Summary
이 연구에서는 도로변 주차가 도시 거리에 미치는 영향을 분석합니다. 전체 프로세스는 교통 데이터 수집, 데이터 처리, 운영 시뮬레이션, 시뮬레이션 보정 및 감도 분석으로 구성됩니다.
Abstract
도로변 주차는 중국에서 흔한 교통 현상입니다. 좁은 도시 거리, 높은 주차 수요 및 주차장 부족으로 인해 대중은 길가를 따라 무작위로 주차해야합니다. 길가에 주차된 차량이 지나가는 차량에 미치는 영향을 결정하기 위한 프로토콜이 제안됩니다. 이 조사에서는 교통 데이터 수집을 위해 한 대의 차량이 길가에 주차되어있는 양방향 및 2 차선 도시 도로가 선택됩니다. 이러한 데이터를 기반으로 도로변에 주차 된 차량이 지나가는 차량의 궤적 및 속도에 미치는 영향이 결정됩니다. 또한 민감도 분석에 따라 다양한 교통량에서 도로변 주차의 최대 대기열 길이, 지연, 배출량 및 기타 지표에 미치는 영향을 결정하기 위해 마이크로 시뮬레이션 모델을 적용합니다. 결과는 도로변에 주차된 차량이 약 80m 동안 지나가는 차량의 궤적에 영향을 미치고 속도에 부정적인 영향을 미치며 도로변에 주차된 차량의 위치에서 가장 낮은 속도가 관찰됨을 보여줍니다. 민감도 분석 결과는 트래픽 볼륨이 지표 값과 동시에 증가함을 시사합니다. 이 프로토콜은 도로변 주차가 이동 궤적 및 속도에 미치는 영향을 결정하는 방법을 제공합니다. 이 연구는 미래의 도로변 주차의 세련된 관리에 기여합니다.
Introduction
도시화의 가속화는 자동차 소유 및 도시 교통 흐름의 명백한 증가를 동반합니다. 2021년 중국의 자동차 소유는 3억 7,800만 대로 2020년에 비해 2,510만 대 증가했습니다1. 그러나 도로 용량이 부족하고 교통 관리 기술이 제한된 현재 상황은 도시 교통 공급과 수요 간의 불일치가 점점 더 분명 해지고 있습니다. 따라서 도로 교통 혼잡이 점차 심화되었습니다. 도시 교통에서 가장 널리 퍼진 문제인 교통 혼잡은 많은 위험을 초래하며 연구자 2,3,4로부터 많은 관심을 끌었습니다. 이동 시간을 연장하는 것 외에도 교통 혼잡은 환경 오염을 악화시키고 에너지 소비를 강화하며 오염 물질 배출량을 증가시킵니다 5,6,7,8. 교통 혼잡과 사고율 9,10 사이에는 양의 상관 관계가 있습니다. 위에서 언급 한 효과 외에도 교통 혼잡이 증가하면 소득과 고용이 약화됩니다11,이 효과는 사람들의 일상 생활과 밀접한 관련이 있으므로 도시의 주요 문제 중 하나입니다. 도시의 발전으로 도로 혼잡이 사회에 미치는 악영향은 계속 증가 할 것입니다.
교통 혼잡은 많은 도시 교통 문제를 포괄적으로 반영하며, 그 중 주차가 주요 문제입니다. 도시 인구의 확대와 자동차의 증가는 주차 공급과 뛰어난 주차 수요에 부정적인 영향을 미칩니다. 주차 시스템에서 도로변 주차는 도시 교통에서 일반적이며 주차 공급과 수요 간의 불균형을 해결하는 중요한 수단입니다. 도로변 주차는 도로 양쪽의 자원을 활용하여 주차 공간을 제공합니다. 도로변 주차는 다른 주차 시설에 비해 편리하고 빠르며 유연하며 공간을 절약합니다. 그러나 도로변 주차는 도로 자원을 차지하며 그 부작용을 무시할 수 없습니다. 개발 도상국에서 급속한 발전을 겪고있는 도시에서 급증하는 주차 수요로 인해 도로변 주차에 과부하가 걸려 교통 안전, 대기 질 및 공공 공간이 감소합니다12. 따라서 도로변 주차 문제를 해결해야 합니다.
도로변 주차 공간은 두 가지 시나리오에 위치할 수 있습니다: (1) 무동력 차선(즉, 별도의 동력 및 무동력 차선이 있는 넓은 도로에서 도로변 주차는 가장 오른쪽 무동력 차선의 공간을 차지함); (2) 자동차와 비 자동차 혼합 차선은 종종 교통량이 적은 좁은 도로입니다. 자동차와 비 자동차가 도로 자원을 공유하기 때문에 도로변 주차는 두 번째 시나리오에서 교통 운영에 혼란을 야기하는 경우가 많습니다. 그러나 대부분의 기존 연구는 첫 번째 시나리오13,14,15,16,17,18에 초점을 맞추 었습니다.
무동력 차선에 도로변 주차 공간이 있고 동력 차선과 무동력 차선을 의무적으로 격리하지 않는 경우 도로변 주차는 간접적으로 혼합 교통으로 이어집니다. 도로변 주차 공간은 무동력 차선의 유효 폭을 크게 줄여 비자동차 차량이 무동력 차선을 통과하고 인접한 동력 차선을 점유할 가능성을 높입니다. 이 동작을 차선 교차16이라고합니다. 많은 연구에서 무동력 차선의 도로변 주차가 혼합 교통 흐름에 미치는 영향을 조사했습니다. 셀룰러 오토마타 모델을 기반으로 Chen et al.13은 자동차와 비 자동차 간의 마찰 및 혼잡 충돌 연구를 통해 도시 거리의 이질적인 교통 운영에 대한 도로변 주차의 영향을 평가했습니다 13. Chen et al.은 도로변 주차17의 효과를 고려하여 혼합 교통 흐름의 도로 저항 모델을 제안했습니다. 또한 일부 연구에서는 도로변 주차가 자동차에만 미치는 영향을 조사했습니다. Guo 등은 도로변 주차 구간19에서 자동차의 운전 시간을 정량적으로 분석하는 데 사용되는 위험 지속 시간에 기반한 방법을 제안했으며, 그 결과 도로변 주차가 이동 시간에 상당한 영향을 미치는 것으로 나타났습니다.
