Summary
本研究分析了路边停车对城市街道的影响。整个过程包括交通数据采集、数据处理、运行模拟、模拟校准和灵敏度分析。
Abstract
路边停车是中国常见的交通现象。狭窄的城市街道、高停车需求和停车位短缺迫使公众在路边随意停车。提出了一种协议来确定路边停放的车辆对过往车辆的影响。在本调查中，选择一条双向双车道的城市街道，其中一辆车停在路边进行交通数据收集。根据这些数据，确定路边停放车辆对过往车辆轨迹和速度的影响。此外，应用微观仿真模型，根据敏感性分析，确定不同交通量下路边停车对最大排队长度、延误、排放等指标的影响。结果表明，路边停放的车辆影响过往车辆的轨迹约80 m，对速度有负影响，路边停放车辆位置处的车速最低;敏感性分析结果表明，流量与指标值同步增加。该协议提供了一种确定路边停车对行驶轨迹和速度的影响的方法。该研究有助于未来路边停车的精细化管理。
Introduction
城镇化进程加快的同时，机动车保有量和城市交通流量明显增加。2021年，中国汽车保有量达到3.78亿辆，较2020年增加2510万辆1。然而，目前道路容量不足、交通管理技术有限的形势导致城市交通供需差距日益明显。因此，道路交通拥堵逐渐加剧。作为城市交通中最普遍的问题，交通拥堵造成许多危害，引起了研究人员的广泛关注2，3，4。除了延长出行时间外，交通拥堵还加剧了环境污染，加剧了能源消耗，增加了污染物排放5，6，7，8。交通拥堵与事故率之间存在正相关关系9，10.除上述影响外，交通拥堵加剧还削弱了收入和就业11，这种影响与人们的日常生活密切相关，因此使其成为城市的主要问题之一。随着城市的发展，道路拥堵对社会的不利影响将不断增大。
交通拥堵是许多城市交通问题的综合反映，其中停车是主要问题。城市人口的扩大和机动车的增加对停车供应和突出的停车需求产生了负面影响。在停车系统中，路边停车在城市交通中很常见，是解决停车供需失衡的重要手段。路边停车利用道路两侧的资源提供停车位。与其他停车设施相比，路边停车方便、快捷、灵活、节省空间。然而，路边停车占用了道路资源，其不利影响不容忽视。在发展中国家快速发展的城市中，飙升的停车需求使路边停车超载，从而降低了交通安全、空气质量和公共空间12.因此，需要解决路边停车问题。
路边停车位可以设在两种情况下：（1）非机动车道（即在机动车道和非机动车道分开的宽阔道路上，路边停车占用最右侧非机动车道的空间）;（2）机动车和非机动车混合车道，往往是狭窄道路，交通量低。由于机动车和非机动车共享道路资源，在第二种情况下，路边停车经常导致交通运营混乱。然而，大多数现有研究都集中在第一种情况下13，14，15，16，17，18。
当非机动车道上存在路边停车位，并且机动车道和非机动车道没有强制隔离时，路边停车间接导致交通混杂。路边停车位显著降低了非机动车道的有效宽度，从而增加了非机动车通过非机动车道并占据相邻机动车道的概率。这种行为称为车道交叉16。许多研究探讨了非机动车道路边停车对混合交通流的影响。基于元胞自动机模型，Chen等人13通过研究机动车与非机动车之间的摩擦和拥堵冲突，评估了路边停车对城市街道异质交通运营的影响13。Chen等人通过考虑路边停车的影响，提出了混合交通流的道路阻力模型17。此外，一些研究仅研究了路边停车对机动车的影响。郭某等人提出了一种基于风险持续时间的方法，用于定量分析机动车在路边停车路段19的行驶时间，结果表明，路边停车对行驶时间有显著影响。
交通模拟是研究路边停车影响的常用工具。Yang等人利用VISSIM软件探索路边停车对动态交通（尤其是容量）的影响，开发了车辆平均延迟交通模型，并通过仿真验证了模型的可靠性20。Gao等人使用相同的软件分析了四种交通干扰下路边停车对混合交通的影响18。郭等人利用元胞自动机模型，通过蒙特卡罗模拟分析了不同场景下路边停车对车辆交通特征（车道容量和车速）的影响21。在Kerner三相交通理论的框架下，胡等人基于元胞自动机模型22分析了临时路边停车行为对交通流量的影响。这些研究表明，路边停车对交通效率有很大的负面影响。
交通管理部门有兴趣了解路边停放的车辆对交通流量的影响。影响的具体长度和程度对于管理路边停车问题非常重要，例如，通过提供有关如何划定停车场、确定非停车区和调节停车时间的信息。在这项研究中，设计了一个协议来检查单个路边停放的车辆对交通运行的影响。该过程可以概括为以下步骤：1）准备设备，2）选择数据收集位置，3）选择调查时间，4）收集数据，5）进行数据分析，6）构建模拟模型，7）校准模拟模型，以及8）执行灵敏度分析。如果不满足这八个步骤中的任何要求，则该过程不完整且不足以证明有效性。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. 设备的准备
- 确保所需的所有设备都可用：雷达、路边激光设备、笔记本电脑、电池、相机、无人机、反射式三脚架、相应的电缆和设备三脚架。
