区的交通流特性指导、优化道路设计,基于城市快速路交织路段内驾驶员的换道行为及车辆换道数据,分析该路段内的车辆换道轨迹及持续时间等信息。建立基本的车辆换道规则,发掘预告标志设置对交织路段交通流特性的影响,并在AnyLogic中建立模型进行仿真。结果表明,预告标志设置对交织区车辆换道特征会产生影响。     

高密度交通流状态下行车安全性分析

在高密度交通流状态下,车辆行驶的自由度下降,相互影响逐渐增大,主要以跟驰行驶和换车道行驶为主。事故统计表明,高密度交通流状态是交通事故多发的主要原因之一。根据行车动力学原理和车辆运行特征,分别构建了跟驰行驶和换车道行驶的安全约束条件。根据不同交通状态下车辆安全制动的加速度,初步建立非线性的行车风险评价模型。借助交通仿真软件Vissim对某山区高速公路路段进行模拟实例分析,能有效地反映高密度交通流状态下车辆行驶的安全性。     

基于分子动力学的跟驰特性及其模型

为更好地研究车辆跟驰特性,缓解道路交通拥堵,在车辆跟驰行为受前导车和道路环境等影响的基础上,将单车道道路虚拟为一维管道,道路上的跟驰车辆抽象成相互作用的分子。考虑需求安全距离和期望速度2个影响因素,基于分子动力学构建车辆相互作用势和分子壁面势函数,并建立基于相互作用势函数的分子跟驰模型,给出跟驰车辆的加速度模型。在实际交通环境中建立视频采集试验路段,采集试验路段不同点位的交通流样本,从视频中获得模型所需数据,并将数据分为两部分,一部分用于参数标定,其余用来模型验证。将车辆运行状态分为常态行驶、起动加速和减速停车3种。根据实测交通数据分别对3种车辆运行状态下的经典GM模型和分子跟驰模型进行参数标定,选取3种不同运行状态下的试验数据各3组,代入标定后的分子跟驰模型与经典GM模型计算模型输出加速度,并与实测加速度进行误差分析对比,结果表明,分子跟驰模型输出加速度与实测加速度之间的误差,总体上比经典GM模型要小,而且根据绝对误差方差显示,分子跟驰模型较经典GM模型稳定性更高。选取有代表性的一组跟驰过程进行数据绘图,对比可以看出分子跟驰模型输出加速度与实测数据变化趋势几乎一致,其拟合效果比经典GM模型更好。     

基于自然驾驶数据的跨江大桥小客车跟驰特性研究

为明确跨江大桥的跟驰行为特征以及驾驶模式,在重庆菜园坝大桥展开了30位被试的小客车实车驾驶试验,使用华测航姿测量系统和前视碰撞预警系统Mobileye 630采集自然驾驶状态下汽车的连续行驶速度、车头时距和车头间距等数据。通过筛选得到了725条有效跟驰轨迹数据,对比分析发现跨江大桥与城市一般道路的跟驰行为存在一定差异性,明确了菜园坝大桥车头时距和车头间距的分布特征,并且对强跟驰(小于1.6 s)、过渡区间(1.6~2.6 s之间)以及弱跟驰(大于2.6 s)3种跟驰状态和驾驶人性别差异下的跟驰数据进行了分析。结果表明:桥梁段车头时距分布集中在1.6 s处,车头间距分布集中在18 m处;超过1/3的跟驰轨迹处于强跟驰状态,此状态下前车驾驶行为对跟驰车辆具有较强制约性;当车辆处于弱跟驰状态时,前车对于后车的约束性会随车头时距的增大而快速降低;过渡区间的设立更好地揭示了强/弱跟驰状态之间的转变并不是只有一个临界值,而是存在一个转换过程,并且其间车辆跟驰特性的变化与驾驶人本身的操作行为存在较大关联;驾驶人的性别差异对跟驰距离几乎没有影响,但男性驾驶人往往会采取更加冒险的驾驶行为,平均车头时距、车头间距以及相对速度均高于女性驾驶人。     

