车辆荷载特性影响下的碰撞时间分布规律

受车辆荷载特性影响的碰撞时间(Time-To-Collision, TTC)，被认为是车辆避撞系统中跟驰过程风险评估的有效指标.本文以车辆类型、超重和超速指标量化表征车辆荷载特性，分解前后车辆不同荷载特性组合的12类跟驰场景.基于动态称重技术获取融合荷载特性的交通流数据，分析车辆荷载特性对自由流交通状态下12类跟驰场景TTC分布的影响，利用KS 检验对比TTC分布的显著性.结果表明：TTC累计频率分布服从指数模型，在5%置信度水平上，跟驰前后车的车辆类型对TTC分布无显著影响；前后车均为超重轻车显著增加了潜在冲突风险，超重增加了轻车跟驰重车，轻车跟驰轻车场景的潜在冲突风险；前后车不超速跟驰场景下，轻车跟驰重车的风险比例高于轻车跟驰轻车.     

高速公路雨天环境下车辆跟驰行为安全风险分析

雨天环境下行车安全隐患突出,针对雨天环境车辆跟驰行为的追尾安全风险进行研究。首先,考虑雨天环境下车辆正常加减速以及急刹车2种条件,设计安全仿真场景,并基于实测自然驾驶数据标定的跟驰模型,进行跟驰行为安全风险仿真实验。其次,根据仿真数据,使用ITC、DRAC、DSS 3种不同类型的安全评价指标对不同降雨量以及不同跟驰场景进行安全风险评价。最后,采取统计检验的方法对ITC、DRAC、DSS 3种安全评价指标进行适用性分析。研究结果表明：在2种跟驰场景中,随着降雨量的增大,车辆跟驰行为中发生碰撞的风险均随之增大,同时潜在的碰撞风险时间也越长。以速度20 m/s、DSS指标为例,正常加减速场景不同天气状况下DSS指标所表示出有碰撞风险可能性的时间分别为：晴天0 s、小雨90.9 s、大雨100 s;急刹车场景不同天气状况下DSS指标所表示出有碰撞风险可能性的时间分别为：晴天7.0 s、小雨14.3 s、大雨20.7 s。针对不同降雨量以及跟驰场景,DSS评价指标的适用性均优于ITC评价指标和DRAC评价指标。     

基于行人影响的信号交叉口右转车辆跟驰模型

为探究在不同场景下行人对信号交叉口右转车辆跟驰行为的影响,采用无人机采集信号交叉口视频录像,通过视频分析技术提取信号交叉口右转车辆跟驰数据,提出考虑行人过街平均流率影响的右转车辆优化速度函数,构建不同场景下基于行人影响的信号交叉口右转车辆跟驰模型,并对模型进行参数标定和仿真验证.结果表明,保守驾驶员为避免人车冲突会先减速后停车,等待20 s可放行约27人;激进的驾驶员选择在过街行人间隙强行穿越人行横道,穿行前平均速度由13.8 m/s降至8.3 m/s,穿越完成后加速离开,速度波动较小,符合实际情形.     

基于分层COX 模型的跟驰反应延迟时间生存分析

驾驶员的反应延迟时间是驾驶员跟驰行为的重要指标之一,也是跟驰模型中的重要参数之一. 为分析延迟时间与车辆运动状态、光照条件影响因素之间的关系及延迟时间的概率分布,通过实车实验得到跟驰行为延迟时间自然驾驶数据,采用Kaplan-Meier 方法进行延迟时间单因素分析并构建延迟时间分层COX模型. 结果表明：驾驶员跟驰反应延迟时间生存函数受前车加速度,前车加速度变化状态影响显著;前车加速度与延迟时间风险函数之间的关系随时间变化,需采用分层COX模型建模;前后车相对距离每增大10 m,延迟时间风险函数取值减小6.03%;前车由变速运动变为匀速运动时,延迟时间风险函数取值减小35.39%. 研究给出延迟时间风险函数与影响因素之间的定量关系,结果可应用于跟驰模型参数优化与微观驾驶行为仿真模型.     

