排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
为了更好地模拟智能网联车辆(CAV)的跟驰特性, 在纵向控制模型(LCM)的基础上考虑V2V环境下多辆前车速度和加速度的影响, 构建了智能网联环境下的纵向控制模型(C-LCM); 对LCM和C-LCM进行稳定性分析, 比较了2个模型的交通流稳定域, 确定了不同通信距离时C-LCM对交通流稳定域的影响; 设计数值仿真试验对加速和减速的常见交通场景进行模拟, 分析了在V2V通信条件下CAV的跟驰行为特征; 仿真分析了CAV不同通信距离以及不同渗透率影响下的交通流安全水平; 构建了包含不同CAV渗透率的混合交通流基本图模型。研究结果表明: 交通流稳定域随着考虑前车数量的增多而增大, 当只考虑1辆前车时, 前车与本车的间隔越远, 车辆速度系数对C-LCM稳定域的影响越大; C-LCM可以提前对多前车的行为做出反应, 更好地模拟CAV的动力学特征, 在减速情景中速度超调量从0.15减少为0.08, 最大速度延迟时间由7.5 s缩短为4.9 s, 在加速情景中速度超调量从0.07减少为0.04, 最小速度延迟时间由3.5 s缩短为2.6 s; 随着CAV渗透率的提升, 交通流的安全水平不断提升, 当通信范围内有4辆CAV时, 交通流的安全性能达到最高, 其TIT和TET指标的最大减少量分别为57.22%和59.08%;随着CAV渗透率的提升, 道路通行能力从1 281 veh·h-1提升为3 204 veh·h-1。可见, 提出的C-LCM可以刻画不同车辆的跟驰特点, 实现混合交通流建模, 并降低混合交通流的复杂性, 为智能网联车辆对交通流的影响分析提供参考。 相似文献
2.
信号交叉口电动自行车闯红灯行为及其管理建议 总被引：5，自引：3，他引：2
基于北京市典型路口的调查数据,研究信号交叉口自行车骑行者的微观穿越行为。通过录像拍摄获取470个红灯期间到达的非机动车骑行者穿越行为数据。运用交叉列联表的卡方检验和生存分析的非参数估计方法,对电动自行车与人力自行车在信号交叉口的等待时空分布、闯红灯违规率、二次穿越和穿越轨迹等进行定量比较。结果表明电动自行车骑行者具有更短的等待忍耐时间,更高的闯红灯违规率,穿越过程中也表现出更高的风险偏好。牌照管理和限速有利于提高电动自行车的安全性。 相似文献
1