Waiting
Login processing...

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

Engineering

Evaluering af et eksklusivt Spur Dike U-Turn Design med radarindsamlede 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 protokol beskriver processen med at løse et mikroskopisk trafikproblem med simulering. Hele processen indeholder en detaljeret beskrivelse af dataindsamling, dataanalyse, simuleringsmodelopbygning, simuleringskalibrering og følsom analyse. Ændringer og fejlfinding af metoden diskuteres også.

Abstract

Traditionelle U-turn-design kan naturligvis forbedre de operationelle funktioner, mens U-turn-omdirigeringer og fletsegmenter stadig forårsager trafikpropper, konflikter og forsinkelser. En eksklusiv anspore dige U-turn lane design (ESUL) foreslås her for at løse ulemperne ved traditionelle U-turn design. For at evaluere ESUL's driftsydeevne er der behov for en trafiksimuleringsprotokol. Hele simuleringsprocessen omfatter fem trin: dataindsamling, dataanalyse, simuleringsmodelopbygning, simuleringskalibrering og følsom analyse. Opbygning af dataindsamlings- og simuleringsmodel er to kritiske trin og beskrives senere mere detaljeret. Tre indekser (rejsetid, forsinkelse og antal stop) er almindeligt anvendt i evalueringen, og andre parametre kan måles fra simuleringen i henhold til eksperimentelle behov. Resultaterne viser, at ESUL i væsentlig grad mindsker ulemperne ved traditionelle U-vendingdesign. Simuleringen kan anvendes til at løse mikroskopiske trafikproblemer, såsom i enkelte eller flere tilstødende vejkryds eller korte segmenter. Denne metode er ikke egnet til større vejnet eller evalueringer uden dataindsamling.

Introduction

Nogle trafikproblemer, såsom trafikpropper i et vejkryds eller kort segment, kan løses eller forbedres ved at optimere vejdesign, ændre signal timing, trafikstyringsmålinger, og andre transportteknologier1,2,3,4. Disse forbedringer har enten en positiv eller negativ indvirkning på trafikflowoperationer i forhold til de oprindelige situationer. Ændringerne i trafikoperationer kan sammenlignes i trafiksimuleringssoftware snarere end i den faktiske rekonstruktion af krydset eller segmentet. Trafiksimuleringsmetoden er en hurtig og billig løsning, når der foreslås en eller flere forbedringsplaner, især når man sammenligner forskellige forbedringsplaner eller evaluerer effektiviteten af forbedringer. Denne artikel introducerer processen med at løse et trafikproblem med simulering ved at evaluere trafikstrømmen operationelle funktioner i en eksklusiv anspore dige U-turn lane design5.

U-vending bevægelse er en udbredt trafik efterspørgsel, der kræver en U-vending median åbning på vejen, men dette er blevet drøftet. Design af en U-vending åbning kan forårsage trafikpropper, mens lukke U-turn åbning kan forårsage omveje for U-turn køretøjer. To bevægelser, U-sving køretøjer og direkte venstresving køretøjer, kræver en U-vending åbning og forårsage trafikforsinkelser, stop, eller endda ulykker. Nogle teknologier er blevet foreslået for at løse ulemperne ved U-turn bevægelser, såsom signalisering6,7, eksklusive venstresving baner8,9, og autonome køretøjer10,11. Der er stadig forbedringspotentiale på U-vendingsspørgsmål på grund af ovennævnte løsninger, der har restriktive anvendelser. Et nyt U-vendingdesign kan være en bedre løsning under visse betingelser og være i stand til at løse eksisterende problemer.

Det mest populære U-vendingdesign er det gennemsnitlige U-turn-skæringspunkt (MUTI)12,13,14,15, som vist i figur 1. En væsentlig begrænsning af MUTI er , at den ikke kan skelne U-turn-køretøjer fra forbipasserende køretøjer , og at der stadig ertrafikkonflikt 16,17. Et modificeret U-vendingdesign kaldet den eksklusive spore dige U-vendingsbane (ESUL; Figur 2) foreslås her og har til formål at mindske trafikpropper ved at indføre en eksklusiv U-vending bane på begge sider af en median. ESUL kan reducere rejsetiden, forsinkelserne betydeligt og antallet af stop på grund af dens kanalisering af de to strømme.

For at bevise, at ESUL er mere effektiv end den normale MUTI, er der behov for en streng protokol. ESUL kan ikke faktisk konstrueres før en teoretisk model. således er simulering nødvendig18. Ved hjælp af trafikflow parametre, nogle centrale modeller er blevet brugt i simulation forskning19, såsom køreadfærd modeller20,21, bil efter modeller22,23,U-turn modeller4, og lane ændre modeller21. Nøjagtigheden af trafikflowsimuleringer accepteres bredt16,24. I denne undersøgelse simuleres både MUTI og ESUL med indsamlede data for at sammenligne de forbedringer, der er foretaget af ESUL. For at sikre nøjagtighed simuleres en følsom analyse af ESUL også, som kan gælde for mange forskellige trafiksituationer.

Denne protokol indeholder eksperimentelle procedurer til løsning af reelle trafikproblemer. Metoderne til indsamling af trafikdata, dataanalyse og analyse af den overordnede effektivitet af trafikforbedringer foreslås. Proceduren kan opsummeres i fem trin: 1) indsamling af trafikdata, 2) dataanalyse, 3) simuleringsmodelbuild, 4) kalibrering af simuleringsmodel og 5) følsomhedsanalyse af driftspræstationen. Hvis et af disse krav i de fem trin ikke er opfyldt, er processen ufuldstændig og utilstrækkelig til at bevise effektiviteten.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Fremstilling af udstyret

  1. Forbered to af hver af følgende enheder til at indsamle to-retningstrafikstrømme: radarer, bærbare computere, batterier og kabler til radarer og bærbare computere, kameraer og radar og kamera stativer.
    BEMÆRK: Radaren og dens tilsvarende software bruges til at indsamle køretøjets hastighed og bane, og dette er mere præcist end en hastighedpistol. Radaren er ikke det eneste valg, hvis andet udstyr er tilgængeligt til indsamling af køretøjets hastighed, bane og volumen. Da radarsignaler let kan blokeres af store køretøjer, kan videoer, der er optaget af kameraer, bruges til køretøjstælling. Under undersøgelsen, hvis vejret er regnfuldt eller solrigt, beskyttelse af udstyret er nødvendig. Især på en solskinsdag kan udstyret nå en høj temperatur og lukke ned, så der er brug for et paraply- eller køleudstyr til denne situation.

2. Afprøvning af udstyret

  1. Sørg for, at alle efterforskere er iført reflekterende veste.
  2. Forbered radar stativ og udvide den så høj som muligt. Indstil stativet højere end 2 m for at undgå, at signaler blokeres på vejene.
  3. Installer radaren oven på stativet, og lås radaren.
  4. Indstil radaren omkring 0,5 m ved siden af vejene, juster radaren lodret, og vend køretøjets retning eller modsatte retning. Hold vinklen mellem vejen og radaren så lille som muligt.
    BEMÆRK: Radaren kan højst registrere 200 m. Hvis radaren er indstillet for tæt på banen, kan det blæse over de forbipasserende køretøjer. Således er 0,5−1,0 m den sædvanlige afstand til banen.
  5. Tænd for strømbatteriet, og tilslut den bærbare computer til strømbatteriet. Tilslut radarstrømkablet, og tilslut radardata USB til den bærbare computer. Når alle kabler er tilsluttet, skal du tænde den bærbare computer.
  6. Indstil kameraet ved siden af radaren for at skyde køretøjets flow.
  7. Åbning af radarsoftwaren
    1. Klik på Kommunikation ,og vælg derefter radar-id-nummeret på rullelisten. Det vil vise Radar opdaget med et ID-nummer.
    2. Klik på Opsætning af Undersøgelse. Klik på Læs RLU-tidi pop op-menuen , og enhedstiden til venstre ændres. Klik derefter på Konfigurer RLU-tid, og pc'ens aktuelle tid til venstre ændres også.
    3. Klik på Start undersøgelse, og enhedens arbejdsstatus ændres fra dataregistrering enikke nde videre, og ingen data i enheden til Dataoptagelse i procedure og Data i enheden. Klik på Luk for at lukke denne dialogboks.
    4. Klik på visningen Realtime for at kontrollere radarstatus. Der vises en ny dialogboks, og radardataene rulles hurtigt. Det betyder, at radaren registrerer køretøjerne og fungerer godt. Hold denne dialogboks åben, indtil samlingen er færdig.
      BEMÆRK: Køretøjet kan fanges af radaren, når det passerer radaren.
    5. Klik på Luk i dialogboksen for at afslutte samlingen.
    6. Klik på Opsætning af undersøgelse | Afslut undersøgelsen, og bekræft i dialogboksen. Klik på knappen Luk.
    7. Vælg Dataoverførsel i hovedmenuen. Klik på Gennemse for at vælge et sted, hvor radardataene skal gemmes. Indtast et individuelt navn til regnearket. Klik på knappen Start download, der vises en statuslinje, og der vises en dialogboks, når den er downloadet. Klik på Bekræft for at afslutte dataindsamlingen.
    8. Klik på Opsætning af undersøgelse | Slette datapost, og bekræft den i den næste dialogboks for at rydde radarens interne hukommelse.
      BEMÆRK: Der er behov for en test af alt udstyr før afgang til dataindsamlingsstedet. Flyt alt udstyr til dataindsamlingsstedet, hvis alle dele fungerer godt.

