Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Engineering
Click here for the English version

Engineering

Evaluering av effekten av veikantparkering på en bygate med to retninger

Published: January 20, 2023 doi: 10.3791/63384
Automatic Translation
1, 1, 1, 2, 1, 1
1Highway Academy, Chang’an University, 2School of Modern Posts (Logistics School) & Institute of Posts, Xi’an University of Posts and Telecommunications

Summary

I denne studien analyseres effekten av veikantparkering på en bygate. Hele prosessen består av trafikkdatainnsamling, databehandling, operasjonssimulering, simuleringskalibrering og sensitivitetsanalyse.

Abstract

Veiparkering er et vanlig trafikkfenomen i Kina. Smale bygater, høye parkeringskrav og mangel på parkeringsplasser tvinger publikum til å engasjere seg i tilfeldig parkering langs veikanten. En protokoll foreslås for å bestemme virkningen av et veikantparkert kjøretøy på passerende kjøretøy. I denne undersøkelsen velges en toveis og tofelts bygate der ett kjøretøy er parkert i veikanten for innsamling av trafikkdata. Basert på disse dataene bestemmes virkningen av de veikantparkerte kjøretøyene på banen og hastigheten til passerende kjøretøy. I tillegg brukes en mikrosimuleringsmodell for å bestemme virkningen av veiparkering på maksimal kølengde, forsinkelse, utslipp og andre indikatorer under forskjellige trafikkvolumer i henhold til følsomhetsanalysen. Resultatene viser at veikantparkerte kjøretøy påvirker banen til passerende kjøretøy i omtrent 80 m og har en negativ effekt på hastigheten, med den laveste hastigheten observert på plasseringen av det veikantparkerte kjøretøyet. Resultatene fra sensitivitetsanalysen antyder at trafikkvolumet øker synkront med indikatorverdier. Protokollen gir en metode for å bestemme effekten av veikantparkering på kjørebane og hastighet. Forskningen bidrar til raffinert forvaltning av fremtidig veikantparkering.

Introduction

Akselerasjonen av urbanisering er ledsaget av en åpenbar økning i eierskap av motorkjøretøy og urban trafikkflyt. I 2021 nådde Kinas bileierskap 378 millioner, noe som representerer en økning på 25.1 millioner sammenlignet med den i 20201. Dagens situasjon med utilstrekkelig veikapasitet og begrenset trafikkstyringsteknologi har imidlertid ført til et stadig tydeligere avvik mellom tilbud og etterspørsel i bytrafikken. Derfor har trafikkbelastningen gradvis blitt intensivert. Som det mest utbredte problemet i bytransport, forårsaker trafikkbelastning mange farer og har tiltrukket seg stor oppmerksomhet fra forskere 2,3,4. I tillegg til å forlenge reisetiden, forverrer trafikkbelastning også miljøforurensning, intensiverer energiforbruket og øker forurensningsutslippene 5,6,7,8. Det er en positiv sammenheng mellom trafikkork og ulykkesfrekvens 9,10. Bortsett fra de ovennevnte effektene, reduserer økende trafikkbelastning inntekt og sysselsetting11, og denne effekten er nært knyttet til folks dagligliv, noe som gjør dette til et av hovedproblemene i byene. Med utviklingen av byer vil den negative effekten av trafikkbelastning på samfunnet fortsette å øke.

Trafikkbelastning er en omfattende refleksjon av mange urbane trafikkproblemer, blant annet parkering er den viktigste. Utvidelsen av bybefolkningen og økningen i motorvogner har en negativ innvirkning på parkeringstilbudet og utestående parkeringsbehov. I parkeringssystemet er veikantparkering vanlig i bytrafikk og er et viktig virkemiddel for å håndtere ubalansen mellom tilbud og etterspørsel etter parkering. Veikantparkering utnytter ressurser på begge sider av veien for å gi parkeringsplasser. Parkering langs veien er praktisk, rask, fleksibel og plassbesparende sammenlignet med andre parkeringsmuligheter. Veiparkering opptar imidlertid veiressurser, og skadevirkningene kan ikke ignoreres. I byer som gjennomgår rask utvikling i utviklingsland, gjør de høye parkeringskravene veiparkering overbelastet, og reduserer dermed trafikksikkerhet, luftkvalitet og offentlig plass12. Derfor må veikanten parkering problemet tas opp.

Parkeringsplass ved veikanten kan plasseres i to scenarier: (1) det ikke-motoriserte kjørefeltet (dvs. på brede veier med separate motoriserte og ikke-motoriserte baner, veikantparkering tar opp plass på høyre ikke-motoriserte kjørefelt); og (2) motorvogn og ikke-motorvogn blandet kjørefelt, som ofte er en smal vei med lavt trafikkvolum. Ettersom motorkjøretøyer og ikke-motorkjøretøyer deler veiressurser, fører veikantparkering ofte til kaos i trafikkoperasjoner i det andre scenariet. Imidlertid har de fleste eksisterende studier fokusert på det første scenariet 13,14,15,16,17,18.

Når en parkeringsplass ved veikanten er til stede i det ikke-motoriserte kjørefeltet, og hvis det ikke er obligatorisk isolering av motoriserte og ikke-motoriserte baner, fører veikantparkering indirekte til blandet trafikk. En parkeringsplass ved veikanten reduserer den effektive bredden på det ikke-motoriserte kjørefeltet betydelig, og øker dermed sannsynligheten for at ikke-motorvogner passerer gjennom det ikke-motoriserte kjørefeltet og opptar den tilstøtende motoriserte banen. Oppførselen kalles lane-crossing16. Mange studier har undersøkt virkningen av veikantparkering i ikke-motorisert kjørefelt på blandet trafikkstrøm. Basert på den cellulære automatmodellen evaluerte Chen et al.13 virkningen av veiparkering på heterogene trafikkoperasjoner i bygater gjennom studiet av friksjons- og overbelastningskonflikter mellom motor- og ikke-motorvogner13. Chen og medarbeidere foreslo en vegmotstandsmodell for blandet trafikkflyt ved å vurdere effekten av veikantparkering17. I tillegg har noen studier undersøkt virkningen av veikantparkering bare på motorvogner. Guo og medarbeidere foreslo en metode basert på risikovarighet, som ble brukt til å kvantitativt analysere kjøretiden til motorvogner på veikantparkering seksjon19, og resultatene viste at veiparkering påvirket reisetiden betydelig.

