Waiting
Elaborazione accesso...

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

Engineering

Evaluering av en eksklusiv Spur Dike U-Turn Design med radarinnsamlede data og simulering

Published: February 1, 2020 doi: 10.3791/60675
Automatic Translation
1, 1, 2, 1, 1, 3, 4, 5
1Highway Academy, Chang'an University, 2Human Resource Department, Xi'an Shiyou University, 3Cockrell School of Engineering, University of Texas at Austin, 4Department of Earth and Atmospheric Science, University of Houston, 5School of Foreign Languages, Xi'an Shiyou University

Summary

Denne protokollen beskriver prosessen med å løse et mikroskopisk trafikkproblem med simulering. Hele prosessen inneholder en detaljert beskrivelse av datainnsamling, dataanalyse, simuleringsmodellbygging, simuleringskalibrering og sensitiv analyse. Endringer og feilsøking av metoden er også diskutert.

Abstract

Tradisjonelle U-turn design kan forbedre operasjonelle funksjoner åpenbart, mens U-sving avledninger og slå sammen segmenter fortsatt føre trafikkaos, konflikter og forsinkelser. En eksklusiv spur dike U-turn lane design (ESUL) er foreslått her for å løse ulempene ved tradisjonelle U-turn design. For å evaluere driftsytelsen til ESUL er det nødvendig med en trafikksimuleringsprotokoll. Hele simuleringsprosessen inneholder fem trinn: datainnsamling, dataanalyse, simuleringsmodellbygging, simuleringskalibrering og sensitiv analyse. Datainnsamling og simuleringsmodellbygging er to kritiske trinn og beskrives senere i større detalj. Tre indekser (reisetid, forsinkelse og antall stopp) brukes ofte i evalueringen, og andre parametere kan måles fra simuleringen i henhold til eksperimentelle behov. Resultatene viser at ESUL reduserer ulempene ved tradisjonelle U-turn design betydelig. Simuleringen kan brukes til å løse mikroskopiske trafikkproblemer, for eksempel i enkelt eller flere tilstøtende kryss eller korte segmenter. Denne metoden er ikke egnet for større veinett eller evalueringer uten datainnsamling.

Introduction

Noen trafikkproblemer, for eksempel trafikkaos i et kryss eller kort segment, kan løses eller forbedres ved å optimalisere veidesign, endre signaltiming, trafikkstyringsmålinger og andre transportteknologier1,2,3,4. Disse forbedringene har enten en positiv eller negativ effekt på trafikkflytoperasjoner sammenlignet med de opprinnelige situasjonene. Endringene i trafikkoperasjoner kan sammenlignes i trafikksimuleringsprogramvare i stedet for i selve gjenoppbyggingen av skjæringspunktet eller segmentet. Trafikksimuleringsmetoden er et raskt og billig alternativ når en eller flere forbedringsplaner foreslås, spesielt når man sammenligner ulike forbedringsplaner eller evaluerer effektiviteten av forbedringer. Denne artikkelen introduserer prosessen med å løse et trafikkproblem med simulering ved å evaluere trafikkflytoperasjonelle funksjoner i en eksklusiv anspore dike U-turn lane design5.

U-svingbevegelse er et utbredt trafikkbehov som krever en U-sving median åpning på veien, men dette har blitt debattert. Utforming av en U-svingåpning kan føre til trafikkaos, mens lukking av U-svingåpningen kan føre til omveier for U-svingkjøretøyene. To bevegelser, U-sving kjøretøy og direkte venstresving kjøretøy, krever en U-sving åpning og forårsake trafikkforsinkelser, stopp, eller til og med ulykker. Noen teknologier har blitt foreslått for å løse ulempene ved U-sving bevegelser, for eksempel signalisering6,7, eksklusive venstre sving baner8,9, og autonome kjøretøy10,11. Forbedringspotensialet finnes fortsatt på U-sving-problemer, på grunn av de ovennevnte løsningene som har restriktive applikasjoner. En ny U-turn design kan være en bedre løsning under visse forhold og være i stand til å løse eksisterende problemer.

Den mest populære U-turn design er median U-sving krysset (MUTI)12,13,14,15, som vist i figur 1. En betydelig begrensning av MUTI er at den ikke kan skille U-sving kjøretøy fra passerende kjøretøy og at trafikkkonflikt fortsatt eksisterer16,17. En modifisert U-turn design kalt den eksklusive anspore dike U-turn lane (ESUL; Figur 2) er foreslått her og har som mål å redusere trafikkaos ved å innføre en eksklusiv U-sving kjørefelt på begge sider av en median. ESUL kan redusere reisetiden betydelig, forsinkelser og antall stopp på grunn av kanaliseringen av de to strømmene.

For å bevise at ESUL er mer effektiv enn den normale MUTI, er det nødvendig med en streng protokoll. ESUL kan faktisk ikke konstrueres før en teoretisk modell; dermed er simulering nødvendig18. Ved hjelp av trafikkflytparametere, noen viktige modeller har blitt brukt i simulering forskning19,for eksempel kjøring atferd modeller20,21, bil følgende modeller22,23, U-turn modeller4, og lane endre modeller21. Nøyaktigheten av trafikkflytsimuleringer er allment akseptert16,24. I denne studien simuleres både MUTI og ESUL med innsamlede data for å sammenligne forbedringer gjort av ESUL. For å garantere nøyaktighet simuleres en sensitiv analyse av ESUL også, noe som kan gjelde for mange forskjellige trafikksituasjoner.