3. Dataindsamling

  1. Udvælgelse af dataindsamlingssted (figur 3)
    1. Vælg en passende placering, der ligner den vejkrydstype, der bruges i forskningen.
      BEMÆRK: Dette er det vigtigste krav i valg af placering. Formen af placeringen, trafikflowsituation, trafiklysstyring og andre kontrolelementer er alle nødvendige i betragtning. Jo mere ens undersøgelsen site, jo mere præcis resultaterne. Der er behov for en U-vendingsmidtering på motorvejen. Der kræves en tilstrækkelig lang sigtelinje og rydning, som er nødvendig for radar og sikkerhed for efterforskere. Baseret på radarens og køretøjets stopafstandsafstand skal synslinjen være mindst 200 m fra stedet til en opstrømsretning.
    2. Kontroller afstanden til radarretningen. Sørg for, at der ikke er træer, buske, gangbroer, trafikskilte eller gadebelysning i syne.
    3. Sørg for, at stedet er et sikkert sted for udstyret og efterforskerne. Om udstyret er indstillet på vejsiden eller over vejen afhænger af terrænet.
    4. Placer udstyret på et afsides sted for at undgå at få førerens opmærksomhed.
      BEMÆRK: Ifølge tidligere erfaringer kan nogle bilister sætte farten ned, hvis de ser undersøgelsesudstyret, hvilket vil føre til fejl. Udstyr til dataindsamling kan betragtes som et måleredskab, som færdselspolitiet kan måle hastighedsoverskridelser.
  2. Indsamling af trafikdata
    1. Vælg indsamlingstiden.
      1. Indsamle 3 timer data: 1 time om morgenen peak, 1 time ved middagstid dalen, og 1 time om aftenen peak.
      2. Tjek den nøjagtige peak og dal tid fra trafik forskning rapport, trafik politi afdeling, eller trafikvirksomheder25,26 (Figur 4).
        BEMÆRK: Hvis der ikke er nogen trafikrapport eller -analyse som reference, skal du indsamle 3 timer data i de tre ovennævnte perioder og vælge de højeste data.
      3. Input data med højeste trafikmængde over en 1 time periode i simuleringsmodel og analyse sektion. Brug de resterende 2 timer data til bekræftelse i slutningen.
    2. Opsætning af udstyret
      1. Juster radarretningen, og indstil kameraet ved siden af radaren, hvor det kan fange alle baner. Gentag processen med at installere alt udstyr i afsnit 2 på gangbroen.
        BEMÆRK: Afstanden før radaren skal være så lang og bred som muligt for at dække hele spektret af U-vendingbevægelser. EW (øst til vest) radar vender trafikstrømmen, og WE (vest til øst) radar vender mod køretøjet haler på grund af vejjustering(Figur 5). Der er ingen forskelle mellem resultaterne ved opsætning af udstyret på den indre vs. den ydre side af banerne. Den indre eller ydre side af radarplaceringen påvirker kun koordinatsystemet for banetal med radardata. Når radaren står over for trafikflow, er den fundne kørehastighed negativ og skal vendes under databehandlingen. Når radaren vender ud mod trafikstrømmen, er den fundne kørehastighed positiv og kan bruges direkte.
      2. Indstil radarer og kameraer, så de er lidt højere end broen rækværk for at sikre clearance før radarer og kameraer.
        BEMÆRK: Der er ikke behov for, at radarerne er så høje som vejsiden.
    3. Sørg for, at timingen af radarer, bærbare computere og kameraer er i overensstemmelse med realtid.
    4. Start to radarer og kameraer samtidigt for at planlægge tid.
    5. Kontroller, om radarer og kameraer fungerer normalt hver 5 min under dataindsamlingen for at sikre, at alle dele fungerer godt.
    6. Afslut dataindsamlingen, og output radardataene som et regneark med et identificeret navn (tabel 1).

4. Dataanalyse

  1. Brug beregningssoftware til at udtrække radardata og trække driftshastighed og banetal fra regnearket.
    BEMÆRK: X/Y-koordinater og X/Y-hastighed er i regnearket.
  2. Slet naturligvis diskrete punkter i tallene. Disse punkter er radarfejl.
    BEMÆRK: Radaren registrerer en lang række områder, så dataene kan indeholde målkøretøjer, overfor køretøjer og ikke-motorkøretøjer i ikke-motorkøretøjer. Når alle data plottes som tal, er de tresporede målkøretøjer indlysende, og de resterende punkter er "naturligvis diskrete punkter". Detektionsområderne er lige i figur 3, bredden af de tre baner er kendt, og de "naturligvis diskrete punkter" kan slettes i softwaren. Afbilde de nødvendige punkter som vist i figur 6b,d.
  3. Afspil trafikvideoerne igen, og tæl manuelt for at hente trafikmængden og typerne.
    BEMÆRK: Køretøjer kan opdeles i biler og lastbiler efter størrelse. Alle biler, taxaer og små lastbiler inden for 6 m er klassificeret her som biler. Alle store lastbiler og busser er klassificeret som lastbiler.
  4. Vælg den højeste trafikmængdegruppe som repræsentative data, og indtast den i den simulering, der er beskrevet i afsnit 5.
    BEMÆRK: Der kræves kun én gruppe data i simulerings- og følsomhedsanalysen. Data fra de to andre grupper simuleres som bekræftelse.

5. Opbygning af simuleringsmodellen

  1. Bygning af vejen
    1. Åbn simuleringssoftwaren. Klik på Knappen Kort øverst på grænsefladen, og zoom ind på kortet for at finde dataindsamlingsplaceringen.
    2. Klik på Links til venstre, og flyt markøren til startplaceringen af linket, og højreklik. Vælg Tilføj nyt link, indtast linknavnet og antallet af baner, og klik på OK. Træk markøren for at tegne linket på kortet.
    3. Højreklik på linket, og vælg Tilføj punkt. Tilføj punkter og træk punkter for at gøre forbindelsen glattere med reel vejjustering på kortet.
    4. Gentag trin 5.1.2 og 5.1.3x for at bygge fire segmenter, bortset fra U-turn medianåbningen.
    5. Hold den højre knap på musen og Ctrl-knappen på tastaturet, og træk derefter slutpunktet for et link til det tilstødende link for at forbinde kæderne. Denne del kaldes "stik" og kan glattere som flere punkter er tilføjet.
    6. Gentag trin 5.1.5 for at forbinde alle links og U-turn ruter.
  2. Indgang af den ønskede hastighed
    1. Vælg Basisdata på den øverste linje, og vælg derefter Fordelinger | Ønskede hastighed.
    2. Klik på knappen Tilføj grøn kryds nederst for at tilføje en ny ønsket hastighed, og navngiv den derefter.
    3. I dialogboksen De ønskede hastighedsfordelinger skal du indtaste den maksimale hastighed, der indsamles fra de repræsentative data, som den maksimale ønskede hastighed, og derefter indtaste gennemsnitshastigheden beregnet ud fra de repræsentative data som den ønskede minimumshastighed. Slet standarddataene.
    4. Indtast et navn til den ønskede hastighed, som normalt navngives ved hjælp af en retning.
    5. Gentag trin 5.2.3 og 5.2.4 for at opbygge alle ønskede hastigheder (WE, EW, WW U-vending og EE U-vending).
  3. Køretøjets sammensætning
    1. Vælg knappen Lister på den øverste linje, og klik derefter på Privat transport | Køretøjets sammensætninger.
    2. Klik på knappen Grøn kryds Tilføj nederst for at tilføje en ny køretøjssammensætning. Vælg den ønskede hastighed indbygget i trin 5.2 som bil.
    3. Klik på knappen Tilføj grøn kryds for at tilføje køretøjstypebussen/-lastvognen som hGV. Vælg den samme ønskede hastighed som i trin 5.3.2.
    4. Input mængden af biler og lastbiler på RelFlow fra de repræsentative data.
    5. Gentag trin 5.3.2-5.3.5 for at bygge alle køretøjets kompositioner (WE, EW, WW U-vending og EE U-vending).
  4. Køretøjsruter
    1. Vælg Køretøjsrute fra venstre menulinje.
    2. Flyt markøren til opstrøms for ét link som startpunkt, højreklik, og vælg derefter Tilføj ny beslutning om ruteføring af statisk e-køretøj.
    3. Træk i den blå markør, der repræsenterer køretøjsruterne, i dataindsamlingen. Gentag dette trin 4x i WE, EW, WW U-vending og EE U-vending for at trække alle køretøjsruter.
  5. Områder med reduceret hastighed
    1. Vælg Områder med reduceret hastighed på venstre menulinje.
    2. Højreklik i den forudgående udrejede åbning, og vælg derefter Tilføj nyt område med reduceret hastighed.
      BEMÆRK: Områdets længde afhænger af de repræsentative data og hastighedsændringslængden.
    3. Byg dette område i begge retninger.
  6. Konfliktområder
    1. Vælg Konfliktområder på venstre menulinje. Fire gule konfliktområder vises i midteråbningssektionen.
    2. Højreklik på et gult konfliktområde, og vælg Angiv status til Ubestemt, efterhånden som den realistiske situation og konfliktområder bliver røde.
    3. Gentag trin 5.6.2 for alle fire konfliktområder.
  7. Måling af rejsetid
    1. Vælg Rejsetider for køretøjer fra venstre menulinje.
    2. Højreklik i begyndelsen af et link, og vælg Tilføj måling af nyt køretøjsrejsetid.
    3. Træk markøren til slutningen af linket for at opbygge den ene måling af køretøjets rejsetid. Gentag dette trin for alle køretøjsruter (WE, EW, WW U-vending og EE U-vending).
    4. Navngiv hver rejsetidsmåling med den tilsvarende retning.
      BEMÆRK: For at sammenligne driftssituationerne med forbedringsdesign skal længden af rejsetidsmålingerne være den samme i begge simuleringsmodeller.
  8. Indlæsning af køretøjet
    1. Vælg Køretøjsinput fra venstre menulinje. Klik på udgangspunktet for et link, og højreklik for at tilføje nyt køretøjsinput.
    2. Flyt musen til venstre bund og inputvolumen fra repræsentative data. Gentag dette trin for alle links.
  9. Byg en anden ESUL simulering model som sammenligning, kun U-turn åbning del skal ændres (Figur 7 og tabel 2).
  10. Klik på den blå afspilningsknap øverst på grænsefladen, og simuleringen starter. Træk skalaen til venstre for afspilningsknappen, som kan justere simuleringshastigheden.
    BEMÆRK: Instrumentknappen Hurtig tilstand kan gøre simuleringshastigheden til det maksimale.
  11. Når simuleringen slutter, vises alle resultater nederst i grænsefladen. Kopier resultaterne til et nyt regneark. Her evalueres rejsetid, forsinkelse og antallet af stop i analysen27.

6. Kalibrering af simuleringsmodel

  1. Input trafikmængden af de repræsentative data i simulationsoftware og udføre simuleringen (Figur 8a).
  2. Sammenlign trafikmængden med simuleringsresultaterne med den indsamlede datavolumen.
  3. Beregn kapaciteten ved hjælp af Ligning 1 nedenfor:
    (1)
    hvis C angiver den ideelle kapacitet (veh/h), og ht angiver den gennemsnitlige minimumsforfald(r).
  4. Ved hjælp af kapaciteten skal du estimere simuleringsfejlen som den gennemsnitlige absolutte procentfejl (MAPE) efter ligning 2:
    (2)
    hvor n angiver de fire forskellige strømme i denne undersøgelse, civ er den kapacitet, der simuleres i simuleringsmodellen (veh/h), og Cif er undersøgelsens kapacitet (veh/h). Den beregnede MAPE præsenteres i tabel 3.
    BEMÆRK: Simuleringsmodellen kan bruges, hvis MAPE er lille28,29,30.
  5. Ændre parametrene (dvs. tilfældige frø, bil følge modeltype, lane change regel, osv.) baseret på instruktioner af simuleringssoftware, eller kontrollere alle trin, der er beskrevet ovenfor, når bygningen af simuleringsmodel31,32,33,34.

7. Følsomhedsanalyse

BEMÆRK: Følsomhedsanalyseprocessen er vist i figur 8b. De indsamlede data kan kun afspejle dens egen præstation(figur 9, tabel 4, tabel 5og tabel 6). For at bevise effektiviteten i alle situationer blev alle mulige trafiksituationer og forskellige kombinationer integreret i simuleringsmodellen for at sikre, at alle situationer er dækket mellem MUTI og ESUL(figur 10 og tabel 7).

  1. Vælg forholdet mellem bil og lastbil (bus) og driftshastighed for de repræsentative data. Vedligehold disse parametre.
  2. Indstil U-vendingforholdet fra ~0,03-0,15 i følsomhedsanalysen med en stigning på 0,03, hvilket betyder fem U-vendingnøgletal i følsomhedsanalysen.
    BEMÆRK: Ifølge de repræsentative data i tabel 1er u-vendingshastighedens rækkevidde 0,04-0,15.
  3. Indstil trafikmængden fra ~0,2-1,0 V/C med en stigning på 693 veh/h (0,1 V/C; Tabel 7), hvilket betyder ni bind i følsomhedsanalysen.
    BEMÆRK: Den maksimale trafikmængde er 6.930 veh/h i en bymotorvej med et tresporet segment, svarende til serviceniveau E i henhold til AASHTO's Highway Capacity Manual35, når designhastigheden er 80 km/h.
  4. Simuler alle 45 situationer, og gem resultaterne i både den nuværende situation (MUTI) og en forbedret situation (ESUL).
  5. Kontroller forbedringer i rejsetid og forsinkelser ved at beregne forholdet = (MUTI - ESUL)/MUTI x 100%. Kontroller forbedringer i antallet af stop ved at beregne reduceret tid = MUTI - ESUL.
    BEMÆRK: I de endelige resultater (figur 10) betyder et positivt (>0) resultat, at ESUL forbedrede trafiksituationen, mens en negativ (<0) resulterer i følsomhed, hvilket er det modsatte.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Figur 2 viser illustrationen af ESUL til U-vending median åbning. WENS betyder fire kardinalretninger. Hovedvejen har seks baner med to retninger. Greenbelts deler ikke-motoriserede vognbane på begge sider og deler de to retninger i midten. Flow 1 er øst mod vest gennem trafik, flow 2 er øst til øst U-turn flow, flow 3 er vest til øst gennem trafik, og flow 4 er vest til vest U-turn trafik.

Funktionerne i de indre 2 baner i ESUL er at aflede, decelerererer, U-vending, accelerere, kigge efter fremskridt, og fusionere U-turn køretøjer. Den anspore dige del er den centrale del og er forskellig fra almindelige U-turn design. Denne del har potentiale til at tvinge trafikstrømmen til at bevæge sig lidt udad (ensporet bredde) og adskille gennemgående trafik og U-turn trafik efter anspore dige.

Spur diget design har tre væsentlige forskelle. For det første giver det en specifik U-vending lane for at undgå indflydelse fra gennem trafik ved at flytte hele baner udad. Sammenlignet med markeringerne kan bilister ikke køre hen over spurdiget og skal følge banerne for at opdele de to strømme fra hinanden36,37. For det andet, det maksimalt bruger jorden ved symmetrisk at designe begge to-retningsu-turn krav. For det tredje, anspore diget justerer forskellige U-turn radier af køretøjer og bruger jorden fleksibelt.

Figur 3 viser dataindsamlingsstedet, som er en typisk medianåbning i det nordvestlige hjørne af den anden loop-vej i Xi'an City i Shaanxi-provinsen, Kina. Loop road i denne forskning består af seks baner, og hastighedsbegrænsningen i loop road er 80 km / t (Figur 3a). Bredden af banen er 3,5 m og median bredde er 1,2 m i gennemsnit. Den midterste åbningssektion er 10 m bred og 17 m lang. To ikke-motorkøretøjer (9 m bredde) er på begge sider, og en 1,5 m greenbelt adskiller dem fra de vigtigste baner(Figur 3b).

Afstanden mellem indstrøms- og nedstrømsindskifternær midteråbningen er 5,1 km (figur 3a). Da der ikke er nogen indgang eller udgang til dette afsnit, kan driftshastigheden nå hastighedsgrænsen, når medianåbningen når 200 m. Fra medianåbningen er den 1,4 km til den forudgående udveksling og 3,6 km til nedstrømsudvekslingen. Køretøjer gør en omvej på 10 km (forsinkelse på 9 min på de fleste), hvis ingen U-turn åbning er designet. U-vending køretøjer skal vente i lang tid, når mødet i krydset eller er tvunget til at deltage, hvilket resulterer i forsinkelser eller standsning af gennemgående trafik. Figur 4 viser, at morgentoppen vises fra kl.

Hastighederne for al trafik fra øst til vest er vist i figur 6a. U-vendingåbningen forekommer ved ~70 m ved den vandrette akse. Decelerationen og accelerationen er tydelig tæt på 70 m, hvilket indikerer, at køretøjerne blev påvirket af U-svingkøretøjer. Topværdien i figur 6a er under 80 km/h, og punkterne er hovedsagelig centraliseret under 40 km/t, hvilket indikerer, at driftshastigheden var meget lavere end hastighedsgrænsen (80 km/h). Figur 6b viser forløb af trafikstrømmen fra øst til vest. De tre baner og U-turn køretøjer baner er identificeret let i figuren. Den laveste bane er mørkeblå og bredere end de to baner over den, hvilket indikerer sammenlægning mellem U-vendingkøretøjerne og gennem køretøjer. Sammenlægningsbevægelsen starter ved 60 m og slutter ved 40 m, hvilket repræsenterer et 20 m fletsegment. Gennemtrafikken i den indre vognbane blev alvorligt påvirket af U-svingkøretøjer.

Figur 6c er hastigheden af strømme fra vest til øst. Når kørehastigheden når 80 m ved U-vendingåbningen, begynder den at stige. Resultatet indikerer, at WW U-turn flow havde en mindre indflydelse på WE via flow, der skyldtes omdirigering bevægelse (snarere end fusionere bevægelse; Figur 6b. De punkter, der starter fra 0 km / t viser, at WW U-turn køretøjer forårsaget stop og deceleration for hele køretøjer. Figur 6d viser baner fra vest til øst for gennemgående trafik- og U-vendingtrafik. U-vendingsektionen har høje træer, som blokerer radarsignalerne til registrering af U-vendingbevægelser.

Figur 7 viser halvdelen af ESUL-designet. Bane 1 og 4 er gennemgående kørebaner, og bane 2 og 3 er U-turn baner. Beregningen af hvert afsnit er baseret på tidligere offentliggjorte retningslinjer35,38 og undersøgelser39,40. Afsnit AB er baseret på en vejjusteringsproces, afsnit BC er afhængig af chaufførernes reaktionstider og bevægelsesprocedurer, sektions-cd'en er omdirigeringsdelen, og afsnit DE indeholder deceleration og sikkerhedsafstand. Sektion EF giver tilstrækkelig plads til U-vending. Afsnit FH og HI indeholder acceleration, fremskridtsfund og kombineret bevægelse separat. Alle sektioner er beskrevet i tabel 2 i henhold til en konstruktionshastighed på 80 km/h.

Figur 10a viser, at forholdet mellem transport 1 og rejsetid faldt med ESUL under alle trafikkombinationer inden for 20%-40 %. Forsinkelsen faldt kraftigt med 35%−70%(figur 10b). Antallet af stop faldt en smule med en maksimal værdi på 0,4 (figur 10c). ESUL viste en betydelig forbedring for EW gennemgående trafik i alle situationer. Figur 9e,f og figur 10d viser følsomhedsresultaterne af flow 2 (EE U-turn-køretøjer). Alle tre indeks er ee U-turn køretøjer blev forbedret betydeligt. Rejsetiden i figur 10d faldt med 20-70 % med stigende trafikmængde. Forsinkelserne i figur 10e faldt mere end rejsetiden og nåede næsten 100% til spidsværdien. Den mindste forbedringsgrad var større end 70 %. En betydelig forbedring for antallet af stop, der er vist i figur 10f, nåede højst seks.

Figur 9i,j og figur 10h viser følsomhedsresultaterne af flow 3 (WE gennem køretøjer). Med en lignende tendens til flow 1 forbedrede flow 3 meget med ESUL. Rejsetiden faldt med 40-50 % i figur 10h. Forsinkelserne faldt med 50-90 % i figur 10i. Antallet af stop faldt kun 0,4 x højst i figur 10j. I flow 4 vises WW U-turn-køretøjer og følsomhedsresultater i figur 9l,m og figur 10k. Rejsetiden faldt med ~20%-60% med trafikmængdestigninger (figur 10k). I figur 10lsteg forsinkelserne 1 %, da trafikmængden var 1.386 veh/h, og U-vending-forholdet var 0,06. Forsinkelserne faldt betydeligt med 54-97 % i hvileområdet. Antallet af stop falder højst op til 6x(figur 10m).

Figure 1
Figur 1: Eksempler på medianu-vendingskæringspunkter (MUTI'er). To design repræsenterer den fælles U-vending åbning på vejen, men det skal bemærkes, at U-turn køretøjer kan forårsage trafikkonflikter med forbipasserende køretøjer, enten i samme eller modsatte retning flow. Klik her for at se en større version af denne figur.

Figure 2
Figur 2: Illustration af ESUL design på provinsielle hovedvej. W = vest, E = øst, N = nord, S = syd. Klik her for at se en større version af denne figur.

Figure 3
Figur 3: Dataindsamlingssted ved en median ved den nordvestlige hjørne sløjfevej i Xi'an. Koordinater: 108.903898, 34.301482. a) Undersøgelsen placering skematisk. b) MUTI for U-turn medianåbningen. Billedet blev taget af en drone på højden af 150 m. Klik her for at se en større version af dette tal.

Figure 4
Figur 4: 24 h overbelastning indeks. a) Den 24 timer store trængstidstendens i de større byer fra 2015 til 201725. b) Det 24 timer lange forsinkelsesindeks forX.a. Dataene i panel a kommer fra 2017 Trafik Analyse Rapporter for større byer i Kina25, som leveres af en kinesisk web kortlægning navigation udbyder41. Dataene i panel b stammer fra real-time overbelastning indeks i Xi'an den22maj , 201926. Klik her for at se en større version af denne figur.

Figure 5
Figur 5: Dataindsamling med radar på en fodgængerbro på U-turn-stedet. Klik her for at se en større version af denne figur.

Figure 6
Figur 6: Hastighed og forløb for trafikstrømme. a) Hastighed for køretøjer fra øst til vest. b) Spor af køretøjer fra øst til vest. c) Hastighed for køretøjer fra vest til øst. d) Spor af køretøjer fra vest til øst. Klik her for at se en større version af denne figur.

Figure 7
Figur 7: Geometri af ESUL design. Den blå pil repræsenterer køretøjer, der kører lige igennem, og den røde pil repræsenterer U-vending-køretøjer. Klik her for at se en større version af denne figur.

Figure 8
Figur 8: Rutediagram over beregning af MAPE og følsom analyse. a) Beregningsprocessen for MAPE. b) Behandling af følsom analyse. Klik her for at se en større version af denne figur.

Figure 9
Figur 9: Sammenligning mellem MUTI og ESUL og indsamlede data. Sammenligning af rejsetid(a),forsinkelse(b) og antal stop(c) med morgenpeak (h). Sammenligning af rejsetid (d),forsinkelse(e)og antal stop(f) med midt middagsdalen (h). Sammenligning af rejsetid (h),forsinkelse(i)og antal stop(j) med aftenpeak (h). Klik her for at se en større version af denne figur.

Figure 10
Figur 10: Følsomhedsanalyse af alle strømme, herunder EW gennem, EE U-vending, WE gennem og WW U-vending. X-akse = forskellige trafikmængder, Y-akse = U-vendingforhold og Z-akse = forbedringsforhold (forholdet = [MUTI - ESUL]/MUTI x 100%) i rejsetid og forsinkelse, reducerede tider (reducerede tider = MUTI - ESUL) i antal stop. (a-c) EW gennem flow, (d-f) EE U-turn flow, (h-j) VI gennem flow, og (k-m) WW U-turn flow. Hver tredje figur er rejsetid (a,d,h,k), forsinkelse (b,e,i,l) og antallet af stop(henholdsvis c,f, j, m). Klik her for at se en større version af denne figur.

Element Morgen (07:00-08:00) Mellemmiddagstid (13:00−14:00) Aften (17:00−18:00)
Retning Ew Vi Ew Vi Ew Vi
Flow 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
Lastbil 86 10 56 16 79 7 60 41 11 6 38 35
U-vendingforhold 4281:182 3498:520 3080:183 2520:443 1676:293 3334:429
Gnsn. Hastighed 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. Hastighed 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. Hastighed 0 0 0 0 0 0 0 0 0 0 0 0

Tabel 1: Indsamlede køretøjsoplysninger. En minimumshastighed på 0 km/t angiver, at nogle køretøjer blev standset, før de begyndte at bevæge sig.

Element Beskrivelse
LAB 166 m. Længde for alle strømme til at bevæge sig lidt udad
LBC 185 m. Længde for flow i = 4 for at genkende U-vendingtegnet og skride til handling
LCD 50 m. Omdirigeringlængde til separat flow i = 3 og flow i = 4
LDE 42 m. Flow i = 4 decelerationslængde
LEF Radius = 7,26 m. U-turn bredde for personbiler
LFH 180 m. Accelerationslængde af flow i = 4
LHI 140 m. Længden til at søge en fremskridt for flow i = 4 og fusionere i flow i = 1

Tabel 2: Geometriske parametre for ESUL. Beregningen af hvert afsnit er baseret på tidligere offentliggjorte retningslinjer35,38 og undersøgelser39,40. Værdien i tabel 2 er input til simuleringsmodellen for at evaluere ESUL's ydeevne med en designhastighed på 80 km/h.

Element Morgen (07:00-08:00) 13:00−14:00) Aften (17:00−18:00)
Retning Ew Vi Ew Vi Ew Vi
Flow 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. Kapacitet (veh/h) 4281 182 3498 520 3080 183 2520 443 1676 293 3334 429
Simuleret kapacitet (veh/h) 4115 127 3571 501 3000 169 2484 360 1814 268 3381 409
Individuel 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

Tabel 3: Simuleringskalibreringsresultater. Kalibrering mellem undersøgelse og simulering vises i tabellen. MAPE beregnes ved hjælp af Ligning 2, og resultaterne er acceptable27,30.

Element Rejsetid (r) Forsinkelse (r) Antal stop
Flow Muti ESUL Sats (%) Muti ESUL Sats (%) Muti ESUL Sats (%)
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

Tabel 4: Simuleringsresultater af MUTI og ESUL med morgentopdata. I morgenmyldretiden forbedrer ESUL betydeligt mere end MUTI. Rejsetiden faldt med 29,4%-57,5%. Forsinkelsen faldt med 44,4%-97,7%. Antallet af stop er helt formindsket.

Element Rejsetid (r) Forsinkelse (r) Antal stop
Flow Muti ESUL Sats (%) Muti ESUL Sats (%) Muti ESUL Sats (%)
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

Tabel 5: Simuleringsresultater af MUTI og ESUL med mellemmiddagsdata. Ved middagstid faldt rejsetiden med 31,3%-43,8%. Forsinkelsen faldt med 50,0%-87,1%, og der findes ikke noget antal stop med ESUL.

Element Rejsetid (r) Forsinkelse (r) Antal stop
Flow Muti ESUL Sats (%) Muti ESUL Sats (%) Muti ESUL Sats (%)
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

Tabel 6: Simuleringsresultater af MUTI og ESUL med nattopdata. Med aftenenpeakdata faldt rejsetiden med 27,7 %-56,6 %. Forsinkelsen faldt med 60,7 %-91,8 %. Antallet af stop falder også med ESUL.

Element Værdi
Forholdet mellem bil og lastbil(bus) 4281:182 (EW) / 3498:520 (VI)
U-vendingforhold (%) 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
Volumen (veh/h) 1386 2079 2772 3465 4158 4851 5544 6237 6930

Tabel 7: Parametre input til følsomhedsanalyse i simulering.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

I denne artikel blev proceduren for løsning af et trafikproblem i et vejkryds eller et kort segment ved hjælp af simulering drøftet. Flere punkter fortjener særlig opmærksomhed og drøftes mere detaljeret her.

Indsamling af feltdata er det første, der fortjener opmærksomhed. Nogle krav til dataindsamlingslokation ender som følger: 1) At finde en passende placering til dataindsamling. Placeringen skal svare til den geometriske vejform i undersøgelsen, som er forudsætningen for dataindsamling. 2) Bestemmelse af den indstillede placering af radar og andet udstyr ved at finde en nok clearance, hvor radarsignaler ikke kan blokeres. Nogle state-of-art teknologier kan bruges, såsom droner, til at opdage trafikoperationer. Hele observationsområdet skal være fri for barrierer, såsom træer eller arkitektur. 3) Endelig skal dataindsamlingstiden være mindst 3 timer på ét sted. Tiden bør afspejle morgen og aften toppe samt dalen situationen i dag. Tidspunktet for overbelastning indeks kan fås ved observation eller fra en anden pålidelig transport udgiver.

Simulation model bygning er et andet kritisk skridt. Nøjagtigheden af simuleringsmodellen vil føre til forskellige simuleringsfejl. Den første ting i simuleringsmodellen er stikket. Hvis en kæde på den ene side af forbindelsen flyttes, kan forbindelsen være ude af form og trænge den tilstødende forbindelse eller forbindelse i, hvilket kan resultere i fejl. Så det er vigtigt at genberegne stikket, når det er nødvendigt at flytte et link.

Et andet vigtigt skridt er konfliktreglen i konfliktområdet. Brug konfliktområder i stedet for prioritetsregler til at simulere retten til at simulere retten til at gøre det ved vejkryds. Sammenlignet med prioritetsregler vises konfliktområder automatisk, og derfor er det nemmere at redigere og afspejler derfor bedre køreadfærden. Konfliktreglen skal være den samme som dataindsamling, og hvert konfliktområde bør fastsættes med tilsvarende regler. Det sidste kritiske trin er justering af parametrene for køreadfærd, når simuleringsfejl (MAPE) er stor. Kørselsadfærd har flere individuelle parametre, og en lille ændring i hver parameter kan føre til en positiv eller negativ indvirkning på resultaterne. Det er nøglen til at justere de forskellige parametre omhyggeligt og gentagne gange.

Normalt er rejsetiden, forsinkelsen og antallet af stop mest almindelige anvendte indekser til evaluering af de operationelle funktioner i simuleringen. Mange andre indekskan også fås ved simuleringen (dvs. køretøjets volumen, udstødningsemission, brændstofforbrug, fodgængerrekord, sikkerhedsvurdering, køretøjets adfærd, køretøjsruter, koordinater osv.). Det er vigtigt at vælge de tilsvarende evalueringsindeks er i overensstemmelse med de forskellige eksperimentelle behov. Andre indekser, undtagen de tre ovennævnte, der er mest almindeligt anvendte, kan føre til nye forskningsresultater eller metoder.

Brug af "hurtigtilstand", når simuleringen udføres, kan det være muligt for simuleringen at nå den højeste hastighed og spare tid, især under den følsomme analyse. Således er snesevis af simuleringer nødvendige. Simuleringsresultatet forbliver det samme, uanset hvilken simuleringshastighed der vælges.

Der er to store områder for fremtidige anvendelser. Et program er at løse trafikproblemer og evaluere en eller flere trafik design i et vejkryds eller kort segment. Simuleringen hjælper med at evaluere mikroskopiske trafikadfærd, uanset om det omfatter køretøjer, fodgængere, infrastrukturændringer eller trafikstyringsmålinger. For det andet giver processen en tilstrækkelig praksis guide for dem, der udfører trafikforskning. Bestemmelserne bidrager til at opnå nøjagtige og robuste data om trafiksimuleringsmålinger.

Denne metode har også nogle begrænsninger. For det første kan radaren registrere en lige retning, og det kræver, at målsegmentet også er lige. Radaren kan ikke bruges til buede segmenter, f.eks. For det andet kræver radaren tilstrækkelig afstand til at detektere køretøjerne. Men i det virkelige miljø, er der altid træer eller billboards, der blokerer signalet. Det er svært at finde et passende sted for radar afvikling. Hertil kommer, når trafikmængden er stor eller køretøjer er tæt på hinanden, radar kan ikke skelne køretøjer, og tælle manuelt fra videoen er den eneste mulighed, som er en masse arbejde. Effektivitet og nøjagtighed kan forbedres, hvis protokollen også bruger en metode, der kan tælle og klassificere køretøjer automatisk.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har intet at afsløre.

Acknowledgments

Forfatterne vil gerne anerkende China Scholarship Council for delvis finansiering af dette arbejde var med filen nr.

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 U-vending anspore dige simulering trafikdata trafikpropper transport motorvej
Evaluering af et eksklusivt Spur Dike U-Turn Design med radarindsamlede 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