Trafikksimulering er et vanlig verktøy for å undersøke virkningen av veikantparkering. Yang og medarbeidere brukte VISSIM-programvare for å utforske virkningen av veikantparkering på dynamisk trafikk (spesielt på kapasiteten), utviklet en gjennomsnittlig forsinkelsestrafikkmodell og verifiserte modellens pålitelighet gjennom simulering20. Gao og medarbeidere analyserte effekten av veiparkering på blandet trafikk under fire typer trafikkforstyrrelser ved hjelp av samme programvare18. Guo og medarbeidere brukte en cellulær automatmodell for å analysere påvirkningen av veikantparkering på kjøretøyets trafikkegenskaper (kjørefeltkapasitet og kjøretøyhastighet) gjennom Monte Carlo-simulering under forskjellige scenarier21. Under rammen av Kerners trefasede trafikkteori analyserte Hu og medarbeidere virkningen av midlertidig veikantparkeringsadferd på trafikkflyten basert på den cellulære automatmodellen22. Disse studiene viser at veiparkering har en stor negativ innvirkning på trafikkeffektiviteten.

Trafikkstyringsavdelingen er interessert i å forstå effekten av parkerte kjøretøy på trafikkflyten. Den spesifikke lengden og graden av effekten er viktig for å håndtere problemer med veikantparkering, for eksempel ved å gi informasjon om hvordan man avgrenser parkeringsplasser, bestemmer ikke-parkeringssoner og regulerer parkeringsvarigheter. I denne studien ble en protokoll designet for å undersøke effekten av et enkelt veikantparkert kjøretøy på trafikkoperasjonen. Prosedyren kan oppsummeres i følgende trinn: 1) klargjøre utstyret, 2) velge datainnsamlingssted, 3) velge undersøkelsestid, 4) samle inn dataene, 5) utføre dataanalysen, 6) bygge simuleringsmodellen, 7) kalibrere simuleringsmodellen og 8) utføre sensitivitetsanalysen. Hvis noen krav i disse åtte trinnene ikke er oppfylt, er prosessen ufullstendig og utilstrekkelig for å bevise effektivitet.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Klargjøring av utstyret

  1. Forsikre deg om at alt nødvendig utstyr er tilgjengelig: radarer, laserenhet ved veikanten, bærbare datamaskiner, batterier, et kamera, en drone, et reflekterende stativ, de tilsvarende kablene og enhetsstativene.

2. Valg av datainnsamlingssted (figur 1)

  1. Velg datainnsamlingsstedet. Forsikre deg om at stedet som er valgt, er på en toveis og tofelts vei.
    MERK: Plasseringsvalget er nøkkelen i denne undersøkelsen. Tofeltsbredden er lett å observere.
  2. Sørg for at plasseringen ikke har noen kryss.
    MERK: Kjøretøy som kommer fra en tredje retning kan forårsake kaos i observasjonen.
  3. Sørg for at det ikke er noen barrierer på veien bortsett fra ett parkert kjøretøy plassert av etterforskere.
    MERK: Barrierer kan forstyrre kjøretøyets oppførsel og blokkere radardeteksjon.
  4. Sørg for at det er minst en synsavstand og klaring på 300 m. Dette er nødvendig for radarundersøkelsen og etterforskernes sikkerhet.
    MERK: En radar kan oppdage 200 m på det meste. Radarene er plassert 100 meter oppstrøms og nedstrøms fra det parkerte kjøretøyet i undersøkelsen.
  5. Kontroller at plasseringen er et rettlinjet segment.
    MERK: Hvis segmentet ikke er rett, er det ikke mulig å avgjøre om kjøretøyets forskyvning er forårsaket av veikantparkeringen.

3. Valg av undersøkelsestid

  1. Velg undersøkelsestidspunkt. Minst 3 timer totalt er nødvendig, med 1 time under morgentoppen, 1 time ved middagstid og 1 time i løpet av kveldstoppen23,24,25.
  2. Oppnå tidspunktet for topptrafikkvolumtimen fra trafikkforskningsrapporter, trafikkpolitiavdelinger eller trafikkbedrifter26 (figur 2).
  3. I fravær av trafikkrapporter eller analyser som referanse, samle inn flere timer med data i løpet av de tre periodene ovenfor, og velg deretter dataene med høyest topptrafikkvolum27,28.
  4. Bruk timedataene med høyest trafikkvolum til å utføre dataanalyse og som input i simuleringsmodellen. Bruk alle 3 timer med data for modellverifisering.
    MERK: Den valgte veien var flankert av restauranter, og topptiden for catering er topptiden for parkeringsbehovet i veikanten. Topptiden for trafikkvolum er off-time, og off-time er også topptiden for catering. Derfor er rushtiden for trafikkvolum og topptiden for parkeringsbehov nesten synkron.