自适应巡航控制车辆跟驰模型综述

分析了自动驾驶汽车自适应巡航控制(Adaptive Cruise Control, ACC) 和协同自适应巡航控制(Cooperative Adaptive Cruise Control, CACC) 车辆跟驰模型, 从系统控制原理、车车通信技术与车间时距方面阐述了ACC与CACC车辆的异同点; 将目前主流ACC/CACC车辆跟驰模型分为3类: 基于智能驾驶的车辆跟驰模型、加州伯克利大学PATH实验室车辆跟驰模型与基于控制论的车辆跟驰模型, 总结3类车辆跟驰模型的建模思路与主要优缺点; 从道路通行能力、交通安全和交通流稳定性3方面, 分析了ACC/CACC车辆对交通流特性的影响, 及其研究现状与未来发展趋势。研究结果表明: 不同的ACC/CACC车辆跟驰模型对通行能力的影响存在较大差别, ACC/CACC车辆有利于提升交通安全性, 但由于缺乏统一的安全性评价指标, 难以量化ACC/CACC车辆对交通安全性的影响程度; 小规模实车试验验证了ACC车辆具有不稳定的交通流特性, 否定了ACC车辆稳定性数值仿真结果, 而数值仿真试验和小规模实车试验均表明CACC车辆可较好提升交通流稳定性, 因此, 完全依赖于计算机仿真试验无法获得令人信服的结论, 实车试验是ACC/CACC研究的必要途径; 为了完善ACC/CACC在交通领域的研究, 应构建不同ACC/CACC车辆比例下的混合交通流基本图模型、智能网联环境下的ACC/CACC车辆跟驰模型建模方法与ACC/CACC混合交通流稳定性解析方法。     

不同车速多前导车对跟驰行驶特性的影响

单车道跟驰是驾驶员的主要跟驰行为之一,掌握微观跟驰行为特性对于深入认识宏观交通流特征、改善交通拥堵具有重要的理论意义和应用价值。已有研究发现,除相邻前导车外,下游多辆前导车的行驶状态亦对驾驶员跟驰行为产生影响。然而,目前尚无对下游前导车辆影响跟驰行为的空间范围的定量研究。以美国NGSIM数据为研究对象,定量化研究下游多前导车行驶速度对跟驰车辆运行特性的影响,同时分析了不同速度区间下,前导车对跟驰车产生影响的空间范围及变化趋势。利用Pearson相关系数计算下游车辆速度与跟驰车辆交通参数间的相关系数,进而分析其相关强度,评价其影响程度,为构建考虑下游多车影响的跟驰模型提供理论依据。     

驾驶员行为特性对交通仿真模型的影响及其应用

针对现行交通仿真模型中跟车模型和超车模型的不足之处,通过分析驾驶员交通行为的基本特性。指出了驾驶员特性对车辆跟驰行为、换车道行为的影响,提出了判断车辆跟驰状态的合理指标及指标值的确定方法,最后分析了驾驶员类型对换车道模型的修正方法。     

基于支持向量机的车辆跟驰模型

基于支持向量机算法建立车辆跟驰模型,模拟单车道车辆跟驰行为——加速、减速、无动作;利用NGSIM数据对模型进行训练和测试,并与Gipps车辆跟驰模型的测试结果进行对比。结果表明:所建模型各项误差指标的精度均有较大提升,能够挖掘出影响跟驰行为的变量之间的潜在关系,弥补了传统车辆跟驰模型的不足。     

基于智能驾驶员模型的危险跟驰行为特征分析

为提高危险跟驰行为研究的效率和可靠度,创新研究基于智能驾驶员模型(IDM)模型参数的危险跟驰行为定义方法。首先,以NGSIM自然车辆数据集为基础提取跟驰轨迹数据,并通过遗传算法标定IDM模型参数,挖掘驾驶员跟驰行为特征;其次,在分析跟驰行为特征指标分布规律的基础上,考虑指标间的相关性,确定各等级危险跟驰行为指标阈值;最后,设计车辆跟驰的仿真试验,选择6个指标对不同级别危险场景下的交通运行仿真结果进行评价。结果表明,危险驾驶员跟车间距更小,间距波动系数较大,并且会干扰交通整体运行。     

基于随机森林的车辆跟驰行为模型

为克服传统车辆跟驰模型不易获得驾驶员在决策过程中潜在的决策模式和各影响因素间的潜在关系的不足,采用随机森林(random forest,RF)算法建立车辆跟驰模型。模拟单车道车辆跟驰行为,利用NGSIM(next generation simulation)车辆轨迹实测数据对所建模型进行训练和测试,并与Gipps跟驰模型的测试结果进行对比。结果表明:与Gipps模型相比,RF模型的各项误差指标的精度均得到较大提升。     