2. 数据收集位置的选择（图1）
- 选择数据收集位置。确保所选位置位于双向和双车道道路上。
注意：位置选择是这项研究的关键。双车道宽度易于观察。 - 确保该位置没有任何交叉点。
注意：来自第三个方向的车辆可能会导致观测混乱。 - 确保道路上没有障碍物，只有调查人员放置的一辆停放的车辆。
注意：障碍物可能会中断车辆行为并阻止雷达检测。 - 确保至少有 300 m 的视距和间隙。这是雷达调查和调查人员安全所必需的。
注意：一个雷达最多可以探测200米。雷达位于调查中停放车辆的上游和下游 100 米处。 - 确保该位置是直线段。
注意：如果路段不直，则无法确定车辆偏移是否由路边停车引起。
3. 调查时间的选择
- 选择调查时间。总共至少需要3 h，早高峰1 h，中午1 h，晚高峰1h23，24，25。
- 从交通研究报告、交警部门或交通业务公司26 中获取交通流量高峰小时的时间（图2）。
- 在没有流量报告或分析作为参考的情况下，收集上述三个时间段内几个小时的数据，然后选择流量最高的峰值数据27，28。
- 使用流量最高的小时数据进行数据分析，并作为模拟模型的输入。使用所有3小时的数据进行模型验证。
注：所选道路两侧是餐馆，餐饮高峰时段是路边停车需求的高峰时段。客流量高峰时段为下班时间，下班时间也是餐饮高峰时段。因此，交通量的高峰时段和停车需求的高峰时段几乎是同步的。
4. 数据收集（图3）
- 将车辆停放在距离路边约 20 厘米的地方，以便放置路边激光设备。
- 将反光三脚架放在车辆后部。不要放置得太远，以确保不会影响车辆的行为。
注意：根据中国《道路交通安全法》的相关规定，需要反光三脚架来提醒和/或避免碰撞。三脚架放置在停放车辆后方一定距离处，以提醒后面的车辆前方有停放的车辆，从而避免碰撞。反光三脚架与停放车辆之间的距离保持较低，以尽量减少反光三脚架对过往车辆行为的影响，因此其对研究结果的影响可以忽略不计。 - 设置雷达三脚架。将三脚架设置在不小于2米的高度，以避免信号阻塞。用三脚架锁定雷达。垂直调整雷达，并将其转向停放的车辆。将雷达数据线与笔记本电脑 USB 端口连接。
注意：一个雷达位于停放车辆的上游 100 米处，另一个雷达位于停放车辆的下游 100 米处。两个雷达都放置在停放车辆的同一侧，以捕获交通数据。 - 打开雷达软件，然后执行以下步骤。
- 单击通信检查。选择串行端口，然后单击连接。在软件显示检测到雷达后单击确认。
- 单击调查 设置。单击 读取 RLU 时间 并 设置 RLU 时间。单击 擦除数据记录，然后确认以清除雷达的内部存储器。单击“ 开始调查”，然后关闭对话框。
- 单击 实时视图 以检查雷达状态，当车辆通过时，应收集交通数据。
- 准备路边激光设备和电缆。将路边激光设备数据线与端口连接。将路边激光设备数据线与笔记本电脑 USB 端口连接。
- 将路边激光设备放置在停放的车辆中间。旋转设备上的四个调整列以将其调平。
注意：路边激光设备必须在标准位置下工作。 - 打开路边激光设备软件，执行以下操作。
- 单击通信检查。选择 RLU 串行端口号，然后单击连接。在软件显示检测到新的RLU连接后单击确认。
- 单击查看 调查。当车辆通过时，交通流量将实时显示。
- 单击调查设置。依次单击读取 RLU 时间和设置 RLU 时间。设置开始时间和结束时间，然后单击设置任务。在软件显示 RLU 调查设置成功后单击确认。
- 点击 完成。单击 设备状态 以查看路边激光设备的状态。
- 将摄像头设置在停放车辆上游约 30 m 处。
注意：交通数据可以通过雷达和路边激光设备收集。准备交通运营视频进行数据验证。 - 将所有设备设置在双车道双面路（此处为点子义路）。每 5 分钟检查一次雷达、路边激光设备和摄像头是否工作正常。
注：确保笔记本电脑和相机的时间与实时时间相同。在预定时间同时启动两个雷达、路边激光设备和摄像头。两个面对面的雷达与中间路边激光装置相结合，提供受影响交通的连续轨迹。 - 结束数据采集，关闭雷达软件中的实时检查窗口。
- 单击“调查设置”，选择“结束调查”，然后确认。关闭对话框。
- 选择 “数据下载”，浏览计算机以保存数据，然后输入文件的名称。单击“ 打开”，然后单击 “开始下载”。单击 确认 以完成雷达数据收集。
- 单击路边激光设备软件中的 设备状态 ，然后单击 停止任务 以结束数据收集。选择 “数据下载”，浏览并输入文件的名称。单击 打开，然后单击 开始下载。单击 “确认 ”，完成路边激光设备的数据采集。
5. 数据分析
注意：通过数据收集，获取3小时的数据，包括早高峰，中午和晚高峰。摄像机提供回放交通视频，以手动校准交通量和车辆类型。选择数据量最大的组数据（即本例中的早高峰数据）作为进行数据分析的代表小时。
- 使用软件从雷达收集轨迹和速度。