4. Datainnsamling (figur 3)

  1. Parker kjøretøyet ca. 20 cm fra fortauskanten på det tiltenkte stedet slik at laserenheten langs veien kan plasseres.
  2. Plasser det reflekterende stativet på baksiden av kjøretøyet. Ikke plasser den for langt unna for å sikre at den ikke påvirker kjøretøyets oppførsel.
    MERK: Et reflekterende stativ er nødvendig for å varsle og/eller unngå kollisjon basert på de relevante bestemmelsene i den kinesiske trafikksikkerhetsloven. Stativet er plassert et visst stykke bak det parkerte kjøretøyet for å varsle kjøretøyene bak om at et parkert kjøretøy er foran og dermed for å unngå kollisjon. Avstanden mellom det reflekterende stativet og det parkerte kjøretøyet holdes lavt for å minimere effekten av det reflekterende stativet på oppførselen til de passerende kjøretøyene, slik at effekten på studieresultatene er ubetydelig.
  3. Still inn radarstativet. Sett stativet i en høyde på ikke mindre enn 2 m for å unngå signalblokkering. Lås radaren med stativet. Juster radaren vertikalt, og vri den mot det parkerte kjøretøyet. Koble radardatakabelen til den bærbare USB-porten.
    MERK: En radar er 100 m oppstrøms og en er 100 m nedstrøms for det parkerte kjøretøyet. Begge radarene er plassert på samme side av det parkerte kjøretøyet for å fange trafikkdataene.
  4. Åpne radarprogramvaren, og utfør følgende trinn.
    1. Klikk på Kommunikasjonskontroll. Velg seriell port, og klikk på Koble til. Klikk på Bekreft etter at programvaren viser Radar oppdaget.
    2. Klikk på Investigation Set Up. Klikk på Les RLU-tid og Angi RLU-tid. Klikk på Slett datapost, og bekreft det for å tømme radarens interne minne. Klikk på Start etterforskning, og lukk dialogboksen.
    3. Klikk på Real-Time View for å sjekke radarstatusen, og trafikkdataene skal samles inn når kjøretøyene passerer.
  5. Forbered laserenheten og kabelen ved veikanten. Koble datakabelen til laserenheten ved veikanten med porten. Koble datakabelen til laserenheten ved veikanten med den bærbare USB-porten.
  6. Plasser laserenheten ved veikanten midt i det parkerte kjøretøyet. Roter de fire justeringskolonnene på enheten for å jevne den ut.
    MERK: Laserenheten ved veikanten må fungere under standardposisjonen.
  7. Åpne programvaren for laserenheten ved veikanten, og utfør følgende operasjoner.
    1. Klikk på Kommunikasjonskontroll. Velg RLU-serieportnummeret, og klikk på Koble til. Klikk på Bekreft etter at programvaren viser Ny RLU-tilkobling oppdaget.
    2. Klikk på Vis undersøkelse. Når kjøretøy passerer, vises trafikkflyten i sanntid.
    3. Klikk på Investigation Set Up. Klikk på Les RLU-tid og Angi RLU-tid, suksessivt. Angi Starttid og Sluttid, og klikk på Angi oppgave. Klikk på Bekreft etter at programvaren viser RLU Investigation Set Up Succeeded.
    4. Klikk på Fullfør. Klikk på Enhetsstatus for å se statusen til laserenheten ved veikanten.
  8. Still kameraet ca. 30 m oppstrøms for det parkerte kjøretøyet.
    MERK: Trafikkdataene kan samles inn av radarer og veikantlaserenheten. Trafikkdriftsvideoer er klargjort for datavalidering.
  9. Sett alt utstyret på dobbeltfelts dobbeltsideveien (her, Dian Zi Yi Road). Sjekk om radarene, veikantlaserenheten og kameraet fungerer bra hvert 5. minutt.
    MERK: Forsikre deg om at tiden til bærbare datamaskiner og kamera er den samme som sanntid. Start to radarer, laserenheten langs veien og kameraet samtidig til planlagt tid. To radarer som vender mot hverandre, kombinert med en mellomliggende laserenhet langs veien, gir en kontinuerlig bane for den berørte trafikken.
  10. Avslutt datainnsamlingen, og lukk sanntidskontrollvinduet i radarprogramvaren.
    1. Klikk på Investigation Set Up, velg Avslutt undersøkelse og bekreft den. Lukk dialogboksen.
    2. Velg Datanedlasting, bla gjennom datamaskinen for å lagre dataene, og skriv inn et navn på filen. Klikk på Åpne, og klikk deretter på Start nedlasting. Klikk på Bekreft for å fullføre radardatainnsamlingen.
  11. Klikk på Enhetsstatus i laserenhetsprogramvaren i veikanten, og klikk deretter på Stopp oppgave for å avslutte datainnsamlingen. Velg Datanedlasting, bla gjennom og skriv inn et navn på filen. Klikk på Åpne, og klikk på Start nedlasting. Klikk på Bekreft for å fullføre datainnsamlingen til laserenheten ved veikanten.

5. Analyse av data

MERK: Gjennom datainnsamling samles inn 3 timer med data, inkludert morgentoppen, midt på formiddagen og kveldstoppen. Avspilling av trafikkvideoer leveres av kameraet for å kalibrere trafikkmengder og kjøretøytyper manuelt. Velg gruppedataene med høyest volum (dvs. morgentoppdataene i dette tilfellet) som den representative timen for å utføre dataanalysen.

  1. Bruk programvare for å samle baner og hastighet fra radarene.
    MERK: Radaren er plassert 100 m fra det parkerte kjøretøyet, og veien er 10 m bred. Så alle datapunktene utenfor dette området er radarfeil og bør slettes.
  2. Forsikre deg om at laserenheten ved veikanten gir forskyvningsverdien, passeringshastigheten, antall kjøretøy og kjøretøytypene i den parkerte kjøretøyposisjonen.
  3. Tegn hele spekteret av baner og hastighet levert av de to radarene og en veikantlaserenhet som representative data ved hjelp av beregningsprogramvare (Figur 4-6).

6. Bygge simuleringsmodellen

MERK: Den mikroskopiske simuleringsmodellen er etablert av simuleringsprogramvare for trafikksimulering. Resultatene av datainnsamlingen, inkludert trafikkvolum, kjøretøyhastighet og kjøretøytypesammensetning, er viktige parametere i trafikksimuleringen og danner grunnlaget for modellbyggingen. Bare den representative datagruppen er nødvendig i simuleringen.

