Summary
이 프로토콜은 시뮬레이션을 통해 미세한 교통 문제를 해결하는 프로세스를 설명합니다. 전체 프로세스에는 데이터 수집, 데이터 분석, 시뮬레이션 모델 빌드, 시뮬레이션 교정 및 민감한 분석에 대한 자세한 설명이 포함되어 있습니다. 메서드의 수정 및 문제 해결에 대해서도 설명합니다.
Abstract
기존의 유턴 설계는 운영 기능을 분명히 개선할 수 있으며, 유턴 전환 및 세그먼트 병합은 여전히 교통 혼잡, 충돌 및 지연을 유발합니다. 전통적인 유턴 설계의 단점을 해결하기 위해 독점적인 스퍼 다이크 유턴 레인 디자인(ESUL)이 제안되었습니다. ESUL의 작동 성능을 평가하려면 교통 시뮬레이션 프로토콜이 필요합니다. 전체 시뮬레이션 프로세스에는 데이터 수집, 데이터 분석, 시뮬레이션 모델 빌드, 시뮬레이션 보정 및 민감한 분석의 다섯 단계가 포함됩니다. 데이터 수집 및 시뮬레이션 모델 빌드는 두 가지 중요한 단계이며 나중에 자세히 설명합니다. 세 가지 인덱스(이동 시간, 지연 및 경유지 수)는 일반적으로 평가에 사용되며, 다른 파라미터는 실험 요구에 따라 시뮬레이션에서 측정할 수 있습니다. 그 결과 ESUL은 전통적인 유턴 설계의 단점을 크게 줄였습니다. 시뮬레이션은 단일 또는 여러 인접 교차로 또는 짧은 세그먼트와 같은 미세한 교통 문제를 해결하기 위해 적용될 수 있습니다. 이 방법은 데이터 수집없이 대규모 도로 네트워크 또는 평가에 적합하지 않습니다.
Introduction
교차로 또는 단거리 구간의 교통 혼잡과 같은 일부 교통 문제는 도로 설계, 변경 신호 타이밍, 교통 관리 측정 및 기타 교통 기술1,2,3,4를최적화하여 해결하거나 개선할 수 있습니다. 이러한 개선 사항은 원래 상황에 비해 트래픽 흐름 작업에 긍정적이거나 부정적인 영향을 미칩니다. 교통 작업의 변화는 교차로 또는 세그먼트의 실제 재구성이 아닌 교통 시뮬레이션 소프트웨어에서 비교할 수 있습니다. 교통 시뮬레이션 방법은 특히 다른 개선 계획을 비교하거나 개선 효과를 평가할 때 하나 이상의 개선 계획이 제안될 때 빠르고 저렴한 옵션입니다. 이 문서에서는 전용 스퍼 제방 유턴 차선 설계5의교통 흐름 운영 기능을 평가하여 시뮬레이션으로 교통 문제를 해결하는 과정을 소개합니다.
유턴 운동은 도로에 유턴 중앙분리대를 개방해야 하는 광범위한 교통 수요이지만, 이에 대해 논란이 되고 있다. 유턴 개구부를 설계하면 교통 체증이 발생할 수 있으며, 유턴 개구부를 닫으면 유턴 차량의 우회로가 발생할 수 있습니다. 유턴 차량과 직회전 차량은 유턴 이불을 켜야 하며 교통 지연, 정지 또는 사고를 유발합니다. 신호화6,7,전용 좌회전 차선8,9,자율주행차10,11과 같은 유턴 운동의 단점을 해결하기 위한 기술이 제안되었다. 위의 솔루션으로 인해 제한적인 응용 프로그램이 있기 때문에 U 턴 문제에는 개선 가능성이 여전히 존재합니다. 새로운 유턴 설계는 특정 조건에서 더 나은 솔루션이 될 수 있으며 기존 문제를 해결할 수 있습니다.
가장 인기있는 유턴 디자인은 그림 1과같이 중앙위 유턴 교차로(MUTI)12,13,14,15입니다. MUTI의 중요한 한계는 유턴 차량을 지나가는 차량과 구별할 수 없으며 교통 충돌이 여전히16,17존재한다는 것입니다. 전용 스퍼 제방 유턴 레인(ESUL; 그림 2) 여기에 제안되어 중앙분리대 양쪽에 전용 유턴 차선을 도입하여 교통 혼잡을 줄이는 것을 목표로 하고 있습니다. ESUL은 두 흐름의 채널화로 인해 이동 시간, 지연 및 경유지 수를 크게 줄일 수 있습니다.
ESUL이 일반 MUTI보다 더 효율적이라는 것을 증명하기 위해서는 엄격한 프로토콜이 필요합니다. ESUL은 이론적 모델 이전에 실제로 구성할 수 없습니다. 따라서 시뮬레이션이 필요합니다18. 교통 흐름 매개변수를 이용하여, 일부 주요 모델은 운전 행동 모델20,21,자동차 다음 모델22,23,유턴 모델4및 차선 변경 모델21과같은 시뮬레이션 연구19에사용되었습니다. 교통 흐름 시뮬레이션의 정확도는 널리16,24허용된다. 이 연구에서는 MUTI와 ESUL을 모두 수집된 데이터로 시뮬레이션하여 ESUL에 의한 개선점을 비교합니다. 정확성을 보장하기 위해 ESUL의 민감한 분석도 시뮬레이션되어 다양한 트래픽 상황에 적용할 수 있습니다.
이 프로토콜은 실제 교통 문제를 해결하기 위한 실험 적인 절차를 제공합니다. 트래픽 데이터 수집, 데이터 분석 및 트래픽 개선의 전반적인 효율성 분석 방법을 제안합니다. 절차는 1) 교통 데이터 수집, 2) 데이터 분석, 3) 시뮬레이션 모델 빌드, 4) 시뮬레이션 모델 의 교정 및 5) 운영 성능의 민감도 분석의 다섯 단계로 요약할 수 있습니다. 5단계 중 이러한 요구 사항 중 하나가 충족되지 않으면 프로세스가 불완전하고 효과를 입증하기에 충분하지 않습니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. 장비의 준비
- 레이더, 노트북, 배터리 및 레이더 및 노트북용 케이블, 카메라, 레이더 및 카메라 삼각대 등 양방향 트래픽 흐름을 수집하기 위해 다음 장치 각각 2개를 준비합니다.
참고 : 레이더와 해당 소프트웨어는 차량 속도와 궤도를 수집하는 데 사용되며, 이것은 속도 총보다 더 정확합니다. 다른 장비가 차량 속도, 궤도 및 부피를 수집할 수 있는 경우 레이더만이 유일한 선택은 아닙니다. 대형 차량에서 레이더 신호를 쉽게 차단할 수 있기 때문에 카메라로 촬영한 비디오를 차량 계수에 사용할 수 있습니다. 조사 중에 날씨가 우천또는 맑은 경우 장비 보호가 필요합니다. 특히 화창한 날에는 장비가 고온에 도달하여 가동이 중단될 수 있으므로 이러한 상황에대비하여 우산이나 냉각 장비가 필요합니다.
2. 장비 의 테스트
- 모든 구도자가 반사 조끼를 입고 있는지 확인하십시오.
- 레이더 삼각대를 준비하고 가능한 한 높이로 확장하십시오. 삼각대를 2m 보다 높이로 설정하여 길가에서 신호가 차단되는 것을 방지합니다.
- 삼각대 위에 레이더를 설치하고 레이더를 잠급합니다.
- 레이더를 도로 변 에서 약 0.5 m 정도 설정하고 레이더를 수직으로 조정하고 차량 방향 또는 반대 방향을 향합니다. 도로와 레이더 사이의 각도를 가능한 한 작게 유지하십시오.