注意：雷达距离停放的车辆 100 米，道路宽 10 米。因此，超出该范围的所有数据点都是雷达错误，应将其删除。 - 确保路边激光设备提供偏移值、超车速度、车辆数量以及停放车辆位置的车辆类型。
- 使用计算软件绘制两个雷达和一个路边激光设备提供的整个轨迹范围和速度作为代表性数据（图 4-6）。
6. 构建仿真模型
注：微观模拟模型由交通模拟软件建立。数据收集的结果，包括交通量、车速和车辆类型组成，是交通模拟中的重要参数，也是模型构建的基础。模拟中只需要代表性数据组。
- 道路建设
- 打开仿真软件。导入所调查路段的背景地图。
- 单击左侧的障碍物，单击鼠标右键，然后选择添加新障碍物。输入障碍物的长度和宽度，然后单击“确定”。拖动光标将障碍物移动到道路上。
注：“障碍物”是指路边停放的车辆。障碍物的长度和宽度根据停放车辆的实际尺寸进行设置。 - 单击 左侧的链接， 将光标移动到链接的开头，然后单击鼠标右键。选择 添加新链接，输入车道宽度， 然后单击确定。拖动光标以在地图上绘制链接。
- 重复步骤 6.1.3 以构建四个路段。
- 按住鼠标右键和键盘上的 Ctrl 按钮，将一个链接的端点拖动到相邻链接以连接两个链接。
注意：这部分称为“连接器”，添加更多点时会变得更平滑。 - 重复步骤 6.1.5 以连接所有链路。
- 所需速度
- 从顶部栏中选择“ 基础数据 ”，然后选择 “分布”|所需的速度。
- 单击底部的绿色十字 添加 按钮以添加新的所需速度分布并命名。
- 输入从代表性数据中获取的平均速度和最大速度作为最小和最大所需速度。删除默认数据。
- 重复步骤6.2.2-6.2.3以建立所有所需的速度分布（东西方向，西向东的方向和减速区域）。
注：在下文中，东西方向缩写为 E-W，西向东方向缩写为 W-E。
- 车辆成分
- 从顶部栏中选择 “列表 ”，然后选择“ 私人运输|车辆成分。
- 点击绿色十字 添加 按钮以添加新的战车组合。
- 单击 添加 按钮以添加两种车辆类型：重型货车 （HGV） 和公共汽车。
- 在步骤 6.2 中为汽车、重型货车和公共汽车选择所需的速度分布集。
- 重复步骤6.3.2-6.3.4以建立两种车辆组合物（E-W和W-E）。从代表性数据中输入汽车、重型货车和公共汽车的流量。
- 车辆路线
- 从左侧菜单栏中选择 车辆路线 。
- 将光标移动到一个链接的上游，单击鼠标右键，然后选择添加新 的静态车辆路径决策。
- 拖动蓝色光标以从数据收集中的实际路线绘制地图上的车辆路线。
- 减速区域
- 从左侧菜单栏中选择 减速区域 。
- 右键单击停车位置上游的区域，然后选择 添加新的减速区域。
注意：该区域的长度取决于数据分析结果。 - 右键单击屏幕边距，选择 “添加”，然后选择在步骤 6.2 中为降低速度区域设置的所需速度作为区域速度。
- 重复步骤 6.5.2-6.5.3 以设置所有减速区域。
- 优先权规则
- 从左侧菜单栏中选择 优先级规则 。
- 右键单击停放车辆上游的 W-E 方向减速区域，然后选择添加新 优先级规则。输入最小间隙时间和间隙。
- 重复步骤 6.6.2，在 E-W 方向上设置停放车辆下游的优先级规则。
注意：优先级规则的设置取决于数据收集反映的实际流量操作。
- 车辆行驶时间
- 从左侧选择 车辆行驶时间 。
- 右键单击一个链接的开头，然后选择 添加新车辆行驶时间测量。
- 将光标拖动到链接的末尾以构建车辆行驶时间测量。
- 对所有车辆路线重复步骤 6.7.3。
- 车辆输入
- 从左侧选择 车辆输入 。右键单击一个链接的开头，然后选择 添加新车辆输入。
- 将鼠标移动到左下角，输入代表性数据的音量。
- 对所有链接重复步骤 6.8.1-6.8.2。
- 节点
- 从左侧选择 节点 。右键单击以选择“ 添加新节点”，然后单击“ 确定”。
- 左键单击并移动鼠标以调整中等节点范围。
注意： 节点范围与仿真结果相关，取决于路段几何形状。
- 单击模拟界面顶部的 评估 ，然后选择 结果列表。单击 节点 结果和 车辆行驶时间结果。
- 单击顶部的蓝色播放按钮开始模拟。单击设备按钮快速 模式 以最大限度地提高模拟速度。
- 仿真后，节点结果和车辆行驶时间结果显示在界面底部，包括最大队列长度、停车时间、延误、车辆数量、油耗、CO排放、NO排放、VOC排放和行驶时间。
7. 仿真模型标定
注：本研究的交通观测结果显示，早高峰数据量最大，但对3个数据组进行仿真验证，充分说明了仿真模型的可靠性。
- 将采集到的数据输入仿真模型，运行仿真，得到仿真结果（图7A）。
注意：模拟体积可以从模拟结果生成。 - 将模拟体积与收集的体积进行比较。
注意：使用 公式 1 计算容量：
(1)
其中 C 表示理想容量 （veh/h）， ht 表示平均最小间距 （s）。
注意：收集的体积和模拟体积之间的差异称为平均绝对百分比误差（MAPE），如 公式2所示：
(2)