  1. Veibygging
    1. Åpne simuleringsprogramvaren. Importer bakgrunnskartet over det undersøkte veisegmentet.
    2. Klikk på Hindringer til venstre, høyreklikk og velg Legg til ny hindring. Skriv inn lengden og bredden på hindringen, og klikk deretter på OK. Dra markøren for å flytte hindringen til veibanen.
      MERK: "Hindring" refererer til det parkerte kjøretøyet i veikanten. Lengden og bredden på hindringen er satt i henhold til den faktiske størrelsen på det parkerte kjøretøyet.
    3. Klikk på Lenker til venstre, flytt markøren til starten av lenken, og høyreklikk. Velg Legg til ny lenke, skriv inn kjørefeltbredden og klikk på OK. Dra markøren for å tegne koblingen på kartet.
    4. Gjenta trinn 6.1.3 for å bygge fire veisegmenter.
    5. Hold høyre museknapp og Ctrl-knappen på tastaturet for å dra endepunktet til en lenke til den tilstøtende lenken for å koble de to koblingene.
      MERK: Denne delen kalles "kontakten", og den blir jevnere når flere punkter legges til.
    6. Gjenta trinn 6.1.5 for å koble til alle koblingene.
  2. Ønsket hastighet
    1. Velg Basisdata fra den øverste linjen, og velg deretter Distribusjoner | Ønsket hastighet.
    2. Klikk på green-cross Legg til-knappen nederst for å legge til en ny ønsket hastighetsfordeling og navngi den.
    3. Skriv inn gjennomsnittshastigheten og maksimal hastighet hentet fra de representative dataene som minimum og maksimum ønskede hastigheter. Slett standarddataene.
    4. Gjenta trinn 6.2.2-6.2.3 for å fastslå alle ønskede hastighetsfordelinger (retningen fra øst til vest, retningen fra vest til øst og det reduserte hastighetsområdet).
      MERK: I den følgende teksten forkortes retningen fra øst til vest som E-W, og retningen fra vest til øst forkortes som W-E.
  3. Kjøretøy komposisjoner
    1. Velg Lister fra den øverste linjen, og velg deretter Privat transport | Kjøretøy komposisjoner.
    2. Klikk på den grønne kryss Legg til-knappen for å legge til en ny kjøretøysammensetning.
    3. Klikk på Legg til-knappen for å legge til to kjøretøytyper: vogntog (HGVer) og busser.
    4. Velg ønsket hastighetsfordeling angitt i trinn 6.2 for biler, tungtransport og busser.
    5. Gjenta trinn 6.3.2-6.3.4 for å etablere to kjøretøysammensetninger (E-W og W-E). Legg inn strømmen av biler, tungtransport og busser fra de representative dataene.
  4. Kjøretøy ruter
    1. Velg Kjøretøyruter fra menylinjen til venstre.
    2. Flytt markøren oppstrøms for en lenke, høyreklikk og velg Legg til ny statisk kjøretøyrutingsbeslutning.
    3. Dra den blå markøren for å tegne bilrutene på kartet fra virkelige ruter i datainnsamlingen.
  5. Områder med redusert hastighet
    1. Velg Områder med redusert hastighet fra menylinjen til venstre.
    2. Høyreklikk på området oppstrøms for parkeringsplassen, og velg Legg til nytt område med redusert hastighet.
      MERK: Lengden på området avhenger av dataanalyseresultatene.
    3. Høyreklikk i margen på skjermen, velg Legg til, og velg ønsket hastighet angitt i trinn 6.2 for det reduserte hastighetsområdet som områdehastighet.
    4. Gjenta trinn 6.5.2-6.5.3 for å stille inn alle områdene med redusert hastighet.
  6. Prioriterte regler
    1. Velg Prioritetsregler fra menylinjen til venstre.
    2. Høyreklikk på det reduserte hastighetsområdet oppstrøms for det parkerte kjøretøyet i W-E-retningen, og velg Legg til ny prioritetsregel. Skriv inn minimum gaptid og klaring.
    3. Gjenta trinn 6.6.2 for å angi prioritetsregelen nedstrøms for det parkerte kjøretøyet i E-W-retningen.
      MERK: Innstillingen av prioritetsregler avhenger av den virkelige trafikkoperasjonen som reflekteres av datainnsamlingen.
  7. Reisetider for kjøretøy
    1. Velg Reisetider for kjøretøy fra venstre.
    2. Høyreklikk i begynnelsen av en lenke, og velg Legg til ny måling av reisetid for kjøretøy.
    3. Dra markøren til slutten av koblingen for å bygge en måling av kjøretøyets reisetid.
    4. Gjenta trinn 6.7.3 for alle kjøretøyrutene.
  8. Kjøretøy innganger
    1. Velg Kjøretøyinnganger fra venstre. Høyreklikk i begynnelsen av en lenke, og velg Legg til ny kjøretøyinngang.
    2. Flytt musen til venstre bunn, og skriv inn volumet for de representative dataene.
    3. Gjenta trinn 6.8.1-6.8.2 for alle koblingene.
  9. Noder
    1. Velg Noder fra venstre. Høyreklikk for å velge Legg til ny node, og klikk deretter OK.
    2. Venstreklikk og beveg musen for å justere et moderat nodeområde.
      MERK: Nodeområdet er relatert til simuleringsresultatene og avhenger av vegseksjonens geometri.
  10. Klikk på Evaluering øverst i simuleringsgrensesnittet, og velg Resultatlister. Klikk på Noders Results og Vehicle Travel Time Results.
  11. Klikk på den blå avspillingsknappen øverst for å starte simuleringen. Klikk på enhetsknappen Hurtigmodus for å maksimere simuleringshastigheten.
  12. Etter simuleringen vises noderesultatene og kjøretøyets reisetidsresultater nederst i grensesnittet, inkludert maksimal kølengde, parkeringstider, forsinkelse, antall kjøretøy, drivstofforbruk, CO-utslipp, NO-utslipp, VOC-utslipp og reisetid.

