Waiting
Login processing...

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

Engineering

Utvärdering av effekten av vägparkering på en stadsgata i två riktningar

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 denna studie analyseras effekten av vägparkering på en stadsgata. Hela processen består av insamling av trafikdata, databehandling, driftsimulering, simuleringskalibrering och känslighetsanalys.

Abstract

Vägparkering är ett vanligt trafikfenomen i Kina. Smala stadsgator, höga parkeringskrav och brist på parkeringsplatser tvingar allmänheten att delta i slumpmässig parkering längs vägkanten. Ett protokoll föreslås för att fastställa effekten av ett vägparkerat fordon på förbipasserande fordon. I denna undersökning väljs en dubbelriktad och tvåfilig stadsgata där ett fordon står parkerat vid vägkanten för insamling av trafikdata. Baserat på dessa data bestäms effekten av de vägparkerade fordonen på banan och hastigheten hos förbipasserande fordon. Dessutom tillämpas en mikrosimuleringsmodell för att bestämma effekten av vägparkering på maximal kölängd, fördröjning, utsläpp och andra indikatorer under olika trafikvolymer enligt känslighetsanalysen. Resultaten visar att vägparkerade fordon påverkar banan för passerande fordon i cirka 80 m och har en negativ inverkan på hastigheten, med den lägsta hastigheten observerad på platsen för det vägparkerade fordonet. Resultaten av känslighetsanalysen tyder på att trafikvolymen ökar synkront med indikatorvärdena. Protokollet tillhandahåller en metod för att bestämma effekten av vägparkering på körbana och hastighet. Forskningen bidrar till en förfinad hantering av framtidens vägparkering.

Introduction

Accelerationen av urbaniseringen åtföljs av en uppenbar ökning av motorfordonsägande och stadstrafikflöde. År 2021 nådde Kinas bilägande 378 miljoner, vilket motsvarar en ökning med 25.1 miljoner jämfört med 20201. Den nuvarande situationen med otillräcklig vägkapacitet och begränsad trafikstyrningsteknik har dock lett till en allt tydligare skillnad mellan utbud och efterfrågan på stadstrafik. Därför har trafikstockningarna gradvis intensifierats. Som det mest utbredda problemet inom stadstransporter orsakar trafikstockningar många faror och har väckt stor uppmärksamhet från forskare 2,3,4. Förutom att förlänga restiden förvärrar trafikstockningar också miljöföroreningar, intensifierar energiförbrukningen och ökar förorenande utsläpp 5,6,7,8. Det finns ett positivt samband mellan trafikstockningar och olycksfrekvenser 9,10. Bortsett från de ovannämnda effekterna underskrider ökad trafikstockning inkomster och sysselsättning11, och denna effekt är nära relaterad till människors dagliga liv, vilket gör detta till ett av de största problemen i städerna. Med städernas utveckling kommer trafikstockningarnas negativa inverkan på samhället att fortsätta att öka.

Trafikstockningar är en omfattande återspegling av många stadstrafikproblem, bland vilka parkering är den viktigaste. Stadsbefolkningens expansion och ökningen av motorfordon har en negativ inverkan på parkeringsutbudet och den enastående efterfrågan på parkering. I parkeringssystemet är vägparkering vanligt i stadstrafik och är ett viktigt sätt att ta itu med obalansen mellan tillgång och efterfrågan på parkeringar. Vägparkering utnyttjar resurser på båda sidor av vägen för att tillhandahålla parkeringsplatser. Vägparkering är bekvämt, snabbt, flexibelt och platsbesparande jämfört med andra parkeringsanläggningar. Vägparkering upptar dock vägresurser, och dess negativa effekter kan inte ignoreras. I städer som genomgår snabb utveckling i utvecklingsländer gör de skyhöga parkeringskraven att parkering vid vägkanten blir överbelastad, vilket minskar trafiksäkerheten, luftkvaliteten och det offentliga rummet12. Därför måste frågan om vägparkering tas upp.

Parkeringsplats vid vägkanten kan placeras i två scenarier: (1) det icke-motoriserade körfältet (dvs. på breda vägar med separata motoriserade och icke-motoriserade körfält tar vägparkering plats på höger icke-motoriserad körfält); och (2) motorfordon och icke-motorfordon blandat körfält, som ofta är en smal väg med låg trafikvolym. Eftersom motorfordon och icke-motorfordon delar vägresurser leder vägparkering ofta till kaos i trafikverksamheten i det andra scenariot. De flesta befintliga studier har dock fokuserat på det första scenariot 13,14,15,16,17,18.

När en parkeringsplats vid vägkanten finns i det icke-motoriserade körfältet, och om det inte finns någon obligatorisk isolering av de motoriserade och icke-motoriserade körfälten, leder vägparkering indirekt till blandad trafik. En parkeringsplats vid vägkanten minskar avsevärt den effektiva bredden på det icke-motoriserade körfältet, vilket ökar sannolikheten för att icke-motorfordon passerar genom den icke-motoriserade körfältet och upptar den intilliggande motoriserade körfältet. Beteendet kallas lane-crossing16. Många studier har undersökt effekterna av vägparkering i det icke-motoriserade körfältet på blandat trafikflöde. Baserat på den cellulära automatmodellen utvärderade Chen et al.13 effekterna av vägparkering på heterogena trafikoperationer på stadsgator genom studier av friktions- och trängselkonflikter mellan motorfordon och icke-motorfordon13. föreslog en vägmotståndsmodell för blandat trafikflöde genom att överväga effekten av vägparkering17. Dessutom har vissa studier undersökt effekterna av vägparkering endast på motorfordon. föreslog en metod baserad på riskvaraktighet, som användes för att kvantitativt analysera körtiden för motorfordon på vägparkeringsavsnitt19, och resultaten visade att vägparkering påverkade restiden avsevärt.

Trafiksimulering är ett vanligt verktyg för att undersöka effekterna av vägparkering. använde VISSIM-programvara för att utforska effekterna av vägparkering på dynamisk trafik (särskilt på kapaciteten), utvecklade en fordonsgenomsnittlig fördröjningstrafikmodell och verifierade modellens tillförlitlighet genom simulering20. analyserade effekten av vägparkering på blandad trafik under fyra typer av trafikstörningar med samma programvara18. använde en cellulär automatmodell för att analysera påverkan av vägparkering på fordonstrafikegenskaper (körfältkapacitet och fordonshastighet) genom Monte Carlo-simulering under olika scenarier21. Inom ramen för Kerners trefasiga trafikteori analyserade Hu et al. effekterna av tillfälligt parkeringsbeteende vid vägkanten på trafikflödet baserat på den cellulära automatmodellen22. Dessa studier visar att vägparkering har en stor negativ inverkan på trafikeffektiviteten.

Trafikledningsavdelningen är intresserad av att förstå effekten av vägparkerade fordon på trafikflödet. Den specifika längden och graden av effekten är viktig för att hantera problem med vägparkering, till exempel genom att ge information om hur man avgränsar parkeringsplatser, bestämmer icke-parkeringszoner och reglerar parkeringstider. I denna studie utformades ett protokoll för att undersöka effekten av ett enda vägparkerat fordon på trafikdriften. Förfarandet kan sammanfattas i följande steg: 1) förbereda utrustningen, 2) välja datainsamlingsplats, 3) välja utredningstid, 4) samla in data, 5) utföra dataanalysen, 6) bygga simuleringsmodellen, 7) kalibrera simuleringsmodellen och 8) utföra känslighetsanalysen. Om något krav i dessa åtta steg inte uppfylls är processen ofullständig och otillräcklig för att bevisa effektivitet.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Förberedelse av utrustningen

  1. Se till att all utrustning som krävs är tillgänglig: radar, laserenhet vid vägkanten, bärbara datorer, batterier, en kamera, en drönare, ett reflekterande stativ, motsvarande kablar och enhetsstativ.

2. Val av datainsamlingsplats (figur 1)

  1. Välj datainsamlingsplats. Se till att den valda platsen ligger på en två- och tvåfilig väg.
    OBS: Platsvalet är nyckeln i denna forskning. Den tvåfiliga bredden är lätt att observera.
  2. Se till att platsen inte har några korsningar.
    OBS: Fordon som kommer från en tredje riktning kan orsaka kaos i observationen.
  3. Se till att det inte finns några hinder på vägen förutom ett parkerat fordon placerat av utredare.
    OBS: Barriärer kan avbryta fordonets beteende och blockera radardetektering.
  4. Se till att det finns minst ett siktavstånd och avstånd på 300 m. Detta krävs för radarutredningen och utredarnas säkerhet.
    OBS: En radar kan upptäcka högst 200 m. Radarn är placerad 100 m uppströms och nedströms från det parkerade fordonet i utredningen.
  5. Se till att platsen är ett linjärt segment.
    OBS: Om segmentet inte är rakt är det inte möjligt att avgöra om fordonsförskjutningen orsakas av vägparkeringen.

3. Val av utredningstid

  1. Välj undersökningstid. Minst 3 h totalt behövs, med 1 h under morgontoppen, 1 h vid middagstid och 1 h under kvällstoppet23,24,25.
  2. Hämta tiden för högtrafikvolymtimmen från trafikforskningsrapporter, trafikpolisavdelningar eller trafikföretag26 (figur 2).
  3. I avsaknad av trafikrapporter eller analyser som referens, samla in flera timmars data under de tre perioderna ovan och välj sedan data med den högsta trafikvolymen27,28.
  4. Använd timdata med den högsta trafikvolymen för att utföra dataanalys och som indata i simuleringsmodellen. Använd alla 3 timmars data för modellverifieringen.
    OBS: Den valda vägen flankerades av restauranger, och topptimmen för catering är topptimmen för efterfrågan på parkering vid vägkanten. Topptimmen för trafikvolym är off-time, och off-time är också topptiden för catering. Därför är topptimmen för trafikvolym och topptimmen för parkeringsbehov nästan synkrona.

4. Insamling av uppgifter (figur 3)

  1. Parkera fordonet cirka 20 cm från trottoarkanten på avsedd plats så att laseranordningen vid vägkanten kan placeras.
  2. Placera det reflekterande stativet på baksidan av fordonet. Placera den inte för långt bort för att säkerställa att den inte påverkar fordonens beteende.
    OBS: Ett reflekterande stativ är nödvändigt för att varna och / eller undvika kollision baserat på relevanta bestämmelser i den kinesiska trafiksäkerhetslagen. Stativet placeras ett visst avstånd bakom det parkerade fordonet för att varna fordonen bakom att ett parkerat fordon är framför och därmed för att undvika en kollision. Avståndet mellan det reflekterande stativet och det parkerade fordonet hålls lågt för att minimera effekten av det reflekterande stativet på beteendet hos de förbipasserande fordonen, så dess effekt på studieresultaten är försumbar.
  3. Ställ in radarstativet. Ställ stativet i en höjd av inte mindre än 2 m för att undvika signalblockering. Lås radarn med stativet. Justera radarn vertikalt och vrid den mot det parkerade fordonet. Anslut radardatakabeln med den bärbara datorns USB-port.
    OBS: En radar är 100 m uppströms och en är 100 m nedströms det parkerade fordonet. Båda radarerna är placerade på samma sida av det parkerade fordonet för att fånga trafikdata.
  4. Öppna radarprogramvaran och utför följande steg.
    1. Klicka på Kommunikationskontroll. Välj seriell port och klicka på Anslut. Klicka på Bekräfta när programvaran visar Radar Detected.
    2. Klicka på Undersökningsuppsättning. Klicka på Läs RLU-tid och ställ in RLU-tid. Klicka på Radera datapost och bekräfta det för att rensa radarens interna minne. Klicka på Starta undersökning och stäng dialogrutan.
    3. Klicka på Realtidsvy för att kontrollera radarstatusen, och trafikdata bör samlas in när fordon passerar.
  5. Förbered laserenheten vid vägkanten och kabeln. Anslut datakabeln för laserenheten vid vägkanten till porten. Anslut datakabeln för laserenheten vid vägkanten med den bärbara datorns USB-port.
  6. Placera laseranordningen vid vägkanten mitt i det parkerade fordonet. Rotera de fyra justeringskolumnerna på enheten för att jämna ut den.
    OBS: Väglaseranordningen måste arbeta under standardläget.
  7. Öppna programvaran för laserenheter vid vägkanten och utför följande åtgärder.
    1. Klicka på Kommunikationskontroll. Välj RLU Serial Port Number och klicka på Anslut. Klicka på Bekräfta när programvaran visar ny RLU-anslutning upptäckt.
    2. Klicka på Visa utredning. När fordon passerar visas trafikflödet i realtid.
    3. Klicka på Undersökningsuppsättning. Klicka på Läs RLU-tid och ställ in RLU-tid, successivt. Ställ in starttid och sluttid och klicka på Ställ in uppgift. Klicka på Bekräfta när programvaran visar att RLU Investigation Set Up lyckades.
    4. Klicka på Slutför. Klicka på Enhetsstatus för att se status för laserenheten vid vägkanten.
  8. Ställ kameran cirka 30 m uppströms det parkerade fordonet.
    OBS: Trafikdata kan samlas in av radar och väglaseranordningen. Trafikoperativa videor förbereds för datavalidering.
  9. Ställ in all utrustning på dubbelfilig dubbelsidig väg (här, Dian Zi Yi Road). Kontrollera om radarn, laserenheten vid vägkanten och kameran fungerar bra var 5: e minut.
    OBS: Se till att tiden för bärbara datorer och kamera är densamma som i realtid. Starta två radarer, laserenheten vid vägkanten och kameran samtidigt vid den schemalagda tiden. Två radarer vända mot varandra, i kombination med en mellanliggande laseranordning vid vägkanten, ger en kontinuerlig bana för den drabbade trafiken.
  10. Avsluta datainsamlingen och stäng realtidskontrollfönstret i radarprogramvaran.
    1. Klicka på Undersökningskonfiguration, välj Avsluta undersökning och bekräfta den. Stäng dialogrutan.
    2. Välj Datanedladdning, bläddra på datorn för att spara data och ange ett namn för filen. Klicka på Öppna och klicka sedan på Starta nedladdning. Klicka på Bekräfta för att avsluta radardatainsamlingen.
  11. Klicka på Enhetsstatus i programvaran för laserenheter vid vägkanten och klicka sedan på Stoppa uppgift för att avsluta datainsamlingen. Välj Datanedladdning, bläddra och ange ett namn för filen. Klicka på Öppna och klicka på Starta nedladdning. Klicka på Bekräfta för att avsluta datainsamlingen av laserenheten vid vägkanten.

5. Analys av data

OBS: Genom datainsamling förvärvas 3 h data, inklusive morgontopp, mitten av middagstid och kvällstopp. Uppspelningstrafikvideor tillhandahålls av kameran för att kalibrera trafikvolymer och fordonstyper manuellt. Välj gruppdata med den högsta volymen (dvs. morgontoppdata i det här fallet) som den representativa timmen för att utföra dataanalysen.

  1. Använd programvara för att samla in banor och hastighet från radarn.
    OBS: Radarn ligger 100 m från det parkerade fordonet och vägen är 10 m bred. Så alla datapunkter utanför det intervallet är radarfel och bör raderas.
  2. Se till att laseranordningen vid vägkanten ger förskjutningsvärde, passeringshastighet, antal fordon och typer av fordon vid det parkerade fordonets position.
  3. Rita hela intervallet av banor och hastighet som tillhandahålls av de två radarerna och en väglaseranordning som representativa data med hjälp av beräkningsprogram (figur 4-6).

6. Bygga simuleringsmodellen

OBS: Den mikroskopiska simuleringsmodellen etableras av simuleringsprogramvara för trafiksimulering. Resultaten av datainsamlingen, inklusive trafikvolym, fordonshastighet och fordonstypssammansättning, är viktiga parametrar i trafiksimuleringen och ligger till grund för modellbyggandet. Endast den representativa datagruppen behövs i simuleringen.

  1. Vägbygge
    1. Öppna simuleringsprogramvaran. Importera bakgrundskartan över det undersökta vägsegmentet.
    2. Klicka på Hinder till vänster, högerklicka och välj Lägg till nytt hinder. Ange längden och bredden på hindret och klicka sedan på OK. Dra markören för att flytta hindret till vägbanan.
      OBS: "Hinder" avser det parkerade fordonet vid vägkanten. Hindrets längd och bredd ställs in enligt det parkerade fordonets faktiska storlek.
    3. Klicka på Länkar till vänster, flytta markören till början av länken och högerklicka. Välj Lägg till ny länk, mata in körfältets bredd och klicka på OK. Dra markören för att rita länken på kartan.
    4. Upprepa steg 6.1.3 för att bygga fyra vägsegment.
    5. Håll musens högra knapp och Ctrl-knappen på tangentbordet för att dra slutpunkten för en länk till den intilliggande länken för att ansluta de två länkarna.
      OBS: Denna del kallas "kontakten", och den blir mjukare när fler punkter läggs till.
    6. Upprepa steg 6.1.5 för att ansluta alla länkar.
  2. Önskad hastighet
    1. Välj Basdata i det övre fältet och välj sedan Distributioner | önskad hastighet.
    2. Klicka på den gröna korsknappen Lägg till längst ner för att lägga till en ny önskad hastighetsfördelning och namnge den.
    3. Ange medelhastigheten och den maximala hastigheten som tas från representativa data som lägsta och högsta önskade hastigheter. Ta bort standarddata.
    4. Upprepa steg 6.2.2-6.2.3 för att fastställa alla önskade hastighetsfördelningar (riktningen från öst till väst, riktningen från väst till öst och området med reducerad hastighet).
      OBS: I följande text förkortas riktningen från öst till väst som E-W, och riktningen från väst till öst förkortas som W-E.
  3. Fordonets sammansättning
    1. Välj Listor i det övre fältet och välj sedan Privat transport | Fordonskompositioner.
    2. Klicka på den gröna korsknappen Lägg till för att lägga till en ny fordonssammansättning.
    3. Klicka på knappen Lägg till för att lägga till två fordonstyper: tunga lastbilar och bussar.
    4. Välj önskad hastighetsfördelning som anges i steg 6.2 för bilar, tunga lastbilar och bussar.
    5. Upprepa steg 6.3.2–6.3.4 för att fastställa två fordonssammansättningar (E-W och W-E). Mata in flödet av bilar, tunga lastbilar och bussar från representativa data.
  4. Fordonsrutter
    1. Välj Fordonsrutter i den vänstra menyraden.
    2. Flytta markören till uppströms en länk, högerklicka och välj Lägg till nytt statiskt fordonsroutningsbeslut.
    3. Dra den blå markören för att rita fordonsrutterna på kartan från verkliga rutter i datainsamlingen.
  5. Områden med reducerad hastighet
    1. Välj Områden med reducerad hastighet i den vänstra menyraden.
    2. Högerklicka på området uppströms parkeringspositionen och välj Lägg till nytt område med reducerad hastighet.
      OBS: Områdets längd beror på dataanalysresultaten.
    3. Högerklicka i marginalen på skärmen, välj Lägg till och välj önskad hastighet som ställts in i steg 6.2 för området med reducerad hastighet som områdeshastighet.
    4. Upprepa steg 6.5.2–6.5.3 för att ställa in alla områden med reducerad hastighet.
  6. Regler för prioritering
    1. Välj Prioritetsregler i den vänstra menyraden.
    2. Högerklicka på området för reducerad hastighet uppströms det parkerade fordonet i W-E-riktningen och välj Lägg till ny prioritetsregel. Ange minsta gaptid och godkännande.
    3. Upprepa steg 6.6.2 för att ställa in prioritetsregeln nedströms det parkerade fordonet i E-W-riktning.
      Inställningen av prioritetsregler beror på den verkliga trafikåtgärden som återspeglas av datainsamlingen.
  7. Fordonets restider
    1. Välj Fordonets restider till vänster.
    2. Högerklicka i början av en länk och välj Lägg till mätning av ny fordonsrestid.
    3. Dra markören till slutet av länken för att skapa en mätning av fordonets restid.
    4. Upprepa steg 6.7.3 för alla fordonsrutter.
  8. Fordonets insatsvaror
    1. Välj Fordonsingångar till vänster. Högerklicka i början av en länk och välj Lägg till ny fordonsinmatning.
    2. Flytta musen till vänster botten och mata in volymen för representativa data.
    3. Upprepa steg 6.8.1–6.8.2 för alla länkar.
  9. Noder
    1. Välj Noder till vänster. Högerklicka för att välja Lägg till ny nod och klicka sedan på OK.
    2. Vänsterklicka och flytta musen för att justera ett måttligt nodintervall.
      OBS: Nodområdet är relaterat till simuleringsresultaten och beror på vägsektionens geometri.
  10. Klicka på Utvärdering högst upp i simuleringsgränssnittet och välj Resultatlistor. Klicka på Noder Resultat och Fordonets restid resultat.
  11. Klicka på den blå uppspelningsknappen högst upp för att starta simuleringen. Klicka på enhetsknappen Snabbläge för att maximera simuleringshastigheten.
  12. Efter simuleringen visas nodresultaten och fordonets restidsresultat längst ner i gränssnittet, inklusive maximal kölängd, parkeringstider, fördröjning, antal fordon, bränsleförbrukning, CO-utsläpp, NO-utsläpp, VOC-utsläpp och restid.

7. Kalibrering av simuleringsmodell

OBS: I denna studie visade trafikobservationerna att morgonens toppdata hade den högsta volymen, men de tre datagrupperna simulerades för verifiering för att fullt ut illustrera simuleringsmodellens tillförlitlighet.

  1. Mata in insamlade data i simuleringsmodellen, kör simuleringen och hämta simuleringsresultatet (bild 7A).
    Simuleringsvolymen kan genereras från simuleringsresultatet.
  2. Jämför simuleringsvolymen med den insamlade volymen.
    OBS: Beräkna kapaciteten med hjälp av ekvation 1:
    Equation 1(1)
    där C betecknar den ideala kapaciteten (veh/h) och ht betecknar den genomsnittliga minsta försprånget (s).
    OBS: Skillnaden mellan den insamlade volymen och simuleringsvolymen kallas det genomsnittliga absoluta procentfelet (MAPE), som visas i ekvation 2:
    Equation 2(2)
    där n betecknar de fyra olika flödena i denna studie, Equation 3 är kapaciteten simulerad i simuleringsmodellen (veh/h) och Equation 4 är undersökningens kapacitet (veh/h). Det beräknade minimipriset för försäljning anges i tabell 2.
    OBS: Simuleringsnoggrannheten är acceptabel när MAPE är liten.

8. Känslighetsanalys

OBS: Figur 7B visar känslighetsanalysprocessen. Känslighetsanalysprocessen återspeglar endast resultatet av de insamlade uppgifterna (tabell 3). För att förstå situationer med olika trafikvolymer i realtidsscenarier matas alla möjliga trafikvolymkombinationer in i simuleringsmodellen för att säkerställa att alla situationer täcks av vägparkeringsanalysen (figur 8 och tabell 4).

  1. Se till att representativa data innehåller tre grupper av data (dvs. W-E-volym, E-W-volym och andra parametrar).
  2. Dela upp W-E-volymen i sex kategorier, dela upp E-W-volymen i sju kategorier och håll de andra parametrarna stabila i simuleringen.
    OBS: W-E-trafikvolymen var 150-400 veh / h, med en ökning med 50 veh / h under topptimmen, och E-W-trafikvolymen var 150-450 veh / h, med en ökning med 50 veh / h under topptimmen. Den maximala trafikvolymen för ett körfält på stadsgatan var 1 140 veh/h.
  3. Simulera 42 situationer och verifiera effektiviteten under alla situationer.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Detta dokument presenterar ett protokoll för att bestämma effekten av vägparkering på förbipasserande fordon på en två- och tvåfilig stadsväg genom insamling och simulering av trafikdata. En väg valdes som studieplats (figur 1) och ett fordon parkerades vid den planerade vägkanten. Radar, en laseranordning vid vägkanten och en kamera användes för att samla in fordonets bana, hastighet, volym och typsammansättning för att bestämma förändringarna i fordonets bana och hastighet under vägparkering (figur 4-6). En mikroskopisk simuleringsmodell byggdes baserad på vägens geometriska egenskaper och datainsamlingsresultaten (figur 7). Känslighetsanalysen fastställde vägparkeringens inverkan på den maximala kölängden, fördröjningen, utsläppen och andra indikatorer på fordonets drift vid varierande trafikvolymer (figur 8).

Bild 1 visar datainsamlingsplatsen. Testvägen var en två- och tvåfilig väg i Xi'an-staden, Shaanxi-provinsen, Kina. Vägens bredd var 10 m, hastighetsbegränsningen var 60 km/h och det fanns ingen medianremsa, vilket representerade typiska förhållanden för vägparkering. Dubbelriktad trafik kunde flyta lätt men saktade ner betydligt i närvaro av ett parkerat fordon.

Figur 4 visar banorna under påverkan av vägparkering baserat på data som mäts av radarn och väglaseranordningen. Figuren visar att det vägnära parkerade fordonet påverkade de passerande fordonens bana under en längd av 80 m. Den blå representerar västradardata och den orange indikerar östradardata. Den mellersta svarta linjen är en samling punkter, som är positionsfördelningen som bildas av den vertikala positionen för passerande fordon som detekteras av väglaseranordningen.

Den västra radarn visar banförändringarna. När fordonen såg den vägparkerade barriären förskjuts de från normalläget från 40 m uppströms det parkerade fordonet.

Väglaseranordningen kunde registrera varje passerande fordons sidoposition och hastighet. Sidoläget varierade från 2,3 m till 4,9 m (dvs. de nedre och övre ändarna av den mellersta svarta linjen i figur 4). Den genomsnittliga positionen var 3,3 m. Positionen här betyder höger sida position för de fordon som arbetar i W-E-riktningen och vänster sida position för de fordon som arbetar i E-W-riktning.

För östradaren observerades en liknande trend som västradaren. Fordonen återgick till normalläge cirka 40 m efter att ha passerat provningsfordonet.

Som framgår av figur 4 var längden på effekten av ett parkerat fordon vid vägkanten på banan för förbipasserande fordon 80 m. Passerande fordon började avvika från sin normala bana på 40 m från mitten av det parkerade fordonet och återvände till sin normala bana efter 40 m från mitten av det parkerade fordonet (den exakta platsen är markerad med två långa svarta linjer i figur 4 och de horisontella positionerna för de två linjerna är 60 m och 140 m). Vid det parkerade fordonets position (dvs. positionen med koordinater [100,0] i figur 4) var det genomsnittliga avståndet mellan de passerande fordonen och det parkerade fordonets ytterkant 3,3 m. Med tanke på det parkerade fordonets bredd var det genomsnittliga avståndet mellan de förbipasserande fordonen och det parkerade fordonets insida 1,3 m. Minsta och maximala avstånd mellan de passerande fordonen och det parkerade fordonets innerkant var 0,3 m respektive 2,9 m, vilket bestäms av de passerande fordonens ursprungliga placering och driftsförhållanden. Fordon som färdades nära trottoarkanten hade inte ett stort sidoavstånd från det parkerade fordonet när de passerade det och passerade till och med nära det med låg hastighet på grund av påverkan från andra fordon som färdades i samma riktning. När det förbipasserande fordonet inte stördes av andra fordon som färdades i samma riktning var körbredden mer generös. Med andra ord var sidobredden mellan det passerande fordonet och det parkerade fordonet vid vägkanten tillräcklig. Naturligtvis beror sidobredden mellan det förbipasserande fordonet och det parkerade fordonet också på körbeteende. Jämfört med en aggressiv förare är en stabil förare mer benägna att passera ett parkerat fordon med större sidobredd.

Figur 5 och figur 6 visar att vägparkering underskrider hastigheten för passerande fordon, med den lägsta hastigheten för passerande fordon som observeras vid det parkerade fordonets position (dvs. positionen med en central horisontell koordinat på [100, 0]). Figur 5 visar hastigheten i E-W-riktningen. Trafiken rör sig från höger till vänster i bilden, vilket indikerar att fordonshastigheten minskar gradvis inom intervallet 180-120 m. Efter att ha passerat det parkerade läget fördelades hastigheten gradvis och jämnt utan en uppenbar ökning.

I den orange delen, strax före det parkerade fordonets position, uppnåddes en maxhastighet på 54,7 km/h, och detta var den hastighet med vilken fordonet passerade med högre hastighet än det mötande fordonet. Den lägsta hastigheten var 0 km/h, och detta inträffade vid parkeringsläget. Med högre förskjutningsvärden för fordonet i W-E-riktningen upptog fordonet mer vägbredd och fordonet i E-W-riktning fick vänta, vilket innebar att det senare fordonets hastighet var 0 km/h.

I det blå området, efter att ha passerat parkeringsläget, stannade fordonshastigheten i intervallet 8-35 km / h. Det hade varit svårt för bilarna att nå högre övre hastighetsgränser på grund av vägmiljön. Den lägre hastighetsgränsen ökade något från 8 km/h till 20 km/h på grund av körning från parkeringsläget.

Figur 6 visar hastigheten i W-E-riktningen, med fordon som rör sig från vänster till höger på bilden. Hastighetsförändringarna i W-E-riktningen liknade dem i E-W-riktningen.

Före parkeringspositionen (dvs. inom intervallet 0-100 m i figuren) minskade de övre och nedre gränserna för fordonshastigheten i W-E-riktningen gradvis från 20 m-läget. I intervallet 0-40 m minskade den övre gränsen gradvis och var lägst vid 80 m-läget. Den övre hastighetsgränsen på 38,6 km/h (vid läget 20 m) sjönk till 29 km/h (vid läget 80 m). Den lägre hastighetsgränsen ökade från 9,4 km/h (vid läget 10 m) till 10,44 km/h (vid läget 100 m).

Hastighetsbegränsningen sänktes före parkeringsläget. Under observationen, om ett fordon i W-E-riktningen hittade det parkerade fordonet på samma sida och det inte fanns några fordon framför det eller det motsatta fordonet var långt borta, tenderade fordonet i W-E-riktningen att accelerera och förskjuta först för att inta en bra position för att passera det parkerade fordonet först. Detta fenomen är orsaken till hastighetsökningen precis före parkeringspositionen.

När man passerade parkeringsläget var hastighetsområdet 8,2-47,7 km/h. Den lägre hastighetsgränsen minskade eftersom vissa förare bromsade när de passerade det parkerade fordonet för att undvika repor. Repor inträffar när fordon som kommer i båda riktningarna möts på parkeringsplatsen, och i dessa fall försöker förare undvika repor genom att minska hastigheten. Jämfört med det blå området höjdes hastighetsbegränsningen med 9,1 km/h. Detta beror på att när inget fordon kom i motsatt riktning accelererade fordonen i W-E-riktningen av parkeringspositionen efter att ha bekräftat att de inte repade det parkerade fordonet vid vägkanten, i överensstämmelse med förarnas vanliga körvanor.

I det orange området ökade den lägre hastighetsgränsen på 7,5 km/h avsevärt efter att ha passerat parkeringsläget. Detta indikerar att de flesta fordon kan accelerera tillbaka till hastigheten före parkeringspositionen efter att ha flyttat 10 m från parkeringsläget.

Figur 8 visar simuleringsresultaten för nio indikatorer som återspeglar fordonens driftstatus vid olika trafikvolymer. Trafikvolymerna i riktningarna E-W och W-E påverkade den maximala kölängden (figur 8A), antalet fordon (figur 8B), förseningen (figur 8C), antalet stopp (figur 8D), koldioxidutsläppen (figur 8E), INGA utsläpp (figur 8F), VOC-utsläpp (figur 8G), bränsleförbrukning (figur 8H) och restid (figur 8I ) som anpassas till parkeringsdata vid vägkanten. Ökningen av trafikvolymen leder till ökningen av alla indikatorvärden, men den drabbade graden av olika indikatorvärden är olika. Dessutom har vägparkering inte samma effekt på fordon i E-W- och W-E-riktningar.

Med ökningen av trafikvolymen var påverkansgraden för vägparkering på fordon i W-E-riktning för de tre indikatorerna för maximal kölängd, fördröjning och antalet stopp betydligt högre än för fordon i E-W-riktningen. När det gäller de fem utsläppsrelaterade indikatorerna, bränsleförbrukning och restid var påverkansgraden på fordon i E-W- och W-E-riktningarna nästan densamma, men den var något större för fordon i W-E-riktningen. Efter att trafikvolymen nådde 300-350 veh / h i W-E- och E-W-riktningarna var tillväxttrenden för maximal kölängd, fördröjning och antalet stopp betydligt högre, med den negativa effekten av vägparkering på trafikdriftseffektiviteten för passerande trafikflöde som blev allvarligare. Fem av de utsläppsrelaterade indikatorerna, bränsleförbrukning och restid ändrades enhetligt med ökande trafikvolym i båda riktningarna.

Figure 1
Figur 1: Datainsamlingsplatsen: en tvåriktad och tvåfilig väg, Dian Zi Yi Road i Xi'an. Koordinater: 108.932882,34.220774. (A) Ett schema över undersökningsplatsen i Xi'an City. (B) Den röda linjen representerar datainsamlingssegmentet. Det norra vägkorsningen med röda linjen är en gågata med få personer och påverkar inte denna utredning. Klicka här för att se en större version av denna siffra.

Figure 2
Figur 2: Överbelastningsindex på 24 timmar. Uppgifterna i panelen kommer från realtidsbelastningsindexet i Xi'an den 24 augusti 202126. Uppgifterna indikerar att morgontoppen inträffade från 07:00 till 09:00 och kvällstoppen inträffade från 17:00 till 19:00. Dalen, exklusive sen natt, inträffade från 11:00 till 12:00. Trängselindex var 2,25 och 2,66 klockan 08.00 respektive 18.00. Klicka här för att se en större version av denna siffra.

Figure 3
Figur 3: Datainsamlingsschema som visas på en bild tagen av en drönare på en höjd av 150 m. Trädskugga täcker all utrustning, så färgglada block representerar utrustningen. Det parkerade fordonet vid vägkanten ligger i mitten och de två radarerna är placerade 100 m uppströms och 100 m nedströms det parkerade fordonet. Den västra radarn och den östra radarn vetter båda mot det parkerade fordonet. Klicka här för att se en större version av denna siffra.

Figure 4
Figur 4: Hela banor. Provningsfordonet parkeras i läget (100,0) i panelen. Den blå representerar västradardata, den mellersta svarta linjen representerar laserenhetsdata vid vägkanten och den orange representerar östradardata. Klicka här för att se en större version av denna siffra.

Figure 5
Figur 5: Öst-västlig hastighet. Klicka här för att se en större version av denna siffra.

Figure 6
Figur 6: Väst-öst hastighet. Klicka här för att se en större version av denna siffra.

Figure 7
Figur 7: Flödesscheman för beräkning av simuleringsfelet (MAPE) och utförande av känslighetsanalysen. (A) Flödesschema för beräkning av MAPE. (B) Flödesschema för känslighetsanalysen. Klicka här för att se en större version av denna siffra.

Figure 8
Figur 8: Känslighetsanalys. X-axel = E-W trafikvolym, Y-axel = W-E trafikvolym och Z-axel = utvärderingsindexvärde. (A) Maximal kölängd. (B) Antal fordon. (C) Försening. (D) Antal stopp. E) CO-utsläpp. (F) INGA utsläpp. G) VOC-utsläpp. (H) Bränsleförbrukning. (I) Restid. Klicka här för att se en större version av denna siffra.

Sak Morgon (07:00−08:00) Mellersta middagen (13:00−14:00) Kväll (17:00−18:00)
Riktning W–E E–W W–E E–W W–E E–W
Bil(veh/h) 306 374 167 148 351 228
Lastbil(veh/h) 1 3 1 0 4 0
Buss(veh/h) 9 9 4 5 6 4
Aver. hastighet(km/h) 21.7 24.5 19.4 24.7 18.8 20.5
Maxhastighet(km/h) 47.7 54.7 55.8 56.2 44.6 45.0
Minsta hastighet(km/h) 0 0 0 0 0 0

Tabell 1: Fordonsinformation som samlats in i undersökningen. En lägsta hastighet på 0 km/h indikerar att vissa fordon slutar röra sig.

Sak Morgon (07:00−08:00) Mellersta middagen (13:00−14:00) Kväll (17:00─18:00)
Riktning W–E E–W W–E E–W W–E E–W
Investera kapacitet(veh/h) 316 386 172 153 361 232
Simulerad kapacitet(veh/h) 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: Kalibreringsresultaten för simuleringsmodellen. Kalibreringsresultaten mellan den undersökta trafikvolymen och den simulerade volymen visas i tabellen. MAPE beräknas med hjälp av ekvation 2, och felen mellan den simulerade kapaciteten och den faktiska kapaciteten är 5,5%, 1,6% och 4,4% för de tre datagrupperna, som alla är små. Eftersom det totala kapacitetsfelet är mindre än 15% ligger felet i den etablerade modellen inom det acceptabla intervallet och simuleringsnoggrannheten är tillräcklig29.

Sak Morgon Mellersta middagen Kväll
(07:00−08:00) (13:00−14:00) (17:00─18:00)
W–E E–W W–E E–W W–E E–W
Maximal kölängd(m) 31.26 34.93 12.00 7.96 34.88 20.40
antal fordon 306 360 168 150 348 216
försening(ar) 6.47 6.58 3.10 1.74 6.68 4.64
antal stopp(tider) 0.28 0.52 0.05 0.11 0.24 0.42
CO-utsläpp(gram) 191.790 249.606 89.112 77.820 219.462 135.468
INGA utsläpp(gram) 37.314 48.564 17.340 15.138 42.702 26.358
VOC-utsläpp(gram) 44.448 57.846 20.652 18.036 50.862 31.398
bränsleförbrukning (gallon) 2.742 3.570 1.272 1.116 3.138 1.938
restid 35.46 29.12 31.92 24.56 35.73 27.25

Tabell 3: Simuleringsresultat med morgontoppdata, data från mitten av middagstid och kvällstoppdata. Som representativa data har datagruppen morgontopp den högsta trafikvolymen och indikatorvärdena. Den mellersta trafikdatagruppen har den lägsta trafikvolymen och indikatorvärdena.

Sak Värde
E–W volym(veh/h) 150/200/250/300/350/400/450
W–E volym(veh/h) 150/200/250/300/350/400
E–W-trafikvolymen ligger i intervallet 150–450 veh/h med en ökning på 50 veh/h. W–E-trafikvolymen ligger i intervallet 150–400 veh/h med en ökning på 50 veh/h.

Tabell 4: Indataparametrar för känslighetsanalysen i simuleringen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Effekten av vägparkering på stadsgator kan inte ignoreras, och slumpmässig parkering måste åtgärdas30,31. Ett protokoll för att bestämma effekterna av vägparkering på trafikflödet i en stadsgata i två riktningar presenteras här. Datainsamlingen specificerar banan och hastighetsförändringarna för förbipasserande fordon som orsakas av vägparkering. Trafiksimuleringen kvantifierar vägbaneindex som maximal kölängd, fördröjning och utsläpp.

De kritiska stegen i protokollet är datainsamlingen och mikrosimuleringsmodellbyggnaden. Datainsamlingsplatsen är ett rakt segment utan korsning, ingång eller utgång. För att säkerställa att påverkan är synlig kan vägen inte vara bredare än 10 m. En gata med en bredd på 10 m är rätt för observation. Om den är smalare kan trafiken brytas ner helt, och om den är bredare kan påverkan inte upptäckas. Ett tillräckligt långt siktavstånd är också ett krav för segmentet. Vid upprättandet av simuleringsmodellen bör uppmärksamhet ägnas åt områden med reducerad hastighet och prioriteringsregler. De relevanta parametrarna (hastighet och längd) för områdena med reducerad hastighet ställs in baserat på representativa data för att återspegla den faktiska vägtrafiken. Förarnas beteende kan återspeglas bättre med hjälp av prioritetsregler istället för konfliktområden. Prioritetsreglerna är desamma som representativa data och kontrolleras med hjälp av trafikoperationsvideorna som tagits av kameran.

När det gäller effekten av vägparkering på förbipasserande fordon ger detta protokoll en specifik och realistisk beskrivning av undersökningsresultaten. Till exempel påverkas banorna för passerande fordon för 80 m långa, och fordonshastigheten påverkas också negativt. Dessutom, under olika trafikvolymer, visar simuleringsanalysresultaten prestanda för olika index som återspeglar trafikdriftseffektiviteten. Ökningen av trafikvolymen är synkron med tillväxten i indikatorvärdena.

Huvudbegränsningen i detta protokoll är att det endast är effektivt för ett parkerat fordon vid vägkanten. Nästa forskningssteg kommer att genomföras för att bestämma effekten av flera slumpmässigt parkerade fordon på trafikflödesoperationen.

Det rekommenderas att trafikpolisen lägger till övervakningsutrustning på smala stadsgator för att övervaka fordon parkerade vid vägkanten och därigenom mildra effekterna av vägparkering.

Det protokoll som beskrivs här för att utvärdera effekten av vägparkering på en stadsgata med två riktningar kan tillämpas för att föreslå förfinade åtgärder för parkeringshantering vid vägkanten, såsom tillåten parkeringstid, rekommenderad parkeringsplats och tillåtna typer av parkeringsfordon.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna har inget att avslöja.

Acknowledgments

Författarna vill erkänna det vetenskapliga forskningsprogrammet som finansieras 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

Teknik Utgåva 191 Parkering vid vägkanten trafikdata trafikförsening trafikstockningar transport stadsgata
Utvärdering av effekten av vägparkering på en stadsgata i två riktningar
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