교통 시뮬레이션은 도로변 주차의 영향을 조사하는 일반적인 도구입니다. Yang 등은 VISSIM 소프트웨어를 사용하여 도로변 주차가 동적 교통량(특히 용량)에 미치는 영향을 탐색하고, 차량 평균 지연 교통 모델을 개발하고, 시뮬레이션20을 통해 모델 신뢰성을 검증했습니다. Gao et al.은 동일한 소프트웨어18을 사용하여 4 가지 유형의 교통 간섭 하에서 혼합 된 교통에 대한 도로변 주차의 효과를 분석했습니다. Guo et al.은 다양한 시나리오21에서 Monte Carlo 시뮬레이션을 통해 도로 변 주차가 차량 교통 특성 (차선 용량 및 차량 속도)에 미치는 영향을 분석하기 위해 셀룰러 오토마타 모델을 사용했습니다. Kerner의 3 단계 교통 이론의 틀 하에서, Hu et al. 셀룰러 오토마타 모델22를 기반으로 교통 흐름에 대한 임시 도로변 주차 행동의 영향을 분석했습니다. 이 연구는 도로변 주차가 교통 효율성에 큰 부정적인 영향을 미친다는 것을 보여줍니다.
교통 관리 부서는 도로변에 주차 된 차량이 교통 흐름에 미치는 영향을 이해하는 데 관심이 있습니다. 효과의 특정 길이와 정도는 예를 들어 주차장을 구분하고, 주차 금지 구역을 결정하고, 주차 시간을 규제하는 방법에 대한 정보를 제공하여 도로변 주차 문제를 관리하는 데 중요합니다. 이 연구에서는 도로변에 주차 된 단일 차량이 교통 운영에 미치는 영향을 조사하기위한 프로토콜이 설계되었습니다. 절차는 1) 장비 준비, 2) 데이터 수집 위치 선택, 3) 조사 시간 선택, 4) 데이터 수집, 5) 데이터 분석 수행, 6) 시뮬레이션 모델 구축, 7) 시뮬레이션 모델 보정 및 8) 민감도 분석 수행 단계로 요약 할 수 있습니다. 이 8 단계의 요구 사항이 충족되지 않으면 프로세스가 불완전하고 효과를 입증하기에 충분하지 않습니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. 장비 준비
- 레이더, 도로변 레이저 장치, 노트북, 배터리, 카메라, 드론, 반사 삼각대, 해당 케이블 및 장치 삼각대 등 필요한 모든 장비를 사용할 수 있는지 확인하십시오.
2. 데이터 수집 위치 선택(그림 1)
- 데이터 수집 위치를 선택합니다. 선택한 위치가 양방향 및 2차선 도로인지 확인합니다.
참고: 위치 선택은 이 연구의 핵심입니다. 2차선 너비는 관찰하기 쉽습니다. - 위치에 교차로가 없는지 확인합니다.
참고: 세 번째 방향에서 오는 차량은 관측에 혼란을 일으킬 수 있습니다. - 조사관이 배치한 주차 차량 한 대를 제외하고는 도로에 장벽이 없는지 확인하십시오.
알림: 장벽은 차량 동작을 방해하고 레이더 감지를 차단할 수 있습니다. - 최소한 시야 거리와 간격이 300m인지 확인하십시오. 이것은 레이더 조사와 조사관의 안전을 위해 필요합니다.
알림: 하나의 레이더는 최대 200m를 감지할 수 있습니다. 레이더는 조사 중에 주차 된 차량에서 상류와 하류 100m 떨어진 곳에 있습니다. - 위치가 직선 세그먼트인지 확인합니다.
알림: 구간이 직선이 아닌 경우 차량 오프셋이 도로변 주차에 의한 것인지 여부를 확인할 수 없습니다.
3. 조사 시간 선정
- 조사 시간을 선택합니다. 총 3 시간 이상이 필요하며 아침 피크에는 1 시간, 정오에는 1 시간, 저녁 피크23,24,25에는 1 시간이 필요합니다.
- 교통 연구 보고서, 교통 경찰서 또는 교통 비즈니스 회사(26 )로부터 피크 교통량 시간의 시간을 얻는다(도 2).
- 트래픽 보고서 또는 분석이 참조로 없는 경우 위의 세 기간 동안 몇 시간 분량의 데이터를 수집한 다음 최대 트래픽 볼륨이 27,28인 데이터를 선택합니다.
- 트래픽이 가장 많은 시간 데이터를 사용하여 데이터 분석을 수행하고 시뮬레이션 모델에 대한 입력으로 사용합니다. 모델 검증에 3시간의 데이터를 모두 사용합니다.
참고: 선택한 도로에는 레스토랑이 있으며 케이터링 피크 시간은 도로변 주차 수요의 피크 시간입니다. 교통량의 피크 시간은 오프 타임이고 오프 타임은 케이터링의 피크 시간이기도합니다. 따라서 교통량의 피크 시간과 주차 수요의 피크 시간은 거의 동기식입니다.
4. 데이터 수집(그림 3)
- 도로변 레이저 장치를 놓을 수 있도록 도로변 레이저 장치를 놓을 수 있도록 연석에서 약 20cm 떨어진 곳에 차량을 주차하십시오.
- 반사 삼각대를 차량 뒤쪽에 놓습니다. 차량의 동작에 영향을 미치지 않도록 너무 멀리 두지 마십시오.