7. Kalibrering av simuleringsmodell

MERK: I denne studien viste trafikkobservasjonene at morgentoppdataene hadde det høyeste volumet, men de tre datagruppene ble simulert for verifisering for å illustrere simuleringsmodellens pålitelighet fullt ut.

  1. Legg inn de innsamlede dataene i simuleringsmodellen, kjør simuleringen og få simuleringsresultatet (figur 7A).
    MERK: Simuleringsvolumet kan genereres fra simuleringsresultatet.
  2. Sammenlign simuleringsvolumet med det innsamlede volumet.
    MERK: Beregn kapasiteten ved hjelp av ligning 1:
    Equation 1(1)
    der C betegner ideell kapasitet (veh/t), og ht angir gjennomsnittlig minste forsprang(er).
    MERK: Forskjellen mellom det innsamlede volumet og simuleringsvolumet kalles gjennomsnittlig absolutt prosentfeil (MAPE), som vist i ligning 2:
    Equation 2(2)
    der n betegner de fire ulike strømningene i denne studien, Equation 3 er kapasiteten simulert i simuleringsmodellen (VEH/H), og Equation 4 er kapasiteten til undersøkelsen (VEH/H). Den beregnede MAPE er oppført i tabell 2.
    MERK: Simuleringsnøyaktigheten er akseptabel når MAPE er liten.

8. Sensitivitetsanalyse

MERK: Figur 7B viser følsomhetsanalyseprosessen. Sensitivitetsanalyseprosessen gjenspeiler bare ytelsen til de innsamlede dataene (tabell 3). For å forstå situasjoner med ulik trafikkmengde i sanntidsscenarioer legges alle mulige trafikkmengdekombinasjoner inn i simuleringsmodellen for å sikre at alle situasjoner dekkes i parkeringsanalysen (figur 8 og tabell 4).

  1. Sørg for at de representative dataene inneholder tre grupper med data (dvs. W-E-volum, E-W-volum og andre parametere).
  2. Del W-E-volumet i seks kategorier, del E-W-volumet i syv kategorier, og hold de andre parametrene stabile i simuleringen.
    MERK: W-E-trafikkvolumet var 150-400 veh/t, med en økning på 50 veh/t i rushtiden, og E-W-trafikkvolumet var 150-450 veh/t, med en økning på 50 veh/t i rushtiden. Maksimal servicetrafikk på ett kjørefelt i bygaten var 1.140 år/t.
  3. Simuler 42 situasjoner, og kontroller effektiviteten under alle situasjoner.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Dette papiret presenterer en protokoll for å bestemme effekten av veikantparkering på passerende kjøretøy på en toveis og tofelts byvei gjennom trafikkdatainnsamling og simulering. En vei ble valgt som studiested (figur 1), og et kjøretøy ble parkert på det planlagte veikanten. Radarer, en veikantlaserenhet og et kamera ble brukt til å samle kjøretøyets bane, hastighet, volum og typesammensetning for å bestemme endringene i kjøretøyets bane og hastighet under veikantparkering (figur 4-6). En mikroskopisk simuleringsmodell ble bygget basert på vegens geometriske egenskaper og datainnsamlingsresultatene (figur 7). Sensitivitetsanalysen bestemte virkningen av veikantparkering på maksimal kølengde, forsinkelse, utslipp og andre indikatorer på kjøretøyets drift ved varierende trafikkvolum (figur 8).

Figur 1 viser datainnsamlingsstedet. Testveien var en toveis og tofelts vei i byen Xi'an i provinsen Shaanxi i Kina. Bredden på veien var 10 m, fartsgrensen var 60 km/t, og det var ingen midtstripe, noe som representerer typiske forhold for parkering i veikanten. Toveistrafikken kunne flyte lett, men bremset betydelig i nærvær av et parkert kjøretøy.

Figur 4 viser banene under påvirkning av veikantparkering basert på dataene målt av radarene og veikantlaserenheten. Figuren viser at det parkerte kjøretøyet i veikanten påvirket de passerende kjøretøyenes bane i en lengde på 80 m. Den blå representerer vestradardataene, og den oransje indikerer østradardataene. Den midterste svarte linjen er en samling av punkter, som er posisjonsfordelingen dannet av den vertikale posisjonen til passerende kjøretøy oppdaget av laserenheten ved veikanten.

Vestradaren viser baneendringene. Når kjøretøyene så veikanten parkert barriere, forskjøv de seg fra normal posisjon fra 40 m oppstrøms for det parkerte kjøretøyet.

Laserenheten ved veikanten kunne registrere hvert passerende kjøretøys sideposisjon og hastighet. Sideposisjonen varierte fra 2,3 m til 4,9 m (dvs. den nedre og øvre enden av den midterste svarte linjen i figur 4). Gjennomsnittlig stilling var 3,3 m. Posisjonen her betyr høyre sideposisjon for kjøretøyene som opererer i W-E-retningen og venstre sideposisjon for kjøretøyene som opererer i E-W-retningen.

For østradaren ble det observert en lignende trend som vestradaren. Kjøretøyene returnerte til normal posisjon ca. 40 m etter å ha bestått testbilen.

