共查询到10条相似文献,搜索用时 31 毫秒
1.
从车头间距构成的理论分析入手,考虑了跟驰时间变量和车速随机分布的特性,建立了跟驰时间模型和车头间距随机项模型,进而建立了改进的车头间距模型,在此基础上建立了改进的通行能力模型,以《HCM2000》中的高速公路临界速度数据作为评定标准标定模型的参数,并计算确定理论通行能力值,该值与《HCM2000》中的通行能力值相差很小,证明该模型能够拟和实际的道路交通流情况,同时分析了最大跟驰时间和速度均方差对通行能力的影响,最后采用城市主干道的调查数据对模型进行了标定和验证,验证结果表明,该模型经过标定后可以拟和城市道路的交通流状况,进一步说明了模型的实用性。 相似文献
2.
车头时距是表征交叉口通行能力的主要参数。为探讨网联自动车混行状态下交叉口的通行能力,通过网联自动车跟驰模型推导通过停止线的安全车头时距,分析混行状态下4种跟驰行为,针对是否考虑前车类型,基于概率模型构建混合交通流背景下交叉口通行能力模型,通过参数标定分析网联自动车速度、车头时距、渗透率及信号控制对交叉口通行能力的影响,其中人工驾驶车辆的相关参数和模拟场景中涉及的数据均为实测所得。结果表明,网联自动车速度增加、车头时距减小、渗透率增加、不考虑前车类型都会提升交叉口的通行能力,混合交通流背景下提升交叉口通行能力的根本原因在于车辆通过停止线的均衡态车头时距减小;交叉口受信号控制时的均衡态车头时距越小,通行能力降低幅度越显著。 相似文献
3.
4.
《公路》2021,66(10):229-235
智能网联车辆(Intelligent and Connected Vehicle,ICV)跟驰模型是研究ICV交通流特性的基础模型,针对ICV跟驰模型的建模及交通流特性开展研究。分析现有ICV跟驰模型存在的缺陷,考虑模型结构简洁且参数物理意义明确的特性,提出新的ICV跟驰模型。理论推导本文ICV跟驰模型以及原跟驰模型的基本图函数关系式,对比分析通行能力的影响,考虑周期性边界条件,设计数值仿真实验,仿真分析ICV的混入对混合交通流稳定性的影响。研究结果表明:本文所提ICV跟驰模型能够克服原模型通行能力受恒定车头时距影响较大的缺陷,相比原模型而言,本文ICV跟驰模型通行能力随自由流速度的变化幅度较显著,与实际车流运行特性相符合,同时,ICV有利于混合交通流稳定性的提升,当ICV比例达到60%时,混合交通流由不稳定状态转变为稳定状态。研究结果论证了所提ICV跟驰模型具备良好的模型特性,可为智能网联环境下的交通流特性分析提供模型参考。 相似文献
5.
6.
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。 相似文献
7.
8.
为了分析驾驶风格对不同跟驰场景下跟驰行为的影响,利用高逼真度驾驶模拟器设计晴天、雾天两种天气状况和自由流、拥挤流、阻塞流三种交通流状态组合的六类典型跟驰场景。以跟驰过程中的最大加速度、最大油门踏板受力、最大油门踏板受力速度作为指标,通过K-means聚类识别方法,对六类典型跟驰场景下不同驾驶风格的驾驶员进行聚类识别,并以跟车间距、车头时距为风险指标评价不同驾驶风格的驾驶员在六类典型跟驰场景下的跟驰风险。结果表明:六类典型跟驰场景下,不同驾驶风格驾驶员的跟驰行为存在明显差异;激进型驾驶风格驾驶员倾向保持更小的跟车间距和车头时距,跟驰过程中的碰撞风险更高;晴天和自由流场景下不同驾驶风格驾驶员跟驰行为差异性更加显著。 相似文献
9.
10.
考虑到跟驰车流中前车车型对智能汽车跟车行为的影响,采用长短期记忆 (Long Short Term Memory,LSTM)神经网络,基于 NGSIM 数据集,通过 One-Hot方法编码车型特征,并引入注意力机制 (Attention Mechanism) 生成输入特征的注意力权重,训练并建立了一种可根据前车车型产生不同跟驰行为的智能车辆跟驰模型 (Identifiable Vehicle Type Car-Following Model,IVT-CF)。在不同前车车型的跟车场景中仿真发现,IVT-CF 模型仿真车辆的速度和位移的均方误差 (Mean Square Error,MSE) 比不分车型的 LSTM 模型分别降低了 23.8%、31.7%,比 IDM 模型分别降低了 15.8%、18.7%,仿真精度更高。在混入大型车辆的车队跟驰场景仿真中发现,交通流速度和车头间距的收敛时间为 92 s,该模型能较快收敛,具有较好的稳定性和抗干扰能力。 相似文献