Denne protokollen presenterer eksperimentelle prosedyrer for å løse reelle trafikkproblemer. Metodene for innsamling av trafikkdata, dataanalyse og analyse av generell effektivitet av trafikkforbedringer foreslås. Prosedyren kan oppsummeres i fem trinn: 1) trafikkdatainnsamling, 2) dataanalyse, 3) simuleringsmodellbuild, 4) kalibrering av simuleringsmodell og 5) følsomhetsanalyse av driftsytelse. Hvis noen av disse kravene i de fem trinnene ikke er oppfylt, er prosessen ufullstendig og utilstrekkelig til å bevise effektivitet.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Utarbeidelse av utstyret

  1. Forbered to av hver av følgende enheter for å samle to-veis trafikkflyter: radarer, bærbare datamaskiner, batterier og kabler for radarer og bærbare datamaskiner, kameraer og radar- og kamerastativer.
    MERK: Radaren og den tilsvarende programvaren brukes til å samle kjøretøyhastighet og bane, og dette er mer nøyaktig enn en hastighetspistol. Radaren er ikke det eneste valget hvis annet utstyr er tilgjengelig for å samle kjøretøyhastighet, bane og volum. Siden radarsignaler enkelt kan blokkeres av store kjøretøy, kan videoer tatt av kameraer brukes til biltelling. Under etterforskningen, hvis været er regnfull eller solrikt, er det nødvendig med beskyttelse av utstyret. Spesielt på en solrik dag kan utstyret nå høy temperatur og slå seg av, så det er behov for en paraply eller kjøleutstyr for denne situasjonen.

2. Testing av utstyret

  1. Sørg for at alle etterforskerne har på seg reflekterende vester.
  2. Forbered radarstativet og utvid det så høyt som mulig. Sett stativet høyere enn 2 m for å unngå signaler fra å bli blokkert på veikanten.
  3. Installer radaren på toppen av stativet og lås radaren.
  4. Sett radaren ca 0,5 m ved siden av veikanten, juster radaren vertikalt, og vis kjøretøyets retning eller motsatt retning. Hold vinkelen mellom veien og radaren så liten som mulig.
    MERK: Radaren kan oppdage 200 m på det meste. Hvis radaren er satt for nær kjørefeltet, kan den blåse over forbipasserende kjøretøy. Dermed er 0,5-1,0 m den vanlige avstanden til kjørefeltet.
  5. Slå på strømbatteriet og koble den bærbare datamaskinen til strømbatteriet. Koble radarstrømkabelen og koble radardata-USB til den bærbare datamaskinen. Når alle kablene er tilkoblet, slår du på den bærbare datamaskinen.
  6. Sett kameraet ved siden av radaren for å skyte kjøretøyflyten.
  7. Åpne radarprogramvaren
    1. Klikk Kommunikasjonskontroll, og velg deretter radar-ID-nummeret fra rullegardinlisten. Det vil vise Radar Oppdaget med et ID-nummer.
    2. Klikk Undersøkelsesoppsett. Klikk Les RLU-tidpå hurtigmenyen, og enhetstiden til venstre endres. Deretter klikker du Konfigurer RLU-tid, og PC-gjeldende tid til venstre endres også.
    3. Klikk Start undersøkelse, og enhetsarbeidsstatusen endres fra dataregistrering går ikke, og Ingen data i enheten til dataregistrering i saksbehandling og Data i enheten. Klikk Lukk for å lukke denne dialogboksen.
    4. Klikk sanntidsvisningen for å kontrollere radarstatusen. En ny dialogboks vises, og radardataene rulles raskt. Dette betyr at radaren oppdager kjøretøyene og fungerer bra. Hold denne dialogboksen åpen til samlingen er ferdig.
      MERK: Kjøretøyet kan fanges opp av radaren når radaren passerer.
    5. Klikk Lukk i dialogboksen for å fullføre samlingen.
    6. Klikk på Oppsett av etterforskning | Avslutt etterforskning, og bekreft i dialogboksen. Klikk Lukk-knappen.
    7. Velg Datanedlasting i hovedmenyen. Klikk Bla gjennom for å velge et sted for å lagre radardataene. Skriv inn et individuelt navn for regnearket. Klikk på Start nedlasting-knappen, en fremdriftslinje vises, og en dialogboks vises etter nedlasting. Klikk Bekreft for å fullføre datainnsamlingen.
    8. Klikk på Oppsett av etterforskning | Slett datapost, og bekreft den i neste dialogboks for å fjerne det interne minnet på radaren.
      MERK: En test av alt utstyr er nødvendig før avreise til datainnsamlingsstedet. Flytt alt utstyret til datainnsamlingsstedet hvis alle delene fungerer bra.

3. Datainnsamling

  1. Valg av datainnsamlingssted (Figur 3)
    1. Velg et passende sted som ligner på skjæringspunktet som brukes i forskningen.
      MERK: Dette er nøkkelkravet i plasseringsvalg. Formen på plasseringen, trafikkflytsituasjonen, trafikklyskontrollen og andre kontroller er alle nødvendig i betraktning. Jo mer lik studiestedet, desto mer nøyaktige resultater. En U-sving median åpning på motorveien er nødvendig. En tilstrekkelig lang synslinje og klaring er nødvendig, noe som er nødvendig for radar og sikkerhet for etterforskere. Basert på registreringsavstanden til radaren og kjøretøyets stoppavstand, bør synslinjen være minst 200 m fra stedet til en oppstrøms retning.
    2. Kontroller klaringen av radarretningen. Pass på at det ikke er trær, busker, gangbroer, trafikkskilt eller gatelys i sikte.
    3. Sørg for at stedet er et trygt sted for utstyr og etterforskere. Om utstyret er satt på veikanten eller over veien avhenger av terrenget.
    4. Plasser utstyret på et bortgjemt sted for å unngå å få førerens oppmerksomhet.
      MERK: Ifølge tidligere erfaringkan noen sjåfører avta hvis de ser undersøkelsesutstyret, noe som vil føre til feil. Datainnsamlingsutstyret kan betraktes som en måleenhet for trafikkpolitiet for å måle fartsovertredelser.
  2. Innsamling av trafikkdata
    1. Velg samlingstiden.
      1. Samle 3 t data: 1 t i morgen topp, 1 t på middagsdalen, og 1 t på kvelden topp.
      2. Sjekk nøyaktig topp og dal tid fra trafikkforskningsrapporten, trafikk politiet, eller trafikk forretningsbedrifter25,26 (Figur 4).
        MERK: Hvis det ikke finnes trafikkrapport eller analyse som referanse, samler du inn 3 t data i løpet av de tre periodene som er nevnt ovenfor, og velger de høyeste dataene.
      3. Skriv inn dataene med høyeste trafikkvolum over en periode på 1 t i simuleringsmodellen og analysedelen. Bruk de resterende 2 t dataene for verifisering på slutten.
    2. Oppsett av utstyret
      1. Juster radarretningen, og sett kameraet ved siden av radaren der det kan fange alle kjørefelt. Gjenta prosessen med å installere alt utstyr i avsnitt 2 på gangbroen.
        MERK: Klaringen før radaren skal være så lang og bred som mulig for å dekke hele spekteret av U-svingbevegelser. EW-radaren (øst mot vest) vender mot trafikkstrømmen, og WE (vest til øst) radaren vender mot kjøretøyhalene på grunn av veijustering (figur 5). Det er ingen forskjeller mellom resultater fra å sette opp utstyret på den indre vs. yttersiden av banene. Den indre eller ytre siden av radarstedet påvirker bare koordinatsystemet av banefigurer med radardata. Når radaren står overfor trafikkflyten, er den oppdagede kjørehastigheten negativ og må reverseres under databehandling. Når radaren står overfor trafikkflyten, er den oppdagede kjørehastigheten positiv og kan brukes direkte.
      2. Still inn radarene og kameraene slik at de er litt høyere enn brorekkverket for å sikre klaring før radarene og kameraene.
        MERK: Det er ikke nødvendig at radarene skal være så høye som veibosettingen.
    3. Sørg for at tidspunktet for radarer, bærbare datamaskiner og kameraer er i samsvar med sanntid.
    4. Start to radarer og kameraer samtidig for å planlegge tid.
    5. Kontroller om radarene og kameraene fungerer normalt hver 5.
    6. Avslutt datainnsamlingen og utdata radardataene som et regneark med et identifisert navn (tabell 1).

