Waiting
Login processing...

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

Engineering

Utvärdering av en exklusiv Spur Dike U-Turn Design med radar-insamlade data och 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

Det här protokollet beskriver processen med att lösa ett mikroskopiskt trafikproblem med simulering. Hela processen innehåller en detaljerad beskrivning av datainsamling, dataanalys, simuleringsmodellbygg, simuleringskalibrering och känslig analys. Ändringar och felsökning av metoden diskuteras också.

Abstract

Traditionella U-sväng design kan förbättra operativa funktioner naturligtvis, medan U-sväng omläggningar och slå samman segment fortfarande orsaka trafikstockningar, konflikter och förseningar. En exklusiv sporre u-sväng körfält design (ESUL) föreslås här för att lösa nackdelarna med traditionella U-sväng mönster. För att utvärdera ESUL:s driftsprestanda behövs ett trafiksimuleringsprotokoll. Hela simuleringsprocessen innehåller fem steg: datainsamling, dataanalys, simuleringsmodellbygg, simuleringskalibrering och känslig analys. Datainsamling och simuleringsmodellbygge är två kritiska steg och beskrivs senare mer i detalj. Tre index (restid, fördröjning och antal stopp) används ofta i utvärderingen, och andra parametrar kan mätas från simuleringen enligt experimentella behov. Resultaten visar att ESUL avsevärt minskar nackdelarna med traditionella U-sväng mönster. Simuleringen kan tillämpas för att lösa mikroskopiska trafikproblem, till exempel i enstaka eller flera intilliggande korsningar eller korta segment. Denna metod är inte lämplig för större vägnät eller utvärderingar utan datainsamling.

Introduction

Vissa trafikproblem, såsom trafikstockningar vid en korsning eller kort segment, kan lösas eller förbättras genom att optimera vägdesignen, ändra signaltiming, mätningar trafikledning och annan transportteknik1,2,3,4. Dessa förbättringar har antingen en positiv eller negativ effekt på trafikflödesoperationer jämfört med de ursprungliga situationerna. Förändringarna i trafikverksamheten kan jämföras i trafiksimuleringsprogram snarare än i faktisk rekonstruktion av skärningspunkten eller segmentet. Trafiksimuleringsmetoden är ett snabbt och billigt alternativ när en eller flera förbättringsplaner föreslås, särskilt när olika förbättringsplaner jämförs eller utvärderar effektiviteten av förbättringar. Denna artikel introducerar processen att lösa ett trafikproblem med simulering genom att utvärdera trafikflödet operativa funktioner i en exklusiv sporre dike U-sväng körfält design5.

U-sväng rörelse är en utbredd efterfrågan på trafik som kräver en U-sväng median öppning på vägen, men detta har debatterats. Utforma en U-sväng öppning kan orsaka trafikstockningar, samtidigt stänga U-sväng öppning kan orsaka omvägar för U-sväng fordon. Två rörelser, U-sväng fordon och direkt vänstersväng fordon, kräver en U-sväng öppning och orsaka trafikförseningar, stopp, eller ens olyckor. Vissa tekniker har föreslagits för att lösa nackdelarna med U-sväng rörelser, såsom signalisering6,7, exklusiva vänstersvängkörfält8,9och autonoma fordon10,11. Förbättringspotential finns fortfarande på U-svängfrågor, på grund av ovanstående lösningar med restriktiva tillämpningar. En ny U-sväng design kan vara en bättre lösning under vissa förhållanden och kunna ta itu med befintliga problem.

Den mest populära U-sväng design är medianU-sväng skärningspunkten (MUTI)12,13,14,15, som visas i figur 1. En betydande begränsning av MUTI är att den inte kan skilja U-sväng fordon från förbipasserande fordon och att trafikkonflikten fortfarande finns16,17. En modifierad U-sväng design kallas den exklusiva sporre dike U-sväng körfält (ESUL; Figur 2) föreslås här och syftar till att minska trafikstockningargenom att införa en exklusiv U-sväng körfält på båda sidor av en median. ESUL kan avsevärt minska restiden, förseningarna och antalet stopp på grund av dess kanalisering av de två flödena.

För att bevisa att esul är effektivare än den normala MUTI behövs ett rigoröst protokoll. ESUL kan faktiskt inte konstrueras före en teoretisk modell. simulering behövsdärför 18. Med hjälp av trafikflödesparametrar har vissa nyckelmodeller använts i simuleringsforskning19, till exempel körbeteendemodeller20,21, bil efter modeller22,23, U-svängmodeller4och körfältsbyningsmodeller21. Noggrannheten i trafikflödessimuleringar är allmänt accepterad16,24. I denna studie simuleras både MUI och ESUL med insamlade data för att jämföra förbättringar som gjorts av ESUL. För att garantera noggrannhet simuleras också en känslig analys av ESUL, vilket kan gälla för många olika trafiksituationer.