알림: 반사 삼각대는 중국 도로 교통 안전법의 관련 조항에 따라 충돌을 경고 및/또는 방지하는 데 필요합니다. 삼각대는 주차 된 차량 뒤에 일정 거리를 두어 주차 된 차량이 앞에 있음을 뒤의 차량에 경고하여 충돌을 방지합니다. 반사 삼각대와 주차 된 차량 사이의 거리는 지나가는 차량의 행동에 대한 반사 삼각대의 영향을 최소화하기 위해 낮게 유지되므로 연구 결과에 미치는 영향은 무시할 수 있습니다. - 레이더 삼각대를 설정합니다. 신호 차단을 방지하기 위해 삼각대를 2m 이상의 높이에 설정하십시오. 삼각대로 레이더를 잠급니다. 레이더를 수직으로 조정하고 주차된 차량 쪽으로 돌립니다. 레이더 데이터 케이블을 노트북 USB 포트에 연결합니다.
알림: 하나의 레이더는 상류 100m에 있고 하나는 주차된 차량의 하류 100m에 있습니다. 두 레이더는 교통 데이터를 포착하기 위해 주차된 차량의 같은 쪽에 배치됩니다. - 레이더 소프트웨어를 열고 다음 단계를 수행합니다.
- 통신 확인을 클릭합니다. 직렬 포트를 선택하고 연결을 클릭합니다. 클릭 확인 소프트웨어가 레이더 감지됨을 표시한 후.
- 조사 설정을 클릭합니다. RLU 시간 읽기를 클릭하고 RLU 시간을 설정합니다. 데이터 레코드 지우기를 클릭하고 확인하여 레이더의 내부 메모리를 지웁니다. 조사 시작을 클릭하고 대화 상자를 닫습니다.
- Real-Time View를 클릭하여 레이더 상태를 확인하면 차량이 지나갈 때 교통 데이터가 수집됩니다.
- 도로변 레이저 장치와 케이블을 준비하십시오. 도로변 레이저 장치 데이터 케이블을 포트에 연결합니다. 도로변 레이저 장치 데이터 케이블을 노트북 USB 포트에 연결합니다.
- 주차된 차량 중앙에 도로변 레이저 장치를 놓습니다. 장치의 4개 조정 열을 돌려 수평을 맞춥니다.
알림: 도로변 레이저 장치는 표준 위치에서 작동해야 합니다. - 도로변 레이저 장치 소프트웨어를 열고 다음 작업을 수행합니다.
- 통신 확인을 클릭합니다. RLU 직렬 포트 번호를 선택하고 연결을 클릭합니다. 소프트웨어에 새 RLU 연결이 감지됨이 표시되면 확인을 클릭합니다.
- 조사 보기를 클릭합니다. 차량이 지나갈 때 교통 흐름이 실시간으로 표시됩니다.
- 조사 설정을 클릭합니다. RLU 시간 읽기를 클릭하고 RLU 시간을 연속적으로 설정합니다. 시작 시간과 종료 시간을 설정하고 작업 설정을 클릭합니다. 소프트웨어에 RLU 조사 설정 성공이 표시된 후 확인을 클릭합니다.
- 마침을 클릭합니다. 장치 상태를 클릭하여 도로변 레이저 장치의 상태를 봅니다.
- 카메라를 주차된 차량의 약 30m 상류에 설정하십시오.
알림: 교통 데이터는 레이더와 도로변 레이저 장치로 수집 할 수 있습니다. 교통 운영 비디오는 데이터 검증을 위해 준비됩니다. - 모든 장비를 2 차선 양면 도로 (여기서는 Dian Zi Yi Road)에 설치하십시오. 레이더, 도로변 레이저 장치 및 카메라가 5분마다 잘 작동하는지 확인하십시오.
참고: 노트북과 카메라의 시간이 실시간과 동일한지 확인하십시오. 예약된 시간에 두 개의 레이더, 도로변 레이저 장치 및 카메라를 동시에 시작합니다. 중간 도로변 레이저 장치와 결합 된 서로 마주 보는 두 개의 레이더는 영향을받는 트래픽의 연속 궤적을 제공합니다. - 데이터 수집을 종료하고 레이더 소프트웨어에서 실시간 확인 창을 닫습니다.
- 조사 설정을 클릭하고 조사 종료를 선택한 다음 확인합니다. 대화 상자를 닫습니다.
- 데이터 다운로드를 선택하고 데이터를 저장할 컴퓨터를 찾은 다음 파일 이름을 입력합니다. 열기를 클릭 한 다음 다운로드 시작을 클릭하십시오. 확인을 클릭하여 레이더 데이터 수집을 완료합니다.
- 도로변 레이저 장치 소프트웨어에서 장치 상태를 클릭한 다음 작업 중지 를 클릭하여 데이터 수집을 종료합니다. 데이터 다운로드를 선택하고 파일 이름을 찾아 입력합니다. 열기를 클릭하고 다운로드 시작을 클릭합니다. 확인을 클릭하여 도로변 레이저 장치의 데이터 수집을 완료합니다.
5. 데이터 분석
참고: 데이터 수집을 통해 아침 피크, 정오 중반 및 저녁 피크를 포함하여 3시간의 데이터가 수집됩니다. 재생 교통 비디오는 교통량과 차량 유형을 수동으로 보정하기 위해 카메라에서 제공됩니다. 가장 높은 볼륨을 갖는 그룹 데이터(즉, 이 경우 아침 피크 데이터)를 데이터 분석을 수행하기 위한 대표 시간으로 선택한다.
- 소프트웨어를 사용하여 레이더에서 궤적과 속도를 수집합니다.
알림: 레이더는 주차된 차량에서 100m 떨어져 있으며 도로 너비는 10m입니다. 따라서 해당 범위를 벗어난 모든 데이터 포인트는 레이더 오류이므로 삭제해야 합니다. - 도로변 레이저 장치가 주차된 차량 위치에서 오프셋 값, 통과 속도, 차량 수 및 차량 유형을 제공하는지 확인하십시오.
- 계산 소프트웨어를 사용하여 두 개의 레이더와 하나의 도로변 레이저 장치가 제공하는 전체 궤적과 속도를 대표 데이터로 그립니다(그림 4-6).