Som det fremgår av figur 4, var lengden på effekten av et parkert kjøretøy i veikanten på banen til passerende kjøretøy 80 m. Passerende kjøretøy begynte å avvike fra sin normale bane på 40 m fra midten av det parkerte kjøretøyet og returnerte til sin normale bane etter 40 m fra midten av det parkerte kjøretøyet (den nøyaktige plasseringen er merket med to lange svarte linjer i figur 4, og de horisontale posisjonene til de to linjene er 60 m og 140 m). Ved den parkerte kjøretøyposisjonen (dvs. posisjonen med koordinater [100,0] i figur 4) var gjennomsnittlig avstand mellom passerende kjøretøy og ytterkanten av det parkerte kjøretøyet 3,3 m. Med tanke på bredden på det parkerte kjøretøyet var den gjennomsnittlige avstanden mellom de passerende kjøretøyene og den innvendige kanten av det parkerte kjøretøyet 1,3 m. Minimums- og maksimumsavstandene mellom de passerende kjøretøyene og den innvendige kanten av det parkerte kjøretøyet var henholdsvis 0,3 m og 2,9 m, som bestemt av den opprinnelige plasseringen og driftsforholdene til de passerende kjøretøyene. Kjøretøy som kjørte nær fortauskanten hadde ikke stor sideavstand fra det parkerte kjøretøyet når de passerte det og passerte til og med nær det i lav hastighet på grunn av påvirkning fra andre kjøretøy som kjørte i samme retning. Når det passerende kjøretøyet ikke ble forstyrret av andre kjøretøy som kjørte i samme retning, var kjørebredden mer sjenerøs. Sidebredden mellom passerende kjøretøy og det parkerte kjøretøyet var med andre ord tilstrekkelig. Selvfølgelig avhenger sidebredden mellom det passerende kjøretøyet og det parkerte kjøretøyet også av kjøreadferd. Sammenlignet med en aggressiv sjåfør, er det mer sannsynlig at en stabil sjåfør passerer et parkert kjøretøy med større sidebredde.

Figur 5 og figur 6 viser at parkering langs veien undergraver hastigheten til passerende kjøretøy, med den laveste hastigheten til passerende kjøretøy som observeres ved den parkerte kjøretøyets posisjon (dvs. posisjonen med en sentral horisontal koordinat på [100, 0]). Figur 5 viser hastigheten i E-W-retningen. Trafikken beveger seg fra høyre til venstre i bildet, noe som indikerer at kjøretøyets hastighet reduseres gradvis innenfor rekkevidden 180-120 m. Etter å ha passert den parkerte posisjonen, ble hastigheten gradvis og jevnt fordelt uten en åpenbar økning.

I den oransje delen, like før den parkerte kjøretøyets posisjon, ble det nådd en maksimal hastighet på 54,7 km/t, og dette var hastigheten som kjøretøyet passerte med høyere hastighet enn det møtende kjøretøyet. Laveste hastighet var 0 km/t, og dette skjedde på parkeringsplassen. Med høyere forskyvningsverdier for kjøretøyet i W-E-retningen, okkuperte kjøretøyet mer veibredde, og kjøretøyet i E-W-retningen måtte vente, noe som betyr at sistnevnte kjøretøys hastighet var 0 km / t.

I det blå området, etter å ha passert parkeringsposisjonen, holdt kjøretøyets hastighet seg i området 8-35 km / t. Det ville vært vanskelig for biler å nå høyere øvre fartsgrenser på grunn av veimiljøet. Den nedre fartsgrensen økte noe fra 8 km/t til 20 km/t på grunn av kjøring vekk fra parkeringsposisjonen.

Figur 6 viser hastigheten i W-E-retningen, med kjøretøy som beveger seg fra venstre til høyre i bildet. Hastighetsendringene i W-E-retningen var lik de i E-W-retningen.

Før parkeringsposisjonen (dvs. innenfor området 0-100 m i figuren) ble de øvre og nedre grensene for kjøretøyets hastighet i W-E-retningen gradvis innsnevret fra 20 m-posisjonen. I området 0-40 m ble den øvre grensen gradvis redusert og var lavest på 80 m posisjon. Den øvre fartsgrensen på 38,6 km/t (i 20 m-posisjon) falt til 29 km/t (i 80 m-posisjon). Den nedre fartsgrensen økte fra 9,4 km/t (i 10 m-posisjon) til 10,44 km/t (ved 100 m-posisjonen).

Fartsgrensen senket før parkeringsposisjonen. Under observasjonen, hvis et kjøretøy i W-E-retningen fant det parkerte kjøretøyet på samme side og det ikke var noen kjøretøy foran det eller det motsatte kjøretøyet var langt unna, hadde kjøretøyet i W-E-retningen en tendens til å akselerere og forskyve først for å innta en god posisjon for å passere det parkerte kjøretøyet først. Dette fenomenet er årsaken til hastighetsøkningen rett før parkeringsposisjonen.

Passerte parkeringsposisjonen var fartsområdet 8,2-47,7 km/t. Den nedre fartsgrensen ble redusert fordi noen sjåfører bremset når de passerte det parkerte kjøretøyet for å unngå riper. Riper oppstår når kjøretøy som kommer i begge retninger møtes på parkeringsplassen, og i disse tilfellene forsøker sjåførene å unngå riper ved å redusere hastigheten. Sammenlignet med det blå området ble fartsgrensen økt med 9,1 km/t. Dette skyldes at når ingen kjøretøy kom i motsatt retning, akselererte kjøretøyene i W-E-retningen av parkeringsposisjonen etter å ha bekreftet at de ikke skrapte det parkerte kjøretøyet i veikanten, i samsvar med sjåførens vanlige kjørevaner.

I det oransje området økte den nedre fartsgrensen på 7,5 km/t betydelig etter passering av parkeringsposisjonen. Dette indikerer at de fleste kjøretøy kan akselerere tilbake til hastigheten før parkeringsposisjonen etter å ha beveget seg 10 m fra parkeringsposisjonen.

Figur 8 viser simuleringsresultatene av ni indikatorer som gjenspeiler kjøretøyets driftsstatus ved ulike trafikkmengder. Trafikkmengdene i E-W- og W-E-retningene påvirket maksimal kølengde (figur 8A), antall kjøretøy (figur 8B), forsinkelse (figur 8C), antall stopp (figur 8D), CO-utslipp (figur 8E), NO-utslipp (figur 8F), VOC-utslipp (figur 8G), drivstofforbruk (figur 8H) og reisetid (figur 8I) ) justering til veikanten parkeringsdata. Økningen i trafikkvolum fører til økning i alle indikatorverdier, men den berørte graden av forskjellige indikatorverdier er forskjellig. I tillegg har veiparkering ikke en identisk effekt på kjøretøy i E-W og W-E retninger.