참고: 레이더는 최대 200m를 감지할 수 있습니다. 레이더가 차선에 너무 가깝게 설정되어 있으면 지나가는 차량에 불어날 수 있습니다. 따라서 0.5-1.0 m는 차선까지의 일반적인 거리입니다. - 전원 배터리를 켜고 노트북을 전원 배터리에 연결합니다. 레이더 전원 케이블을 연결하고 레이더 데이터 USB를 노트북에 연결합니다. 모든 케이블이 연결되어 있으면 랩톱을 켭니다.
- 레이더 옆에 카메라를 설정하여 차량 흐름을 촬영합니다.
- 레이더 소프트웨어 열기
- 통신 확인을클릭한 다음 드롭다운 목록에서 레이더 ID 번호를 선택합니다. ID 번호로 감지된 레이더를 표시합니다.
- 조사 설정을 클릭합니다. 팝업 메뉴에서 RLU 시간 읽기를클릭하면 왼쪽의 장치 시간이 변경됩니다. 그런 다음 RLU 시간 설정을클릭하고 왼쪽의 PC 현재 시간도 변경됩니다.
- 조사 시작을클릭하면 장치 작동 상태가 데이터 기록에서 변경되지 않고 디바이스의 데이터가 진행 중인 데이터 기록 및 장치의 데이터로변경되지 않습니다. 닫기를 클릭하여 이 대화 상자를 닫습니다.
- 실시간 보기를 클릭하여 레이더 상태를 확인합니다. 새 대화 상자가 표시되고 레이더 데이터가 빠르게 롤링됩니다. 이것은 레이더가 차량을 감지하고 잘 작동한다는 것을 의미합니다. 컬렉션이 완료될 때까지 이 대화 상자를 열어 두십시오.
참고: 레이더를 통과할 때 차량을 레이더에 의해 캡처할 수 있습니다. - 대화 상자에서 닫기를 클릭하여 컬렉션을 완료합니다.
- 조사 설정을 클릭 | 조사를 종료하고대화 상자에서 확인합니다. 닫기 단추를 클릭합니다.
- 주 메뉴에서 데이터 다운로드를 선택합니다. 찾아보기를 클릭하여 레이더 데이터를 저장할 장소를 선택합니다. 스프레드시트에 대한 개별 이름을 입력합니다. 다운로드 시작 버튼을 클릭하면 진행률 표시줄이 표시되고 다운로드 후 대화 상자가 나타납니다. 데이터 수집을 완료하려면 확인을 클릭합니다.
- 조사 설정을 클릭 | 데이터 레코드를 지우고다음 대화 상자에서 확인하여 레이더의 내부 메모리를 지웁습니다.
참고: 데이터 수집 위치로 출발하기 전에 모든 장비에 대한 테스트가 필요합니다. 모든 부품이 잘 작동하는 경우 모든 장비를 데이터 수집 위치로 이동합니다.
3. 데이터 수집
- 데이터 수집 위치선택(그림 3)
- 연구에 사용된 교차 유형과 유사한 적합한 위치를 선택합니다.
참고: 위치 선택의 핵심 요구 사항입니다. 위치의 모양, 교통 흐름 상황, 신호등 제어 및 기타 제어 사항을 모두 고려해야 합니다. 연구 사이트가 비슷할수록 결과가 더 정확해집니다. 고속도로의 유턴 중앙분리대 개구부가 필요합니다. 레이더와 조사관의 안전에 필요한 충분한 시야와 간격이 필요합니다. 레이더의 감지 거리와 차량 정지 거리에 따라 시야는 위치로부터 상류 방향으로 200m 이상 이어야 합니다. - 레이더 방향의 간격을 확인합니다. 나무, 관목, 보도 교량, 교통 표지판 또는 가로등이 보이지 않는지 확인하십시오.
- 장비와 조사관에게 안전한 장소인지 확인하십시오. 장비가 도로 변또는 도로 위에 설정되어 있는지 여부는 지형에 따라 달라집니다.
- 운전자의 주의를 끌지 않도록 장비를 한적한 곳에 두는 다.
참고: 사전 경험에 따르면 일부 운전자는 조사 장비를 발견하면 속도가 느려지며 오류가 발생할 수 있습니다. 데이터 수집 장비는 과속 차량을 측정하는 교통 경찰을위한 측정 장치로 간주 될 수있다.
- 연구에 사용된 교차 유형과 유사한 적합한 위치를 선택합니다.
- 교통 데이터 수집
- 수집 시간을 선택합니다.
- 3 시간 의 데이터를 수집하십시오 : 아침 피크에서 1 시간, 정오 계곡에서 1 시간, 저녁 피크에서 1 시간.
- 교통조사보고서, 교통경찰서, 교통사업자25,26(그림 4)에서정확한 피크 및 계곡 시간을 확인한다.
참고: 트래픽 보고서 나 분석이 참조로 없는 경우 위에서 언급한 세 기간 동안 3시간의 데이터를 수집하고 가장 높은 데이터를 선택합니다. - 1시간 동안 트래픽 량이 가장 많은 데이터를 시뮬레이션 모델 및 해석 섹션에 입력합니다. 나머지 2시간 동안의 데이터를 사용하여 확인을 합니다.
- 장비 설정
- 레이더 방향을 조정하고 모든 차선을 캡처할 수 있는 레이더 옆에 카메라를 설정합니다. 보행자 교량의 섹션 2에 모든 장비를 설치하는 과정을 반복합니다.
참고: 레이더 앞의 간격은 유턴 운동의 전체 범위를 커버하기 위해 가능한 한 길고 넓어야 합니다. EW(동쪽에서 서쪽) 레이더는 교통 흐름을 향하고 있으며, WE(서쪽에서 동쪽) 레이더는 도로 정렬로 인해 차량 꼬리를 향하고있다(그림 5). 차선의 내부 측과 바깥쪽에 장비를 설치하는 데 따른 결과 간에는 차이가 없습니다. 레이더 위치의 내부 또는 외부 면은 레이더 데이터가 있는 궤적 수치의 좌표계에만 영향을 줍니다. 레이더가 트래픽 흐름에 직면하면 감지된 실행 속도가 음수이며 데이터 처리 중에 되돌릴 필요가 있습니다. 레이더가 교통 흐름에 직면하면 감지된 실행 속도가 양수이며 직접 사용할 수 있습니다. - 레이더와 카메라가 교량 난간보다 약간 높이가 되도록 설정하여 레이더와 카메라 앞에 간격을 확보합니다.
참고: 레이더가 길가 정착지만큼 높을 필요는 없습니다.
- 레이더 방향을 조정하고 모든 차선을 캡처할 수 있는 레이더 옆에 카메라를 설정합니다. 보행자 교량의 섹션 2에 모든 장비를 설치하는 과정을 반복합니다.
- 레이더, 노트북 및 카메라의 타이밍이 실시간과 일치하는지 확인합니다.
- 두 개의 레이더와 카메라를 동시에 시작하여 시간을 예약합니다.
- 레이더와 카메라가 데이터 수집 중에 5분마다 정상적으로 작동하는지 확인하여 모든 부품이 잘 작동하는지 확인합니다.
- 데이터 수집을 종료하고 식별된 이름으로 레이더 데이터를 스프레드시트로 출력합니다(표1).
- 수집 시간을 선택합니다.
4. 데이터 분석
- 계산 소프트웨어를 사용하여 레이더 데이터를 추출하고 스프레드시트에서 작동 속도 및 궤적 수치를 그립니다.
