Author Produced

利用雷达采集的数据和仿真评估独家刺堤 U 型转弯设计

Engineering

Your institution must subscribe to JoVE's Engineering section to access this content.

Fill out the form below to receive a free trial or learn more about access:

 

Summary

该协议描述了通过仿真解决微观交通问题的过程。整个过程包含数据收集、数据分析、仿真模型构建、仿真校准和敏感分析的详细说明。还讨论了该方法的修改和故障排除。

Cite this Article

Copy Citation | Download Citations | Reprints and Permissions

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).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

传统的 U 型转弯设计可以明显改进操作功能,而 U 型转弯分流和合并段仍会导致交通拥堵、冲突和延迟。这里提出了一种独特的支线堤坝U型转弯车道设计(ESUL),以解决传统U型转弯设计的缺点。为了评估ESUL的运行性能,需要一种流量仿真协议。整个仿真过程包括五个步骤:数据收集、数据分析、仿真模型构建、仿真校准和敏感分析。数据收集和仿真模型构建是两个关键步骤,稍后将进行更详细的介绍。评估中常用三个指标(行驶时间、延迟和停靠点数),其他参数可根据实验需要从仿真中测量。结果表明,ESUL显著地降低了传统U型转弯设计的缺点。仿真可用于解决微观交通问题,例如在单个或多个相邻交叉路口或短段中。此方法不适用于没有数据收集的大规模公路网络或评估。

Introduction

一些交通问题,如交叉口或短路段的交通拥堵,可以通过优化道路设计、改变信号时序、交通管理测量和其他交通技术1、2、3、4来解决或改善。与原始情况相比,这些改进对流量操作有积极或消极的影响。交通操作的变化可以在交通模拟软件中进行比较,而不是在交叉路口或段的实际重建中进行比较。在提出一个或多个改进计划时,流量模拟方法是一种快速而廉价的选择,尤其是在比较不同的改进计划或评估改进效果时。本文通过评价专用支线堤U型转弯车道设计的交通流量运行特性,介绍了通过仿真解决交通问题的过程。

U 形转弯移动是一种广泛的交通需求,需要在路上打开 U 形转弯中位数,但这一点一直存在争议。设计 U 轮开口可能会导致交通拥堵,而关闭 U 轮开口可能会导致 U 型转弯车辆的绕行。U 型转弯车辆和直左转车辆需要 U 型转弯,导致交通延误、停车甚至事故。提出了一些解决U型转弯运动的弊端的技术,如信号6、7、专用左转车道8、9、自动驾驶车辆10、11等。由于上述解决方案具有限制性应用,U 型转弯问题仍有改进潜力。新的 U 型转弯设计在某些情况下可能是更好的解决方案,能够解决现有问题。

最流行的U形转弯设计是中值U形转弯交叉口(MUTI)12,13,14,15,如图1所示。《交通法》的一个重要限制是,它不能区分U型转弯车辆和过往车辆,而且交通冲突仍然存在一种经过修改的 U 型转弯设计,称为专用支线堤坝 U 型转弯车道 (ESUL;图 2)建议在中位数的两侧引入一条专属的U型转弯车道,以减少交通拥堵。ESUL 可以显著减少行驶时间、延迟以及由于两个流量的通道而停靠的次数。

为了证明ESUL比普通MUTI更有效,需要一个严格的协议。ESUL 实际上不能在理论模型之前构造;因此,需要模拟18。利用交通流量参数,一些关键车型已用于仿真研究19个,如驾驶行为模型20、21、车后22、23、U型转弯车型4、车道变换模型21。交通流量模拟的精度在16、24日被广泛接受。在这项研究中,MUTI 和 ESUL 都进行了模拟,收集了数据,以比较 ESUL 的改进。为了保证准确性,还模拟了 ESUL 的敏感分析,该分析可应用于许多不同的交通状况。

该协议提供了解决实际交通问题的实验过程。提出了交通数据采集、数据分析、交通综合效率提高分析的方法。该过程可以概括为五个步骤:1)流量数据收集,2)数据分析,3)仿真模型构建,4)模拟模型校准,5)操作性能灵敏度分析。如果五个步骤中的任一要求未得到满足,则该过程不完整,不足以证明有效性。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. 设备的准备

  1. 准备以下两个设备来收集双向流量:雷达、笔记本电脑、雷达和笔记本电脑的电池和电缆、相机以及雷达和相机三脚架。
    注:雷达及其相应的软件用于收集车速和轨迹,这比速度枪更准确。如果其他设备可用于收集车速、轨迹和体积,则雷达不是唯一的选择。由于大型车辆可以轻松阻挡雷达信号,因此摄像机拍摄的视频可用于车辆计数。在调查期间,如果天气是阴雨或晴天,需要保护设备。特别是在阳光明媚的日子里,设备可能会达到高温并关闭,因此在这种情况下需要雨伞或冷却设备。