4. Dataanalyse

  1. Ved hjelp av beregningsprogramvare for å trekke ut radardataene og tegne driftshastighet og banefigurer fra regnearket.
    MERK: X/Y-koordinater og X/Y-hastighet er i regnearket.
  2. Slett åpenbart diskrete punkter i tallene. Disse punktene er radarfeil.
    MERK: Radaren oppdager et stort område, slik at dataene kan inneholde målkjøretøy, motsatte kjøretøy og ikke-motoriske kjøretøy i ikke-motoriske kjøretøy. Når du plotter alle data som tall, er trefelts målkjøretøyene åpenbare, og de resterende punktene er "åpenbart diskrete punkter". Deteksjonsområdene er rett i figur 3, bredden på de tre banene er kjent, og de "åpenbart diskrete punktene" kan slettes i programvaren. Plott de nødvendige punktene som vist i figur 6b,d.
  3. Spill inn trafikkvideoene på nytt og tell manuelt for å få tak i trafikkvolumet og -typene.
    MERK: Kjøretøy kan deles inn i biler og lastebiler i henhold til størrelse. Alle biler, avgifter og små lastebiler innen 6 m er klassifisert her som biler. Alle store lastebiler og busser er klassifisert som lastebiler.
  4. Velg den høyeste trafikkvolumgruppen som representative data, og skriv den inn i simuleringen som er beskrevet i avsnitt 5.
    MERK: Det er bare nødvendig med én gruppe data i simulerings- og følsomhetsanalysen. Data fra de to andre gruppene simuleres som verifisering.

