高速公路改扩建工程智能化应急预案管理系统

为了保障高速公路改扩建施工区路段的交通安全,降低由于突发事件导致的人员伤亡和财产损失,利用应急预案智能关联匹配技术——K-NN检索算法,开发了一套高速公路改扩建智能化应急预案管理系统,并将该系统应用于珲春至乌兰浩特高速公路吉林至龙嘉机场路段改扩建工程项目中。该系统能够根据不同的突发事件及时匹配有效的救援信息,保障救援工作快速化、智能化和有序化地开展,减少突发事件带来的损失。     

寒区冰雪期居民出行方式综合评价

为给寒区冰雪期交通资源的优化配置提供理论依据,对居民出行方式进行了综合评价.从出行者的安全性、效率性、经济性、舒适性等四个方面构建了评价指标体系,进而构建了寒区冰雪期居民出行方式的综合评价模型;然后对哈尔滨这一典型寒区城市其冰雪期的居民出行成本与效益进行量化,运用主成分分析法,借助SPSS软件,标定了模型参数;以哈尔滨为案例,对冰雪期不同出行方式的优劣性进行了评价.结果表明,冰雪期哈尔滨居民出行方式总得分为3. 99,其中居民选择地铁出行的得分最高,为1. 15,即地铁的出行总成本最小,所以,可将地铁作为寒区的主导交通出行方式并大力发展.     

高速公路驾驶员昼夜识别距离变化规律

为了制定高速公路昼夜车速限制标准,保障高速公路驾驶员有足够的时间获取信息,采用数理统计与回归分析方法,对采集的驾驶员昼夜识别距离数据进行了对比分析,研究了行驶速度、平曲线半径和公路纵坡对高速公路驾驶员昼夜识别距离的量化影响,建立了驾驶员昼夜识别距离与行驶速度、平曲线半径、公路纵坡的多元关系模型.研究结果表明,驾驶员夜间识别距离与白天相比平均下降8.5%,最大下降30.4%,下降幅度与行驶速度和公路线形条件有关;驾驶员白天识别距离与行驶速度、平曲线半径、公路纵坡分别呈负对数、正线性和负指数相关,模型的相关系数为0.852;驾驶员夜间识别距离与行驶速度、平曲线半径和公路纵坡分别呈负线性、正对数和负指数相关,模型的相关系数为0.983.     

高速公路不良天气条件下最高车速限制合理取值

为了提高不良天气条件下高速公路行车的安全性,分析了雨、雪、雾等不良天气条件对道路交通安全的影响机理,采用数学公式推导的方法,以制动反应时间内行驶距离与制动距离之和小于能见距离为条件,推导了不良天气条件下的基于安全距离的高速公路最高车速限制值计算公式,并给出了雾天、雨天及雪天对应不同能见距离、附着系数及纵坡的车速限制标准建议.     

小学生上下学出行特征分析与管理策略

小学生上下学交通是城市居民出行的重要组成部分,由于家长接送学生时私人小汽车的停放以及机非混合,严重影响了学校门口的交通运行。以小学生上下学出行为研究对象,结合某小学的分层抽样OD调查数据,研究小学生上下学出行方式,并与美国小学生的出行方式进行对比;采集学校所在路段的交通量,绘制12 h交通量时变曲线,与无学校影响的、类似路段的交通量时变曲线进行对比,揭示学校所在路段交通量波动特征和上下学出行结构特征。在出行结构分析和交通量分析基础上,从出行结构和供需关系两方面提出改善小学生上下学交通的管理策略。     

高速公路85%位车速特征分析及车速限制建议

对高速公路不同线形条件和交通条件下的分车道、分车型85%位车速特征进行了分析,建立了高速公路不同行驶方向的曲线半径、转角及曲线长度与不同车型85%位车速的多元线性回归模型,给出了上坡路段需进行车速限制的临界坡度;分别对高速道路交通量和交通组成与85%位车速的关系进行了研究,给出了自由流条件下车速的分布范围,建立了大型车混入率与85%位车速的关系模型;对比分析了高速公路雨天与晴天的车速,得出了小雨天气对车速影响不大的结论.     

高速公路夜间最高车速限制研究

为了合理确定高速公路夜间最高车速限制值,保障高速公路夜间行车安全,进行了驾驶人夜间距离识别与车速感知试验研究.分析了行驶速度、平曲线半径和纵坡坡度对高速公路驾驶人夜间识别距离与感知速度的量化影响,并建立了高速公路驾驶人夜间识别距离模型与感知速度模型.基于驾驶人夜间识别距离与反应制动距离间的安全行驶判别条件及驾驶人夜间感知速度模型,给出了高速公路夜间最高理论限速值与修正限速值的确定方法,并进行实际案例分析.研究结果表明:驾驶人夜间识别距离与行驶速度呈负线性相关,与平曲线半径呈正对数相关,与公路纵坡坡度呈负指数相关;驾驶人夜间感知速度与纵坡坡度无关,与实际行驶速度呈正线性相关,与平曲线半径呈负对数相关.     

基于无监督聚类分析的激进换道行为识别方法

为有效指导驾驶人采取更安全的换道行为,本文提出基于改进的自组织映射神经网络(SOM-Kmeans)聚类分析的激进换道行为识别方法。通过模拟驾驶设备和眼动仪获取驾驶数据和眼动状态,运用变点检测算法结合方向盘转角和横向注视位置从多模态数据集中提取换道行为事件数据,进而提取驾驶人换道行为关键特征参数,运用SOM-Kmeans聚类分析识别激进换道行为。将SOM-Kmeans聚类方法分别与基于密度的聚类算法(DBSCAN)及模糊C均值聚类算法(FCM)比较,分析激进换道行为的识别效果。研究结果表明：SOM-Kmeans能够将激进换道行为划分为紧急换道和挤车换道两种类型,并建立相应的行为指标和阈值,当换道过程中加速度波动大于8.22 m·s^-3且方向盘转角大于0.83 (°)·s^-1,识别此次换道为激进换道行为;在激进换道行为的基础上,当换道间隙小于7.5 m且换道持续时间大于10.3 s时,识别此次换道为挤车换道,否则,为紧急换道行为。挤车换道行为多出现在拥堵较严重的强制换道中,紧急换道行为多出现在交通流环境较好的自由换道中。本文提出的识别方法的准确率...