2. 设备测试

  1. 确保所有调查人员都穿着反光背心。
  2. 准备雷达三脚架,并尽可能将其伸出。将三脚架设置为高 2 米,以避免信号在路边受阻。
  3. 将雷达安装在三脚架顶部并锁定雷达。
  4. 将雷达设置在路边约 0.5 m,垂直调整雷达,并面向车辆方向或相反方向。尽量保持道路和雷达之间的角度。
    注:雷达最多能探测到200米。如果雷达设置得太靠近车道,它可能会吹过过往车辆。因此,0.5×1.0 米是到车道的通常距离。
  5. 打开电源电池并将笔记本电脑连接到电源电池。插入雷达电源线,将雷达数据 USB 插入笔记本电脑。连接所有电缆后,打开笔记本电脑。
  6. 将相机设置在雷达旁边以拍摄车辆流量。
  7. 打开雷达软件
    1. 单击通信检查,然后从下拉列表中选择雷达 ID 号。它将显示检测到的雷达,并带有 ID 号。
    2. 单击"调查设置"。在弹出式菜单中,单击"读取 RLU 时间",左侧的设备时间将更改。然后,单击"设置 RLU 时间",左侧的PC 当前时间也会更改。
    3. 单击"开始调查",设备工作状态将从"数据录制未继续"更改为"设备中没有数据"和"在进行中进行的数据记录"和"设备中的数据"。单击"关闭"以关闭此对话框。
    4. 单击实时视图以检查雷达状态。将显示一个新的对话框,雷达数据将快速滚动。这意味着雷达正在探测车辆,并且工作正常。保持此对话框打开,直到集合完成。
      注:通过雷达时,雷达可以捕获车辆。
    5. 单击"关闭"对话框以完成集合。
    6. 单击"调查设置" |结束调查,并在对话框中确认。单击"关闭"按钮。
    7. 在主菜单中选择"数据下载"。单击"浏览"以选择保存雷达数据的位置。输入电子表格的单个名称。单击"开始下载"按钮,将显示一个进度栏,下载后将显示一个对话框。单击"确认"以完成数据收集。
    8. 单击"调查设置" |擦除数据记录,并在下一个对话框中确认以清除雷达的内部内存。
      注:在出发至数据收集地点之前,需要对所有设备进行测试。如果所有部件工作良好,则将所有设备移到数据收集位置。

3. 数据收集

  1. 数据收集地点的选择(图3)
    1. 选择与研究中使用的交点类型类似的适当位置。
      注:这是位置选择的关键要求。需要考虑位置的形状、交通流量状况、交通灯控制和其他控制。研究地点越相似,结果就越准确。高速公路上需要 U 圈中位开口。需要足够长的视线和间隙,这是雷达和调查人员安全所必需的。根据雷达的探测距离和车辆停止距离,视线应至少从位置到上游方向 200 米。
    2. 检查雷达方向的间隙。确保没有树木,灌木,行人天桥,交通标志或路灯在视线。
    3. 确保该位置是设备和调查人员的安全位置。设备是设置在路边还是公路上方取决于地形。
    4. 将设备放在僻静的地方,以免引起驾驶员的注意。
      注:根据以往的经验,一些司机如果看到调查设备可能会减速,从而导致错误。数据采集设备可作为交警测量超速车辆的测量设备。
  2. 流量数据收集
    1. 选择收集时间。
      1. 收集 3 小时的数据:早高峰 1 小时,中午谷 1 小时,晚高峰 1 小时。
      2. 从交通调查报告、交警部门或交通业务公司25、26(图4)检查准确的峰谷时间。
        注:如果没有流量报告或分析作为参考,请收集上述三个时段的 3 小时数据,并选择最高数据。
      3. 将 1 小时内流量最高的数据输入模拟模型和分析部分。在末尾使用剩余的 2 小时数据进行验证。
    2. 设备的设置
      1. 调整雷达方向,并将摄像机设置在雷达旁边,以便捕获所有通道。重复在人行天桥上安装第 2 节中所有设备的过程。
        注:雷达前的间隙应尽可能长和宽,以覆盖整个 U 型转弯运动范围。EW(从东到西)雷达面向交通流量,而WE(从西向东)雷达由于道路对齐而朝向车辆尾部(图5)。在车道的内侧和外侧设置设备的结果之间没有区别。雷达位置的内侧或外侧仅影响具有雷达数据的轨迹图坐标系。当雷达面对流量时,检测到的运行速度为负值,需要在数据处理过程中反转。当雷达面对流量时,检测到的运行速度为正,可以直接使用。
      2. 设置雷达和摄像机,使其略高于桥栏杆,以确保雷达和摄像机前的间隙。
        注:雷达不需要像路边定居点一样高。
    3. 确保雷达、笔记本电脑和摄像机的定时与实时一致。
    4. 同时启动两个雷达和摄像机以安排时间。
    5. 在数据收集过程中,检查雷达和摄像机是否每 5 分钟正常工作一次,以确保所有部件都能正常工作。
    6. 结束数据收集并将雷达数据输出为具有标识名称的电子表格(表 1)。

