交通事故多发路段研究

通过对已有的道路交通事故多发路段鉴别方法的分析,在累计频率法的基础上进行了改进,并编制了相应的计算机程序。通过程序以一定的步长重新划分路段单元,多次搜索事故多发路段位置,并进行精简合并处理。结果表明可以有效的减少事故多发路段鉴别遗漏,并准确定位。数据分析表明了事故多发路段的死亡人数和事故数量远高于正常路段,因此通过对事故多发路段的整治可有效的增加道路交通的安全性。     

一种基于路段惩罚法的合理路径集生成算法

为了给路径选择模型提供合理的路径集输入,使路径集能够包含更多驾驶员实际选择的路径,提出了一种基于路段惩罚法的路径集生成算法.根据发生拥堵的频率定义路段的拥堵指数,然后根据拥堵指数确定新算法的惩罚规则:在上一次计算的最优路径中需要增加阻抗的路段,是拥堵指数较大路段,而不是原始算法提出的所有路段.通过定义合理的指标评价路径集生成算法的有效性,根据实测的驾驶员出行路径数据评价改进的路段惩罚算法、原始的路段惩罚法以及应用较广泛的随机分类组合法.结果表明,在几种算法中本文提出算法生成的路径与实测路径完全一致的比例最大.     

鱼塘路段软基处治方法探析

珠江三角洲是我国几大典型的软基分布区域之一,且其软基路段很多都是鱼塘广布。如按常规的处治方法,需在抽干水的鱼塘内回填中粗砂至常水位以上50cm再进行软基处治,将大大增加工程造价。通过对“填土工作垫层法”的沉降进行分析,认为填土工作垫层和填砂工作垫层处治效果相当,且造价低廉,具备很好的推广性。并将该方案应用于工程实际,取得了良好的效果。     

基于公园式道路的典型路段改线研究

文中说明了公园式道路的概念,提出了公园式道路不同于一般公路的设计理念;以我国南方地区公园式道路为例,提出了公园式道路线形和景现设计指标;以长沙地区某道路为例,介绍了公园式道路典型路段改线的实施方法。     

基于VISSIM的城市施工路段堵塞对策研究

以武汉市街道口施工路段为例,利用实地调查交通数据,得出拥堵车辆中小汽车为大多数,并采用交通仿真软件VISSIM模拟不同交通状况下交通流运行情况,在保证施工顺利进行和正常交通秩序的前提下,分析并提出了建造临时桥梁以解决施工路段堵塞的方法.     

OD表推算方法的数学模型描述

路段交通是由各个交通小区之间的交通网络上累加而成的,二者存在着较大的联系。建立以路段交通量为主要参数的数学模型,可推算出OD调查表。文中对各主要模型进行了概述,并用数学表达式表示。并提出了非平衡模型的一个约束条件。     

国省道二级公路超宽路段改善安全性研究

为适应交通量增长,广东省国省道修建了不少二级公路超宽路段(路基宽度超过15 m),大多划分为不设中间带的四车道公路.据统计,其交通事故多发(黑点)的特征突出.通过现场调研和致因分析,提出预防碰撞事故的措施,并从道路本身和周边环境入手,阐述超宽路段改善安全性的设置方案及建议.     

安平路拓宽工程新老路基结合处治效果分析

通过对陕西安平(安康—平利)试验路段拓宽工程采用的处治措施的观测分析,证明了采用土工格栅和回填天然砂砾的办法进行拓宽处治的可行性和有效性。     

基于网络负载容量模型的城市路网级联失效研究

在城市道路交通中,关键路段的失效可能导致路网的大面积拥堵,为了准确判断城市道路交通网络的关键路段,首先采用原始法构建城市道路交通网络的几何拓扑图,并在已有的交通网络级联失效模型基础上,考虑了城市道路网络的有向性和拥堵的局部扩散特性,对模型的初始负荷定义及失效负载重分配的规则进行了改进,并采用改进后的模型对不同路段破坏失效进行了模拟分析,研究了不同路段发生破坏后拥挤的扩散过程.采用破坏影响后的路网平均距离降低比例和失效路段所占比例来反映路段的破坏程度,最后对路网中的路段进行重要度排序,并结合路段在路网中的度、介数及级联失效的影响程度等指标,利用K-Means聚类分析对路段进行了聚类.结论表明:只考虑路段上的流量大小或路段的一些静态指标并不能够准确判断路段的重要度,路网中往往还存在一些潜在的重要路段,考虑多种指标对不同路段进行聚类更具合理性.     

无信号控制路段手机对行人过街行为和安全的影响

行人过街时使用手机会对其过街行为和交通安全产生一定的影响.本文以武汉市6个无信号路段交通调查数据为基础,对行人使用手机时的行为和安全性进行统计分析,并建立了基于Order Probit回归分析的人车冲突量化模型.结果表明：11.76 %的行人在过街时会使用手机,其中看手机屏幕、打电话和听音乐分别占6.65 %、2.83 %和2.28 %;使用手机对行人过街行为有明显影响,包括行人过街时间增加、过街眺望次数减小等;与不使用手机的行人相比,行人使用手机会有更大的几率与机动车产生冲突,其中,打电话对是否产生轻微冲突的影响最大,看手机屏幕对是否产生严重冲突的影响最大.