5. Bygge simuleringsmodellen

  1. Bygging av veien
    1. Åpne simuleringsprogramvaren. Klikk Kart-knappen øverst i grensesnittet, og zoom inn på kartet for å finne datainnsamlingsplasseringen.
    2. Klikk Koblinger til venstre, flytt deretter markøren til startplasseringen for koblingen, og høyreklikk. Velg Legg til ny kobling, skriv inn koblingsnavnet og antall baner, og klikk OK. Dra markøren for å tegne koblingen på kartet.
    3. Høyreklikk koblingen, og velg Legg til punkt. Legg til punkter og dra punkter for å gjøre koblingen jevnere med ekte veijustering i kartet.
    4. Gjenta trinn 5.1.2 og 5.1.3 3x for å bygge fire segmenter, med unntak av U-svingens medianåpning.
    5. Hold høyre knapp på musen og Ctrl-knappen på tastaturet, og dra deretter endepunktet for én kobling til den tilstøtende koblingen for å koble koblingene. Denne delen kalles "kontakten" og kan jevnere etter hvert som flere punkter legges til.
    6. Gjenta trinn 5.1.5 for å koble til alle koblinger og U-svingruter.
  2. Inngang av ønsket hastighet
    1. Velg Basisdata fra den øverste linjen, og velg deretter Distribusjoner | Ønsket hastighet.
    2. Klikk på legg til-knappen nederst for å legge til en ny ønsket hastighet, og gi den deretter navnet.
    3. I dialogboksen Ønskede hastighetsdistribusjoner legger du inn den maksimale hastigheten som samles inn fra de representative dataene som maksimal ønsket hastighet, og deretter legger du inn gjennomsnittshastigheten beregnet fra de representative dataene som den minste ønskede hastigheten. Slett standarddataene.
    4. Skriv inn et navn for denne ønskede hastigheten, som vanligvis kalles ved hjelp av en retning.
    5. Gjenta trinn 5.2.3 og 5.2.4 for å bygge alle ønskede hastigheter (WE, EW, WW U-turn og EE U-turn).
  3. Sammensetning av kjøretøy
    1. Velg Lister-knappen fra den øverste linjen, og klikk deretter Privat transport | Kjøretøy komposisjoner.
    2. Klikk på legg til-knappen nederst for å legge til en ny kjøretøysammensetning. Velg ønsket hastighet innebygd trinn 5.2 som bil.
    3. Klikk knappen legg til grønt kryss for å legge til kjøretøytypebuss/lastebil som HGV. Velg samme ønskede hastighet som gjort i trinn 5.3.2.
    4. Skriv inn volumet av biler og lastebiler på RelFlow fra de representative dataene.
    5. Gjenta trinn 5.3.2-5.3.5 for å bygge alle kjøretøykomposisjoner (WE, EW, WW U-turn og EE U-turn).
  4. Kjøretøy ruter
    1. Velg Kjøretøyrute fra menylinjen til venstre.
    2. Flytt markøren til oppstrøms for én kobling som startpunkt, høyreklikk, og velg deretter Legg til ny statisk kjøretøyrutingsbeslutning.
    3. Dra den blå markøren som representerer kjøretøyrutene i datainnsamling. Gjenta dette trinnet 4x i WE, EW, WW U-sving, og EE U-sving for å tegne alle kjøretøyruter.
  5. Områder med redusert hastighet
    1. Velg Reduserte hastighetsområder fra menylinjen til venstre.
    2. Høyreklikk på oppstrøms av U-svingåpning, og velg deretter Legg til nytt redusert hastighetsområde.
      MERK: Lengden på området avhenger av de representative dataene og hastighetsendringslengden.
    3. Bygg dette området i begge retninger.
  6. Konfliktområder
    1. Velg Konfliktområder fra menylinjen til venstre. Fire gule konfliktområder vil bli vist i median åpningsseksjonen.
    2. Høyreklikk ett gult konfliktområde, og velg Angi status til Ubestemt etter hvert som den realistiske situasjonen og konfliktområdene blir røde.
    3. Gjenta trinn 5.6.2 for alle fire konfliktområder.
  7. Måling av reisetid
    1. Velg Kjøretøyreisetider fra menylinjen til venstre.
    2. Høyreklikk i begynnelsen av en kobling, og velg Legg til ny kjøretøyreisetidsmåling.
    3. Dra markøren til slutten av koblingen for å bygge måling av én kjøretøyreisetid. Gjenta dette trinnet for alle kjøretøyruter (WE, EW, WW U-turn og EE U-turn).
    4. Gi navn til hver reisetidsmåling med tilsvarende retning.
      MERK: For å sammenligne driftssituasjonene med forbedringsdesign må lengden på tidsmålingene være den samme i begge simuleringsmodellene.
  8. Inngang for kjøretøy
    1. Velg Kjøretøyinnganger fra menylinjen til venstre. Klikk startpunktet for én kobling, og høyreklikk for å legge til ny kjøretøyinndata.
    2. Flytt musen til venstre bunn og inndatavolum fra representative data. Gjenta dette trinnet for alle koblinger.
  9. Bygg en annen ESUL simuleringsmodell som sammenligning, bare U-sving åpningsdelen må endres (Figur 7 og tabell 2).
  10. Klikk på den blå avspillingsknappen øverst i grensesnittet, og simuleringen starter. Dra skalaen til venstre for avspillingsknappen, som kan justere simuleringshastigheten.
    MERK: Instrumentknappen Hurtigmodus kan gjøre simuleringshastigheten til det maksimale.
  11. Når simuleringen avsluttes, vises alle resultatene nederst i grensesnittet. Kopier resultatene til et nytt regneark. Her evalueres reisetid, forsinkelse og antall stopp i analysen27.

6. Simulering modell kalibrering

  1. Skriv inn trafikkvolumet til de representative dataene i simuleringsprogramvare og utfør simuleringen (Figur 8a).
  2. Sammenlign trafikkvolumet fra simuleringsresultatene med det innsamlede datavolumet.
  3. Beregn kapasiteten ved hjelp av Formel 1 nedenfor:
    (1)
    der C betegner den ideelle kapasiteten (veh/h) og ht betegner gjennomsnittlig minimum svei (er).
  4. Ved hjelp av kapasiteten, anslå simuleringsfeilen som gjennomsnittlig absolutt prosentfeil (MAPE) etter Formel 2:
    (2)
    der n betegner de fire forskjellige strømmene i denne studien, Civ er kapasiteten simulert i simuleringsmodellen (veh / h), og Cif er kapasiteten til undersøkelsen (veh / t). Den beregnede MAPE presenteres i tabell 3.
    MERK: Simuleringsmodellen kan brukes hvis MAPE er liten28,29,30.
  5. Endre parametrene (dvs. tilfeldig frø, bil følge modelltype, kjørefelt endring regel, etc.) basert på instruksjoner fra simuleringprogramvare, eller sjekk alle trinnene beskrevet ovenfor når du bygger simuleringsmodell31,32,33,34.

7. Analyse av følsomhet

MERK: Følsomhetsanalyseprosessen vises i figur 8b. De innsamlede dataene kan bare gjenspeile sin egen ytelse (Figur 9, Tabell 4, Tabell 5og Tabell 6). For å bevise effektiviteten under alle situasjoner, ble alle mulige trafikksituasjoner og ulike kombinasjoner lagt inn i simuleringsmodellen for å sikre at alle situasjoner er dekket mellom MUTI og ESUL (figur 10 og tabell 7).

  1. Velg forholdet mellom bil/lastebil (buss) og driftshastighet for de representative dataene. Vedlikehold disse parameterne.
  2. Angi U-turn-forholdet fra ~0,03-0,15 i følsomhetsanalysen med en økning på 0,03, noe som betyr fem U-svingforhold i følsomhetsanalysen.
    MERK: I henhold til de representative dataene i tabell 1er rekkevidden til U-svingfrekvensen 0,04-0,15.
  3. Angi trafikkvolum fra ~0,2-1,0 V/C med en økning på 693 veh/t (0,1 V/C; Tabell 7), som betyr ni volumer i følsomhetsanalysen.
    MERK: Det maksimale trafikkvolumet er 6930 veh/t i en urban motorvei med et trefelts segment, tilsvarende servicenivå Et i henhold til AASHTO's Highway Capacity Manual35 når designhastigheten er 80 km/t.
  4. Simuler alle 45 situasjoner og lagre resultatene i både den nåværende situasjonen (MUTI) og forbedret situasjon (ESUL).
  5. Kontroller forbedringer i reisetid og forsinkelser ved å beregne forholdet = (MUTI - ESUL)/MUTI x 100%. Kontroller forbedringer i antall stopp ved å beregne redusert tid = MUTI - ESUL.
    MERK: I de endelige resultatene (Figur 10betyr et positivt (>0)-resultat at ESUL forbedret trafikksituasjonen, mens en negativ (<0) resulterer i følsomhet representerer det motsatte.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Figur 2 viser illustrasjonen av ESUL for U-sving medianåpning. WENS mener fire kardinalretninger. Hovedveien har seks kjørefelt med to retninger. Greenbelter deler ikke-motorisert kjørefelt på begge sider og deler de to retningene i midten. Flyt 1 er øst mot vest gjennom trafikken, flyt 2 er øst til øst U-sving flyt, flyt 3 er vest til øst gjennom trafikken, og flyt 4 er vest til vest U-sving trafikk.