4. 数据分析

  1. 使用计算软件提取雷达数据,并从电子表格中提取操作速度和轨迹图。
    注:X/Y 坐标和 X/Y 速度位于电子表格中。
  2. 删除图中明显离散的点。这些点是雷达错误。
    注:雷达可探测到大面积区域,因此数据可能包含目标车辆、相对车辆和非机动车在非机动车道中。当将所有数据绘制为数字时,三车道目标车辆是显而易见的,其余点是"明显的离散点"。如图3所示,检测区域是直的,三个通道的宽度是已知的,在软件中可以删除"明显离散点"。绘制必要的点,如图6b,d所示。
  3. 重播流量视频和手动计数以获取流量和类型。
    注:车辆可以按尺寸分为汽车和卡车。6 米内的所有汽车、货车和小型卡车都归类为汽车。所有大型卡车和公共汽车都归类为卡车。
  4. 选择最高流量组作为代表性数据,并将其输入第 5 节中所述的模拟中。
    注:仿真和灵敏度分析只需要一组数据。其他两个组的数据将作为验证进行模拟。

5. 构建仿真模型

  1. 修路
    1. 打开模拟软件。单击界面顶部的"地图"按钮并放大地图以查找数据收集位置。
    2. 单击左侧的链接,然后将光标移动到链接的开始位置,然后右键单击。选择"添加新链接",输入链接名称和通道数,然后单击"确定"。拖动光标以在地图上绘制链接。
    3. 右键单击链接并选择"添加点"。添加点和拖动点,使地图中具有真实道路对齐方式的链接更平滑。
    4. 重复步骤 5.1.2 和 5.1.3 3x 以构建四个段,U 形转弯中位开口除外。
    5. 按住键盘上的鼠标右键和Ctrl按钮,然后将一个链接的终结点拖动到相邻链接以连接链接。此部分称为"连接器",当添加更多点时,该部分可能会更平滑。
    6. 重复步骤 5.1.5 以连接所有链路和 U 圈路线。
  2. 输入所需速度
    1. 从顶部栏中选择基本数据,然后选择"分布 |所需的速度
    2. 单击底部的绿十字添加按钮以添加新所需的速度,然后命名它。
    3. 在"所需速度分布"对话框中,输入从代表性数据中收集的最大速度作为最大所需速度,然后输入从代表性数据计算的平均速度作为所需的最小速度。删除默认数据。
    4. 输入此所需速度的名称,该速度通常使用方向命名。
    5. 重复步骤 5.2.3 和 5.2.4 以生成所有所需速度(WE、EW、WW U 型转弯和 EE U 型转弯)。
  3. 车辆组成
    1. 从顶部栏中选择"列出"按钮,然后单击"专用传输" |车辆成分.
    2. 单击底部的绿十字添加按钮以添加新车辆合成。选择步骤5.2中内置的所需速度作为汽车
    3. 单击绿色十字添加按钮,将车辆类型总线/卡车添加为HGV。选择与步骤 5.3.2 中相同的所需速度。
    4. 从具有代表性的数据输入RelFlow上的汽车和卡车数量。
    5. 重复步骤 5.3.2-5.3.5 以构建所有车辆组合物(WE、EW、WW U 型转弯和 EE U 型转弯)。
  4. 车辆路线
    1. 从左侧菜单栏中选择车辆路线
    2. 将光标移动到一个链接的上游作为起点,右键单击,然后选择"添加新的静态车辆路由决策"。
    3. 拖动表示数据收集中车辆路线的蓝色光标。在 WE、EW、WW U 形转弯和 EE U 形转弯中重复此步骤 4x 以绘制所有车辆路线。
  5. 减速区域
    1. 从左侧菜单栏中选择"降低速度区域"。
    2. 右键单击 U 型转弯打开的上游,然后选择"添加新减速区域"。
      注: 区域长度取决于代表性数据和速度变化长度。
    3. 在两个方向上构建此区域。
  6. 冲突地区
    1. 从左侧菜单栏中选择"冲突地区"。四个黄色冲突地区将显示在中间部分。
    2. 右键单击一个黄色冲突地区,并在实际情况和冲突地区变为红色时选择"将状态设置为未确定"。
    3. 对所有四个冲突地区重复步骤 5.6.2。
  7. 行驶时间测量
    1. 从左侧菜单栏中选择车辆行驶时间
    2. 右键单击一个链接的开头,然后选择"添加新车辆行驶时间测量"。
    3. 将光标拖动到链接的末尾,以生成一个车辆行驶时间测量值。对所有车辆路线(WE、EW、WW U 型转弯和 EE U 型转弯)重复此步骤。
    4. 使用相应的方向命名每个行驶时间测量值。
      注:要将操作情况与改进设计进行比较,两个仿真模型中的行驶时间测量长度必须相同。
  8. 车辆输入
    1. 从左侧菜单栏中选择车辆输入。单击一个链接的起始点,右键单击以添加新的车辆输入。
    2. 将鼠标移到左下部,并从代表性数据输入音量。对所有链接重复此步骤。
  9. 构建另一个 ESUL 仿真模型作为比较,只需修改 U 形转弯开口部分(图 7表 2)。
  10. 单击界面顶部的蓝色播放按钮,模拟将开始。拖动播放按钮左侧的比例,可以调整模拟速度。
    注: 仪器按钮快速模式可以使仿真速度达到最大值。
  11. 模拟结束时,所有结果将显示在界面底部。将结果复制到新的电子表格中。此处,行驶时间、延迟和停靠点数将在分析27中进行评估。