其中 n 表示本研究中的四种不同流，
是模拟模型中模拟的容量（VEH / H）， 
是调查的容量（VEH / H）。计算出的 MAPE 列于 表 2 中。
注意：当 MAPE 较小时，模拟精度是可以接受的。
(1)
(2)
是模拟模型中模拟的容量（VEH / H）， 
是调查的容量（VEH / H）。计算出的 MAPE 列于 表 2 中。8. 敏感性分析
注： 图7B 显示了灵敏度分析过程。灵敏度分析过程仅反映所收集数据的性能（表3）。为了了解实时场景中不同交通量的情况，将所有可能的交通量组合输入到仿真模型中，以确保路边停车分析涵盖所有情况（图 8 和 表 4）。
- 确保代表性数据包含三组数据（即W-E体积、E-W体积和其他参数）。
- 将W-E体积分为六类，将E-W体积分为七类，并在仿真中保持其他参数稳定。
注：W-E交通量为150-400 veh/h，高峰时段增加50 veh/h，E-W交通量为150-450 veh/h，高峰时段增加50 veh/h。市区街道单车道最大服务交通量为1，140车/小时。 - 模拟42种情况，并验证所有情况下的有效性。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
本文提出了一种协议，通过交通数据收集和模拟来确定路边停车对双向双车道城市道路上过往车辆的影响。选择一条道路作为研究地点（图1），并将车辆停在计划的路边位置。应用雷达、路边激光装置和摄像头采集车辆轨迹、速度、体积和类型组成，以确定路边停车下车辆轨迹和速度的变化（图4-6）。根据道路的几何特征和数据收集结果，建立了微观模拟模型（图7）。敏感性分析确定了路边停车对最大排队长度、延迟、排放和其他不同交通量下车辆运行指标的影响（图 8）。
图 1 显示了数据收集位置。试验路是中国陕西省西安市的双向双车道道路。道路宽度为10米，限速为60公里/小时，没有中间地带，代表了路边停车的典型条件。双向交通可以轻松流动，但在停放车辆的情况下会显着减慢。
图4显示了基于雷达和路边激光设备测量的数据在路边停车影响下的轨迹。该图显示，路边停放的车辆影响了过往车辆的轨迹80 m。蓝色表示西部雷达数据，橙色表示东部雷达数据。中间的黑线是点的集合，是路边激光装置检测到的过往车辆垂直位置形成的位置分布。
西部雷达显示轨迹变化。当车辆看到路边停放的护栏时，它们会偏离停放车辆上游 40 m 处的正常位置。
路边激光设备可以记录每辆过往车辆的横向位置和速度。横向位置范围为2.3米至4.9米（ 即图4中中间黑线的下端和上端）。平均位置为3.3米。此处的位置是指在 W-E 方向运行的车辆的右侧位置和在 E-W 方向运行的车辆的左侧位置。
对于东部雷达，观察到与西部雷达类似的趋势。车辆在通过测试车辆后约40 m返回正常位置。
如图4所示，路边停放的车辆对过往车辆轨迹的影响长度为80 m。过往车辆在距停放车辆中心40 m处开始偏离正常轨迹，距停放车辆中心40 m后恢复正常轨迹（具体位置用图4中的两条黑色长线标出，两条线的水平位置分别为60 m和140 m）。在停放车辆位置（即图4中坐标为[100，0]的位置），过往车辆与停放车辆外缘之间的平均距离为3.3 m。考虑到停放车辆的宽度，过往车辆与停放车辆内缘之间的平均距离为1.3 m。过往车辆与停放车辆内缘之间的最小和最大距离分别为0.3米和2.9米，由过往车辆的原始位置和运行条件确定。靠近路边行驶的车辆在通过路边时与停放的车辆的横向距离不大，甚至由于其他沿同一方向行驶的车辆的影响而低速通过。当过往车辆不受同方向行驶的其他车辆的干扰时，行驶宽度更加大方。换句话说，过往车辆和路边停放车辆之间的横向宽度就足够了。当然，过往车辆和停放车辆之间的横向宽度也取决于驾驶行为。与激进的驾驶员相比，稳定的驾驶员更有可能通过横向宽度较大的停放车辆。
图5和图6显示，路边停车降低了过往车辆的速度，在停放的车辆位置（即中心水平坐标为[100，0]的位置）观察到过往车辆的最低速度。图5显示了E-W方向的速度。图中交通从右向左移动，表明车速在180-120 m范围内逐渐降低。通过停车位置后，速度逐渐均匀分布，没有明显增加。
在橙色部分，就在停放车辆位置之前，达到了 54.7 公里/小时的最高速度，这是车辆以比迎面而来的车辆更高的速度通过的速度。最低速度为 0 公里/小时，这发生在停车位置。随着车辆在W-E方向的偏移值较高，该车辆占用更多的道路宽度，并且E-W方向的车辆必须等待，这意味着后者的速度为0 km / h。
在蓝色区域，通过停车位置后，车速保持在8-35公里/小时的范围内。由于道路环境的原因，汽车很难达到更高的速度上限。由于驶离停车位置，下限从 8 公里/小时略微增加到 20 公里/小时。
图6显示了W-E方向上的速度，图片中车辆从左向右移动。W-E方向的速度变化与E-W方向的速度变化相似。