协同自适应巡航控制车辆占比对下匝道分流区混合交通流安全性的影响分析

在人工驾驶车辆、自适应巡航控制（ACC）车辆和协同自适应巡航控制（CACC）车辆的行车行为特征分析的基础上，运用跟驰模型和换道模型分别构建人工驾驶车辆、ACC车辆及CACC车辆在下匝道分流区混合交通流仿真环境，解析CACC车辆占比对混合交通流安全性的影响。选取全速度差模型、ACC跟驰模型、CACC跟驰模型分别作为人工驾驶车辆、ACC车辆、CACC车辆的纵向跟驰模型，利用随意换道模型、强制换道模型分别构建下匝道分流主线段、远近端区的横向换道模型。基于碰撞时间（TTC）、暴露碰撞时间（TET）、整合碰撞时间（TIT）等参数构建交通流安全性评价指标。利用MATLAB进行数值模拟，仿真分析不同CACC车辆占比下的混合交通流安全性。结果表明:CACC车辆占比为40%~50%时，混合交通流安全性恶化最严重，TET和TIT分别增加约68%和89%，车辆速度离散系数为0.9以上；通过在下匝道分流区设置远端强制换道区（设置长度≤ 1 000 m），可有效降低混合交通流的追尾碰撞风险。      

基于样本熵特征的驾驶人换道过程特征分析

在行车环境中,驾驶人的精神负荷是否能合理分配直接影响行驶安全,因而驾驶人的驾驶熟练程度与驾驶人驾驶过程中的精神负荷分配之间关系值得研究,其中脑电是客观评价驾驶人精神负荷的重要指标.通过实验采集了10组城市道路环境下驾驶人驾驶过程中的脑电信号,并记录了车辆行驶过程中的车辆数据,然后使用样本熵的方法来定量计算脑电数据,从而评价驾驶人在换道过程中的精神负荷问题.样本熵计算结果显示:换道过程中驾驶人的脑电特征要明显比非换道过程中驾驶人的脑电特征复杂;换道过程中驾驶人的脑电特征样本熵明显大于非换道状态下的驾驶人脑电特征样本熵,熟练驾驶人的脑电数据样本熵明显小于非熟练驾驶人的样本熵值,熟练驾驶人在换道过程中车速高于非熟练驾驶人;相较于跟驰驾驶行为,换道驾驶行为过程占用更多的精神负荷,熟练驾驶人比非熟练驾驶人分配更少的精神负荷在换道过程中.     

考虑慢车影响的双车道PFV跟驰模型研究

在双车道交通系统中会有较多的因素影响跟驰行为,针对单车道提出的跟驰模型能否直接适用于双车道系统值得研究。双车道交通系统中的车辆存在换道行为,因此,在研究双车道跟驰行为时不仅应考虑本车道前后车辆的影响,还应该考虑邻近车道车辆的影响,合理地将换道规则引入跟驰模型中。考虑慢车影响,基于PFV跟驰策略建立了双车道跟驰模型。仿真结果表明,相较于FVD策略而言,采用PFV策略,慢车在双车道交通系统中造成的车辆延误较小且无碰撞发生,可以更好地描述车辆在双车道系统中遇到慢车时的跟驰行为。     

基于换道起点和终点混合搜索算法的轨迹与行为特征研究

在交通流理论中的车辆换道特征研究领域,基于高精度交通流数据的车辆换道过程搜索算法是准确有效发挥高精度交通流数据价值的关键。依托NGSIM项目的高精度交通流数据,提出了基于车辆横向位移与速度的换道起点和终点混合搜索算法,并通过可视化对比进一步验证了该算法与已有算法在准确度上的优越性。对新算法所得的车辆换道过程进行了交通流特征参数分析,研究结果表明:以往研究低估了车辆实际换道持续时间;车辆换道持续时间受道路路段车流饱和度的影响;根据算法将车辆换道过程分前中后三段,前段持续时间和后段持续时间相对稳定;以车道线为界,车辆在跨越车道线前后的纵向位移之比大于1,且受道路路段车流饱和度影响。     