6. 시뮬레이션 모델 구축
참고: 현미경 시뮬레이션 모델은 교통 시뮬레이션을 위한 시뮬레이션 소프트웨어에 의해 설정됩니다. 교통량, 차량 속도 및 차량 유형 구성을 포함한 데이터 수집 결과는 교통 시뮬레이션에서 중요한 매개 변수이며 모델 구축의 기초를 형성합니다. 시뮬레이션에는 대표 데이터 그룹만 필요합니다.
- 도로 건설
- 시뮬레이션 소프트웨어를 엽니다. 조사된 도로 세그먼트의 배경 지도를 가져옵니다.
- 왼쪽의 장애물을 클릭하고 마우스 오른쪽 버튼을 클릭한 다음 새 장애물 추가를 선택합니다. 장애물의 길이와 너비를 입력하고 확인을 클릭합니다. 커서를 끌어 장애물을 도로로 이동합니다.
알림: "장애물"은 도로변에 주차된 차량을 나타냅니다. 장애물의 길이와 너비는 주차된 차량의 실제 크기에 따라 설정됩니다. - 왼쪽의 링크를 클릭하고 커서를 링크의 시작 부분으로 이동한 다음 마우스 오른쪽 버튼을 클릭합니다. 새 링크 추가를 선택하고 차선 너비를 입력한 다음 확인을 클릭합니다. 커서를 드래그하여 맵에 링크를 그립니다.
- 6.1.3단계를 반복하여 4개의 도로 세그먼트를 작성합니다.
- 마우스 오른쪽 버튼과 키보드의 Ctrl 버튼을 누른 상태에서 한 링크의 끝점을 인접한 링크로 끌어 두 링크를 연결합니다.
참고: 이 부분을 "커넥터"라고 하며 포인트가 더 추가되면 더 부드러워집니다. - 6.1.5단계를 반복하여 모든 링크를 연결합니다.
- 원하는 속도
- 위쪽 표시줄에서 기본 데이터를 선택한 다음, 배포 | 원하는 속도.
- 하단의 녹색 십자 추가 버튼을 클릭하여 원하는 새 속도 분포를 추가하고 이름을 지정합니다.
- 대표 데이터에서 가져온 평균 속도와 최대 속도를 원하는 최소 및 최대 속도로 입력합니다. 기본 데이터를 삭제합니다.
- 6.2.2-6.2.3단계를 반복하여 원하는 모든 속도 분포(동쪽에서 서쪽 방향, 서쪽에서 동쪽 방향 및 감소 속도 영역)를 설정합니다.
참고: 다음 텍스트에서 동쪽에서 서쪽 방향은 E-W로 축약되고 서쪽에서 동쪽 방향은 W-E로 축약됩니다.
- 차량 구성
- 위쪽 표시줄에서 목록을 선택한 다음 개인 전송 | 차량 구성.
- 녹색 십자 추가 버튼을 클릭하여 새로운 전차 구성을 추가합니다.
- 추가 버튼을 클릭하여 대형 화물 차량(HGV)과 버스의 두 가지 차량 유형을 추가합니다.
- 자동차, HGV 및 버스에 대해 6.2단계에서 원하는 속도 분포 세트를 선택합니다.
- 6.3.2-6.3.4단계를 반복하여 두 개의 차량 구성(E-W 및 W-E)을 설정합니다. 대표 데이터에서 자동차, HGV 및 버스의 흐름을 입력합니다.
- 차량 노선
- 왼쪽 메뉴 모음에서 차량 경로를 선택합니다.
- 커서를 한 링크의 업스트림으로 이동하고 마우스 오른쪽 버튼을 클릭한 다음 새 정적 차량 라우팅 결정 추가를 선택합니다.
- 파란색 커서를 끌어 데이터 수집의 실제 경로에서 차량 경로를 지도에 그립니다.
- 속도 감소 영역
- 왼쪽 메뉴 모음에서 속도 감소 영역을 선택합니다.
- 주차 위치의 상류 영역을 마우스 오른쪽 버튼으로 클릭하고 새 감속 영역 추가를 선택합니다.
참고: 영역의 길이는 데이터 분석 결과에 따라 다릅니다. - 화면 여백을 마우스 오른쪽 버튼으로 클릭하고 추가를 선택한 다음 감소된 속도 영역에 대해 6.2단계에서 설정한 원하는 속도를 영역 속도로 선택합니다.
- 6.5.2-6.5.3단계를 반복하여 모든 감속 영역을 설정합니다.
- 우선 순위 규칙
- 왼쪽 메뉴 모음에서 우선 순위 규칙을 선택합니다.
- W-E 방향으로 주차된 차량의 상류에 있는 감속 영역을 마우스 오른쪽 버튼으로 클릭하고 새 우선 순위 규칙 추가를 선택합니다. 최소 간격 시간과 간격을 입력합니다.
- 6.6.2단계를 반복하여 주차된 차량의 다운스트림 우선순위 규칙을 E-W 방향으로 설정합니다.
참고: 우선 순위 규칙의 설정은 데이터 수집에 반영된 실제 트래픽 작업에 따라 다릅니다.
- 차량 이동 시간
- 왼쪽에서 차량 이동 시간을 선택합니다.
- 한 링크의 시작 부분을 마우스 오른쪽 버튼으로 클릭하고 새 차량 이동 시간 측정 추가를 선택합니다.
- 커서를 링크 끝으로 드래그하여 차량 이동 시간 측정을 작성합니다.
- 모든 차량 경로에 대해 6.7.3단계를 반복합니다.
- 차량 입력
- 왼쪽에서 차량 입력을 선택합니다. 한 링크의 시작 부분을 마우스 오른쪽 버튼으로 클릭하고 새 차량 입력 추가를 선택합니다.
- 마우스를 왼쪽 하단으로 이동하고 대표 데이터의 볼륨을 입력합니다.
- 모든 링크에 대해 6.8.1-6.8.2단계를 반복합니다.
- 노드
- 왼쪽에서 노드를 선택합니다. 마우스 오른쪽 버튼을 클릭하여 새 노드 추가를 선택한 다음 확인을 클릭합니다.
- 마우스 왼쪽 버튼을 클릭하고 이동하여 적당한 노드 범위를 조정합니다.