在停车位置之前（即图中0-100 m范围内），W-E方向的车速上下限从20 m位置逐渐收窄。在0-40 m范围内，上限逐渐减小，最低点为80 m位置。38.6公里/小时（20米位置）的限速降至29公里/小时（80米位置）。限速从9.4公里/小时（10米位置）增加到10.44公里/小时（100米位置）。
停车位置前的限速降低。在观察过程中，如果W-E方向的车辆发现停放的车辆在同一侧，并且前方没有车辆或对面车辆距离很远，则W-E方向的车辆倾向于首先加速和偏移，以占据一个良好的位置，以便首先通过停放的车辆。这种现象是停车位置前速度增加的原因。
通过停车位置，速度范围为8.2-47.7公里/小时。下限降低是因为一些司机在通过停放的车辆时刹车以避免划伤。当双向驶来的车辆在停车位相遇时，就会发生划痕，在这些情况下，驾驶员试图通过降低速度来避免划痕。与蓝色区域相比，限速提高了9.1公里/小时。这是因为当没有车辆朝相反方向驶来时，W-E方向的车辆在确认没有划伤路边停放的车辆后，通过停车位置加速，符合驾驶员的通常驾驶习惯。
在橙色区域，通过停车位置后，7.5 km/h 的下限显着增加。这表明大多数车辆在远离停车位置 10 m 后可以加速回到停车位置之前的速度。
图8显示了九个指标的模拟结果，这些指标反映了车辆在不同交通量下的运行状态。E-W 和 W-E 方向的交通量会影响最大队列长度（图 8A）、车辆数量（图 8B）、延迟（图 8C）、停靠点数量（图 8D）、一氧化碳排放（图 8E）、NO 排放（图 8F）、VOC 排放（图 8G）、油耗（图 8H）和行驶时间（图 8I） 与路边停车数据对齐。流量的增加导致所有指标值的增加，但不同指标值的影响程度各不相同。此外，路边停车对 E-W 和 W-E 方向的车辆没有相同的影响。
随着交通量的增加，对于最大排队长度、延误、停车次数3个指标，路边停车对W-E方向车辆的影响程度显著高于E-W方向的车辆。在5个排放相关指标、油耗、行驶时间方面，E-W和W-E方向对车辆的影响程度几乎相同，但对W-E方向车辆的影响程度略大。W-E和E-W方向交通量达到300-350 veh/h后，最大排队长度、延误、 停靠次数的增长趋势明显较高，路边停车对过往交通流交通运营效率的负面影响更加严重。5个排放相关指标，油耗和行驶时间随着双向交通量的增加而均匀变化。
图1：数据采集地点：一条双向双车道道路，西安的滇子一路。 坐标：108.932882，34.220774。（一）西安市勘查地点示意图。（B）红线代表数据收集段。红线北路交叉口为人烟稀少的步行街，不影响本次调查。请点击此处查看此图的大图。
图 2：24 小时拥塞指数。 图中数据来自2021年8月24日西安26日实时拥堵指数。数据显示，早高峰发生在07：00—09：00，晚高峰发生在17：00—19：00。山谷，不包括深夜，发生在11：00至12：00。上午08：00和下午18：00的拥堵指数分别为2.25和2.66。 请点击此处查看此图的大图。
图 3：无人机在 150 m 高度拍摄的照片中显示的数据收集方案。树荫覆盖了所有设备，因此彩色块代表设备。路边停放的车辆在中间，两个雷达放置在停放车辆的上游100m和下游100m处。西雷达和东雷达都面向停放的车辆。 请点击此处查看此图的大图。
图 4：整个轨迹。 测试车辆停在面板中 （100，0） 的位置。蓝色代表西雷达数据，中间黑线代表路边激光设备数据，橙色代表东雷达数据。 请点击此处查看此图的大图。
图 5：东西向速度。 请点击此处查看此图的大图。
图 6：东西向速度。 请点击此处查看此图的大图。
图 7：计算模拟误差 （MAPE） 和执行灵敏度分析的流程图。 （A） 计算 MAPE 的流程图。（二）敏感性分析流程图。请点击此处查看此图的大图。
图 8：灵敏度分析。 X 轴 = E-W 流量，Y 轴 = W-E 流量，Z 轴 = 评估指标值。（A） 最大队列长度。（二）车辆数量。（c） 延误。（四）停车次数。（五）一氧化碳排放。（F） 无排放。（七）挥发性有机化合物排放。（h） 燃料消耗。（一）旅行时间。 请点击此处查看此图的大图。
| 项目 | 上午 （07：00−08：00） | 中午 （13：00−14：00） | 晚上 （17：00−18：00） | |||
| 方向 | W–E | E–W | W–E | E–W | W–E | E–W |
| 汽车（车/小时） | 306 | 374 | 167 | 148 | 351 | 228 |
| 卡车（车/小时） | 1 | 3 | 1 | 0 | 4 | 0 |
| 巴士（车/小时） | 9 | 9 | 4 | 5 | 6 | 4 |
| 平均。速度（公里/小时） | 21.7 | 24.5 | 19.4 | 24.7 | 18.8 | 20.5 |