참고: X/Y 좌표와 X/Y 속도는 스프레드시트에 있습니다. - 그림에서 분명히 불연속 점을 삭제합니다. 이러한 점은 레이더 오류입니다.
참고: 레이더는 넓은 범위를 감지하므로 데이터는 비자동차 차선에서 대상 차량, 반대 차량 및 비자동차 차량을 포함할 수 있습니다. 모든 데이터를 수치로 플로팅할 때 3차선 대상 차량은 분명하며 나머지 점은 "분명히 이산 점"입니다. 감지 영역은 그림 3에서직선이며, 세 차선의 폭이 알려져 있으며 소프트웨어에서 "분명히 개별 지점"을 삭제할 수 있습니다. 그림 6b,d에표시된 대로 필요한 점을 플로팅합니다. - 트래픽 비디오를 재생하고 수동으로 계산하여 트래픽 볼륨 및 유형을 가져옵니다.
참고 : 차량은 크기에 따라 자동차와 트럭으로 나눌 수 있습니다. 6m 이내의 모든 자동차, 택시 및 소형 트럭은 여기에 자동차로 분류됩니다. 모든 대형 트럭과 버스는 트럭으로 분류됩니다. - 가장 높은 트래픽 볼륨 그룹을 대표 데이터로 선택하고 섹션 5에 설명된 시뮬레이션에 입력합니다.
참고: 시뮬레이션 및 민감도 해석에는 하나의 데이터 그룹만 필요합니다. 다른 두 그룹의 데이터는 확인으로 시뮬레이션됩니다.
5. 시뮬레이션 모델 구축
- 도로의 건물
- 시뮬레이션 소프트웨어를 엽니다. 인터페이스 상단의 지도 버튼을 클릭하고 맵을 확대하여 데이터 수집 위치를 찾습니다.
- 왼쪽의 링크를 클릭한 다음 커서를 링크의 시작 위치로 이동한 다음 마우스 오른쪽 단추로 클릭합니다. 새 링크 추가를선택하고 링크 이름과 레인 수를 입력하고 확인을클릭합니다. 커서를 드래그하여 맵에 링크를 그립니다.
- 링크를 마우스 오른쪽 단추로 클릭하고 점 추가를선택합니다. 점과 드래그 점을 추가하여 맵에서 실제 도로 선형으로 링크를 더 매끄럽게 만듭니다.
- 5.1.2 단계와 5.1.3 3x단계를 반복하여 U 턴 중앙값 개구부를 제외한 4개의 세그먼트를 작성합니다.
- 키보드에서 마우스오른쪽 버튼과 Ctrl 버튼을 누린 다음 한 링크의 끝점을 인접한 링크로 드래그하여 링크를 연결합니다. 이 부분을 "커넥터"라고 하며 더 많은 점이 추가될수록 더 부드러워질 수 있습니다.
- 5.1.5 단계를 반복하여 모든 링크와 유턴 경로를 연결합니다.
- 원하는 속도의 입력
- 상단 막대에서 기본 데이터를 선택한 다음 분포를 선택 | 원하는 속도.
- 아래쪽의 녹색 십자가 추가 버튼을 클릭하여 원하는 새 속도를 추가한 다음 이름을 지정합니다.
- 원하는 속도 분포 대화 상자에서 대표 데이터에서 수집된 최대 속도를 원하는 최대 속도로 입력한 다음 대표 데이터에서 계산된 평균 속도를 최소 원하는 속도로 입력합니다. 기본 데이터를 삭제합니다.
- 일반적으로 방향을 사용하여 명명되는 이 원하는 속도에 대한 이름을 입력합니다.
- 5.2.3 단계와 5.2.4 단계를 반복하여 원하는 모든 속도 (WE, EW, WW U 턴 및 EE U 턴)를 빌드합니다.
- 차량 구성
- 상단 표시줄에서 목록 버튼을 선택한 다음 개인 전송 | 차량 조성물.
- 하단의 녹색 십자가 추가 버튼을 클릭하여 새 차량 구성을 추가합니다. 5.2 단계에 내장된 원하는 속도를 자동차로선택합니다.
- 녹색 십자가 추가 버튼을 클릭하여 차량 유형 버스 / 트럭을 HGV로추가하십시오. 5.3.2단계에서 수행한 것과 동일한 원하는 속도를 선택합니다.
- 대표 데이터에서 RelFlow에서 자동차와 트럭의 볼륨을 입력합니다.
- 5.3.2-5.3.5 단계를 반복하여 모든 전차 구성(WE, EW, WW U 턴 및 EE U-turn)을 빌드합니다.
- 차량 경로
- 왼쪽 메뉴 모음에서 차량 경로를 선택합니다.
- 커서를 시작점으로 한 링크의 업스트림으로 이동한 다음 마우스 오른쪽 단추를 클릭한 다음 새 정적 차량 라우팅 결정 추가를선택합니다.
- 데이터 수집에서 차량 경로를 나타내는 파란색 커서를 끕입니다. 모든 차량 경로를 그릴 WE, EW, WW 유턴, EE 유턴에서 이 단계를 4배 반복합니다.
- 속도 감소
- 왼쪽 메뉴 모음에서 속도 감소 영역을 선택합니다.
- U 턴 개구부 의 상류에서 마우스 오른쪽 버튼을 클릭한 다음 새로운 감소 속도 영역 추가를선택합니다.
참고: 영역의 길이는 대표 데이터 및 속도 변경 길이에 따라 다릅니다. - 이 영역을 양방향으로 빌드합니다.
- 분쟁 지역
- 왼쪽 메뉴 모음에서 충돌 영역을 선택합니다. 네 개의 노란색 충돌 영역은 중앙분리대 개방 섹션에 표시됩니다.
- 노란색 충돌 영역 하나를 마우스 오른쪽 단추로 클릭하고 실제 상황과 충돌 영역이 빨간색으로 바뀌면 상태 설정을 미정으로 선택합니다.
- 네 개의 충돌 영역 모두에 대해 5.6.2 단계를 반복합니다.
- 이동 시간 측정
- 왼쪽 메뉴 모음에서 차량 이동 시간을 선택합니다.
- 하나의 링크의 시작 부분에서 마우스 오른쪽 단추를 클릭하고 새 차량 이동 시간 측정 추가를선택합니다.
- 커서를 링크 끝으로 드래그하여 하나의 차량 이동 시간 측정값을 작성합니다. 모든 차량 경로(WE, EW, WW U-turn 및 EE U-turn)에 대해 이 단계를 반복합니다.
- 각 이동 시간 측정값의 이름을 해당 방향으로 지정합니다.
참고: 작동 상황을 개선 설계와 비교하려면 두 시뮬레이션 모델에서 이동 시간 측정 길이가 동일해야 합니다.
- 차량 입력
- 왼쪽 메뉴 모음에서 차량 입력을 선택합니다. 하나의 링크의 시작점을 클릭하고 마우스 오른쪽 단추로 클릭하여 새 차량 입력을 추가합니다.
- 마우스를 왼쪽 하단으로 이동하고 대표 데이터에서 입력 볼륨을 입력합니다. 모든 링크에 대해 이 단계를 반복합니다.
- 다른 ESUL 시뮬레이션 모델을 비교하여 빌드하면 U 턴 개방 부분만 수정해야합니다(그림 7 및 표 2).
- 인터페이스 상단의 파란색 재생 버튼을 클릭하면 시뮬레이션이 시작됩니다. 시뮬레이션 속도를 조정할 수 있는 재생 버튼 왼쪽의 축척을 끕습니다.