基于元胞自动机模型的路侧停车行为对交通流的影响研究

针对路侧停车带来的进出停车位排队延误、低速巡游降低通行效率、过量停车加剧交通负荷等问题,研究了路侧停车对路段动态交通流的影响分析方法。基于视频识别算法,提取路侧停车车辆在驶入车位过程中的运行轨迹和速度波动数据,解析路侧停车过程中的驶入行为特性,并按照行为差异将停车车辆停车全过程细分为进入路段、寻找车位、找到车位、驶入车位、静止停放、驶离车位、汇入路段和错失车位8类状态;分别依据停车车辆和通行车辆的实际驾驶行为,从跟驰特征、速度矫正、换道规则和位置更新等方面对路侧停车元胞自动机模型进行了改进;在选择目标车位时综合考虑了步行至目的地时间和驶入车位耗时2个要素。与常规通行车辆相比,深入分析了停车车辆提前换道和停车完后汇入路段行为对后车的影响。基于实际交通流数据对仿真模型进行参数标定,经验证,模型拟合度为77.6%;仿真分析了在差异化的停车需求强度下,巡游速度对道路通行能力和延误时间的影响规律。结果表明:固定的巡游速度和停车需求强度下,道路延误时间随道路交通量先增加后减少;在低停车需求强度下,巡游速度对道路通行能力影响微弱,在高停车需求强度下,当巡游速度从30 km/h降低至20 km/h,外侧车道饱和流量降低500 veh/h,最高延误时间增加105 s。      

基于侧向车辆影响的跟驰模型建模及仿真

应用实际交通数据对现有的2种跟驰模型进行模拟验证,结果显示,其与实测数据均存在一定误差.之后通过分析车辆在跟驰状态下行驶所受影响因素,结合驾驶员心理,在优化速度模型的基础上结合侧向车辆的影响因素建立新的交通流跟驰模型.通过线性稳定性分析,得到了模型的稳定性条件,分析结果表明,模型稳定性受侧向邻车行驶状态的影响,侧向影响越小,模型稳定性越好.通过西安市某路段的交通数据对新模型进行了验证,结果表明,相对于优化速度模型,新模型仿真结果更贴近实测交通数据,均方差降低62.89%,最大绝对误差降低66.39%,最小绝对误差降低33.4%.      

基于VSP分布的车辆跟驰模型的油耗测算对比研究

利用GPS收集了大量北京市快速路上车辆跟驰状态下的驾驶行为数据.以GPS采集的行为数据为前车驾驶数据,采用不同车辆跟驰模型来模拟并输出后车的跟驰行为.对连续的瞬时速度按照60s集成并且划分平均速度区间,在同速度区间内对比分析了不同跟驰模型输出的机动车比功率(VSP)分布与真实分布的差异.其后,利用车载油耗仪收集实测的逐秒油耗数据,采用基于VSP分布的油耗测算方法,测算并对比了不同跟驰模型的平均油耗率和油耗因子与真实油耗的差异.研究发现前后车全速度差是车辆跟驰模型中的关键参数,其能明显提升仿真跟驰行为VSP分布的准确性,进而更准确地测算车辆跟驰状态下的燃油消耗.     

不同流量条件下车道利用率的仿真研究

车道利用率反映的是单一方向路段交通量在不同车道上的分布情况,它影响交通流的稳定性,是道路通行能力和交通安全的重要影响因素。针对不同流量条件下车道利用率的不确定性和现场数据采集困难等特点,应用车辆跟驰、车道变换等微观交通流仿真模型在一体化仿真环境下进行模拟研究,得到双车道和三车道路段流量换道次数以及流量车道利用率关系的基本规律。     

判定跟驰状态的研究

在大量实际观测交通流数据的基础上,深入分析跟驰车辆运行特性与车头时距的关系,提出利用相对速度绝对值随车头时距变化的规律定量地判定车辆行驶状态的新方法,即利用坐标变换确定车辆跟驰状态与自由行驶状态转折点。通过大量实测数据对该方法的验证表明,车头时距低于5s的车辆处于跟驰状态,而大于8s的车辆处于自由行驶状态;同时,车速对跟驰状态的界限没有显著影响。     

车联网关键指标对车辆安全影响仿真测试方法

提出了一种用于分析车联网关键指标对车辆安全影响的仿真测试方法。首先,基于微观交通流仿真软件设计了危险跟驰、换道等基础仿真场景;然后,分析了基于高斯分布的定位误差模型和单跳通信延误模型,并建立了定位误差、通信延误和渗透率在仿真过程中的执行策略;接着,基于车辆最小安全距离跟驰模型和车辆非线性分段制动模型分别提出了车辆危险跟驰预警和危险换道预警方法;最后,通过建立基于HLA(high level architecture)的车联网仿真平台对不同定位误差、通信延误和渗透率对车辆安全的影响进行了仿真测试。结果表明,在危险跟驰场景中,在注入了基于高斯分布的定位误差后,预警成功率为88%,预警成功率随着预警策略中减速度的减小而增大;在危险换道场景中,在注入了单跳通信延误后,预警成功率达100%;成功预警数随着OD(origin destination)取值和渗透率的增大而增大,并且受渗透率影响更加明显。     

多车道高速公路出口车辆换道行为研究

为研究多车道高速公路出口车辆换道行为,提出了出口换道车辆样本的识别指标与标准。基于筛选出的高速公路出口段的车辆换道样本,分析了不同换道需求次数下的出口换道位置分布特征,确定车辆换道影响范围,通过对车辆换道影响范围图的特征和原因的分析,并结合实际情况,提出高速公路出口诱导设置的建议。基于最后一次换道和路段上普通换道的持续时间、速度、横向加速度、纵向加速度样本,利用SPSS中T检验模块,完成换道过程中的车辆运动状态特征显著性分析。最后,找出换道意图关键影响因素,构建驾驶人换道意图与各关键影响因素的二元Logistic关系模型。     

基于时变期望车距与最大车速的跟驰模型

为了精确模拟城市交通网络中行驶车辆之间的跟驰行为,在研究跟驰状态下车辆行驶特性的基础之上,考虑车辆行驶的最大限制速度和前车速度,对基于最大车速的广义力模型进行改进.改进的跟驰模型将处于跟驰状态的车辆与前车之间的期望车间距看作是与前车、目标车车速相关的时变量.将该模型与基于最大速度的广义力(GF)模型分别用于模拟车辆跟驰过程,与实测数据进行图表对比分析,表明该模型的仿真结果更接近实际的交通流特性.     

基于随机森林的雨天车辆跟驰风险行为研究

为降低雨天车辆跟驰行为风险,建立了一种基于随机森林的雨天车辆跟驰风险水平判定模型.通过引入降雨条件和安全距离,同时解决跟驰风险不易被量化分析及准确判定的问题,对传统驾驶风险判别模型进行修正,从而提取降雨条件下车辆运行跟驰风险特征,判定当前状态下的车辆跟驰风险.利用UC-winRoad驾驶模拟器仿真实验输出的降雨条件(包括降雨等级、路面水膜厚度、路面附着系数)和车辆运行数据(包括纵向车速、加速度、安全距离)进行验证,构建了引入风险熵的风险水平判定模型;通过随机森林算法对模型进行训练,并对风险特征进行提取,输出风险水平的判定结果.结果表明,该模型获取的风险水平误差小于1级,相比人工神经网络和支持向量机,平均相对误差分别降低了10.36%和4.54%.所提出模型可作为实用工具判定雨天车辆跟驰风险水平.      