| 最大速度（公里/小时） | 47.7 | 54.7 | 55.8 | 56.2 | 44.6 | 45.0 |
| 最小速度（公里/小时） | 0 | 0 | 0 | 0 | 0 | 0 |
表1：调查中收集的车辆信息。 最低速度为 0 公里/小时表示某些车辆停止行驶。
| 项目 | 上午 （07：00−08：00） | 中午 （13：00−14：00） | 晚上 （17：00─18：00） | |||
| 方向 | W–E | E–W | W–E | E–W | W–E | E–W |
| 投资能力（车/小时） | 316 | 386 | 172 | 153 | 361 | 232 |
| 模拟容量（车/小时） | 306 | 360 | 174 | 150 | 354 | 216 |
| 个人马普（%） | 3.2 | 6.7 | 1.2 | 2.0 | 1.9 | 6.9 |
| 马普（%） | 5.0 | 1.6 | 4.4 | |||
表 2：仿真模型的校准结果。 表中列出了调查的流量和模拟流量之间的校准结果。使用 公式2计算MAPE得出，三个数据组的模拟容量与实际容量之间的误差分别为5.5%、1.6%和4.4%，均较小。由于总容量误差小于15%，所建立模型的误差在可接受的范围内，仿真精度足够29。
| 项目 | 上午 | 中午 | 傍晚 | |||
| （07：00−08：00） | （13：00−14：00） | （17：00─18：00） | ||||
| W–E | E–W | W–E | E–W | W–E | E–W | |
| 最大队列长度（m） | 31.26 | 34.93 | 12.00 | 7.96 | 34.88 | 20.40 |
| 车辆数量 | 306 | 360 | 168 | 150 | 348 | 216 |
| 延迟 | 6.47 | 6.58 | 3.10 | 1.74 | 6.68 | 4.64 |
| 停留次数（次） | 0.28 | 0.52 | 0.05 | 0.11 | 0.24 | 0.42 |
| 一氧化碳排放量（克） | 191.790 | 249.606 | 89.112 | 77.820 | 219.462 | 135.468 |
| 无排放（克） | 37.314 | 48.564 | 17.340 | 15.138 | 42.702 | 26.358 |
| 挥发性有机化合物排放量（克） | 44.448 | 57.846 | 20.652 | 18.036 | 50.862 | 31.398 |
| 油耗（加仑） | 2.742 | 3.570 | 1.272 | 1.116 | 3.138 | 1.938 |
| 旅行时间 | 35.46 | 29.12 | 31.92 | 24.56 | 35.73 | 27.25 |
表3：早高峰数据、中午数据和晚高峰数据的仿真结果。 作为代表性数据，早高峰数据组的流量和指标值最高。中午流量数据组的流量和指示器值最低。
| 项目 | 价值 |
| E–W 容积（车/小时） | 150/200/250/300/350/400/450 |
| 宽-东容积（速度/小时） | 150/200/250/300/350/400 |
| 注：E–W 交通量在 150–450 veh/h 范围内，增加 50 veh/h。W-E 交通量在 150-400 veh/h 范围内，增加 50 veh/h。 | |
表 4：仿真中灵敏度分析的输入参数。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
路边停车对城市街道的影响不容忽视，随机停车需要解决30，31。本文介绍了一种确定路边停车对双向城市街道交通流量影响的协议。数据收集指定路边停车引起的过往车辆的轨迹和速度变化。交通模拟量化道路指数，例如最大队列长度、延迟和排放。
协议中的关键步骤是数据收集和微仿真模型构建。数据采集位置是没有交叉点、入口或出口的直线段。为确保影响可见，道路宽度不能超过 10 米。宽度为10 m的街道适合观察。如果更窄，流量可能会完全细分，如果更宽，则可能无法检测到影响。足够长的视距也是该段的要求。在建立仿真模型时，应注意减速区域和优先级规则。减速区的相关参数（速度和长度）是根据代表性数据设置的，以反映实际道路运行情况。使用优先级规则而不是冲突区域可以更好地反映驾驶员的行为。优先级规则与代表性数据相同，并使用摄像机捕获的交通操作视频进行检查。
关于路边停车对过往车辆的影响，该协议提供了调查结果的具体和现实的描述。例如，过往车辆的轨迹在 80 m 长度内受到影响，并且车速也会受到负面影响。此外，在不同交通量下，仿真分析结果显示了反映交通运行效率的各种指标的性能。流量的增加与指标值的增长同步。
该协议的主要限制是它仅对路边停放的一辆车辆有效。下一个研究阶段将进行，以确定多个随机停放的车辆对交通流量运行的影响。