참고: 계측기 버튼 빠른 모드는 시뮬레이션 속도를 최대로 만들 수 있습니다. - 시뮬레이션이 끝나면 모든 결과가 인터페이스 하단에 표시됩니다. 결과를 새 스프레드시트에 복사합니다. 여기서, 이동 시간, 지연 및 경유지 의 수는분석(27)에서평가된다.
6. 시뮬레이션 모델 교정
- 대표 데이터의 트래픽 볼륨을 시뮬레이션 소프트웨어에 입력하고 시뮬레이션을 수행합니다(도8a).
- 시뮬레이션 결과의 트래픽 볼륨을 수집된 데이터 볼륨과 비교합니다.
- 아래 방정식 1을 사용하여 용량을 계산합니다.
(1)
여기서 C는 이상적인 용량(veh/h)을 나타내고 ht는 평균 최소 진입로(들)를 나타냅니다. - 용량을 사용하여 시뮬레이션 오류를 방정식 2다음에 따른 평균 절대 퍼센트 오류(MAPE)로 추정합니다.
(2)
n이 연구에서 네 개의 서로 다른 흐름을 나타내는 경우 C iv는 시뮬레이션 모델(veh/h)에서 시뮬레이션된 용량이고 Cif는 조사 용량(veh/h)입니다. 계산된 MAPE는 표 3에제시되어 있습니다.
참고 : MAPE가28,29,30 인 경우 시뮬레이션 모델을 사용할 수있습니다. - 시뮬레이션 소프트웨어의 지시에 따라 파라미터(즉, 랜덤 시드, 자동차 팔로우 모델 유형, 차선 변경 규칙 등)를 수정하거나, 시뮬레이션모델(31,32,33,34)을구축할 때 위에서 설명한 모든 단계를 확인한다.
(1)
(2)7. 감도 분석
참고: 민감도 분석 프로세스는 그림 8b에나와 있습니다. 수집된 데이터는 자체 성능만 반영할 수있습니다(그림 9, 표 4, 표 5및 표 6). 모든 상황에서 효과를 입증하기 위해 모든 가능한 트래픽 상황과 다른 조합을 시뮬레이션 모델에 입력하여 MUTI와 ESUL 간에 모든 상황을 다룰 수 있도록했습니다(그림 10 및 표 7).
- 대표 데이터의 자동차/트럭(버스) 비율과 작동 속도를 선택합니다. 이러한 매개 변수를 유지 관리합니다.
- 민감도 분석에서 ~0.03-0.15의 U 턴 비율을 0.03으로 설정하면 감도 분석에서 5개의 U 턴 비율이 증가합니다.
참고: 표 1의대표 데이터에 따르면, 유턴 속도의 범위는 0.04-0.15입니다. - 693 veh/h (0.1 V/C)의 증가와 ~ 0.2-1.0 V/C에서 트래픽 볼륨을 설정합니다. 표 7)감도 분석에서 9개의 볼륨을 의미한다.
참고: 설계 속도가 80km/h일 때 AASHTO의 고속도로 용량 매뉴얼35에 따라 서비스 레벨 E에 해당하는 3차선 구간이 있는 도시 고속도로의 최대 통행량은 6,930veh/h입니다. - 45개의 상황을 모두 시뮬레이션하고 현재 상황(MUTI) 및 개선된 상황(ESUL)에서 결과를 저장합니다.
- 비율 = (MUTI - ESUL)/MUTI x 100%를 계산하여 이동 시간 및 지연의 개선을 확인합니다. 단축된 시간 = MUTI - ESUL을 계산하여 경유지 수의 개선을 확인합니다.
참고: 최종결과(그림 10)에서양수(>0) 결과는 ESUL이 트래픽 상황을 개선한 반면 음수(<0)는 민감도가 그 반대를 나타낸다는 것을 의미합니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
그림 2는 유턴 중앙분리대 개구부용 ESUL의 그림을 나타낸다. WENS는 네 가지 기본 방향을 의미합니다. 주요 도로에는 두 방향이 있는 6개의 차선이 있습니다. 그린벨트는 양방향으로 무동력 차선을 나누고 가운데에서 두 방향을 나눕니다. 흐름 1은 동쪽에서 서쪽으로 교통이 흐르고, 2흐름은 동쪽에서 동쪽으로 유턴 흐름이, 3흐름은 서쪽에서 동쪽으로 교통을 통해, 4번 흐름은 서쪽에서 서쪽으로 유턴 교통량이 있다.
ESUL의 내부 2 차선의 기능은 우회, 감속, 유턴, 가속, 진입로 를 찾고, 유턴 차량을 병합하는 것입니다. 스퍼 다이크 부분은 핵심 부품이며 일반 유턴 디자인과는 다릅니다. 이 부분은 트래픽 흐름이 약간 바깥쪽으로 이동(1차선 폭)을 강제로 이동하고 스퍼 다이크 후 통행량과 유턴 트래픽을 분리할 수 있습니다.
스퍼 다이크 디자인은 세 가지 중요한 차이점이 있습니다. 첫째, 전체 차선을 바깥쪽으로 이동하여 트래픽을 통해 영향을 피하기 위해 특정 유턴 차선을 제공합니다. 표시에 비해, 드라이버는 박차 다이크를 가로 질러 할 수 없으며 두 흐름을36,37떨어져 분할하는 차선을 따라야합니다. 둘째, 양방향 유턴 요구를 모두 대칭적으로 설계하여 대칭적으로 토지를 최대한 사용합니다. 셋째, 스퍼 다이크는 차량의 다른 U 턴 반경을 조정하고 유연하게 땅을 사용합니다.
그림 3은 중국 산시성 시안시의 두 번째 루프 도로북서쪽 모퉁이에 있는 일반적인 중앙분리대 개구부인 데이터 수집 위치를 보여줍니다. 이 연구의 루프 도로는 6개의 차선으로 이루어져 있으며 루프 도로의 속도 제한은 80km/h입니다(그림3a). 차선의 폭은 3.5m, 중앙값 폭은 평균 1.2m입니다. 중앙분리대 개구부는 폭 10m, 길이 17m입니다. 양쪽에 2개의 비자동차 차선(폭 9m)이 있으며, 1.5m 그린벨트는 메인 차선과 분리됩니다(그림3b).
중앙분리대 개구부근의 상류및 하류 인터체인지 사이의 거리는 5.1km이다(그림3a). 이 섹션에는 출입구가 없기 때문에 중앙분리대 개구부가 200m에 도달하면 속도 제한에 도달할 수 있습니다. 중앙분리대개통에서 상류인터체인지까지는 1.4km, 하류 인터체인지까지는 3.6km이다. 유턴 개구부가 설계되지 않은 경우 차량은 10km(최시 9분 지연)의 우회를 합니다. 유턴 차량은 교차로에서 회의를 하거나 강제로 가입해야 할 때 장시간 기다려야 하므로 교통 체증이 지연되거나 중단됩니다. 그림 4는 아침 피크가 오전 7:00부터 9:00까지, 저녁 피크는 17:00~19:00에 나타나고, 계곡(심야 제외)은 12:00~14:00에 나타납니다.