Med økningen i trafikkvolumet var innvirkningsgraden av veikantparkering på kjøretøy i W-E-retningen for de tre indikatorene for maksimal kølengde, forsinkelse og antall stopp betydelig høyere enn på kjøretøy i E-W-retningen. Når det gjelder de fem utslippsrelaterte indikatorene, drivstofforbruk og reisetid, var innvirkningsgraden på kjøretøy i E-W- og W-E-retningen nesten den samme, men den var litt større for kjøretøy i W-E-retningen. Etter at trafikkvolumet nådde 300-350 veh/t i W-E- og E-W-retningene, ble veksttrenden med maksimal kølengde, forsinkelse og antall stopp betydelig høyere, med den negative effekten av veikantparkering på trafikkeffektiviteten av passerende trafikkstrøm ble mer alvorlig. Fem av de utslippsrelaterte indikatorene, drivstofforbruk og reisetid endret seg jevnt med økende trafikkvolum i begge retninger.

Figure 1
Figur 1: Datainnsamlingsstedet: en toveis og tofelts vei, Dian Zi Yi Road i Xi'an. Koordinater: 108.932882,34.220774. (A) Et skjema over etterforskningsstedet i Xi'an City. (B) Den røde linjen representerer datainnsamlingssegmentet. Den nordlige veikrysset med den røde linjen er en gågate med få personer og påvirker ikke denne undersøkelsen. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 2
Figur 2: 24 timers køindeks. Dataene i panelet kommer fra sanntidsbelastningsindeksen i Xi'an August 24, 202126. Dataene indikerer at morgentoppen skjedde fra kl. 07.00 til 09.00 og kveldstoppen skjedde fra kl. 17.00 til 19.00. Dalen, unntatt sen kveld, skjedde fra kl. 11.00 til 12.00. Køindeksene var henholdsvis 2,25 og 2,66 klokken 08.00 og 18.00. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 3
Figur 3: Datainnsamlingsskjema vist på et bilde tatt av en drone i en høyde på 150 m. Treskygge dekker alt utstyret, så fargerike blokker representerer utstyret. Det parkerte kjøretøyet i veikanten er i midten, og de to radarene er plassert 100 m oppstrøms og 100 m nedstrøms for det parkerte kjøretøyet. Både vestradaren og østradaren vender mot det parkerte kjøretøyet. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 4
Figur 4: Hele baner. Testbilen er parkert i posisjonen (100,0) i panelet. Den blå representerer vestradardataene, den midterste svarte linjen representerer laserenhetsdataene ved veikanten, og den oransje representerer østradardataene. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 5
Figur 5: Øst-vest hastighet. Klikk her for å se en større versjon av dette tallet.

Figure 6
Figur 6: Vest-øst hastighet. Klikk her for å se en større versjon av dette tallet.

Figure 7
Figur 7: Flytskjemaer for beregning av simuleringsfeil (MAPE) og utførelse av sensitivitetsanalyse. (A) Flytskjema for beregning av MAPE. (B) Flytskjema for sensitivitetsanalysen. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 8
Figur 8: Sensitivitetsanalyse. X-akse = E-W trafikkvolum, Y-akse = W-E trafikkvolum og Z-akse = evalueringsindeksverdi. (A) Maksimal kølengde. (B) Antall kjøretøyer. (C) Forsinkelse. (D) Antall stopp. (E) CO-utslipp. (F) INGEN utslipp. (G) VOC-utslipp. (H) Drivstofforbruk. (I) Reisetid. Vennligst klikk her for å se en større versjon av denne figuren.

Vare Morgen (07:00−08:00) Midt på dagen (13:00−14:00) Kveld (17:00−18:00)
Retning W-E E-W W-E E-W W-E E-W
Bil(veh/t) 306 374 167 148 351 228
Lastebil(veh/t) 1 3 1 0 4 0
Buss(veh/t) 9 9 4 5 6 4
Avver. hastighet(km/t) 21.7 24.5 19.4 24.7 18.8 20.5
hastighet(km/t) 47.7 54.7 55.8 56.2 44.6 45.0
Minimum hastighet(km/t) 0 0 0 0 0 0

Tabell 1: Kjøretøyinformasjon innhentet i undersøkelsen. En minimumshastighet på 0 km/t indikerer at noen kjøretøy slutter å bevege seg.

Vare Morgen (07:00−08:00) Midt på dagen (13:00−14:00) Kveld (17:00─18:00)
Retning W-E E-W W-E E-W W-E E-W
Investeringskapasitet (veh/t) 316 386 172 153 361 232
Simulert kapasitet(veh/t) 306 360 174 150 354 216
Individuell MAPE(%) 3.2 6.7 1.2 2.0 1.9 6.9
MAPE(%) 5.0 1.6 4.4

Tabell 2: Kalibreringsresultatene for simuleringsmodellen. Kalibreringsresultatene mellom det undersøkte trafikkvolumet og det simulerte volumet er oppført i tabellen. MAPE beregnes ved hjelp av ligning 2, og feilene mellom simulert kapasitet og faktisk kapasitet er 5,5%, 1,6% og 4,4% for de tre datagruppene, som alle er små. Siden den totale kapasitetsfeilen er mindre enn 15%, er feilen i den etablerte modellen innenfor det akseptable området, og simuleringsnøyaktigheten er tilstrekkelig29.

Vare Morgen Midt på dagen Kveld
(07:00−08:00) (13:00−14:00) (17:00─18:00)
W-E E-W W-E E-W W-E E-W
Maksimal kølengde(m) 31.26 34.93 12.00 7.96 34.88 20.40
Antall kjøretøy 306 360 168 150 348 216
forsinkelse(r) 6.47 6.58 3.10 1.74 6.68 4.64
antall stopp(ganger) 0.28 0.52 0.05 0.11 0.24 0.42
CO-utslipp (gram) 191.790 249.606 89.112 77.820 219.462 135.468
INGEN utslipp (gram) 37.314 48.564 17.340 15.138 42.702 26.358
VOC-utslipp (gram) 44.448 57.846 20.652 18.036 50.862 31.398
drivstofforbruk (gallon) 2.742 3.570 1.272 1.116 3.138 1.938
reisetid(er) 35.46 29.12 31.92 24.56 35.73 27.25

Tabell 3: Simuleringsresultater med morgentoppdata, data midt på formiddagen og kveldstoppdata. Som representative data har morgendatagruppen det høyeste trafikkvolumet og indikatorverdiene. Trafikkdatagruppen midt på dagen har det laveste trafikkvolumet og indikatorverdiene.