참고: 노드 범위는 시뮬레이션 결과와 관련이 있으며 도로 단면 형상에 따라 다릅니다.
- 시뮬레이션 인터페이스 상단에서 평가를 클릭하고 결과 목록을 선택합니다. 노드 결과 및 차량 이동 시간 결과를 클릭합니다.
- 상단의 파란색 재생 버튼을 클릭하여 시뮬레이션을 시작합니다. 장치 버튼을 클릭하십시오 빠른 모드 시뮬레이션 속도를 최대화합니다.
- 시뮬레이션 후 최대 대기열 길이, 주차 시간, 지연, 차량 수, 연료 소비, CO 배출량, NO 배출량, VOC 배출량 및 이동 시간을 포함하여 노드 결과 및 차량 이동 시간 결과가 인터페이스 하단에 표시됩니다.
7. 시뮬레이션 모델 보정
참고: 이 연구에서 트래픽 관측은 아침 피크 데이터의 볼륨이 가장 높은 것으로 나타났지만 시뮬레이션 모델의 신뢰성을 완전히 설명하기 위해 검증을 위해 세 데이터 그룹을 시뮬레이션했습니다.
- 수집된 데이터를 시뮬레이션 모델에 입력하고 시뮬레이션을 실행하여 시뮬레이션 결과를 얻습니다(그림 7A).
참고: 시뮬레이션 볼륨은 시뮬레이션 결과에서 생성할 수 있습니다. - 시뮬레이션 볼륨을 수집된 볼륨과 비교합니다.
참고: 방정식 1을 사용하여 용량을 계산합니다.
(1)
여기서 C는 이상적인 용량(veh/h)을 나타내고 ht 는 평균 최소 전진(s)을 나타냅니다.
참고: 수집된 볼륨과 시뮬레이션 볼륨의 차이를 방정식 2와 같이 평균 절대 백분율 오차(MAPE)라고 합니다.
(2)
여기서 n은 이 연구에서 네 가지 다른 흐름을 나타내고, 는 시뮬레이션 모델에서 시뮬레이션된 용량(VEH/H)이고
, 
는 조사 용량(VEH/h)입니다. 계산된 MAPE는 표 2에 나열되어 있습니다.
참고: 시뮬레이션 정확도는 MAPE가 작을 때 허용됩니다.
(1)
(2)
, 
는 조사 용량(VEH/h)입니다. 계산된 MAPE는 표 2에 나열되어 있습니다.8. 민감도 분석
참고: 그림 7B 는 민감도 분석 프로세스를 보여줍니다. 민감도 분석 프로세스는 수집된 데이터의 성능만 반영합니다(표 3). 실시간 시나리오에서 교통량이 다른 상황을 이해하기 위해 가능한 모든 교통량 조합을 시뮬레이션 모델에 입력하여 모든 상황이 도로변 주차 분석에 포함되도록 합니다(그림 8 및 표 4).
- 대표 데이터에 세 개의 데이터 그룹(즉, W-E 볼륨, E-W 볼륨 및 기타 파라미터)이 포함되어 있는지 확인합니다.
- W-E 볼륨을 6개의 범주로 나누고, E-W 볼륨을 7개의 범주로 나누고, 시뮬레이션에서 다른 파라미터를 안정적으로 유지합니다.
참고: W-E 트래픽량은 150-400veh/h였으며 피크 시간에는 50veh/h가 증가했으며 E-W 트래픽량은 150-450veh/h였으며 피크 시간에는 50veh/h가 증가했습니다. 도시 거리에서 한 차선의 최대 서비스 교통량은 1,140veh/h였습니다. - 42개의 상황을 시뮬레이션하고 모든 상황에서 효과를 검증합니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
이 백서는 교통 데이터 수집 및 시뮬레이션을 통해 양방향 및 2차선 도시 도로에서 추월 차량에 대한 도로변 주차의 영향을 결정하는 프로토콜을 제시합니다. 도로가 연구 장소로 선택되었고(그림 1), 계획된 도로변 위치에 차량이 주차되었습니다. 레이더, 도로변 레이저 장치 및 카메라를 적용하여 차량 궤적, 속도, 부피 및 유형 구성을 수집하여 도로변 주차 하에서 차량 궤적 및 속도의 변화를 결정했습니다(그림 4-6). 도로의 기하학적 특성과 데이터 수집 결과를 기반으로 현미경 시뮬레이션 모델이 구축되었습니다(그림 7). 민감도 분석은 도로변 주차가 최대 대기열 길이, 지연, 배기 가스 및 다양한 교통량에서 차량 작동의 기타 지표에 미치는 영향을 결정했습니다(그림 8).
그림 1은 데이터 수집 위치를 보여줍니다. 시험 도로는 중국 산시성 시안시의 2 방향 및 2 차선 도로였습니다. 도로의 폭은 10m, 제한 속도는 60km/h, 중앙분리대가 없어 도로변 주차의 전형적인 조건을 나타냅니다. 양방향 교통은 쉽게 흐를 수 있지만 주차된 차량이 있는 경우 속도가 크게 느려집니다.
그림 4는 레이더와 도로변 레이저 장치로 측정한 데이터를 기반으로 도로변 주차의 영향 하에서의 궤적을 보여줍니다. 그림은 길가에 주차 된 차량이 80m 길이의 지나가는 차량의 궤적에 영향을 미쳤음을 보여줍니다. 파란색은 서쪽 레이더 데이터를 나타내고 주황색은 동쪽 레이더 데이터를 나타냅니다. 가운데 검은 색 선은 도로변 레이저 장치에 의해 감지 된 추월 차량의 수직 위치에 의해 형성된 위치 분포 인 점의 모음입니다.
서쪽 레이더는 궤적 변화를 보여줍니다. 차량이 도로변에 주차된 장벽을 보았을 때 주차된 차량의 상류 40m에서 정상 위치에서 오프셋되었습니다.