基于无人机视频拍摄的高速公路小型车换道行为特性

为了研究高速公路小型车的换道行为特性,采用2台无人机同时在200 m的高空对交通流进行拍摄,获取交通流运行状态。构建拍摄路段的高精度地图,获取每一时刻车辆的精确运行状态数据,在此基础上对2个视频进行拼接,最终获得车道位置、速度、车辆编号等8项关键指标,共提取换道行为1 520条,筛选后得到完整的自由换道数据942条。采用车辆轨迹是否持续偏移作为判断换道行为起终点的依据,在此基础上分析换道的时间长度、空间长度、与周边车辆的相互状态以及换道行为的安全性等16个特征参数。得出平均换道时间长度为6.09 s,平均换道空间距离为148.08 m,换道时间与空间长度均符合对数正态分布。换道车辆与目标车道后方车辆的平均距离最小（34.29 m）,其相对距离在10 m以内的占28.24%,驾驶人为了加快行驶,在与目标车道后方车辆相对距离较小的情况下,依然采取换道措施。与正前方车辆的相对速度差最大,平均值为10.2 km·h^-1,并且在83%的情况下,本车的速度大于前车,说明车辆自由换道是由于前方车辆行驶速度较慢所引起。采用TTC,MTC分别对换道起始时刻的安全性进行分析,并将安全状态划分为4种类型：严重-紧急状态、严重-非紧急状态、非严重-紧急状态、非严重-非紧急状态。其中严重-非紧急,非严重-非紧急这2种状态占比最高。该研究成果对了解中国驾驶人在高速公路上的换道行为特性,以及对建立适用于中国实际交通环境特征的换道行为模型具有一定参考意义。     

车路协同下HMI对跟驰行为与视觉特性的影响

为研究车路协同系统对驾驶员跟驰行为和视觉特性的影响,基于驾驶模拟器搭建高速公路场景和车路协同环境,针对常规状态和意外事件这2种情况,采集跟驰过程中的驾驶行为数据和驾驶员眼动数据,对比分析了有HMI和无HMI这2种情况下的车头间距、车头时距、加速踏板深度、平均制动次数及驾驶员在每个区域的注视时长和扫视频率等行为变量.分析结果表明,常规状态的跟驰过程中,设置HMI车辆的车头间距和车头时距分别增大12.91%和23.70%,加速踏板使用幅度及制动踏板平均使用次数分别降低7.55%和10.14%,设置HMI可使驾驶员注视车辆前方区域的时长减少,在HMI区域的注视时长占总时长的6.18%,而扫视频率没有明显变化;在意外事件的跟驰过程中,HMI的预警对速度和车头时距产生显著性影响,使方向盘转角和加速度方差变化幅度减小,且在保证安全距离的前提下,通过不停地扫视以获取换道时机.      

智能网联环境下基于安全势场理论的车辆跟驰模型

为有效刻画未来智能网联环境下交通流微观跟驰行为，以更加精确地进行车辆的运动决策，建立了基于安全势场理论下的车辆跟驰模型。模型以势场理论为基础，首先阐述了交通环境中安全势场的客观性、普遍性以及可测性，然后通过引入加速度参数对既有安全势场模型进行改进，改进后的安全势场模型能够有效刻画出在不同速度、加速度值下车辆安全势场的变化趋势。在分析安全势场变化基础上，构建的车辆跟驰模型强化了加速度参数对车辆跟驰行为的影响，由于不同速度、加速度信息在智能网联环境下车辆可以实时获取，因此该模型可应用于未来智能网联环境中。此外，在模型参数标定过程中，通过对NGSIM数据进行筛选，得到含有较多减速停车以及启动加速状态的轨迹数据，共筛选得到412组NGSIM真实跟驰车对数据，并最终利用人工蜂群算法对该模型进行参数标定。为评估模型仿真效果，选择OVM模型、IDM模型与本文模型进行比较，并选取均方根误差RMSE和平均绝对百分误差MAPE为参数标定结果评价与验证的指标，结果表明，建立的基于安全势场理论的车辆跟驰模型具有良好的精度，适用于描述考虑加速度参数条件下的跟驰行为，可为今后智能网联环境下车辆微观驾驶安全决策、交通流中观安全势场分布、交通流宏观状态估计等奠定理论基础。