동쪽에서 서쪽으로 의 모든 트래픽의 속도는 그림6a에표시됩니다. U 턴 개구부는 가로 축에서 ~70m에서 발생합니다. 감속과 가속은 70m 에 가깝기 때문에 유턴 차량의 영향을 받았다는 것을 알 수 있습니다. 그림6a의 피크 값은 80km/h 미만이며, 포인트는 주로 40km/h 미만의 중앙 집중식으로 작동 속도가 제한 속도(80km/h)보다 훨씬 낮았음을 나타냅니다. 그림 6b는 동쪽에서 서쪽으로 의 교통 흐름 궤적을 보여줍니다. 3차선과 유턴 차량 궤도는 그림에서 쉽게 식별할 수 있습니다. 가장 낮은 탄도는 진한 파란색이며 위의 두 궤적보다 넓으며, 이는 유턴 차량과 차량을 통해 병합되었음을 나타냅니다. 병합 운동은 60m에서 시작하여 40m에서 끝나며 이는 20m 병합 세그먼트를 나타냅니다. 내부 차선의 통행량은 유턴 차량에 의해 심각하게 영향을 받았습니다.
그림 6c는 서쪽에서 동쪽으로 흐르는 속도입니다. U턴 오프닝에서 러닝 스피드가 80m에 도달하면 속도가 증가하기 시작합니다. 결과는 WW U 턴 흐름이 전환 이동 (오히려 병합 운동보다)에 기인 한 흐름을 통해 WE에 작은 영향을 미쳤다는 것을 나타냅니다; 그림 6b. 0km/h에서 시작하는 포인트는 WW U 턴 차량이 전체 차량에 대해 정지 및 감속을 일으켰음을 나타냅니다. 그림 6d는 통과 트래픽 및 유턴 트래픽의 서쪽에서 동쪽으로의 궤적을 나타낸다. 유턴 섹션에는 유턴 움직임을 감지하기 위한 레이더 신호를 차단하는 높은 트리가 있습니다.
도 7은 ESUL 설계의 절반을 나타낸다. 1차선과 4차선은 통행차선이며, 2차선과 3차선은 유턴 차선입니다. 각 섹션의 계산은 이전에 게시 된 지침35,38 및 연구39,40을기반으로합니다. 단면 AB는 도로 정렬 공정을 기반으로 하며, 섹션 BC는 운전자의 반응 시간 및 이동 절차에 따라 달라지며, 섹션 CD는 전환 부분이며, 섹션 DE에는 감속 및 안전 거리가 포함됩니다. 섹션 EF는 유턴에 충분한 공간을 제공합니다. 섹션 FH 및 HI에는 가속, 전도 찾기 및 결합된 모션이 별도로 포함되어 있습니다. 모든 구간은 80km/h의 설계 속도에 따라 표 2에 설명되어 있습니다.
도 10은 20%-40% 이내의 모든 트래픽 조합 하에서 ESUL에 의한 유동 1 이동 시간 비율이 감소하였다. 지연은 크게 감소 35%-70%(그림 10b). 정지 횟수는 0.4(그림10c)로약간 감소했습니다. ESUL은 모든 상황에서 EW 스루 트래픽에 대한 상당한 개선을 보여주었습니다. 도 9e, f 및 도 10d는 유량 2(EE 유턴 차량)의 감도 결과를 나타내고 있다. EE 유턴 차량의 세 가지 지수가 크게 개선되었습니다. 그림 10d에 표시된 이동 시간은 트래픽 볼륨이 증가함에 따라 20%-70% 감소했습니다. 그림 10e의 지연은 이동 시간보다 더 많이 감소했으며 피크 값에서 거의 100%에 도달했습니다. 최소 개선 비율은 70%보다 컸습니다. 그림 10f에 표시된 경유지 수의 현저한 개선은 6개에 이르렀습니다.
도 9i, j 및 도 10h는 유량 3(WE 통해 차량)의 감도 결과를 나타내고 있다. 흐름 1과 유사한 추세로, 흐름 3은 ESUL을 통해 많이 개선되었습니다. 도10시간에서이동 시간이 40%-50%감소했습니다. 지연은 그림 10i에서 50%-90%감소했습니다. 경유지 수는 그림 10j에서0.4배만 감소했습니다. 흐름 4에서, WW U 턴 차량 및 감도 결과는 도 9l, m 및 도 10k에도시되어 있다. 교통량이 증가함에 따라 이동 시간이 ~20%-60% 감소했습니다(그림10k). 그림 10l에서지연은 교통량이 1,386 veh/h일 때 1% 증가했으며 U 턴 비율은 0.06이었습니다. 지연은 나머지 범위에서 54%-97%로 크게 감소했습니다. 경유지 수는 최대 6배 까지 감소합니다(그림10m).
그림 1: 중앙위 유턴 교차점(MUTI)의 예입니다. 두 가지 디자인은 도로에서 일반적인 유턴 개통을 나타내지만, 유턴 차량은 동일하거나 반대 방향의 흐름에 관계없이 지나가는 차량과 교통 충돌을 일으킬 수 있다는 점에 유의해야합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 2: 지방 트렁크 고속도로의 ESUL 디자인 그림. W = 서쪽, E = 동쪽, N = 북쪽, S = 남쪽. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3: 시안의 북서쪽 코너 두 번째 루프 도로의 중앙값에 있는 데이터 수집 위치입니다. 좌표: 108.903898, 34.301482. (a)조사 위치 도식. (b)U 턴 중앙분리대 개구부의 MUTI. 이 이미지는 150m 높이에서 무인 항공기에 의해 촬영되었습니다.
그림 4: 24 시간 혼잡 지수. (a)2015년부터 2017년25년까지주요 도시의 24시간 혼잡 추세. (b)시안의 24시간 혼잡 지연 지수는 5월22일,2019년25일,26. 패널의 데이터는 중국 웹 매핑 네비게이션 제공 업체41에서제공하는 중국25의 주요 도시에 대한 2017 교통 분석 보고서에서 가져옵니다. 패널 b의 데이터는 2019년 5월22일시안의 실시간 혼잡지수에서 나옵니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 5: U 턴 위치의 보행자 교량에 레이더가 있는 데이터 수집. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 6: 교통 흐름의 속도 및 궤적. (a)동쪽에서 서쪽으로 차량의 속도. (b)동쪽에서 서쪽으로 차량의 궤적. (c)서쪽에서 동쪽으로 차량의 속도. (d)서쪽에서 동쪽으로 차량의 궤적. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 7: ESUL 설계의 형상. 파란색 화살표는 직진하는 차량을 나타내고 빨간색 화살표는 유턴 차량을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 8: MAPE 및 민감한 분석 계산의 순서도입니다. (a)MAPE의 계산 프로세스. (b)민감한 분석 의 프로세스. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 9: 뮤티와 ESUL을 수집된 데이터와 비교합니다. 이동 시간(a),지연(b)및 경유지 수(c)와아침 피크 (h)의 비교. 중간 정오 계곡 (h)와 이동 시간(d),지연(e)및 경유지수의비교. 이동 시간(h),지연(i)및 경유지 수(j)와저녁 피크 (h)의 비교. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 10: EW를 통한, EE U-턴, WE 를 통한 및 WW 유턴을 포함한 모든 흐름의 민감도 분석. X축 = 교통량, Y축 = U-턴 비율 및 Z축 = 개선비율(비율 = [MUTI - ESUL]/MUTI x 100%) 소요 시간 및 지연, 감소 된 시간 (감소 된 시간 = MUTI - ESUL) 경유지 수. (a-c) EW 를 통해 흐름,(d-f)EE U 턴 흐름,(h-j)WE 통해 흐름을 통해,(k-m)WW U 턴 흐름. 세 가지 수치는 각각 이동시간(a, d, h, k),지연(b, e, i, l)및 경유지수입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
| 항목 | 아침 (07:00-08:00) | 정오 중반(13:00~14:00) | 저녁(17:00-18:00) | |||||||||
| 방향 | Ew | 우리 | Ew | 우리 | Ew | 우리 | ||||||
| 흐름 | i = 1 | i = 2 | i = 3 | i = 4 | i = 1 | i = 2 | i = 3 | i = 4 | i = 1 | i = 2 | i = 3 | i = 4 |
| 자동차 | 4195 | 172 | 3442 | 504 | 3001 | 176 | 2460 | 402 | 1665 | 287 | 3296 | 394 |
| 트럭 | 86 | 10 | 56 | 16 | 79 | 7 | 60 | 41 | 11 | 6 | 38 | 35 |
| 유턴 비율 | 4281:182 | 3498:520 | 3080:183 | 2520:443 | 1676:293 | 3334:429 | ||||||
| 단언. 속도 | 21.5 | 11.5 | 22.2 | 10.5 | 36.7 | 12.3 | 23.7 | 11.8 | 29.3 | 12.8 | 22.9 | 12.1 |
| 최대. 속도 | 73.8 | 13.4 | 63.7 | 12.8 | 90.4 | 15.6 | 75.9 | 13.5 | 76.7 | 14.6 | 63.7 | 13.3 |
| 최소 속도 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
표 1: 수집된 차량 정보. 최소 속도0km/h는 이동을 시작하기 전에 일부 차량이 정지했음을 나타냅니다.