Vare Verdi
E–W-volum(veh/h) 150/200/250/300/350/400/450
W–E-volum(veh/h) 150/200/250/300/350/400
Merk: E–W-trafikkvolumet ligger i området 150–450 veh/t med en økning på 50 veh/t. W–E-trafikkvolumet ligger i området 150–400 veh/t med en økning på 50 veh/t.

Tabell 4: Inngangsparametere for sensitivitetsanalysen i simuleringen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Effekten av veikantparkering på bygater kan ikke ignoreres, og tilfeldig parkering må adresseres30,31. En protokoll for å bestemme virkningen av veikantparkering på trafikkflyten i en toveis bygate presenteres her. Datainnsamlingen spesifiserer bane- og hastighetsendringer for passerende kjøretøy forårsaket av veikantparkering. Trafikksimuleringen kvantifiserer veibaneindekser som maksimal kølengde, forsinkelse og utslipp.

De kritiske trinnene i protokollen er datainnsamlingen og mikrosimuleringsmodellbyggingen. Datainnsamlingsstedet er et rett segment uten kryss, inngang eller utgang. For å sikre at påvirkningen er synlig, kan veien ikke være bredere enn 10 m. En gate med en bredde på 10 m er riktig for observasjon. Hvis den er smalere, kan trafikken brytes helt ned, og hvis den er bredere, kan det hende at påvirkningen ikke oppdages. Lang nok synsavstand er også et krav for segmentet. Ved etablering av simuleringsmodellen bør det legges vekt på områder med redusert hastighet og prioriteringsregler. De relevante parametrene (hastighet og lengde) for områdene med redusert hastighet settes basert på representative data for å gjenspeile den faktiske driften av vegen. Sjåførenes atferd kan bedre reflekteres ved hjelp av prioriteringsregler i stedet for konfliktområder. Prioritetsreglene er de samme som representantdataene og kontrolleres ved hjelp av trafikkoperasjonsvideoene som er tatt av kameraet.

Når det gjelder effekten av veikantparkering på passerende kjøretøy, gir denne protokollen en spesifikk og realistisk beskrivelse av undersøkelsesresultatene. For eksempel påvirkes banene til passerende kjøretøy i 80 m lengde, og kjøretøyets hastighet påvirkes også negativt. I tillegg, under forskjellige trafikkvolumer, viser simuleringsanalyseresultatene ytelsen til ulike indekser som gjenspeiler trafikkoperasjonseffektiviteten. Økningen i trafikkvolum er synkron med veksten i indikatorverdiene.

Hovedbegrensningen i denne protokollen er at den bare er effektiv for ett parkert kjøretøy i veikanten. Det neste forskningsstadiet vil bli gjennomført for å bestemme effekten av flere tilfeldig parkerte kjøretøy på trafikkflytoperasjonen.

Det anbefales at trafikkpolitiet legger til overvåkingsutstyr i trange bygater for å overvåke kjøretøy parkert i veikanten og dermed redusere virkningen av veikantparkering.

Protokollen beskrevet her for å evaluere effekten av veikantparkering på en toveis bygate kan brukes til å foreslå raffinerte veikantparkeringsstyringstiltak, for eksempel tillatt parkeringstid, anbefalt parkeringssted og tillatte parkeringsbiltyper.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har ingenting å avsløre.

Acknowledgments

Forfatterne ønsker å anerkjenne det vitenskapelige forskningsprogrammet finansiert av Shaanxi Provincial Education Department (Program nr. 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

DOWNLOAD MATERIALS LIST

References

  1. China Statistical Yearbook. National Bureau of Statistics. , Available from: http://www.stats.gov.cn/tjsj./ndsj/ (2020).
  2. He, Y. X. A traffic capacity model of lane occupation. Applied Mechanics and Materials. 599-601, 2083-2087 (2014).
  3. 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).
  4. 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).
  5. Rajé, F., Tight, M., Pope, F. D. Traffic pollution: A search for solutions for a city like Nairobi. Cities. 82, 100-107 (2018).
  6. 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).
  7. 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).
  8. 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).
  9. Sánchez González, S., Bedoya-Maya, F., Calatayud, A. Understanding the effect of traffic congestion on accidents using big data. Sustainability. 13 (13), 7500 (2021).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. 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).
  15. 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).
  16. 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).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. 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).
  25. 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).
  26. Xi'an realtime traffic congestion delay index. AutoNavi Traffic Big-data. , Available from: https://trp.autonavi.com/detail.do?city=610100 (2021).
  27. 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).
  28. Pan, B. H., et al. Evaluating operational features of three unconventional intersections under heavy traffic based on CRITIC method. Sustainability. 13 (8), 4098 (2021).
  29. Sun, J. Guideline for Microscopic Traffic Simulation Analysis. , Tongji University Press. Shanghai, China. (2014).
  30. 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).
  31. 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).

Tags

Engineering utgave 191 Parkering ved veikanten trafikkdata trafikkforsinkelse trafikkbelastning transport bygate
Evaluering av effekten av veikantparkering på en bygate med to retninger
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Pan, B., Liu, J., Chai, H., Shao,… More

Pan, B., Liu, J., Chai, H., Shao, Y., Zhang, R., Li, J. Evaluating the Effect of Roadside Parking on a Dual-Direction Urban Street. J. Vis. Exp. (191), e63384, doi:10.3791/63384 (2023).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter