交通事故持续期内行程时间的可靠性研究

为研究交通事故影响下路网性能的随机性,定义路网行程时间可靠性为路网在交通事故持续期内平均行程时间小于预定阈值的概率.假定事故持续时间为服从正态分布的随机变量,将给定的事故持续时间离散化为相同长度的子时段,综合运用Logit路径选择准则和路段传输模型,提出了基于Monte-Carlo法的路网行程时间可靠度模拟算法.用一个测试网络来验证算法,其事故持续时间均值为8～20 min、方差为0.5～5.0 min, 子时段出行需求为4.0和4.5辆,时间阈值为事故前走行时间的2.0和2.2倍.研究结果表明:路网行程时间可靠度均随事故持续时间均值的增大而减小;当出行需求为4.5辆、时间阈值为事故前走行时间2.0倍时,行程时间可靠度随着事故时间方差的增大而增大;当需求小于4.5辆、时间阈值大于2.0倍时,可靠度随着时间方差的增大而减小.      

车速对交通事件影响区安全与通行效率的影响

选取高速公路交通事件下交通冲突率和车速标准差作为安全表征指标,车辆排队长度为效率表征指标,通过对交通事件下车辆跟驰、换道安全间隙和车速标准差与事故率关系的分析,建立VISSIM仿真模型,分析车速对事件上游影响区运行安全的影响,并根据交通流理论分析车速对通行效率的影响。研究结果表明:事件影响区冲突率和警告区冲突率随车速增加而增加;上游过渡区冲突率在交通量较小时(1 800 pcu/h≤Q≤2 100 pcu/h)随车速的增加而增加,在交通量较大时(2 100 pcu/h≤Q≤2 400 pcu/h)受车速影响较小;车速标准差和事故率随车速和交通量的增加而增加;事件上游影响区内运行效率随车速的增加先增大后减小。     

高速公路网假日交通流空间波动幅度指数分析与标定

采用宏观交通流理论,引入假日交通流空间波动幅度指数,从路网的点、线、面3个层面对假日交通流的空间波动性进行分析。依据高速公路收费系统中全样本交通流OD数据,按照最短路法把假日前后给定时间段和假日期间的OD交通量分配到路网上,按照假日交通流空间波动幅度指数计算模型,得到路网、路段和站点的波动幅度指数。根据上述模型,对2007年国庆假期前后共3周的交通流数据进行计算,得到山东省路网2007年国庆假日交通量空间波动幅度指数为15.9%。     

�¹�Ӱ����·������ʱ���ݱ���⶯̬ģ��

为描述交通事故影响下路网中走行时间与用户择路概率的相互作用及其演变规律,建立了基于事故路段及非事故路段流量状态及LOGIT原则的拟动态模型.利用分流合流模型及速度—密度函数,分别建立路段容纳车辆数和非事故路段走行时间模型,通过分析事故路段交通流的演化过程,利用交通波理论估计排队长度 ,建立事故路段走行时间模型.结果表明：事故发生前,经过一定的模拟时段后,路网交通流趋近稳定,各条路径的选择概率趋于平衡;事故持续时段内,排队长度、路径走行时间、路径选择概率相互影响,且均呈现出震荡状态;事故清除后,路径走行时间持续下降;排队完全消散后,经过一定时段稳定后的路径走行时间和路径选择概率达到新的平衡.     

智能网联环境下多车道异质交通流建模与仿真

为探究智能网联自动驾驶车辆(Connected and Autonomous Vehicle, CAV)与人工驾驶车辆 (Human Driving Vehicle, HDV)混合行驶的多车道异质交通流运行特征,本文剖析了异质交通流中不同类型车辆的跟驰模式,提出不同类型车辆双车道及多车道换道模型,进而构建了多车道异质交通流仿真模型,并分析了不同CAV混入率下的道路通行能力及换道行为特征。研究结果表明,随着CAV渗透率的提高,单车道通行能力由1678 pcu·h-1提升至4200 pcu·h-1,交通流临界密 度由25 pcu·km-1增长至35 pcu·km-1 ,同一渗透率下不同车道数的道路通行能力及临界密度值呈现显著差异性。异质交通流换道行为呈现三阶段特征：在低密度下,不同类型车辆均可自由行驶及换道;密度在20~100 pcu·km-1 时,车辆换道频率呈“上凸”状,CAV渗透率越高,HDV凸形峰值越大,而CAV峰值较低;在高密度下,受可换道空间的约束,不同类型车辆均无法完成换道。此外,进一步讨论了不同CAV渗透率及密度条件下的异质交通流仿真效益,包括交通量提升及秩序改善特征等。研究成果有助于理解智能网联环境下多车道异质交通流运行状况,为未来异质交通流管理提供理论参考。     

高速公路路网环境事故影响范围预测方法

基于高速公路交通事故状态下交通流影响特征,对交通波理论在交通事故影响传播分析领域的传统应用方法进行修正。首先,分析高速公路交通事故形成的车道交通波在事发位置上游路段影响传播情况,并提出相应的交通事故影响范围预测方法;然后,将路段环境下的交通事故影响传播分析方法延伸应用到考虑汇入、汇出车流的路网环境,分析高速公路交通事故在上游主线、上游入口匝道及其衔接道路、上游出口匝道及其衔接道路上的影响传播过程,建立高速公路交通事故影响范围预测流程;最后,提出高速公路路网环境下交通事故影响范围预测方法。     

道路交通事故的影响范围算法

为了及时有效地采取交通流诱导措施以减少交通事故对路网的影响,对交通事故影响范围的确定方法进行研究。首先分析了路段和交叉口两种类型交通事故对路网的影响。以交通波理论为基础进行交通事故影响范围算法分析,将影响范围分成交通事故处理和交通事故持续影响两个时间段,对每一段的交通波速度、排队长度等给出相应的计算方法和步骤,最终得到确定影响范围的流程图。以虚拟路网进行算例分析,证明了算法的可行性和实用性。     

随机用户均衡交通分配问题的蚁群优化算法

研究了出行者对路网熟悉程度的指标与交通流分配均衡性之间的关系, 提出了具有指数形式信息素更新策略的随机用户均衡模型蚁群优化算法, 建立了从Logit模型加载, 到交通需求确认及路径流量、路段流量、路段阻抗、路径阻抗迭代计算的交通分配动态循环流程; 计算了Nguyen-Dupuis路网模型中各路段的流量与阻抗, 并与连续平均算法计算结果进行比较; 通过调节出行者对路网熟悉程度的因子, 分析了蚁群优化算法与连续平均算法的敏感性。研究结果表明: 采用连续平均算法和蚁群优化算法计算的路段流量分布分别为20~280、40~260pcu, 蚁群优化算法的流量分布区间减小了15.4%, 路段流量的最大值减小了7.1%, 因此, 采用蚁群优化算法计算的路段流量较为均衡; 采用蚁群优化算法时, 在Nguyen-Dupuis路网模型中各路段流量的标准差从65pcu降至48pcu, 88%可选路径的阻抗分布在61~64, 且84%的路径阻抗低于采用连续平均算法计算的阻抗, 因此, 采用蚁群优化算法减少了用户出行时间; 当路网熟悉程度分别为0.01、0.1、1、2、7、11时, 采用连续平均算法计算的路段流量标准差分别为75、65、50、47、45、45pcu, 采用蚁群优化算法计算的路段流量标准差分别为48、48、48、47、43、43pcu, 可见, 随着路网熟悉程度的增大, 分配在各路段上的流量范围逐渐减小, 标准差趋于稳定, 信息素更新策略对出行者的路径选择概率影响越明显, 出行者选择阻抗小的路径的概率变大, 因此, 采用蚁群优化算法对路段的流量分配逐渐优于连续平均算法。      

基于改进BML模型的交通事故下路网交通运行状态分析

针对BML模型在分析交通事故对路网交通运行状态影响方面的不足,考虑事故发生时车辆为回避阻塞点而改变行驶路径等行为,对BML模型中事故点前车辆的行驶规则进行改进,使之与实际车辆的驾驶行为更加接近. 在改进模型的基础上,分别就路网交通流密度一定时,事故点数量变化对交通流平均速度的影响;事故点数量一定时,路网交通流密度变化对交通流平均速度的影响;事故点前各格点车辆转移概率对交通流平均速度的影响;车辆在事故点前各格点的转移概率分布函数不同对系统运行状态的影响等四个问题进行模拟研究,通过对模拟结果进行分析,得出了一系列有意义的结论.     

���ڸĽ�BMLģ�͵Ľ�ͨ�¹���·����ͨ����״̬����

针对BML模型在分析交通事故对路网交通运行状态影响方面的不足,考虑事故发生时车辆为回避阻塞点而改变行驶路径等行为,对BML模型中事故点前车辆的行驶规则进行改进,使之与实际车辆的驾驶行为更加接近. 在改进模型的基础上,分别就路网交通流密度一定时,事故点数量变化对交通流平均速度的影响;事故点数量一定时,路网交通流密度变化对交通流平均速度的影响;事故点前各格点车辆转移概率对交通流平均速度的影响;车辆在事故点前各格点的转移概率分布函数不同对系统运行状态的影响等四个问题进行模拟研究,通过对模拟结果进行分析,得出了一系列有意义的结论.     

基于水波原理的城市道路交通事故影响分析

城市道路交通事故影响已有研究成果主要针对交通事故影响范围和持续时间,且研究方法为基于流体力学的交通流理论。该理论假设交通流处于密闭空间,而城市道路网络出入口、节点甚多,假设与实际情况不符。城市道路交通事故对交通的影响效果与涟漪现象一致,因此采用水波原理定量分析城市道路交通事故对交通的影响程度。首先将城市交通事故对交通的影响与水面受到干扰的涟漪现象进行对比分析。在此基础上,提出交通影响系数概念,利用调研所得车速数据绘制交通影响系数特征曲线;利用SPSS软件,借助水波波动方程,构建交通影响系数随时间的关系模型。结果表明,模型拟合度较好,具有统计学意义。     

前景理论下道路网络的级联失效演变

为了避免城市交通网络在突发事件的影响下陷入大范围的瘫痪,本文提出了一种 将路径改变行为和失效持续时间相结合的级联失效模型.模型以需求的演变定义了初始荷载, 提出了失效时间的概念,以及网络交通量的延迟加载方式;然后,考虑出行者在面对突发事件 的主观因素,基于前景理论确定了负载的动态重新分配方法;最后,采用MSA算法给出了模 型求解步骤.仿真结果表明：随着路段失效时间的增加,驾驶员的路径改变概率有显著差异;该 模型可定量的分析路网在不同的失效时间和初始需求下,由于路段造成的失效演变过程;在 考虑路段方向性时,路段的2 个方向均瘫痪后,相继失效速度明显加快.本文为研究突发事件 的管理方法提供了一定的理论依据.     

瓶颈路段交通改善实证研究

城市道路路网中,瓶颈路段的存在对路网通行能力有显著的影响.本文归纳了瓶颈路段存在的两类常见问题:由于拆迁、开发遗留等造成的瓶颈路拥堵;以及铁路、桥等阻碍造成的瓶颈路拥堵.对断头路、瓶颈路的改善措施进行了梳理.结合姚家园路区域-朝阳公园桥案例展开了实证研究,研究表明,断头路的存在对路网的通达性有明显影响;合理调节支路的分流量,可以减轻路网节点的拥堵程度;打通断头路,路网的非直线系数提高,更加方便路网中节点的交流;畸形交叉口的改善,使路网的连接度提高17.5%.     

道路交通事故宏观预测模型

道路交通安全已成为全社会普遍关注的问题,为了对中国未来的交通安全形势作出科学准确的预测,分析了中国道路安全状况的评价指标和主要影响因素,以交通事故死亡人数作为评价指标（输出变量）,以机动车保有量、公路里程、人均GDP为输入变量（影响因素）,建立了基于遗传算法的神经网络道路交通事故宏观预测模型和BP神经网络预测模型．模型的训练利用1978～1998年的道路交通事故数据为样本;模型的检验利用1999～2004年的道路交通事故数据进行检验．模型对未来年份的死亡人数进行了预测．预测结果表明：基于遗传算法的神经网络模型比BP神经网络预测精度较高,网络泛化能力强;得出2010年和2020年中国的道路交通事故死亡人数值分别为13．9万人和16．7万人．     

考虑出行者不同理性程度的拥堵交通流分配方法

为研究出行者感知偏好对交通分配结果的影响,本文构建了微观路径选择模型,提出拥堵条件下受路段通行能力限制的交通分配算法。引入出行者决策过程中的后悔和无差别化阈值,考虑出行时间和排队时间的心理感知差异,构建不同理性程度下的路径选择概率模型。在集计水平上,考虑当前路段及其上下游路段通行能力限制、路段车辆空间排队和溢出,提出路段车流量流入、流出的修正方法。采用增量加载分配方法,研究路段车辆的消散特性,再现了从个体路径决策到宏观路网状态的演化过程。基于Nguyen-Dupuis仿真网络,比较不同算法下各路段的拥堵车辆和各路段车辆流入、流出情况。结果表明：出行者个人偏好感知会显著影响拥堵路段的成本函数,是出行者路径选择的关键因素,但是出行者个人偏好对非拥堵路段的车辆流入、流出影响较小;考虑个体偏好的交通分配方法能降低路网的平均饱和度。本文提出的考虑有限理性的拥堵交通分配方法可应用于拥堵路网的交通诱导,有利于促进道路资源的合理利用。     

城市道路最大出行距离计算模型

为了合理体现交通事故延误对出行者路径选择的影响,提出了随机状态下的交通事故时间延误模型。将交通事故的随机性、持续时间和道路通行能力等不确定性因素引入到交通分配模型中,并对路径选择模型进行修正。分析了各等级道路最大适宜出行范围,根据修正的路径选择模型,采用逐次交通分配方法,得到各等级道路的出行周转量和出行距离,并与不考虑交通事故延误时的出行距离进行了对比分析。分析结果表明:当考虑交通事故延误时,支路、次干路、主干路、快速路的最大出行距离分别为2.000、2.946、4.054、5.963km;当不考虑交通事故延误时,支路、次干路、主干路、快速路的最大出行距离分别为2.000、3.000、6.000、10.000km;交通事故延误是影响出行者路径选择的重要因素;当考虑交通事故延误时,高等级道路的最大出行距离变小。相比于传统的路径选择模型,本文模型更优。     

变道约束下近邻交织区交通均衡组织方法

针对相邻较近的交织区车辆持续交织运行特点,以提高交织区通行效率及交通安全为目标,提出一种基于变道约束下近邻交织区交通均衡组织方法,旨在计算不同时段交通量所对应近邻各交织区的最佳提前变道诱导距离,以减少近邻交织区车辆相互干扰,降低平均交通延误,提高道路通行效率.对重庆市海峡路两段近邻交织区的日均交通量(4 092 pcu/h),早高峰时段交通量(5 340 pcu/h),晚高峰时段交通量(4 596 pcu/h),以及年均交通量(3 276 pcu/h)进行仿真建模分析.实验选取近邻交织区内累计平均延误作为近邻交织区的评价指标,利用仿真软件(Vissim 4.3)持续仿真 40次.结果表明,最佳提前变道约束距离为交织区长度的 60%,其相应的平均交通延误分别降低了57%、73%、63%和72%.