Detta protokoll presenterar experimentella förfaranden för att lösa verkliga trafikproblem. Metoder för insamling av trafikdata, dataanalys och analys av den övergripande effektiviteten i trafikförbättringar föreslås. Proceduren kan sammanfattas i fem steg: 1) trafikdatainsamling, 2) dataanalys, 3) simuleringsmodell bygga, 4) kalibrering av simuleringsmodell, och 5) känslighetanalys av operativa prestanda. Om något av dessa krav i de fem stegen inte uppfylls är processen ofullständig och otillräcklig för att bevisa effektivitet.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Beredning av utrustningen

  1. Förbered två av var och en av följande enheter för att samla in tvåriktningarstrafikflöden: radar, bärbara datorer, batterier och kablar för radar och bärbara datorer, kameror och radar- och kamerastativ.
    OBS: Radarn och dess motsvarande programvara används för att samla fordon hastighet och bana, och detta är mer exakt än en hastighet pistol. Radarn är inte det enda valet om annan utrustning finns tillgänglig för att samla fordonshastighet, bana och volym. Eftersom radarsignaler lätt kan blockeras av stora fordon, videor tagna av kameror kan användas för fordonsräkning. Under utredningen, om vädret är regnigt eller soligt, behövs skydd av utrustningen. Speciellt på en solig dag kan utrustningen nå en hög temperatur och stängas av, så ett paraply- eller kylutrustning behövs för denna situation.

2. Provning av utrustningen

  1. Se till att alla utredare bär reflekterande västar.
  2. Förbered radarstativet och utöka den så lång som möjligt. Ställ in stativet längre än 2 m för att undvika signaler från att blockeras på vägkanten.
  3. Installera radarn ovanpå stativet och lås radarn.
  4. Ställ in radarn ca 0,5 m bredvid vägkanten, justera radarn vertikalt och vänd fordonets riktning eller motsatt riktning. Håll vinkeln mellan vägen och radarn så liten som möjligt.
    Radarn kan upptäcka högst 200 m. Om radarn är inställd för nära körfältet, kan det blåsa över förbipasserande fordon. Således är 0,5−1,0 m det vanliga avståndet till körfältet.
  5. Slå på batteriet och anslut den bärbara datorn till batteribatteriet. Anslut radarströmkabeln och anslut radardata-USB till den bärbara datorn. När alla kablar är anslutna slår du på den bärbara datorn.
  6. Ställ in kameran bredvid radarn för att skjuta fordonsflödet.
  7. Öppna radarprogramvaran
    1. Klicka på Kommunikationskontrolloch välj sedan radar-ID-numret i listrutan. Den visar radar upptäckt med ett ID-nummer.
    2. Klicka på Undersökningsinställningar. I popupmenyn klickar du på Läs RLU-tidoch enhetens tid till vänster ändras. Klicka sedan på Ställ in RLU-tidoch datorns aktuella tid till vänster ändras också.
    3. Klicka på Starta undersökningoch enhetens arbetsstatus ändras från datainspelning fortsätter inte och Inga data i enheten till Datainspelning i förfarandet och Data i enheten. Stäng dialogrutan genom att klicka på Stäng.
    4. Klicka på realtidsvyn för att kontrollera radarstatus. En ny dialogruta visas och radardata rullas snabbt. Detta innebär att radarn upptäcker fordonen och fungerar bra. Håll den här dialogrutan öppen tills samlingen är klar.
      OBS: Fordonet kan fångas av radarn när du passerar radarn.
    5. Klicka på Stäng i dialogrutan för att slutföra samlingen.
    6. Klicka på Undersökningsinställningar | Avsluta undersökningenoch bekräfta i dialogrutan. Klicka på knappen Stäng.
    7. Välj Datahämtning i huvudmenyn. Klicka på Bläddra för att välja en plats för att spara radardata. Ange ett individuellt namn för kalkylbladet. Klicka på knappen Starta hämtning, en förloppsindikator visas och en dialogruta visas när du har hämtat. Klicka på Bekräfta för att slutföra datainsamlingen.
    8. Klicka på Undersökningsinställningar | Radera datapostoch bekräfta den i nästa dialogruta för att rensa radarns interna minne.
      OBS: Ett test av all utrustning behövs före avgång till datainsamlingsplatsen. Flytta all utrustning till datainsamlingsplatsen om alla delar fungerar bra.

3. Insamling av uppgifter

  1. Val av datainsamlingsplats (figur 3)
    1. Välj en lämplig plats som liknar den skärningstyp som används i forskningen.
      Detta är det viktigaste kravet i platsvalet. Formen på platsen, trafikflödessituationen, trafikljuskontrollen och andra kontroller behövs alla i beaktande. Ju mer liknande studieplatsen, desto mer exakt resultaten. En U-sväng median öppning på motorvägen behövs. En tillräckligt lång sikt- och clearance krävs, vilket är nödvändigt för radar och säkerhet för utredarna. Baserat på detekteringavavståndet mellan radaroch fordonets stoppavstånd bör siktlinjen vara minst 200 m från platsen till en uppströms riktning.
    2. Kontrollera radarriktningens avstånd. Se till att det inte finns några träd, buskar, gångbroar, trafikskyltar eller gatlyktor i sikte.
    3. Se till att platsen är en säker plats för utrustningen och utredarna. Om utrustningen är inställd på vägkanten eller ovanför vägen beror på terrängen.
    4. Placera utrustningen på en avskild plats för att undvika att få förarens uppmärksamhet.
      Obs! Enligt tidigare erfarenhet kan vissa förare sakta ner om de ser utredningsutrustningen, vilket kommer att leda till fel. Datainsamlingsutrustningen kan betraktas som en mätanordning för trafikpolisen att mäta fortkörningsfordon.
  2. Insamling av trafikdata
    1. Välj samlingstid.
      1. Samla in 3 h data: 1 h i morgontopp, 1 h vid middagstid dalen, och 1 h på kvällen topp.
      2. Kontrollera den exakta topp- och daltiden från trafikforskningsrapporten, trafikpolisen eller trafikföretagen25,26 (figur 4).
        Obs! Om det inte finns någon trafikrapport eller analys som referens samlar du in 3 h data under de tre perioder som nämns ovan och väljer de högsta uppgifterna.
      3. Mata in data med högsta trafikvolym under en 1 h-period i simuleringsmodellen och analysavsnittet. Använd de återstående 2 h data för verifiering i slutet.
    2. Inställning av utrustningen
      1. Justera radarriktningen och ställ in kameran bredvid radarn där den kan fånga alla körfält. Upprepa processen med att installera all utrustning i avsnitt 2 på gångbron.
        OBS: Avståndet före radarn bör vara så lång och bred som möjligt för att täcka hela skalan av U-sväng rörelser. EW-radarn (öst till väst) står inför trafikflödet, och VI (väst till öst) radar ansikten mot fordonets svansar på grund av väginriktning(figur 5). Det finns inga skillnader mellan resultaten från att ställa in utrustningen på den inre kontra yttre sidan av körfält. Radarplatsens inre eller yttre sida påverkar endast koordinatsystemet med banasfigurer med radardata. När radarn står inför trafikflödet är den upptäckta körhastigheten negativ och måste vändas under databearbetningen. När radarn står inför trafikflödet är den upptäckta körhastigheten positiv och kan användas direkt.
      2. Ställ in radar och kameror så att de är något längre än broräcken för att säkerställa clearance innan radar och kameror.
        OBS: Det finns ingen anledning för radarn att vara lika lång som vägkanten uppgörelse.
    3. Se till att tidpunkten för radar, bärbara datorer och kameror överensstämmer med realtid.
    4. Starta två radar och kameror samtidigt för att schemalägga tid.
    5. Kontrollera om radar och kameror fungerar normalt var 5 min under datainsamling för att säkerställa att alla delar fungerar bra.
    6. Avsluta datainsamlingen och mata ut radardata som ett kalkylblad med ett identifierat namn (tabell 1).

4. Dataanalys

  1. Använda beräkningsprogramvara för att extrahera radardata och rita driftshastighet och banor siffror från kalkylbladet.
    X/Y-koordinaterna och X/Y-hastigheten finns i kalkylbladet.
  2. Ta bort uppenbarligen diskreta punkter i siffrorna. Dessa punkter är radarfel.
    Radarn upptäcker ett stort område, så uppgifterna kan innehålla målfordon, mittemot fordon och icke-motorfordon i körfält som inte är motorfordon. När man planerar alla uppgifter som siffror, tre-lane målfordon är uppenbara, och de återstående punkterna är "uppenbarligen diskreta punkter". Detektionsområdena är rakt i figur 3, bredden på de tre körfälten är känd, och de "uppenbarligen diskreta punkterna" kan tas bort i programvaran. Rita de nödvändiga punkterna enligt figur 6b,d.
  3. Spela upp trafikvideorna och räkna manuellt för att hämta trafikvolymen och typerna.
    OBS: Fordon kan delas in i bilar och lastbilar efter storlek. Alla bilar, skatter och små lastbilar inom 6 m klassificeras här som bilar. Alla stora lastbilar och bussar klassificeras som lastbilar.
  4. Välj den högsta trafikvolymgruppen som representativa data och mata in den i simuleringen som beskrivs i avsnitt 5.
    Obs! Data från de andra två grupperna simuleras som verifiering.

5. Bygga simuleringsmodellen

  1. Byggande av vägen
    1. Öppna simuleringsprogrammet. Klicka på knappen Karta högst upp i gränssnittet och zooma in kartan för att hitta platsen för datainsamling.
    2. Klicka på Länkar till vänster och flytta sedan markören till länkens startplats och högerklicka. Välj Lägg till ny länk, ange länknamn och antal körfält och klicka på OK. Dra markören för att rita länken på kartan.
    3. Högerklicka på länken och välj Lägg till punkt. Lägg till punkter och dra punkter för att göra länken smidigare med verklig vägjustering i kartan.
    4. Upprepa steg 5.1.2 och 5.1.3 3x för att bygga fyra segment, förutom u-svängmedianöppningen.
    5. Håll ned höger knapp på musen och Ctrl-knappen på tangentbordet och dra sedan slutpunkten för en länk till den intilliggande länken för att ansluta länkarna. Denna del kallas "kontakten" och kan vara smidigare eftersom fler punkter läggs till.
    6. Upprepa steg 5.1.5 för att ansluta alla länkar och U-svängrutter.
  2. Ingång av önskad hastighet
    1. Välj Basdata i det övre fältet och välj sedan Distributioner | Önskad hastighet.
    2. Klicka på knappen Lägg till grönt kors längst ned för att lägga till en ny önskad hastighet och namnge den.
    3. I dialogrutan Önskade hastighetsfördelningar matar du in den maximala hastighet som samlas in från representativa data som önskad hastighet och matar sedan in den genomsnittliga hastighet som beräknas utifrån representativa data som önskad hastighet. Ta bort standarddata.
    4. Ange ett namn för önskad hastighet, som vanligtvis namnges med hjälp av en riktning.
    5. Upprepa steg 5.2.3 och 5.2.4 för att bygga alla önskade hastigheter (WE, EW, WW U-sväng och EE U-sväng).
  3. Fordonets sammansättning
    1. Välj knappen Listor i det övre fältet och klicka sedan på Privat transport | Fordonssammansättningar.
    2. Klicka på knappen Lägg till grönt kors längst ner för att lägga till en ny fordonssammansättning. Välj önskad hastighet som byggdes i steg 5.2 som bil.
    3. Klicka på knappen Grönkors Lägg till för att lägga till buss/lastbil för fordonstyp som tunga lastbilar. Välj samma önskade hastighet som gjort i steg 5.3.2.
    4. Mata in volymen av bilar och lastbilar på RelFlow från representativa data.
    5. Upprepa steg 5.3.2-5.3.5 för att bygga alla fordonskompositioner (WE, EW, WW U-sväng och EE U-sväng).
  4. Fordonsvägar
    1. Välj Fordonsväg i den vänstra menyraden.
    2. Flytta markören till uppströms en länk som startpunkt, högerklicka och välj lägg till nytt beslut för routning av statiskt fordon.
    3. Dra den blå markören som representerar fordonsvägarna i datainsamlingen. Upprepa detta steg 4x i WE, EW, WW U-sväng och EE U-sväng för att rita alla fordonsvägar.
  5. Reducerade hastighetsområden
    1. Välj Områden för reducerad hastighet i den vänstra menyraden.
    2. Högerklicka vid u-svängöppningens uppströms och välj sedan Lägg till nytt område för reducerad hastighet.
      OBS: Områdets längd beror på representativa data och hastighetsändringslängd.
    3. Bygg detta område i båda riktningarna.
  6. Konfliktområden
    1. Välj Konfliktområden i den vänstra menyraden. Fyra gula konfliktområden visas i medianöppningsavsnittet.
    2. Högerklicka på ett gult konfliktområde och välj Ange status till Obestämd som den realistiska situationen och konfliktområdena blir röda.
    3. Upprepa steg 5.6.2 för alla fyra konfliktområdena.
  7. Mätning av restid
    1. Välj Fordonsrestider i den vänstra menyraden.
    2. Högerklicka i början av en länk och välj Lägg till nytt fordonsrestidsmätning.
    3. Dra markören till slutet av länken för att bygga ett fordons restidsmätning. Upprepa detta steg för alla fordonsrutter (WE, EW, WW U-sväng och EE U-sväng).
    4. Namnge varje mätning av restid med motsvarande riktning.
      OBS: För att jämföra driftsituationer med förbättringsdesign måste längden på restidsmätningarna vara desamma i båda simuleringsmodellerna.
  8. Fordonets ingång
    1. Välj Fordonsingångar i den vänstra menyraden. Klicka på startpunkten för en länk och högerklicka för att lägga till nya fordonets ingång.
    2. Flytta musen till vänster längst ned och indatavolymen från representativa data. Upprepa det här steget för alla länkar.
  9. Bygg en annan ESUL-simuleringsmodell som jämförelse, behöver endast U-svängöppningsdelen ändras(figur 7 och tabell 2).
  10. Klicka på den blå uppspelningsknappen högst upp i gränssnittet så startar simuleringen. Dra skalan till vänster om uppspelningsknappen, som kan justera simuleringshastigheten.
    Instrumentpanelsknappen Snabbläge kan göra simuleringshastigheten till det maximala.
  11. När simuleringen slutar visas alla resultat längst ned i gränssnittet. Kopiera resultaten till ett nytt kalkylblad. Här utvärderas restid, fördröjning och antalet stopp i analysen27.

6. Simuleringmodellkalibrering

  1. Mata in trafikvolymen för representativa data i simuleringsprogramvaran och utför simuleringen (figur 8a).
  2. Jämför trafikvolymen från simuleringsresultaten med den insamlade datavolymen.
  3. Beräkna kapaciteten med hjälp av ekvation 1 nedan:
    (1)
    där C betecknar den idealiska kapaciteten (veh/h) och ht betecknar den genomsnittliga minsta vägen (s).
  4. Med hjälp av kapaciteten uppskattar du simuleringsfelet som det genomsnittliga absoluta procentfelet (MAPE) efter ekvation 2:
    (2)
    Där n betecknar de fyra olika flödena i denna studie är Civ den kapacitet som simuleras i simuleringsmodellen (veh/h) och Cif är undersökningens kapacitet (veh/h). Den beräknade MAPE presenteras i tabell 3.
    Simuleringsmodellen kan användas om MAPE är liten28,29,30.
  5. Ändra parametrarna (dvs slumpmässigt utsäde, bil följ modelltyp, körfältsändringsregel, etc.) baserat på instruktioner från simuleringsprogrammet, eller kontrollera alla steg som beskrivs ovan när simuleringsmodellen31,32,33,34.

7. Känslighetsanalys

Obs! Känslighetsanalysprocess visas i figur 8b. De insamlade uppgifterna kan endast återspegla dess egna prestanda(figur 9, tabell 4, tabell 5och tabell 6). För att bevisa effektiviteten i alla situationer var alla tänkbara trafiksituationer och olika kombinationer inmatade i simuleringsmodellen för att säkerställa att alla situationer täcks mellan MUTI och ESUL(figur 10 och tabell 7).

  1. Välj bil-/lastbilsförhållande (buss) och driftshastighet för de representativa uppgifterna. Underhåll dessa parametrar.
  2. Ställ in U-svängförhållandet från ~0,03-0,15 i känslighetsanalysen med en ökning på 0,03, vilket innebär fem U-svängsförhållanden i känslighetsanalysen.
    Enligt de representativa uppgifterna i tabell 1är räckvidden för U-svänghastigheten 0,04-0,15.
  3. Ställ in trafikvolymen från ~0,2-1,0 V/C med en ökning på 693 veh/h (0,1 V/C; tabell 7), vilket innebär nio volymer i känslighetsanalysen.
    OBS: Den maximala trafikvolymen är 6.930 veh / h i en urban motorväg med en trefilig segment, vilket motsvarar servicenivå E enligt AASHTO: s Highway Capacity Manual35 när konstruktionshastigheten är 80 km / t.
  4. Simulera alla 45 situationer och spara resultaten i både den nuvarande situationen (MUTI) och förbättrad situation (ESUL).
  5. Kontrollera förbättringar i restid och förseningar genom att beräkna förhållandet = (MUTI - ESUL)/MUTI x 100%. Kontrollera förbättringar i antalet stopp genom att beräkna reducerad tid = MUTI - ESUL.
    I slutresultatet (figur 10) innebär ett positivt (>0) resultat att ESUL förbättrade trafiksituationen, medan ett negativt (<0) resultat i känslighet representerar motsatsen.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Figur 2 visar illustrationen av ESUL för U-sväng medianöppning. WENS betyder fyra kardinalriktningar. Huvudvägen har sex körfält med två riktningar. Greenbelts delar icke-motoriserade körfält på båda sidor och delar de två riktningarna i mitten. Flöde 1 är öst till väst genom trafiken, flöde 2 är öst till östra U-sväng flöde, flöde 3 är väst till öst genom trafiken, och flöde 4 är väst till västra U-sväng trafik.

Funktionerna i de inre 2 körfält av ESUL är att avleda, bromsa, U-sväng, påskynda, leta efter framsteg, och slå samman U-sväng fordon. Den sporre dike delen är kärnan delen och skiljer sig från vanliga U-sväng mönster. Denna del har potential att tvinga trafikflödet att röra sig utåt något (enfilig bredd) och separera genom-trafik och U-sväng trafik efter sporre vallen.

Sporre dikedesignen har tre betydande skillnader. Först ger det en specifik U-sväng körfält för att undvika påverkan från genom trafiken genom att flytta hela körfält utåt. Jämfört med markeringarna kan förare inte över sporre och måste följa banorna för att dela isär de två flödena36,37. För det andra använder den maximalt marken genom att symmetriskt utforma båda tvåriktningarU-sväng krav. För det tredje justerar sporre vallen olika U-sväng radii av fordon och använder marken flexibelt.

Figur 3 visar platsen för datainsamling, som är en typisk medianöppning i nordvästra hörnet av den andra slingan i Xi'an City i Shaanxi-provinsen, Kina. Slingan i denna forskning består av sex körfält och hastighetsbegränsningen i slingan är 80 km/h (figur 3a). Bredden på körfältet är 3,5 m och medianbredden är i genomsnitt 1,2 m. Medianöppningsdelen är 10 m bred och 17 m lång. Två icke-motorfordonkörfält (9 m bredd) är på båda sidor och ett 1,5 m greenbelt delar dem från huvudbanorna (figur 3b).

Avståndet mellan uppströms och nedströms byten nära medianöppningen är 5,1 km(figur 3a). Eftersom det inte finns någon ingång eller utgång för detta avsnitt, kan drifthastigheten nå hastighetsgränsen efter att medianöppningen når 200 m. Från medianöppningen är det 1,4 km till uppströmsutbytet och 3,6 km till nedströmsutbytet. Fordon gör en omväg på 10 km (försening på högst 9 min) om ingen U-sväng öppning är utformad. U-sväng fordon måste vänta länge när möte i korsningen eller tvingas gå med, vilket resulterar i förseningar eller stopp för genomtrafiken. Figur 4 visar att morgontoppen visas från 07:00 till 09:00, kvällstoppen visas från 17:00 till 19:00, och dalen (exklusive sen natt) visas från 12:00 till 14:00.

Hastigheterna för all trafik från öst till väst visas i figur 6a. U-svängöppningen sker på ~70 m vid den vågräta axeln. Retardationen och accelerationen är uppenbara nära 70 m, vilket tyder på att fordonen påverkades av U-svängfordon. Toppvärdet i figur 6a är under 80 km/h och punkter är huvudsakligen centraliserade under 40 km/tim, vilket tyder på att driftshastigheten var mycket lägre än hastighetsgränsen (80 km/h). Figur 6b visar trafikflödets banor från öst till väst. De tre körfält och U-sväng fordon banor identifieras lätt i figuren. Den lägsta banan är mörkblå och bredare än de två banorna ovanför den, vilket tyder på sammanslagning mellan U-sväng fordon och genom fordon. Sammanslagningsrörelsen börjar på 60 m och slutar på 40 m, vilket motsvarar ett 20 m fusionssegment. Genomtrafiken i det inre körfältet påverkades allvarligt av U-svängfordon.

Figur 6c är hastigheten på flödenfrån väst till öst. När körhastigheten når 80 m vid U-svängöppningen börjar den öka. Resultatet visar att WW U-svängflödet hade en mindre inverkan på WE via flöde som berodde på avledning rörelse (snarare än slå samman rörelse; Figur 6b. Poängen från 0 km/h indikerar att WW U-svängfordon orsakade stopp och retardation för hela fordon. Figur 6d visar banorna från väst till öst om genom-trafik och U-sväng trafik. U-svängsektionen har höga träd, som blockerar radarsignalerna för att upptäcka U-svängrörelser.

Figur 7 visar hälften av ESUL-designen. Körfält 1 och 4 är genom körfält, och körfält 2 och 3 är U-sväng körfält. Beräkningen av varje avsnitt baseras på tidigare publicerade riktlinjer35,38 och studierna39,40. Avsnitt AB bygger på en väginriktningsprocess, avsnitt BC är beroende av förarnas reaktionstider och rörelseförfaranden, sektion CD är avledningsdelen och avsnitt DE innehåller retardation och säkerhetsavstånd. Avsnitt EF ger tillräckligt med utrymme för U-sväng. Avsnitt FH och HI innehåller acceleration, framstegsfynd och kombinerad rörelse separat. Alla sektioner beskrivs i tabell 2 enligt en konstruktionshastighet på 80 km/tim.

Figur 10a visar att förhållandet mellan flöde 1 minskade med ESUL under alla trafikkombinationer inom 20–40 %. Förseningen minskade kraftigt med 35%−70%(figur 10b). Antalet stopp minskade något, med ett maximalt värde på 0,4 (figur 10c). ESUL visade en betydande förbättring för EW genom trafik i alla situationer. Figur 9e, f och figur 10d visar känslighetsresultaten för flöde 2 (EE U-svängfordon). Alla tre indexen för U2 U-svängfordon förbättrades kraftigt. Den restid som visas i figur 10d minskade med 20%-70% med ökande trafikvolym. Förseningarna i figur 10e minskade mer än restiden och nådde nästan 100% till toppvärdet. Minimiförbättringsgraden var större än 70 %. En betydande förbättring av antalet stopp som visas i figur 10f nådde högst sex.

Figur 9i,j och figur 10h visar känslighetsresultaten av flöde 3 (VI genom fordon). Med en liknande trend som flöde 1 förbättrades flödet 3 mycket med ESUL. Restiden minskade med 40%-50% i figur 10h. Förseningarna minskade med 50–90 % i diagram 10i. Antalet stopp minskade endast 0,4 x som mest i figur 10j. I flöde 4 visas ww U-svängfordon och känslighetsresultat i figur 9l,m och figur 10k. Restiden minskade med ~20%-60% med trafikvolymen ökar(figur 10k). I figur 10lökade förseningarna med 1 % när trafikvolymen var 1 386 veh/h och U-svängförhållandet var 0,06. Förseningarna minskade betydligt med 54–97 % i övrigt. Antalet stopp minskar högst upp till 6x(figur 10m).

Figure 1
Figur 1: Exempel på medianskärnings-U-svängkorsningar (MUTI). Två konstruktioner representerar den gemensamma U-sväng öppning på vägen, men det bör noteras att U-sväng fordon kan orsaka trafikkonflikter med förbipasserande fordon, vare sig i samma eller motsatt riktning flöde. Klicka här för att se en större version av denna siffra.

Figure 2
Figur 2: Illustration av ESUL-konstruktionen på provinsiella riksväg. W = väst, E = öst, N = norr, S = söder. Klicka här för att se en större version av denna siffra.

Figure 3
Figur 3: Datainsamlingsplats vid en median vid nordvästra hörnet andra slingan väg i Xi'an. Koordinater: 108.903898, 34.301482. (a)Schemat för undersökningsplatsen. bMuti för U-sväng medianöppningen. Bilden togs av en drönare på höjden av 150 m. Klicka här för att se en större version av denna siffra.

Figure 4
Figur 4: 24 h överbelastningsindex. a) Den 24 timmar stora överbelastningstrenden i större städer från 2015 till 201725. b) Det 24 timmar som är försenat för överbelastning för Xi'an den22maj 201925,26. Uppgifterna i panelen a kommer från 2017 Traffic Analysis Reports for Major Cities i Kina25, som tillhandahålls av en kinesisk webbkartnavigationsleverantör41. Uppgifterna i panel b kommer från överbelastningsindexet i realtid i Xi'an den22maj 201926. Klicka här för att se en större version av denna siffra.

Figure 5
Figur 5: Datainsamling med radar på en gångbro på U-svängplatsen. Klicka här för att se en större version av denna siffra.

Figure 6
Figur 6: Hastighet och banor för trafikflöden. a) Hastighet av fordon från öst till väst. b) Banor för fordon från öst till väst. c) Hastighet av fordon från väst till öst. d) Banor för fordon från väst till öst. Klicka här för att se en större version av denna siffra.

Figure 7
Figur 7: ESUL-konstruktionens geometri. Den blå pilen representerar fordon som färdas rakt igenom, och den röda pilen representerar U-sväng fordon. Klicka här för att se en större version av denna siffra.

Figure 8
Figur 8: Flödesschema för beräkning av MAPE och känslig analys. a) Beräkningsprocess för MAPE. b) Process av känslig analys. Klicka här för att se en större version av denna siffra.

Figure 9
Figur 9: Jämförelse mellan MUI och ESUL och insamlade data. Jämförelse av restiden (a), fördröjning (b) och antal stopp (c) med morgontopp (h). Jämförelse av restiden (d), fördröjning (e) och antal stopp (f) med mellersta middagstid (h). Jämförelse av restiden (h), fördröjning (i) och antal stopp (j) med kvällstopp (h). Klicka här för att se en större version av denna siffra.

Figure 10
Figur 10: Känslighetsanalys av alla flöden, inklusive EW genom, EE U-sväng, vi igenom och WW U-sväng. X-axel = olika trafikvolymer, Y-axel = U-svängförhållande och Z-axel = förbättringsförhållande (kvot = [MUTI - ESUL]/MUTI x 100%) i restid och fördröjning, reducerade tider (reducerade tider = MUTI - ESUL) i antal stopp. - Jag harinte settdig på. EW genom flöde, (d-f) EE U-svängflöde, (h-j) VI genom flöde och (k-m) WW U-svängflöde. Var tredje siffra är restiden (a,d,h,k), fördröjning (b,e,i,l) respektive antalet stopp (c,f,j,m), respektive. Klicka här för att se en större version av denna siffra.

Objekt Morgon (07:00−08:00) Mellersta Middag (13:00−14:00) Kväll (17:00−18:00)
Riktning Ew Vi Ew Vi Ew Vi
Flöde 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-svängförhållande 4281:182 3498:520 3080:183 2520:443 1676:293 3334:429
Aver. 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
Max. 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: Insamlad fordonsinformation. En lägsta hastighet på 0 km/h indikerar att vissa fordon stoppades innan de började röra sig.

Objekt Beskrivning
LAB (1200 0 166 m. Längd för alla flöden att röra sig utåt något
Lbc (188 80 185 m. Längd för flöde i = 4 för att känna igen U-svängskylten och vidta åtgärder
L-CD 50 m. Avledningslängd till separat flöde i = 3 och flöde i = 4
LDE (på 1960 42 m. Flöde i = 4 retardationslängd
LEF (1008) Radie = 7,26 m. U-svängbredd för personbilar
LFH (på 1960-) 180 m. Flödeslängd i = 4
LHEJ 140 m. Längden för att söka en gång för flöde i = 4 och gå samman till flöde i = 1

Tabell 2: Geometriska parametrar för ESUL. Beräkningen av varje avsnitt baseras på tidigare publicerade riktlinjer35,38 och studierna39,40. Värdet i tabell 2 matas in i simuleringsmodellen för att utvärdera ESUL-prestanda med en konstruktionshastighet på 80 km/h.

Objekt Morgon (07:00−08:00) 12:00−14:00) Kväll (17:00−18:00)
Riktning Ew Vi Ew Vi Ew Vi
Flöde i = 1 i = 2 i = 3 i = 4 i = 1 i = 2 i = 3 i = 4 i = 1 i = 2 i = 3 i = 4
Investera. Kapacitet (veh/h) 4281 182 3498 520 3080 183 2520 443 1676 293 3334 429
Simulerad kapacitet (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: Kalibreringsresultat för simulering. Kalibrering mellan undersökning och simulering visas i tabellen. MAPE beräknas med hjälp av Ekvation 2 och resultaten är acceptabla27,30.

Objekt Restid (s) Fördröjning (er) Antal stopp
Flöde Muti ESUL (esul) Frekvens (%) Muti ESUL (esul) Frekvens (%) Muti ESUL (esul) Frekvens (%)
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: Simuleringsresultat av MUTI och ESUL med toppdata för morgonen. På morgontoppen förbättras ESUL betydligt mer än MUTI. Restiden minskade med 29,4%-57,5%. Förseningen minskade med 44,4%-97,7%. Antalet stopp minskar helt.

Objekt Restid (s) Fördröjning (er) Antal stopp
Flöde Muti ESUL (esul) Frekvens (%) Muti ESUL (esul) Frekvens (%) Muti ESUL (esul) Frekvens (%)
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: Simuleringsresultat av MUTI och ESUL med mellanmiddagstidsdata. Vid lunchtid minskade restiden med 31,3%-43,8%. Fördröjningen minskade med 50,0%-87,1% och inget antal stopp finns med ESUL.

Objekt Restid (s) Fördröjning (er) Antal stopp
Flöde Muti ESUL (esul) Frekvens (%) Muti ESUL (esul) Frekvens (%) Muti ESUL (esul) Frekvens (%)
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: Simuleringsresultat av MUTI och ESUL med kvällstoppdata. Med kvällstoppdata minskade restiden med 27,7%-56,6%. Förseningen minskade med 60,7%-91,8%. Antalet stopp minskar också med ESUL.

Objekt Värde
Bil/lastbilsförhållande 4281:182 (EW) / 3498:520 (VI)
U-svängförhållande (%) 0.03/0.06/0.09/0.12/0.15
V/C (v/c) 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Volym (veh/h) 1386 2079 2772 3465 4158 4851 5544 6237 6930

Tabell 7: Parametrar matas in i känslighetsanalys i simuleringen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

I den här artikeln diskuterades förfarandet för att lösa ett trafikproblem i en skärningspunkt eller ett kort segment med hjälp av simulering. Flera punkter förtjänar särskild uppmärksamhet och diskuteras mer i detalj här.

Fältdatainsamling är det första som förtjänar uppmärksamhet. Vissa krav för datainsamlingsplats är följande: 1) Hitta en lämplig plats för datainsamling. Platsen bör likna väggeometrisk form i studien, som är förutsättningen för datainsamling. 2) Bestämning av radarns och annan utrustnings inställda placering genom att hitta tillräckligt med frigång, där radarsignaler inte kan blockeras. Vissa toppmoderna tekniker kan användas, till exempel drönare, för att upptäcka trafikoperationer. Hela observationsområdet bör vara fritt från barriärer, som träd eller arkitektur. 3) Slutligen bör datainsamlingstiden vara minst 3 timmar på en plats. Tiden bör återspegla morgon- och kvällstopparna samt dalens situation på dagen. Tiden för trängselindex kan erhållas från observation eller från en annan pålitlig transportutgivare.

Simuleringmodellbyggnad är ett annat kritiskt steg. Simuleringsmodellens noggrannhet leder till olika simuleringsfel. Det första i simuleringsmodellen är kontakten. Om en länk på ena sidan av kopplingen rör sig kan kopplingen vara ur form och tränga in den intilliggande länken eller kopplingen, vilket kan leda till fel. Så det är viktigt att beräkna om kontakten när du flyttar en länk är nödvändig.

Ett annat viktigt steg är konfliktregeln i konfliktområdet. Använd konfliktområden i stället för prioritetsregler för att simulera rätt väg vid korsningar. Jämfört med prioritetsregler visas konfliktområden automatiskt och är därför lättare att redigera och bättre återspegla körbeteendet. Konfliktregeln bör vara densamma som datainsamling, och varje konfliktområde bör anges med motsvarande regler. Det sista kritiska steget är justering av parametrarna för körbeteenden när simuleringsfel (MAPE) är stort. Körbeteenden har flera enskilda parametrar och en liten förändring i varje parameter kan leda till en positiv eller negativ inverkan på resultaten. Det är nyckeln till att justera de olika parametrarna noggrant och upprepade gånger.

Vanligtvis är restiden, fördröjningen och antalet stopp vanligast används index för att utvärdera de operativa funktionerna i simuleringen. Många andra index kan också erhållas från simuleringen (dvs. fordonsvolym, avgasutsläpp, bränsleförbrukning, fotgängarrekord, säkerhetsbedömning, fordonsbeteenden, fordonsrutter, koordinater osv.). Det är viktigt att välja motsvarande utvärderingsindex enligt de olika experimentella behoven. Andra index, utom de tre ovan som oftast används, kan leda till nya forskningsresultat eller metoder.

Om du använder "snabbläge" när simuleringen fungerar kan simuleringen uppnå högsta hastighet och spara tid, särskilt under den känsliga analysen. Således behövs dussintals simuleringar. Simuleringsresultatet förblir detsamma oavsett vilken simuleringshastighet som väljs.

Det finns två viktiga områden för framtida tillämpningar. Ett program är att lösa trafikproblem och utvärdera en eller flera trafikkonstruktioner i en korsning eller kort segment. Simuleringen hjälper till att utvärdera mikroskopiska trafikbeteenden, oavsett om den omfattar fordon, fotgängare, infrastrukturmodifieringar eller mätningar trafikledning. För det andra ger processen en tillräcklig praxis guide för dem som bedriver trafikforskning. Bestämmelserna bidrar till att få korrekta och robusta data om mätningar av trafiksimulering.

Den här metoden har också vissa begränsningar. Först kan radarn upptäcka en rak riktning, och detta kräver att målsegmentet också är rak. Radarn kan inte användas för böjda segment, som ramper. För det andra kräver radarn tillräckligt med tillstånd för att upptäcka fordonen. Men i den verkliga miljön finns det alltid träd eller skyltar som blockerar signalen. Det är svårt att hitta en lämplig plats för radarbosättning. Dessutom, när trafikvolymen är stor eller fordon är nära varandra, radar kan inte skilja fordon, och räkna manuellt från videon är det enda alternativet, vilket är mycket arbete. Effektivitet och noggrannhet kan förbättras om protokollet också använder en metod som kan räkna och klassificera fordon automatiskt.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna har inget att avslöja.

Acknowledgments

Författarna vill erkänna China Scholarship Council för delvis finansiering detta arbete var med filen nr 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

Teknik U-sväng sporre dike simulering trafikdata trafikstockningar transport motorväg
Utvärdering av en exklusiv Spur Dike U-Turn Design med radar-insamlade data och 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