도로변 레이저 장치는 지나가는 모든 차량의 측면 위치와 속도를 기록할 수 있습니다. 측면 위치는 2.3m에서 4.9m 사이였습니다(즉, 그림 4에서 중간 검은색 선의 하단 및 상단). 평균 위치는 3.3m였습니다. 여기서 위치는 W-E 방향으로 운행하는 차량의 우측 위치와 E-W 방향으로 운행하는 차량의 좌측 위치를 의미합니다.
동쪽 레이더의 경우 서쪽 레이더와 유사한 경향이 관찰되었습니다. 차량은 테스트 차량을 통과 한 후 약 40m 후에 정상 위치로 돌아 왔습니다.
그림 4에서 볼 수 있듯이 도로변에 주차된 차량이 지나가는 차량의 궤적에 미치는 영향의 길이는 80m였습니다. 지나가는 차량은 주차된 차량의 중심에서 40m에서 정상 궤적에서 벗어나기 시작했고 주차된 차량의 중심에서 40m 후에 정상 궤적으로 돌아왔습니다(정확한 위치는 그림 4에서 두 개의 긴 검은색 선으로 표시되고 두 선의 수평 위치는 60m 및 140m입니다). 주차된 차량 위치(즉, 도 4에서 좌표 [100,0]을 갖는 위치)에서, 지나가는 차량과 주차된 차량의 바깥쪽 가장자리 사이의 평균 거리는 3.3m였다. 주차된 차량의 폭을 고려하면, 지나가는 차량과 주차된 차량의 안쪽 가장자리 사이의 평균 거리는 1.3m였다. 추월 차량과 주차 차량의 내부 가장자리 사이의 최소 및 최대 거리는 통과 차량의 원래 위치 및 작동 조건에 따라 각각 0.3m 및 2.9m였습니다. 연석 가까이에서 주행하는 차량은 추월 할 때 주차 된 차량과의 측면 거리가 크지 않았으며 같은 방향으로 주행하는 다른 차량의 영향으로 저속으로 가까이 지나갔습니다. 지나가는 차량이 같은 방향으로 주행하는 다른 차량에 의해 방해받지 않으면 이동 폭이 더 넉넉했습니다. 즉, 지나가는 차량과 도로변에 주차된 차량 사이의 측면 폭은 충분했다. 물론 추월 차량과 주차 차량 사이의 측면 너비도 운전 행동에 따라 다릅니다. 공격적인 운전자에 비해 안정적인 운전자는 측면 너비가 더 큰 주차 차량을 추월 할 가능성이 더 큽니다.
그림 5 및 그림 6은 도로변 주차가 추월 차량의 속도를 약화시키는 것을 보여주며, 주차된 차량 위치(즉, 중앙 수평 좌표가 [100, 0]인 위치)에서 추월 차량의 최저 속도가 관찰됩니다. 도 5는 E-W 방향의 속도를 나타낸다. 그림에서 차량이 오른쪽에서 왼쪽으로 이동하고 있어 차량 속도가 180-120m 범위 내에서 점차 감소함을 나타냅니다. 주차 된 위치를 통과 한 후, 속도는 명백한 증가없이 점진적으로 균등하게 분배되었습니다.
주황색 구간에서는 주차된 차량 위치 직전에 최고 속도 54.7km/h에 도달했는데, 이는 차량이 마주 오는 차량보다 더 빠른 속도로 추월하는 속도였습니다. 최저 속도는 0km/h였으며 이는 주차 위치에서 발생했습니다. W-E 방향의 차량의 오프셋 값이 높을수록 해당 차량은 더 많은 도로 너비를 차지하고 E-W 방향의 차량은 대기해야 하므로 후자의 차량의 속도는 0km/h였습니다.
파란색 영역에서 주차 위치를 통과 한 후 차량 속도는 8-35km / h 범위에 머물 렀습니다. 도로 환경 때문에 자동차가 더 높은 상한 속도에 도달하는 것은 어려웠을 것입니다. 하한 속도는 주차 위치에서 멀어지면서 8km/h에서 20km/h로 약간 증가했습니다.
그림 6은 그림에서 차량이 왼쪽에서 오른쪽으로 이동하는 W-E 방향의 속도를 보여줍니다. W-E 방향의 속도 변화는 E-W 방향의 속도 변화와 유사했습니다.
주차 위치 앞에서(즉, 도면에서 0-100m 범위 내), W-E 방향의 차량 속도의 상한 및 하한은 20m 위치로부터 점차 좁아졌다. 0-40m 범위에서 상한은 점차 감소하고 80m 위치에서 가장 낮았습니다. 제한 속도 38.6km/h(20m 위치)는 29km/h(80m 위치)로 떨어졌습니다. 제한 속도가 9.4km/h(10m 위치)에서 10.44km/h(100m 위치)로 증가했습니다.
주차 위치 전에 제한 속도가 낮아졌습니다. 관찰 중에 W-E 방향의 차량이 같은 쪽에 주차된 차량을 발견하고 그 앞에 차량이 없거나 반대편 차량이 멀리 떨어져 있는 경우 W-E 방향의 차량이 먼저 가속 및 오프셋되어 주차된 차량을 먼저 추월하기에 좋은 위치를 차지하는 경향이 있었습니다. 이 현상은 주차 위치 직전에 속도가 증가하는 이유입니다.
주차 위치를 통과하면 속도 범위는 8.2-47.7km / h였습니다. 일부 운전자가 주차된 차량을 추월할 때 긁힘을 피하기 위해 제동을 걸었기 때문에 제한 속도가 낮아졌습니다. 긁힘은 양방향으로 오는 차량이 주차장에서 만날 때 발생하며,이 경우 운전자는 속도를 줄여 긁힘을 피하려고합니다. 파란색 영역에 비해 제한 속도가 9.1km/h 증가했습니다. 반대 방향으로 오는 차량이 없을 때 W-E 방향의 차량은 운전자의 평소 운전 습관과 일치하여 도로변에 주차된 차량을 긁지 않은 것을 확인한 후 주차 위치에 따라 가속했기 때문입니다.
주황색 지역에서는 주차 위치를 통과 한 후 7.5km / h의 하한 속도가 크게 증가했습니다. 이는 대부분의 차량이 주차 위치에서 10m 떨어진 곳으로 이동한 후 주차 위치 이전의 속도로 다시 가속할 수 있음을 나타냅니다.
그림 8은 서로 다른 교통량에서 차량의 작동 상태를 반영하는 9 개의 지표의 시뮬레이션 결과를 나타냅니다. E-W 및 W-E 방향의 교통량은 최대 대기열 길이(그림 8A), 차량 수(그림 8B), 지연(그림 8C), 정지 수(그림 8D), CO 배출량(그림 8E), NO 배출량(그림 8F), VOC 배출량(그림 8G), 연료 소비(그림 8H) 및 이동 시간(그림 8I)에 영향을 미쳤습니다. )을 도로변 주차 데이터에 맞춥니다. 트래픽 볼륨의 증가는 모든 지표 값의 증가로 이어지지만 다른 지표 값의 영향을 받는 정도는 다양합니다. 또한 도로변 주차는 E-W 및 W-E 방향의 차량에 동일한 영향을 미치지 않습니다.
교통량이 증가함에 따라 최대 대기열 길이, 지연 및 정류장 수의 세 가지 지표에 대한 W-E 방향 차량의 도로변 주차 영향 정도는 E-W 방향의 차량보다 훨씬 높았습니다. 5 가지 배기 가스 관련 지표, 연료 소비 및 이동 시간 측면에서 E-W 및 W-E 방향의 차량에 대한 영향 정도는 거의 동일했지만 W-E 방향의 차량은 약간 더 컸습니다. 교통량이 W-E 및 E-W 방향으로 300-350veh/h에 도달한 후 최대 대기열 길이, 지연 및 정류장 수의 증가 추세가 훨씬 더 높았으며 도로변 주차가 교통 흐름의 교통 운영 효율성에 미치는 부정적인 영향이 더욱 심각해졌습니다. 배기 가스 관련 지표 중 5 개, 연료 소비 및 이동 시간은 양방향으로 교통량이 증가함에 따라 균일하게 변경되었습니다.
그림 1 : 데이터 수집 위치 : 2 방향 및 2 차선 도로, 시안의 Dian Zi Yi Road. 좌표: 108.932882,34.220774. (A) 시안시의 조사 위치 개략도. (B) 빨간색 선은 데이터 수집 세그먼트를 나타냅니다. 빨간 선이있는 북쪽 도로 교차점은 사람이 거의없는 보행자 거리이며이 조사에 영향을 미치지 않습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 2: 24시간 혼잡 지수. 패널의 데이터는 2021년 8월 24일 시안의 실시간 혼잡 지수에서 가져온 것입니다26. 데이터에 따르면 아침 피크는 07:00에서 09:00 사이에 발생했으며 저녁 피크는 17:00에서 19:00 사이에 발생했습니다. 늦은 밤을 제외한 계곡은 11:00에서 12:00까지 발생했습니다. 혼잡 지수는 오전 08:00와 오후 18:00에 각각 2.25와 2.66이었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3: 150m 높이에서 드론으로 촬영한 사진에 표시된 데이터 수집 체계. 나무 그늘은 모든 장비를 덮으므로 다채로운 블록이 장비를 나타냅니다. 도로변에 주차 된 차량은 중간에 있으며 두 개의 레이더는 주차 된 차량의 상류 100m, 하류 100m에 배치됩니다. 서쪽 레이더와 동쪽 레이더는 모두 주차된 차량을 향하고 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4: 전체 궤적. 테스트 차량은 패널의 (100,0) 위치에 주차됩니다. 파란색은 서쪽 레이더 데이터, 가운데 검은색 선은 도로변 레이저 장치 데이터, 주황색은 동쪽 레이더 데이터를 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 5: 동서 속도. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 6: 서동 속도. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 7: 시뮬레이션 오류(MAPE)를 계산하고 민감도 분석을 수행하기 위한 순서도. (A) MAPE의 계산을 위한 순서도. (B) 민감도 분석을 위한 흐름도. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 8: 민감도 분석. X축 = E-W 트래픽 볼륨, Y축 = W-E 트래픽 볼륨, Z축 = 평가 인덱스 값입니다. (A) 최대 대기열 길이. (B) 차량 수. (c) 지연. (D) 경유지 수. (E) CO 배출량. (F) 배출 금지. (G) VOC 배출. (H) 연료 소비. (I) 여행 시간. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
| 항목 | 오전 (07:00−08:00) | 정오 (13:00−14:00) | 저녁 (17:00−18:00) | |||
| 방향 | W–E | E–W | W–E | E–W | W–E | E–W |
| 자동차 (veh / h) | 306 | 374 | 167 | 148 | 351 | 228 |
| 트럭 (veh / h) | 1 | 3 | 1 | 0 | 4 | 0 |
| 버스(차량/시간) | 9 | 9 | 4 | 5 | 6 | 4 |
| 단언. 속도(킬로미터/시) | 21.7 | 24.5 | 19.4 | 24.7 | 18.8 | 20.5 |
| 최대 속도(km/h) | 47.7 | 54.7 | 55.8 | 56.2 | 44.6 | 45.0 |
| 최소 속도(km/h) | 0 | 0 | 0 | 0 | 0 | 0 |
표 1: 조사에서 수집된 차량 정보. 최소 속도 0km/h는 일부 차량이 움직임을 멈춘 것을 나타냅니다.
| 항목 | 오전 (07:00−08:00) | 정오 (13:00−14:00) | 저녁(17:00─18:00) | |||
| 방향 | W–E | E–W | W–E | E–W | W–E | E–W |
| 용량 투자 (veh / h) | 316 | 386 | 172 | 153 | 361 | 232 |
| 가장된 수용량 (veh/h) | 306 | 360 | 174 | 150 | 354 | 216 |
| 개별 맵(%) | 3.2 | 6.7 | 1.2 | 2.0 | 1.9 | 6.9 |
| 마프(%) | 5.0 | 1.6 | 4.4 | |||
표 2: 시뮬레이션 모델에 대한 보정 결과. 조사된 트래픽 볼륨과 시뮬레이션된 볼륨 간의 보정 결과가 표에 나열됩니다. MAPE는 수식 2를 사용하여 계산되며 시뮬레이션된 용량과 실제 용량 간의 오차는 모두 작은 세 데이터 그룹에 대해 5.5%, 1.6% 및 4.4%입니다. 총 용량 오차가 15 % 미만이므로 확립 된 모델의 오차가 허용 범위 내에 있으며 시뮬레이션 정확도가 충분합니다29.