| 항목 | 설명 |
| LAB | 166 m. 모든 흐름이 약간 바깥쪽으로 이동하는 길이 |
| LBC | 185 m. 유턴 기호를 인식하고 조치를 취하기 위해 흐름 i = 4의 길이 |
| LCD | 50m. 흐름 i = 3 및 흐름 i = 4를 분리하는 전환 길이 |
| LDE | 42 m. 흐름 i = 4 감속 길이 |
| LEF | 승용차의 반경 = 7.26m. 유턴 폭 |
| LFH | 180 m. 유량 i = 4의 가속 길이 |
| LHI | 140m. 흐름 i = 4에 대한 진입로를 추구하고 흐름 i = 1로 병합하는 길이 |
표 2: ESUL의 기하학적 매개변수. 각 섹션의 계산은 이전에 게시 된 지침35,38 및 연구39,40을기반으로합니다. 표 2의 값은 80km/h의 설계 속도로 ESUL 성능을 평가하기 위해 시뮬레이션 모델에 입력됩니다.
| 항목 | 아침 (07:00-08:00) | 정오(13:00~14:00) | 저녁(17:00-18:00) | |||||||||
| 방향 | Ew | 우리 | Ew | 우리 | Ew | 우리 | ||||||
| 흐름 | i = 1 | i = 2 | i = 3 | i = 4 | i = 1 | i = 2 | i = 3 | i = 4 | i = 1 | i = 2 | i = 3 | i = 4 |
| 투자. 용량(veh/h) | 4281 | 182 | 3498 | 520 | 3080 | 183 | 2520 | 443 | 1676 | 293 | 3334 | 429 |
| 시뮬레이션 된 용량 (veh / h) | 4115 | 127 | 3571 | 501 | 3000 | 169 | 2484 | 360 | 1814 | 268 | 3381 | 409 |
| 개인 마페 (%) | -3.9 | -30.2 | 2.1 | -3.6 | -2.6 | -7.4 | -1.4 | -18.7 | 8.2 | -8.5 | 1.4 | -4.6 |
| MAPE (%) | -9.9 | -7.5 | -5.7 | |||||||||
표 3: 시뮬레이션 교정 결과. 조사와 시뮬레이션 간의 교정이 표에 표시됩니다. MAPE는 수학식 2를 사용하여 계산되며 결과는27,30으로허용됩니다.
| 항목 | 이동 시간 (들) | 지연 (들) | 경유지 수 | ||||||
| 흐름 | Muti | 에술 (영등) | 요금(%) | Muti | 에술 (영등) | 요금(%) | Muti | 에술 (영등) | 요금(%) |
| i = 1 | 17.7 | 12.5 | -29.4 | 7.2 | 4 | -44.4 | 0.19 | 0 | -100 |
| i = 2 | 33.2 | 14.1 | -57.5 | 17.4 | 0.4 | -97.7 | 1 | 0 | -100 |
| i = 3 | 18.3 | 9.9 | -45.9 | 5.6 | 1.6 | -71.4 | 0.06 | 0 | -100 |
| i = 4 | 27.8 | 15.7 | -43.5 | 14.8 | 3 | -79.7 | 0.89 | 0 | -100 |
표 4: 아침 피크 데이터를 사용하여 MUTI 및 ESUL의 시뮬레이션 결과. 아침 피크에서, ESUL은 MUTI보다 훨씬 더 향상된다. 이동 시간은 29.4%-57.5% 감소했습니다. 지연은 44.4%-97.7% 감소했습니다. 경유지 수가 완전히 줄어듭니다.
| 항목 | 이동 시간 (들) | 지연 (들) | 경유지 수 | ||||||
| 흐름 | Muti | 에술 (영등) | 요금(%) | Muti | 에술 (영등) | 요금(%) | Muti | 에술 (영등) | 요금(%) |
| i = 1 | 16.3 | 11.2 | -31.3 | 5.6 | 2.8 | -50 | 0.1 | 0 | -100 |
| i = 2 | 26.7 | 15.6 | -41.6 | 10.1 | 1.3 | -87.1 | 0.5 | 0 | -100 |
| i = 3 | 17.8 | 10 | -43.8 | 4.9 | 1.6 | -67.3 | 0.1 | 0 | -100 |
| i = 4 | 24.4 | 15 | -38.5 | 11.7 | 2.9 | -75.2 | 0.7 | 0 | -100 |
표 5: 중간 정오 데이터가 있는 MUTI 및 ESUL의 시뮬레이션 결과. 정오에 이동 시간은 31.3%-43.8% 감소했습니다. 지연은 50.0%-87.1% 감소했으며 ESUL을 사용하면 정지 횟수가 없습니다.
| 항목 | 이동 시간 (들) | 지연 (들) | 경유지 수 | ||||||
| 흐름 | Muti | 에술 (영등) | 요금(%) | Muti | 에술 (영등) | 요금(%) | Muti | 에술 (영등) | 요금(%) |
| i = 1 | 13 | 9.4 | -27.7 | 2.9 | 1.1 | -62.1 | 0 | 0 | 0 |
| i = 2 | 37.6 | 16.3 | -56.6 | 20.7 | 1.7 | -91.8 | 5.9 | 0 | -100 |
| i = 3 | 18.3 | 10.6 | -42.1 | 5.6 | 2.2 | -60.7 | 0.2 | 0 | -100 |
| i = 4 | 23 | 15.5 | -32.6 | 9.5 | 3.1 | -67.4 | 1.4 | 0 | -100 |
표 6: 저녁 피크 데이터를 사용하여 MUTI 및 ESUL의 시뮬레이션 결과. 저녁 피크 데이터로 이동 시간은 27.7%-56.6% 감소했습니다. 지연은 60.7%-91.8% 감소했습니다. 정지의 수는 또한 ESUL로 감소합니다.
| 항목 | 값 | ||||||||
| 자동차/트럭(버스) 비율 | 4281:182 (EW) / 3498:520 (우리) | ||||||||
| 유턴 비율(%) | 0.03/0.06/0.09/0.12/0.15 | ||||||||
| V/C | 0.2 | 0.3 | 0.4 | 0.5 | 0.6 | 0.7 | 0.8 | 0.9 | 1 |
| 볼륨(veh/h) | 1386 | 2079 | 2772 | 3465 | 4158 | 4851 | 5544 | 6237 | 6930 |
표 7: 시뮬레이션에서 감도 해석에 입력된 매개변수입니다.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
이 문서에서는 시뮬레이션을 사용하여 교차로 또는 짧은 세그먼트에서 교통 문제를 해결하는 절차에 대해 설명했습니다. 몇 가지 점은 특별한주의를 기울여야하며 여기에서 더 자세히 논의됩니다.