强制性换道的空间特征对分流区交通流的影响

为研究车辆在多车道分流区的跟驰换道行为，将强制性换道划分为激进型和保守型.在考虑驾驶员换道需求与空间位置关系的基础上，量化两种强制性换道行为的转换条件，并给出车辆强制性换道规则；对跟驰模型中的减速度参数进行优化，建立多车道下分流车辆的跟驰换道模型；采用实际数据标定模型中关键参数，并验证模型的可行性.仿真结果表明：分流车辆的横向空间分布对交通流的干扰具有显著性影响；当分流车辆集中在最左侧车道时，中间2车道的运行速度波动明显，折减量最大时达到51.4%，恢复稳定所需时间更多；通过 4组实验场景发现，分流车辆的合理空间分布对交通流运行速度有较大的改善作用.     

轨道列车时刻表问题研究综述

广泛的实践应用和复杂的计算挑战,使得轨道列车时刻表优化问题,多年来一直是交通运 输及运筹管理学界的热点研究问题。作为轨道交通运营规划的一个子阶段,列车时刻表向上与 线路规划(或开行方案)、向下与动车组调度融合,可以得到多个延伸的研究选题。在特定的时空 网络中,列车时刻表设计就是为每个列车确定一条无冲突的运行路径,使基于用户的度量指标如 乘客候车时间,或企业的度量指标如运营费用达到最优。对于没有列车越行和停站模式给定的 情况,通过整数变量可以完整地刻画列车时刻表模型,但如果考虑列车越行或列车停站决策,则 需要引入列车在车站出发顺序或停车决策的0-1变量。一般而言,列车时刻表问题的数学模型是 一类典型的大规模、多目标、强耦合的NP完全问题。算法设计是列车时刻表问题最为重要和困 难的部分。对于问题较简单或规模较小的情况,常用方法是对原有复杂问题进行适当简化和(或) 对难处理表达式进行合理修改,然后使用先进的计算架构和商用优化软件求解更新后模型。当 然,分支定界和动态规划这两类直接分解算法,是求解列车时刻表问题的重要方法。对于问题复 杂和规模庞大的情况,以拉格朗日和列生成为代表的对偶分解算法,则是求解列车时刻表问题的 最佳选择。未来,探讨列车时刻表与各种现实需要(如设施维修),以及时变票价和客票分配等因 素之间的深度融合,是一个有价值的研究方向;其次,研究网络环境下列车时刻表问题,将是一个 非常有意义的研究选题;最后,应进一步设计集成了问题特点与现代优化技术的各类求解算法, 开发能够完全应用于实际运营的商用软件。     

基于车辆轨迹的信号交叉口机非冲突判别

选取长沙市中心区4个典型信号交叉口,利用视频轨迹追踪软件,提取右转机动车与直行非机动车的冲突交通流轨迹数据.以减速、换道等避险行为与可能发生碰撞(距离碰撞点时间小于2 s)为依据,采集机非冲突样本;选择距离碰撞最大时间(MTTC)和冲突时间差(TDTC)作为评价指标,提出一种基于交通流运行轨迹的改进型TTC(Time ...     

不同CACC渗透率条件下的混合交通流稳定性分析

未来协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)车辆和传统车辆混合交通流的稳定性决定了CACC技术对交通拥堵、能耗排放的改善程度.鉴于此,研究不同CACC渗透率时这种混合交通流的稳定性.应用基于轨迹数据标定的IDM(Intelligent Driver Model,IDM)模型和由加州伯克利PATH实验室实车测试验证的CACC模型分别作为传统车辆跟驰模型和CACC车辆跟驰模型.依据传统车辆在扰动下的稳定性,确定高稳态速度和低稳态速度,并考虑两种车型相对数量、相对位置的随机性,设计数值仿真实验.实验结果表明,在高稳态速度下,不同CACC渗透率时混合车队均整体稳定;在低稳态速度下,当CACC渗透率较小时,车队整体不稳定,CACC渗透率需达到50%以上时,才有可能使得混合车队由不稳定转变为稳定.     

基于扰动传播特征的随机Newell跟驰模型

为研究快速路场景下小汽车跟驰行为，本文从北京市快速路交通流视频中提取高时间分辨率的机动车运行轨迹数据.统计发现，在不同跟驰速度下，小汽车车头时距均服从对数正态分布；利用动态时间规整算法提取小汽车的反应时间与扰动传播速度等特征参数，分别标定其概率分布函数，证明跟驰过程中小汽车的反应时间分布峰值和数学期望分别为1.0 s 和1.57 s；在挖掘反应时间、扰动传播速度与车头时距量化关系的基础上，建立基于交通扰动传播特征的随机Newell跟驰模型，并标定得到分速度区间的模型参数.仿真结果表明，本文提出的随机Newell跟驰模型能有效刻画跟驰行为与扰动传播间的关联特征，同时生成符合预期的交通流基本图.新模型能够为跟驰行为随机特征对交通状态的影响研究(如交通流陡降、宽移动阻塞等)提供支持.     

信号控制交叉口交通冲突特征与影响因素

对信号控制交叉口交通冲突的特征及影响因素进行分析能够快速明确交叉口的安全隐患,并提出合理的改善措施。通过对上海市5个信号控制交叉口进行交通冲突调查,分析信号控制交叉口的冲突类型特征和冲突点空间分布规律,揭示信号控制交叉口交通冲突的致因。结果表明,最突出的机—机冲突类型为直行与对向左转冲突(45%)。另外,超过50%的机—非冲突以及机—人严重冲突与右转机动车相关。利用线性回归模型和负二项模型分析冲突及严重冲突的影响因素,结果显示左转专用相位、右转车比例及大型车比例是显著影响因素。     

基于扰动传播特征的随机Newell跟驰模型

为研究快速路场景下小汽车跟驰行为，本文从北京市快速路交通流视频中提取高时间分辨率的机动车运行轨迹数据.统计发现，在不同跟驰速度下，小汽车车头时距均服从对数正态分布；利用动态时间规整算法提取小汽车的反应时间与扰动传播速度等特征参数，分别标定其概率分布函数，证明跟驰过程中小汽车的反应时间分布峰值和数学期望分别为1.0 s 和1.57 s；在挖掘反应时间、扰动传播速度与车头时距量化关系的基础上，建立基于交通扰动传播特征的随机Newell跟驰模型，并标定得到分速度区间的模型参数.仿真结果表明，本文提出的随机Newell跟驰模型能有效刻画跟驰行为与扰动传播间的关联特征，同时生成符合预期的交通流基本图.新模型能够为跟驰行为随机特征对交通状态的影响研究(如交通流陡降、宽移动阻塞等)提供支持.     

智能网联卡车车队混合流通行能力分析方法

智能网联卡车车队有望成为网联自动驾驶率先应用的场景之一，本文针对智能网联卡车车队混合交通流通行能力开展研究。首先，以智能网联卡车车队、人工驾驶卡车及人工驾驶小汽车构成的随机混合交通流为研究对象，考虑智能网联卡车车队规模空间分布特征，分析混合交通流中10种跟驰行为类型，理论推导其概率表达式，进而构建智能网联卡车车队混合交通流通行能力的通用性分析方法。然后，考虑实际交通流运行中卡车分布的随机性，将智能网联卡车车队混合交通流分为优势流、随机流和劣势流3种态势，以此提升混合交通流通行能力分析方法的普适性。最后，选择实测数据标定的跟驰模型进行案例分析，验证理论分析方法的有效性。研究结果表明：智能网联卡车比例提高或其车队规模增大均有利于3种态势混合交通流中车辆转换系数及相对熵的减小，从而可有效提升混合交通流通行能力。不同智能网联卡车比例条件下，智能网联卡车车队随机分布最优车队规模为2~4辆，同时，优势流、随机流和劣势流3种混合交通流通行能力依次递减。研究结果揭示了智能网联卡车车队混合交通流通行能力提升的内在机理，为未来智能网联卡车车队的运营管理提供方法支撑。     

基于车流冲突线的无信号交叉口风险分析

为更客观、系统地分析无信号交叉口的安全性能,提出“车流冲突线”概念.通过分析首部车冲突概率、碰撞后严重程度比和冲突向后传递长度,构建无信号交叉口安全风险评估模型.研究表明：基于临界冲突距离值构建的首部车冲突概率模型,考虑两车速度、角度、加速度和反应时间,更接近交通冲突的真实过程;借助物理碰撞学原理可确定 3种冲突型态碰撞严重程度的权重关系,即,交叉∶合流∶分流为 12.705∶1.000∶1.000;利用数学期望知识建立的交叉口当量期望车流冲突量模型,综合考虑冲突发生的潜在机率、交通量大小、车辆位置等因素,可更真实描述实际车流冲突行为.