建议交警在狭窄的城市街道上增加监控设备，以监控停在路边的车辆，从而减轻路边停车的影响。
这里描述的用于评估路边停车对双向城市街道的影响的协议可用于提出精细化的路边停车管理措施，例如允许停车时间、推荐停车位置和允许停车车辆类型。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
作者没有什么可透露的。
Acknowledgments
笔者感谢陕西省教育厅资助的科研项目（项目编号：21JK0908）。
Materials
| Name | Company | Catalog Number | Comments |
| battery | Shenzhen Saiqi Innovation Technology Co., Ltd | LPB-568S | |
| cables for radar | BEIJING AOZER TECH & DEVELOPMENT CO.,LTD | ||
| cables for roadside laser device | MicroSense | ||
| camera | Sony Group Corp | HDR-CS680 | |
| camera tripod | Sony Group Corp | ||
| drone | SZ DJI Technology Co.,Ltd. | DA2SUE1 | |
| laptop | Dell | C2H2L82 | |
| radar | BEIJING AOZER TECH & DEVELOPMENT CO.,LTD | CADS-0037 | |
| radar tripod | BEIJING AOZER TECH & DEVELOPMENT CO.,LTD | ||
| reflective tripod | Beijing Shunan liandun Technology Co., Ltd | ||
| roadside laser device | MicroSense |
References
- China Statistical Yearbook. National Bureau of Statistics. , Available from: http://www.stats.gov.cn/tjsj./ndsj/ (2020).
- He, Y. X. A traffic capacity model of lane occupation. Applied Mechanics and Materials. 599-601, 2083-2087 (2014).
- Hua, S. Y., Wang, J. L., Zhu, Y. Cause analysis and countermeasures of Beijing city congestion. Procedia-Social and Behavioral Sciences. 96, 1426-1432 (2013).
- Yang, H. X., Li, J. D., Zhang, H., Liu, S. Q. Research on the governance of urban traffic jam based on system dynamics. Systems Engineering-Theory & Practice. 34 (8), 2135-2143 (2014).
- Rajé, F., Tight, M., Pope, F. D. Traffic pollution: A search for solutions for a city like Nairobi. Cities. 82, 100-107 (2018).
- Abdull, N., Yoneda, M., Shimada, Y. Traffic characteristics and pollutant emission from road transport in urban area. Air Quality, Atmosphere & Health. 13 (6), 731-738 (2020).
- Shi, K., Di, B. F., Zhang, K. S., Feng, C. Y., Svirchev, L. Detrended cross-correlation analysis of urban traffic congestion and NO 2 concentrations in Chengdu. Transportation Research Part D: Transport and Environment. 61, 165-173 (2018).
- Lu, Q. Y., Chai, J., Wang, S. Y., Zhang, Z. G., Sun, X. C. Potential energy conservation and CO2 emissions reduction related to China's road transportation. Journal of Cleaner Production. 245, 118892 (2020).
- Sánchez González, S., Bedoya-Maya, F., Calatayud, A. Understanding the effect of traffic congestion on accidents using big data. Sustainability. 13 (13), 7500 (2021).
- Fuente, J., Rolloque, A. C., Azas, P., Alcantara, M. M. Young road safety advocate program, the "peer to peer" approach in teaching pedestrian safety. Injury Prevention. 22, Suppl 2 67 (2016).
- Jin, J., Rafferty, P. Does congestion negatively affect income growth and employment growth? Empirical evidence from US metropolitan regions. Transport Policy. 55, 1-8 (2017).
- Ajeng, C., Gim, T. Analyzing on-street parking duration and demand in a metropolitan city of a developing country: A case study of Yogyakarta City, Indonesia. Sustainability. 10 (3), 591 (2018).
- Chen, J. X., Li, Z. B., Jiang, H., Zhu, S. L., Wang, W. Simulating the impacts of on-street vehicle parking on traffic operations on urban streets using cellular automation. Physica A: Statistical Mechanics and its Applications. 468, 880-891 (2017).
- Ye, X. F., Chen, J. Impact of curbside parking on travel time and space mean speed of nonmotorized vehicles. Transportation Research Record. 2394 (1), 1-9 (2013).
- Ye, X., Yan, X. C., Chen, J., Wang, T., Yang, Z. Impact of curbside parking on bicycle lane capacity in Nanjing, China. Transportation Research Record. 2672 (31), 120-129 (2018).
- Guo, H. W., Gao, Z. Y., Zhao, X. M., Yang, X. B. Traffic behavior analysis of non-motorized vehicle under influence of curb parking. Journal of Transportation Systems Engineering and Information Technology. 11 (1), 79-84 (2011).
- Chen, J., Mei, Z. Y., Wang, W. Road resistance model under mixed traffic flow conditions with curb parking. China Civil Engineering Journal. (09), 103-108 (2007).
- Gao, L. P., Sun, Q. X., Liu, M. J., Liang, X., Mao, B. H. Delay models and simulation on mixed traffic system with curb parking. Journal of System Simulation. 22 (003), 804-808 (2010).
- Guo, H. W., Gao, Z. Y., Yang, X. B., Zhao, X. M., Wang, W. H. Modeling travel time under the influence of on-street parking. Journal of Transportation Engineering. 138 (2), 229-235 (2012).
- Yang, X. G., Long, L., Pu, W. J. Optimal distance between one-side curbside parking location and signalized intersection. Journal of Tongji University (Natural Science). 33 (3), 297-300 (2005).
- Guo, H. W., Wang, W. H., Guo, W. W. Micro-simulation study on the effect of on-street parking on vehicular flow. 2012 15th International IEEE Conference on Intelligent Transportation Systems. , 1840-1845 (2012).
- Hu, X. J., Hao, X. T., Wang, H., Su, Z. Y., Zhang, F. Research on on-street temporary parking effects based on cellular automaton model under the framework of Kerner's three-phase traffic theory. Physica A: Statistical Mechanics and its Applications. 545, 123725 (2020).
- Shao, Y., et al. Evaluation of two improved schemes at non-aligned intersections affected by a work zone with an entropy method. Sustainability. 12 (14), 5494 (2020).
- Shao, Y., et al. Evaluating the sustainable traffic flow operational features of an exclusive spur dike U-turn lane design. PLoS One. 14 (4), 0214759 (2019).
- Shao, Y., Han, X. Y., Wu, H., Claudel, C. G. Evaluating signalization and channelization selections at intersections based on an entropy method. Entropy. 21 (8), 808 (2019).
- Xi'an realtime traffic congestion delay index. AutoNavi Traffic Big-data. , Available from: https://trp.autonavi.com/detail.do?city=610100 (2021).
- Pan, B. H., et al. Evaluation and analysis model of the length of added displaced left-turn lane based on entropy evaluation method. Journal of Advanced Transportation. 2021, 2688788 (2021).
- Pan, B. H., et al. Evaluating operational features of three unconventional intersections under heavy traffic based on CRITIC method. Sustainability. 13 (8), 4098 (2021).
- Sun, J. Guideline for Microscopic Traffic Simulation Analysis. , Tongji University Press. Shanghai, China. (2014).
- Koohpayma, J., Tahooni, A., Jelokhani, N. M., Jokar, A. J. Spatial analysis of curb-park violations and their relationship with points of interest: A case study of Tehran, Iran. Sustainability. 11 (22), 6336 (2019).
- Zoika, S., Tzouras, P. G., Tsigdinos, S., Kepaptsoglou, K. Causal analysis of illegal parking in urban roads: The case of Greece. Case Studies on Transport Policy. 9 (3), 1084-1096 (2021).