필드 데이터 수집은 주의를 기울여야 할 첫 번째 사항입니다. 데이터 수집 위치에 대한 몇 가지 요구 사항은 다음과 같습니다: 1) 데이터 수집에 적합한 위치 찾기. 위치는 데이터 수집의 전제인 스터디의 도로 기하학적 모양과 유사해야 합니다. 2) 레이더 신호를 차단할 수 없는 충분한 간격을 찾아 레이더 및 기타 장비의 설정 위치를 결정합니다. 드론과 같은 일부 최첨단 기술을 사용하여 교통 작업을 감지할 수 있습니다. 전체 관측 구역은 나무나 건축과 같은 장벽이 없어야 합니다. 3) 마지막으로, 데이터 수집 시간은 한 위치에서 3 시간 이상이어야한다. 시간은 아침과 저녁 피크뿐만 아니라 낮의 계곡 상황을 반영해야합니다. 혼잡 시간은 관찰 또는 다른 신뢰할 수있는 교통 게시자에서 얻을 수 있습니다.
시뮬레이션 모델 구축은 또 다른 중요한 단계입니다. 시뮬레이션 모델의 정확도는 다른 시뮬레이션 오류로 이어질 것입니다. 시뮬레이션 모델의 첫 번째 일은 커넥터입니다. 연결선 한쪽의 한 쪽 링크가 이동하면 커넥터의 모양이 바어져 인접한 링크 또는 커넥터에 침입하여 오류가 발생할 수 있습니다. 따라서 링크를 이동해야 할 때마다 커넥터를 다시 계산하는 것이 중요합니다.
또 다른 중요한 단계는 충돌 영역의 충돌 규칙입니다. 우선 순위 규칙 대신 충돌 영역을 사용하여 교차로에서 길의 오른쪽을 시뮬레이션합니다. 우선 순위 규칙에 비해 충돌 영역이 자동으로 표시되므로 편집이 더 쉬워지고 주행 동작을 더 잘 반영할 수 있습니다. 충돌 규칙은 데이터 수집과 동일해야 하며 모든 충돌 영역은 해당 규칙으로 설정해야 합니다. 마지막 중요한 단계는 시뮬레이션 오류(MAPE)가 큰 경우 주행 동작에 관한 매개 변수를 조정하는 것입니다. 운전 동작에는 여러 개의 개별 매개 변수가 있으며 각 매개 변수의 작은 변경으로 인해 결과에 긍정적이거나 부정적인 영향을 미칠 수 있습니다. 다양한 매개 변수를 신중하고 반복적으로 조정하는 것이 중요합니다.
일반적으로 이동 시간, 지연 및 경유지 수는 시뮬레이션에서 작동 기능을 평가할 때 가장 일반적으로 사용되는 인덱스입니다. 다른 많은 인덱스는 시뮬레이션(예: 차량 부피, 배기가스 배출, 연료 소비, 보행자 기록, 안전 평가, 차량 행동, 차량 경로, 좌표 등)에서 얻을 수 있습니다. 상이한 실험적 필요에 따라 해당 평가 인덱스를 선택하는 것이 중요합니다. 다른 인덱스, 가장 일반적으로 사용 되는 위의 세 가지를 제외 하 고, 새로운 연구 결과 또는 방법으로 이어질 수 있습니다.
시뮬레이션을 수행할 때 "빠른 모드"를 사용하면 시뮬레이션이 가장 빠른 속도에 도달하고 특히 민감한 해석 중에 시간을 절약할 수 있습니다. 따라서 수십 개의 시뮬레이션이 필요합니다. 어떤 시뮬레이션 속도가 선택되든 시뮬레이션 결과는 동일하게 유지됩니다.
향후 응용 프로그램에는 두 가지 주요 영역이 있습니다. 한 가지 응용 프로그램은 교통 문제를 해결하고 교차로 또는 짧은 세그먼트에서 하나 이상의 트래픽 설계를 평가하는 것입니다. 시뮬레이션은 차량, 보행자, 인프라 수정 또는 교통 관리 측정을 포함하는 지 여부에 관계없이 미세한 교통 행동을 평가하는 데 도움이 됩니다. 둘째, 이 프로세스는 교통 연구를 수행하는 사람들에게 충분한 연습 가이드를 제공합니다. 이 조항은 교통 시뮬레이션 측정에 대한 정확하고 강력한 데이터를 얻는 데 도움이 됩니다.
이 방법에는 몇 가지 제한 사항이 있습니다. 첫째, 레이더는 직선 방향을 감지할 수 있으며, 이를 위해서는 대상 세그먼트도 직선이 있어야 합니다. 경사로와 같은 곡선 세그먼트에는 레이더를 사용할 수 없습니다. 둘째, 레이더는 차량을 감지하기에 충분한 여유가 필요합니다. 그러나 실제 환경에서는 항상 신호를 차단하는 나무나 광고판이 있습니다. 레이더 정착에 적합한 장소를 찾기가 어렵습니다. 또한, 교통량이 크거나 차량이 서로 가까우면 레이더가 차량을 구별할 수 없으며, 비디오에서 수동으로 카운트하는 것이 유일한 옵션이며, 이는 많은 작업이다. 프로토콜이 차량을 자동으로 계산하고 분류할 수 있는 방법을 사용하는 경우에도 효율성과 정확도를 향상시킬 수 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개 할 것이 없다.
Acknowledgments
저자는 이 작품에 부분적으로 자금을 지원한 중국 장학협의회가 201506560015 파일과 함께 있었다는 것을 인정하고 싶습니다.
Materials
| Name | Company | Catalog Number | Comments |
| Battery | Beijing Aozeer Technology Company | LPB-568S | Capacity: 3.7v/50000mAh. Two ports, DC 1 out:19v/5A (max), for one laptop. DC 2 out:12v/3A (max), for one radar. |
| Battery Cable | Beijing Aozeer Technology Company | No Catalog Number | Connect one battery with one laptop. |
| Camera | SONY | a6000/as50r | The videos shot by the cameras were 1080p, which means the resolution is 1920*1080. |
| Camera Tripod | WEI FENG | 3560/3130 | The camera tripod height is 1.4m. |
| Laptop | Dell | C2H2L82 | Operate Windows 7 basic system. |
| Matlab Software | MathWorks | R2016a | |
| Radar | Beijing Aozeer Technology Company | SD/D CADX-0037 | |
| Radar Software | Beijing Aozeer Technology Company | Datalogger | |
| Radar Tripod | Beijing Aozeer Technology Company | No Catalog Number | Corresponding tripods which could connect with radars, the height is 2m at most. |
| Reflective Vest | Customized | No Catalog Number | |
| VISSIM Software | PTV AG group | PTV vissim 10.00-07 student version |
References
- Tang, J. Q., Heinimann, H. R., Ma, X. L. A resilience-oriented approach for quantitatively assessing recurrent spatial-temporal congestion on urban roads. PLoS ONE. 13 (1), e0190616 (2018).
- Bared, J. G., Kaisar, E. I. Median U-turn design as an alternative treatment for left turns at signalized intersections. ITE Journal. 72 (2), 50-54 (2002).
- El Esawey, M., Sayed, T. Operational performance analysis of the unconventional median U-turn intersection design. Canadian Journal of Civil Engineering. 38 (11), 1249-1261 (2011).