Funksjonene til de indre 2 banene i ESUL er å avlede, avlede, U-sving, akselerere, se etter headway, og fusjonere U-sving kjøretøy. Spur dike delen er kjernen delen og er forskjellig fra vanlige U-turn design. Denne delen har potensial til å tvinge trafikkflyten til å bevege seg utover litt (en-lane bredde) og skille gjennom-trafikk og U-sving trafikk etter anspore dike.

Spur dike design har tre betydelige forskjeller. For det første gir det en bestemt U-sving kjørefelt for å unngå påvirkning fra gjennom trafikken ved å flytte hele kjørefelt utover. Sammenlignet med markeringene, kan sjåførene ikke over anspore dike og må følge banene for å dele de to strømmene fra hverandre36,37. For det andre bruker landet maksimalt ved symmetrisk utforming av både to-retnings Krav til U-sving. For det tredje justerer spur dike forskjellige U-sving radii av kjøretøy og bruker landet fleksibelt.

Figur 3 viser datainnsamlingsstedet, som er en typisk medianåpning på det nordvestre hjørnet av den andre sløyfeveien i Xi'an City i Shaanxi-provinsen i Kina. Sløyfeveien i denne forskningen består av seks baner, og hastighetsbegrensningen i sløyfeveien er 80 km/t (figur 3a). Bredden på kjørefeltet er 3,5 m og median bredde er 1,2 m i gjennomsnitt. Median åpningsdelen er 10 m bred og 17 m lang. To ikke-motoriske kjøretøybaner (9 m bredde) er på begge sider, og et 1,5 m grønt belte deler dem fra hovedbanene (Figur 3b).

Avstanden mellom oppstrøms og nedstrøms veikryss nær medianåpningen er 5,1 km (figur 3a). Siden det ikke er noen inngang eller utgang for denne delen, kan driftshastigheten nå fartsgrensen etter at medianåpningen når 200 m. Fra medianåpningen er det 1,4 km til oppstrømsutvekslingen og 3,6 km til nedstrømsutvekslingen. Kjøretøy gjør en omvei på 10 km (forsinkelse på 9 min på det meste) hvis ingen U-sving åpning er utformet. U-sving kjøretøy må vente lenge når møte i krysset eller er tvunget til å delta, noe som resulterer i forsinkelser eller stoppe av gjennom-trafikk. Figur 4 viser at morgentoppen vises fra 07:00 til 09:00, kveldstoppen vises fra 17:00 til 19:00, og dalen (unntatt sen kveld) vises fra 12:00 til 14:00.

Hastigheten på all trafikk fra øst til vest er vist i figur 6a. U-svingåpningen skjer på ~ 70 m ved den vannrette aksen. Retardasjonen og akselerasjonen er åpenbar nær 70 m, noe som indikerer at kjøretøyene ble påvirket av U-svingkjøretøy. Toppverdien i figur 6a er under 80 km/t, og punktene er hovedsakelig sentralisert under 40 km/t, noe som indikerer at driftshastigheten var mye lavere enn fartsgrensen (80 km/t). Figur 6b viser banene for trafikkflyt fra øst til vest. De tre kjørefeltene og U-svingkjøretøybanene identifiseres lett i figuren. Den laveste banen er mørk blå og bredere enn de to banene over den, noe som indikerer sammenslåing mellom U-svingkjøretøy og gjennom kjøretøy. Sammenslåingsbevegelsen starter på 60 m og slutter på 40 m, som representerer et 20 m fusjonssegment. Gjennomgående trafikk i indre kjørefelt ble påvirket alvorlig av U-sving kjøretøy.

Figur 6c er hastigheten på strømmene fra vest til øst. Når kjørehastigheten når 80 m ved U-svingåpningen, begynner den å øke. Resultatet indikerer at WW U-turn flyten hadde en mindre innflytelse på WE via flyt som skyldtes avledning bevegelse (i stedet for å fusjonere bevegelse; Figur 6b. Poengene fra 0 km/t indikerer at usvingkjøretøyene for ww U-turn forårsaket stopp og retardasjon for hele kjøretøy. Figur 6d viser banene fra vest til øst for gjennomgående trafikk og U-svingtrafikk. U-svingdelen har høye trær, som blokkerer radarsignalene for å oppdage U-svingbevegelser.

Figur 7 viser halvparten av ESUL-designen. Kjørefelt 1 og 4 er gjennomgående kjørefelt, og kjørefelt 2 og 3 er U-svingbaner. Beregningen av hver del er basert på tidligere publiserte retningslinjer35,38 og studier39,40. Seksjon AB er basert på en veijusteringsprosess, seksjon BC er avhengig av sjåførenes reaksjonstider og bevegelsesprosedyrer, seksjon CD er avledningsdelen, og seksjon DE inneholder retardasjon og sikkerhetsavstand. Seksjon EF gir nok plass til U-sving. Seksjon FH og HI inneholder akselerasjon, headway funn, og kombinert bevegelse separat. Alle seksjoner er beskrevet i tabell 2 i henhold til en designhastighet på 80 km/t.

Figur 10a viser at forholdet mellom flyt 1 reisetid ble redusert med ESUL under alle trafikkkombinasjoner innen 20 %-40 %. Forsinkelsen ble kraftig redusert med 35 %−70 % (figur 10b). Antall stopp redusert noe, med en maksimal verdi på 0,4 (figur 10c). ESUL viste en betydelig forbedring for EW gjennom gående i alle situasjoner. Figur 9e,f og figur 10d viser følsomhetsresultatene for flow 2 (EE U-svingkjøretøy). Alle tre indeksene for EE U-turn kjøretøy ble forbedret sterkt. Reisetiden vist i figur 10d redusert med 20%-70% med økende trafikkvolum. Forsinkelsene i figur 10e gikk ned mer enn reisetiden og nådde nesten 100 % med toppverdi. Minimumforbedringsgraden var større enn 70 %. En betydelig forbedring for antall stopp vist i figur 10f nådde seks på det meste.

Figur 9i,j og figur 10h viser følsomhetsresultatene for flyt 3 (VI gjennom kjøretøy). Med en lignende trend å flyte 1, flow 3 forbedret mye med ESUL. Reisetiden redusert med 40%-50% i figur 10h. Forsinkelser redusert med 50%-90% i figur 10i. Antall stopp bare redusert 0,4x på det meste i figur 10j. I flow 4 vises WW U-turn-kjøretøy og følsomhetsresultater i figur 9l,m og figur 10k. Reisetiden redusert med ~ 20% -60% med trafikkvolum øker (Figur 10k). I figur 10løkte forsinkelsene med 1 % når trafikkvolumet var 1386 veh/t, og U-svingforholdet var 0,06. Forsinkelser redusert betydelig med 54%-97% i resten omfang. Antall stopp minker maksimalt opptil 6x (figur 10m).

Figure 1
Figur 1: Eksempler på median U-sving-kryss (MUTIer). To design representerer den vanlige U-svingåpningen på veien, men det bør bemerkes at U-svingkjøretøyene kan forårsake trafikkkonflikter med forbipasserende kjøretøy, enten i samme eller motsatt retningflyt. Vennligst klikk her for å vise en større versjon av dette tallet.

Figure 2
Figur 2: Illustrasjon av ESUL-designen på provinsiell esul-motorveien. W = vest, E = øst, N = nord, S = sør. Vennligst klikk her for å vise en større versjon av dette tallet.

Figure 3
Figur 3: Datainnsamlingssted ved en median på det nordvestlige hjørnet andre sløyfeveien i Xi'an. Koordinater: 108.903898, 34.301482. (a) Etterforskningsstedet skjematisk. (b) MUTI av U-sving median åpningen. Bildet ble tatt av en drone på høyden av 150 m. Vennligst klikk her for å se en større versjon av denne figuren.

Figure 4
Figur 4: 24 h overbelastningsindeks. (a) Den 24 h lunger trend av store byer fra 2015 til 201725. (b) Den 24 h lunger forsinkelse indeksen for Xi'an mai 22nd, 201925,26. Dataene i panel a kommer fra 2017 Traffic Analysis Reports for Major Cities i Kina25, som leveres av en kinesisk webkartnavigasjonsleverandør41. Dataene i panel b kommer fra sanntids overbelastningsindeksen i Xi'an22. Vennligst klikk her for å vise en større versjon av dette tallet.

Figure 5
Figur 5: Datainnsamling med radar på en gangbro på U-sving-stedet. Vennligst klikk her for å vise en større versjon av dette tallet.

Figure 6
Figur 6: Hastighet og bane av trafikkflyter. (a) Hastighet på kjøretøy fra øst til vest. (b) Baner av kjøretøy fra øst til vest. (c) Hastighet på kjøretøy fra vest til øst. (d) Baner av kjøretøy fra vest til øst. Vennligst klikk her for å vise en større versjon av dette tallet.

Figure 7
Figur 7: Geometri av ESUL design. Den blå pilen representerer kjøretøy som reiser rett gjennom, og den røde pilen representerer U-svingkjøretøy. Vennligst klikk her for å vise en større versjon av dette tallet.

Figure 8
Figur 8: Flytskjema for beregning av MAPE og sensitiv analyse. (a) Beregningsprosessen for MAPE. (b) Prosess med sensitiv analyse. Vennligst klikk her for å vise en større versjon av dette tallet.

Figure 9
Figur 9: Sammenligning mellom MUTI og ESUL med innsamlede data. Sammenligning av reisetid (a), forsinkelse (b) og antall stopp (c) med morgentopp (h). Sammenligning av reisetid (d), forsinkelse (e) og antall stopp (f) med midtmiddagsdalen (h). Sammenligning av reisetid (h), forsinkelse (i) og antall stopp (j) med kveldstopp (h). Vennligst klikk her for å vise en større versjon av dette tallet.

Figure 10
Figur 10: Sensitivitetsanalyse av alle flyter, inkludert EW gjennom, EE U-sving, WE gjennom og WW U-sving. X-akse = ulike trafikkvolumer, Y-akse = U-svingforhold og Z-akse = forbedringsforhold (ratio = [MUTI - ESUL]/MUTI x 100%) i reisetid og forsinkelse, reduserte tider (reduserte tider = MUTI - ESUL) i antall stopp. - Jeg har ikkenoe å si. EW gjennom strømning, (d-f) EE U-sving flyt, (h-j) VI gjennom flyt, og (k-m) WW U-sving flyt. Hver tredje tall er reisetid (a,d,h,k), forsinkelse (b,e,i,l) og antall stopp (c, f, j, m), henholdsvis. Vennligst klikk her for å vise en større versjon av dette tallet.

Element Morgen (07:00−08:00) Midtpådagen (13:00−14:00) Kveld (17:00-18:00)
Retning Ew Vi Ew Vi Ew Vi
Flyt i = 1 i = 2 i = 3 i = 4 i = 1 i = 2 i = 3 i = 4 i = 1 i = 2 i = 3 i = 4
Bil 4195 172 3442 504 3001 176 2460 402 1665 287 3296 394
Lastebil 86 10 56 16 79 7 60 41 11 6 38 35
U-sving-forhold 4281:182 3498:520 3080:183 2520:443 1676:293 3334:429
Aver, jeg er her. Hastighet 21.5 11.5 22.2 10.5 36.7 12.3 23.7 11.8 29.3 12.8 22.9 12.1
Maks. Hastighet 73.8 13.4 63.7 12.8 90.4 15.6 75.9 13.5 76.7 14.6 63.7 13.3
Min. Hastighet 0 0 0 0 0 0 0 0 0 0 0 0

Tabell 1: Samlet informasjon om kjøretøy. En minimumshastighet på 0 km/t indikerer at noen kjøretøy ble stoppet før de begynte å bevege seg.

Element Beskrivelse
LAB 166 m. Lengde for at alle strømmer skal bevege seg utover litt
LBC (andre) 185 m. Lengde for flyt i = 4 for å gjenkjenne U-svingtegnet og iverksette tiltak
LCD 50 m. Avledninglengde for å skille flyt i = 3 og flyt i = 4
LDE (andre) 42 m. Flow i = 4 retardasjonslengde
LEF Radius = 7,26 m. U-sving bredde for personbiler
LFH (andre) 180 m. Akselerasjonslengde for flyt i = 4
LHEI 140 m. Lengden for å søke en headway for flyt i = 4 og fusjonere inn i flyt i = 1

Tabell 2: Geometriske parametere for ESUL. Beregningen av hver del er basert på tidligere publiserte retningslinjer35,38 og studier39,40. Verdien i tabell 2 er inndata i simuleringsmodellen for å evaluere ESUL-ytelsen med en designhastighet på 80 km/t.

Element Morgen (07:00−08:00) 12.00-14.00 Kveld (17:00-18:00)
Retning Ew Vi Ew Vi Ew Vi
Flyt i = 1 i = 2 i = 3 i = 4 i = 1 i = 2 i = 3 i = 4 i = 1 i = 2 i = 3 i = 4
Investere. Kapasitet (veh/h) 4281 182 3498 520 3080 183 2520 443 1676 293 3334 429
Simulert kapasitet (veh/h) 4115 127 3571 501 3000 169 2484 360 1814 268 3381 409
Individuell MAPE (%) -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

Tabell 3: Simuleringskalibreringsresultater. Kalibrering mellom undersøkelsen og simuleringen vises i tabellen. MAPE beregnes ved hjelp av Formel 2, og resultatene er akseptable27,30.

Element Reisetid (er) Forsinkelse (er) Antall stopp
Flyt Muti ESUL (andre) Rate (%) Muti ESUL (andre) Rate (%) Muti ESUL (andre) Rate (%)
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

Tabell 4: Simuleringsresultater av MUTI og ESUL med toppdata om morgenen. Om morgenen forbedrer ESUL betydelig mer enn MUTI. Reisetiden ble redusert med 29,4 %-57,5 %. Forsinkelsen ble redusert med 44,4%-97,7%. Antall stopp er helt redusert.

Element Reisetid (er) Forsinkelse (er) Antall stopp
Flyt Muti ESUL (andre) Rate (%) Muti ESUL (andre) Rate (%) Muti ESUL (andre) Rate (%)
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

Tabell 5: Simuleringsresultater av MUTI og ESUL med mellommiddagsdata. Ved middagstid gikk reisetiden ned med 31,3%-43,8%. Forsinkelsen ble redusert med 50,0%-87,1 % og det finnes ingen antall stopp med ESUL.

Element Reisetid (er) Forsinkelse (er) Antall stopp
Flyt Muti ESUL (andre) Rate (%) Muti ESUL (andre) Rate (%) Muti ESUL (andre) Rate (%)
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

Tabell 6: Simuleringsresultater av MUTI og ESUL med toppdata for kvelden. Med toppdataene på kvelden gikk reisetiden ned med 27,7 %-56,6 %. Forsinkelsen ble redusert med 60,7%-91,8%. Antall stopp avtar også med ESUL.

Element Verdi
Bil-/lastebil-forhold(buss) 4281:182 (EW) / 3498:520 (VI)
U-sving-forhold (%) 0.03/0.06/0.09/0.12/0.15
V/C (andre) 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Volum (veh/h) 1386 2079 2772 3465 4158 4851 5544 6237 6930

Tabell 7: Parametere inndata i følsomhetsanalyse i simulering.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

I denne artikkelen ble prosedyren for å løse et trafikkproblem i et kryss eller et kort segment ved hjelp av simulering diskutert. Flere punkter fortjener spesiell oppmerksomhet og diskuteres mer detaljert her.

Feltdatainnsamling er det første som fortjener oppmerksomhet. Noen krav til datainnsamlingssted er som følger: 1) Finne en passende plassering for datainnsamling. Plasseringen skal være lik veien geometrisk form i studien, som er premisset for datainnsamling. 2) Fastsettelse av den angitte plasseringen av radar og annet utstyr ved å finne en nok klaring, der radarsignaler ikke kan blokkeres. Noen toppmoderne teknologier kan brukes, for eksempel droner, for å oppdage trafikkoperasjoner. Hele observasjonsområdet bør være fri for barrierer, som trær eller arkitektur. 3) Til slutt, datainnsamlingstiden bør være minst 3 timer på ett sted. Tiden skal gjenspeile morgen- og kveldstoppene samt dalsituasjonen om dagen. Tidspunktet for overbelastningsindeksen kan fås fra observasjon eller fra en annen pålitelig transportutgiver.

Simuleringsmodellbygging er et annet kritisk skritt. Nøyaktigheten av simuleringsmodellen vil føre til forskjellige simuleringsfeil. Det første i simuleringsmodellen er koblingen. Hvis én kobling på den ene siden av koblingen flyttes, kan koblingen være ute av form og forstyrre den tilstøtende koblingen eller koblingen, noe som kan føre til feil. Så det er viktig å beregne kontakten på nytt når det er nødvendig å flytte en kobling.

Et annet viktig skritt er konfliktregelen i konfliktområdet. Bruk konfliktområder i stedet for prioriterte regler for å simulere veiens rett i veikryss. Sammenlignet med prioriterte regler vises konfliktområder automatisk, og er derfor enklere å redigere og bedre reflektere kjøreatferden. Konfliktregelen skal være den samme som datainnsamling, og hvert konfliktområde bør angis med tilsvarende regler. Det siste kritiske trinnet er justering av parametrene angående kjøreatferd når simuleringsfeil (MAPE) er stor. Kjøreatferd har flere individuelle parametere, og en liten endring i hver parameter kan føre til en positiv eller negativ innvirkning på resultatene. Det er nøkkelen til å justere de ulike parametrene nøye og gjentatte ganger.

Vanligvis er reisetiden, forsinkelsen og antall stopp mest brukte indekser for evaluering av de operative funksjonene i simulering. Mange andre indekser kan også fås fra simuleringen (dvs. kjøretøyvolum, eksosutslipp, drivstofforbruk, fotgjengerrekord, sikkerhetsevaluering, kjøretøyatferd, kjøretøyruter, koordinater osv.). Det er viktig å velge tilsvarende evalueringsindekser i henhold til de ulike eksperimentelle behovene. Andre indekser, bortsett fra de tre ovenfor som er mest brukt, kan føre til nye forskningsfunn eller metoder.

Bruk av "hurtigmodus" når simuleringen utfører, kan tillate simuleringen å nå den høyeste hastigheten og spare tid, spesielt under den sensitive analysen. Dermed er det nødvendig med dusinvis av simuleringer. Simuleringsresultatet forblir det samme uansett hvilken simuleringshastighet som velges.

Det er to hovedområder for fremtidige søknader. En søknad er å løse trafikkproblemer og evaluere en eller flere trafikkdesign i et kryss eller kort segment. Simuleringen bidrar til å evaluere mikroskopisk trafikkatferd, enten det inkluderer kjøretøy, fotgjengere, infrastrukturmodifikasjoner eller trafikkstyringsmålinger. For det andre gir prosessen en tilstrekkelig praksisguide for de som driver trafikkforskning. Bestemmelsene bidrar til å innhente nøyaktige og robuste data om trafikksimuleringsmålinger.

Denne metoden har også noen begrensninger. Først kan radaren oppdage en rett retning, og dette krever at målsegmentet også er rett. Radaren kan ikke brukes til buede segmenter, som ramper. For det andre krever radaren tilstrekkelig klaring for å oppdage kjøretøyene. Men i det virkelige miljøet er det alltid trær eller reklametavler som blokkerer signalet. Det er vanskelig å finne et egnet sted for radaroppgjør. I tillegg, når trafikkvolumet er stort eller kjøretøy er nær hverandre, kan radaren ikke skille kjøretøyene, og å telle manuelt fra videoen er det eneste alternativet, som er mye arbeid. Effektivitet og nøyaktighet kan forbedres hvis protokollen også bruker en metode som kan telle og klassifisere kjøretøy automatisk.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har ingenting å avsløre.

Acknowledgments

Forfatterne ønsker å anerkjenne China Scholarship Council for delvis finansiering dette arbeidet var med filen No. 201506560015.

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

DOWNLOAD MATERIALS LIST

References

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. 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).
  7. 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).
  8. Ram, J., Vanasse, H. B. Synthesis of the Median U-Turn Intersection Treatment. Transportation Research Board. , Washington, DC. (2007).
  9. 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).
  10. 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).
  11. 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).
  12. Liu, P., et al. Operational effects of U-turns as alternatives to direct left-turns. Journal of Transportation Engineering. 133 (5), 327-334 (2007).
  13. Potts, I. B., et al. Safety of U-turns at Unsignalized Median Opening. Transportation Research Board. , Washington, DC. (2004).
  14. 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).
  15. 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).
  16. 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).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. PTV AG. PTV VISSIM 10 User Manual. , Karlsruhe, Germany. (2018).
  25. AutoNavi Traffic Big-data. 2017 Traffic Analysis Reports for Major Cities in China. , China. https://report.amap.com/share.do?id=8a38bb86614afa0801614b0a029a2f79 (2018).
  26. AutoNavi Traffic Big-data. Xi'an realtime traffic congestion delay index. , https://trp.autonavi.com/detail.do?city=610100 (2019).
  27. Xiang, Y., et al. Evaluating the Operational Features of an Unconventional Dual-Bay U-Turn Design for Intersections. PLoS ONE. 11 (7), e0158914 (2016).
  28. 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).
  29. 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).
  30. Jian, S. Guideline for microscopic traffic simulation analysis. , Tongji University Press. Shanghai, China. (2014).
  31. 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).
  32. 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).
  33. Zhao, J., Li, P., Zhou, X. Capacity Estimation Model for Signalized Intersections under the Impact of Access Point. PLoS ONE. 11 (1), e0145989 (2016).
  34. 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).
  35. American Association of State and Highway Transportation Officials (AASHTO). Highway Capacity Manual 6th edition. , Washington, D.C. (2010).
  36. 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).
  37. 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).
  38. American Association of State and Highway Transportation Officials (AASHTO). A policy on geometric design of highways and streets 6th Edition. , Washington, D.C. (2011).
  39. Ashraf, M. I., Sinha, S. The "handedness" of language: Directional symmetry breaking of sign usage in words. PLoS ONE. 13 (1), e0190735 (2018).
  40. 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).
  41. Fan, L., Tang, L., Chen, S. Optimizing location of variable message signs using GPS probe vehicle data. PLoS ONE. 13 (7), e0199831 (2018).

Tags

Engineering Problem 156 U-sving anspore dike simulering trafikkdata trafikkaos transport motorvei
Evaluering av en eksklusiv Spur Dike U-Turn Design med radarinnsamlede data og simulering
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Shao, Y., Yu, H., Wu, H., Han, X.,… More

Shao, Y., Yu, H., Wu, H., Han, X., Zhou, X., Claudel, C. G., Zhang, H., Yang, C. Evaluation of an Exclusive Spur Dike U-Turn Design with Radar-Collected Data and Simulation. J. Vis. Exp. (156), e60675, doi:10.3791/60675 (2020).

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