| 항목 | 아침 | 정오 중반 | 저녁 | |||
| (07:00−08:00) | (13:00−14:00) | (17:00─18:00) | ||||
| W–E | E–W | W–E | E–W | W–E | E–W | |
| 최대 대기열 길이(m) | 31.26 | 34.93 | 12.00 | 7.96 | 34.88 | 20.40 |
| 차량 수 | 306 | 360 | 168 | 150 | 348 | 216 |
| 지연 | 6.47 | 6.58 | 3.10 | 1.74 | 6.68 | 4.64 |
| 경유지 횟수(시간) | 0.28 | 0.52 | 0.05 | 0.11 | 0.24 | 0.42 |
| CO 배출량 (그램) | 191.790 | 249.606 | 89.112 | 77.820 | 219.462 | 135.468 |
| 배출 없음 (그램) | 37.314 | 48.564 | 17.340 | 15.138 | 42.702 | 26.358 |
| 휘발성 유기 화합물 배출량(그램) | 44.448 | 57.846 | 20.652 | 18.036 | 50.862 | 31.398 |
| 연료 소비 (갤런) | 2.742 | 3.570 | 1.272 | 1.116 | 3.138 | 1.938 |
| 소요시간 | 35.46 | 29.12 | 31.92 | 24.56 | 35.73 | 27.25 |
표 3: 아침 피크 데이터, 정오 중반 데이터 및 저녁 피크 데이터를 사용한 시뮬레이션 결과. 대표적인 데이터로서, 아침 피크 데이터 그룹은 가장 높은 트래픽 볼륨 및 지표 값을 갖는다. 정오 중간 트래픽 데이터 그룹은 트래픽 볼륨과 표시기 값이 가장 낮습니다.
| 항목 | 값 |
| E-W 볼륨 (veh / h) | 150/200/250/300/350/400/450 |
| W-E 볼륨 (veh / h) | 150/200/250/300/350/400 |
| 참고:E–W 트래픽 볼륨은 150–450veh/h 범위에 있으며 50veh/h가 증가합니다. W–E 트래픽 볼륨은 150–400veh/h 범위에 있으며 50veh/h가 증가합니다. | |
표 4: 시뮬레이션에서 민감도 분석을 위한 입력 매개변수.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
도로변 주차가 도시 거리에 미치는 영향은 무시할 수 없으며 무작위 주차를 해결해야합니다30,31. 도로변 주차가 양방향 도시 도로의 교통 흐름에 미치는 영향을 결정하는 프로토콜이 여기에 제시되어 있습니다. 데이터 수집은 도로변 주차로 인한 추월 차량의 궤적 및 속도 변화를 지정합니다. 교통 시뮬레이션은 최대 대기열 길이, 지연 및 배출량과 같은 도로 지표를 정량화합니다.
프로토콜의 중요한 단계는 데이터 수집 및 마이크로 시뮬레이션 모델 구축입니다. 데이터 수집 위치는 교차로, 입구 또는 출구가 없는 직선 세그먼트입니다. 영향이 보이도록 도로는 10m를 초과할 수 없습니다. 폭 10m의 거리가 관찰하기에 적합합니다. 좁으면 트래픽이 완전히 분해될 수 있으며, 폭이 넓으면 영향이 감지되지 않을 수 있습니다. 충분히 긴 시야 거리도 세그먼트의 요구 사항입니다. 시뮬레이션 모델을 설정할 때 속도 감소 영역과 우선 순위 규칙에 주의를 기울여야 합니다. 감속 영역의 관련 파라미터(속도 및 길이)는 실제 도로 운행을 반영하기 위해 대표 데이터를 기반으로 설정됩니다. 운전자의 행동은 충돌 지역 대신 우선 순위 규칙을 사용하여 더 잘 반영 될 수 있습니다. 우선 순위 규칙은 대표 데이터와 동일하며 카메라로 캡처 한 교통 운영 비디오를 사용하여 확인됩니다.
지나가는 차량에 대한 도로변 주차의 영향과 관련하여 이 프로토콜은 조사 결과에 대한 구체적이고 현실적인 설명을 제공합니다. 예를 들어, 지나가는 차량의 궤적은 80m 길이에 영향을 받고 차량 속도도 부정적인 영향을 받습니다. 또한 다양한 교통량에서 시뮬레이션 해석 결과는 교통 운영 효율성을 반영하는 다양한 지표의 성능을 보여줍니다. 트래픽 볼륨의 증가는 지표 값의 증가와 동기화됩니다.
이 프로토콜의 주요 한계는 길가에 주차된 차량 한 대에만 효과적이라는 것입니다. 다음 연구 단계는 무작위로 주차 된 여러 대의 차량이 교통 흐름 운영에 미치는 영향을 결정하기 위해 수행됩니다.
교통 경찰은 좁은 도시 거리에 모니터링 장비를 추가하여 도로변에 주차 된 차량을 모니터링하여 도로변 주차의 영향을 완화하는 것이 좋습니다.
양방향 도시 도로에 대한 도로변 주차의 효과를 평가하기 위해 여기에 설명된 프로토콜은 허용 주차 시간, 권장 주차 위치 및 허용 주차 차량 유형과 같은 세련된 도로변 주차 관리 조치를 제안하는 데 적용될 수 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개 할 것이 없습니다.
Acknowledgments
저자는 산시성 교육부가 자금을 지원하는 과학 연구 프로그램(프로그램 번호 21JK0908)을 인정하고자 합니다.
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).