- Leng, J., Zhang, Y., Sun, M. VISSIM-based simulation approach to evaluation of design and operational performance of U-turn at intersection in China. 2008 International Workshop on Modelling, Simulation and Optimization. , IEEE. Hong Kong, China. (2008).
- Shao, Y., et al. Evaluating the sustainable traffic flow operational features of an exclusive spur dike U-turn lane design. PLoS ONE. 14 (4), e0214759 (2019).
- Zhao, J., Ma, W. J., Head, K., Yang, X. G. Optimal Intersection Operation with Median U-Turn: Lane-Based Approach. Transportation Research Record. (2439), 71-82 (2014).
- Hummer, J. E., Reid, J. E. Unconventional Left Turn Alternatives for Urban and Suburban Arterials-An Update. Urban Street Symposium Conference Proceedings. , Dallas, TX. (1999).
- Ram, J., Vanasse, H. B. Synthesis of the Median U-Turn Intersection Treatment. Transportation Research Board. , Washington, DC. (2007).
- Levinson, H. S., Koepke, F. J., Geiger, D., Allyn, D., Palumbo, C. Indirect left turns-the Michigan experience. Fourth Access Management Conference. , Portland, OR. (2000).
- Mousa, M., Sharma, K., Claudel, G. C. Inertial Measurement Units-Based Probe Vehicles: Automatic Calibration, Trajectory Estimation, and Context Detection. IEEE Transactions on Intelligent Transportation Systems. , 1-11 (2017).
- Odat, E., Shamma, J., Claudel, G. C. Vehicle Classification and Speed Estimation Using Combined Passive Infrared/Ultrasonic Sensors. IEEE Transactions on Intelligent Transportation Systems. , 1-14 (2017).
- Liu, P., et al. Operational effects of U-turns as alternatives to direct left-turns. Journal of Transportation Engineering. 133 (5), 327-334 (2007).
- Potts, I. B., et al. Safety of U-turns at Unsignalized Median Opening. Transportation Research Board. , Washington, DC. (2004).
- Yang, X. K., Zhou, G. H. CORSIM-Based Simulation Approach to Evaluation of Direct Left Turn vs Right Rurn Plus U-Turn from Driveways. Journal of Transportation Engineering. 130 (1), 68-75 (2004).
- Guo, Y. Y., Sayed, T., Zaki, M. H. Exploring Evasive Action-Based Indicators for PTW Conflicts in Shared Traffic Facility Environments. Transportation Engineering, Part A: Systems. 144 (11), 04018065 (2018).
- Liu, P., Qu, X., Yu, H., Wang, W., Gao, B. Development of a VISSIM simulation model for U-turns at unsignalized intersections. Journal of Transportation Engineering. 138 (11), 1333-1339 (2012).
- Shao, Y., Han, X. Y., Wu, H., Claudel, G. C. Evaluating Signalization and Channelization Selections at Intersections Based on an Entropy Method. Entropy. 21 (8), 808 (2019).
- Ander, P., Oihane, K. E., Ainhoa, A., Cruz, E. B. Transport Choice Modeling for the Evaluation of New Transport Policies. Sustainability. 10 (4), 1230 (2018).
- Wang, J., Kong, Y., Fu, T., Stipanicic, J. The impact of vehicle moving violations and freeway traffic flow on crash risk: An application of plugin development for microsimulation. PLoS ONE. 12 (9), e0184564 (2017).
- Lin, C., Gong, B., Qu, X. Low Emissions and Delay Optimization for an Isolated Signalized Intersection Based on Vehicular Trajectories. PLoS ONE. 10 (12), e0146018 (2015).
- Tang, T. Q., Wang, Y. P., Yang, X. B., Huang, H. J. A multilane traffic flow model accounting for lane width, lanechanging and the number of lanes. Networks and Spatial Economics. 14 (14), 465-483 (2014).
- Gupta, A. K., Dhiman, I. Analyses of a continuum traffic flow model for a nonlane-based system. International Journal of Modern Physics C. 25 (10), 1450045 (2014).
- Chen, H., Zhang, N., Qian, Z. VISSIM-Based Simulation of the Left-Turn Waiting Zone at Signalized Intersection. 2008 International Conference on Intelligent Computation Technology and Automation (ICICTA). , IEEE. Hunan, China. (2008).
- PTV AG. PTV VISSIM 10 User Manual. , Karlsruhe, Germany. (2018).
- AutoNavi Traffic Big-data. 2017 Traffic Analysis Reports for Major Cities in China. , China. https://report.amap.com/share.do?id=8a38bb86614afa0801614b0a029a2f79 (2018).
- AutoNavi Traffic Big-data. Xi'an realtime traffic congestion delay index. , https://trp.autonavi.com/detail.do?city=610100 (2019).
- Xiang, Y., et al. Evaluating the Operational Features of an Unconventional Dual-Bay U-Turn Design for Intersections. PLoS ONE. 11 (7), e0158914 (2016).
- Kuang, Y., Qu, X., Weng, J., Etemad, S. A. How Does the Driver's Perception Reaction Time Affect the Performances of Crash Surrogate Measures? PLoS ONE. 10 (9), e0138617 (2015).
- Zhao, F., Sun, H., Wu, J., Gao, Z., Liu, R. Analysis of Road Network Pattern Considering Population Distribution and Central Business District. PLoS ONE. 11 (3), e0151676 (2016).
- Jian, S. Guideline for microscopic traffic simulation analysis. , Tongji University Press. Shanghai, China. (2014).
- Liu, K., Cui, M. Y., Cao, P., Wang, J. B. Iterative Bayesian Estimation of Travel Times on Urban Arterials: Fusing Loop Detector and Probe Vehicle Data. PLoS ONE. 11 (6), e0158123 (2016).
- Ran, B., Song, L., Zhang, J., Cheng, Y., Tan, H. Using Tensor Completion Method to Achieving Better Coverage of Traffic State Estimation from Sparse Floating Car Data. PLoS ONE. 11 (7), e0157420 (2016).
- Zhao, J., Li, P., Zhou, X. Capacity Estimation Model for Signalized Intersections under the Impact of Access Point. PLoS ONE. 11 (1), e0145989 (2016).
- Wei, X., Xu, C., Wang, W., Yang, M., Ren, X. Evaluation of average travel delay caused by moving bottlenecks on highways. PLoS ONE. 12 (8), e0183442 (2017).
- American Association of State and Highway Transportation Officials (AASHTO). Highway Capacity Manual 6th edition. , Washington, D.C. (2010).
- Wang, Y., Qu, W., Ge, Y., Sun, X., Zhang, K. Effect of personality traits on driving style: Psychometric adaption of the multidimensional driving style inventory in a Chinese sample. PLoS ONE. 13 (9), e0202126 (2018).
- Shen, B., Qu, W., Ge, Y., Sun, X., Zhang, K. The relationship between personalities and self-report positive driving behavior in a Chinese sample. PLoS ONE. 13 (1), e0190746 (2018).
- American Association of State and Highway Transportation Officials (AASHTO). A policy on geometric design of highways and streets 6th Edition. , Washington, D.C. (2011).
- Ashraf, M. I., Sinha, S. The "handedness" of language: Directional symmetry breaking of sign usage in words. PLoS ONE. 13 (1), e0190735 (2018).
- Lu, A. T., Yu, Y. P., Niu, J. X., John, X. Z. The Effect of Sign Language Structure on Complex Word Reading in Chinese Deaf Adolescents. PLoS ONE. 10 (3), e0120943 (2015).
- Fan, L., Tang, L., Chen, S. Optimizing location of variable message signs using GPS probe vehicle data. PLoS ONE. 13 (7), e0199831 (2018).