6. 仿真模型校准

  1. 将代表性数据的流量输入仿真软件并执行仿真(图8a)。
  2. 将模拟结果中的流量与收集的数据量进行比较。
  3. 使用下面的公式1计算容量:
    (1)
    其中C表示理想容量 (veh/h),ht表示平均最小行数 (s)。
  4. 使用该容量,将仿真误差估计为公式 2后面的均值绝对百分比误差 (MAPE)。
    (2)
    其中n表示本研究中的四个不同的流,Civ表示模拟模型 (veh/h) 中模拟的容量,Cif表示调查能力 (veh/h)。计算的 MAPE 列于表 3中。
    注:如果MAPE是小28,29,30,可以使用模拟模型。
  5. 根据仿真软件的说明修改参数(即随机种子、汽车跟随模型类型、车道变化规则等),或在构建模拟模型31、32、33、34时检查上述所有步骤。

7. 灵敏度分析

注:灵敏度分析过程如图8 b所示。收集的数据只能反映其自身的表现(图9、表4、表5表6)。为了证明在所有情况下的有效性,所有可能的交通状况和不同的组合都输入到模拟模型中,以确保 MUTI 和 ESUL 之间涵盖所有情况(图 10表 7)。

  1. 选择代表性数据的汽车/卡车(总线)比率和运行速度。维护这些参数。
  2. 在灵敏度分析中设置 ±0.03-0.15 的 U 转比,增加 0.03,这意味着灵敏度分析中的五个 U 转比。
    注:根据表1中的代表性数据,U型转弯率的范围为0.04-0.15。
  3. 将流量设置为 ±0.2-1.0 V/C,增加 693 维/小时(0.1 V/C;表 7),这意味着灵敏度分析中的九卷。
    注:在三车道路段的城市高速公路上,最大交通流量为6,930维/小时,与AASHTO的《高速公路容量手册》35对应,设计速度为80公里/小时。
  4. 模拟所有 45 种情况,并在当前情况 (MUTI) 和改进情况 (ESUL) 中保存结果。
  5. 通过计算比率 = (MUTI - ESUL)/MUTI x 100%, 验证行驶时间和延迟的改进。通过计算缩短的时间 = MUTI - ESUL,验证停靠点数的改进。
    注:在最终结果(图10)中,正(>0)结果意味着ESUL改善了交通状况,而负(<0)导致灵敏度则相反。

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

图 2显示了 U 形转弯中位数开仓的 ESUL 的图示。WENS 表示四个基本方向。主干道有六条车道,有两个方向。绿化带在两侧划分非机动车道,中间划分两个方向。流量1是东西通过交通,流量2是东向东U转流,流量3是西向东通过交通,流量4是西向西U转交通。

ESUL 内部 2 车道的功能是分流、减速、U 型转弯、加速、寻找前进方向和合并 U 型转弯车辆。喷闸堤部分是核心部分,不同于普通U型转弯设计。这部分有可能迫使交通流量向外轻微移动(单车道宽度),并在马刺堤坝后分隔过路交通和 U 型转弯交通。

闸堤设计有三个显著区别。首先,它提供了一个特定的U型转弯车道,通过向外移动整个车道来避免交通的影响。与标记相比,司机不能穿过马刺堤,必须沿着车道将两个流量分开36,37。其次,通过对称地设计双向U向转弯需求,最大限度地利用了土地。第三,闸堤可调节车辆不同的U型转弯半径,灵活利用土地。

图3显示了数据采集位置,这是中国陕西省西安市二环路西北角的典型中位开口。本研究的环路由六车道组成,环路限速为80公里/小时(3a)。车道宽度为3.5米,中位宽度平均为1.2米。中间的开口部分是10米宽,17米长。两侧有两条非机动车车道(9米宽),1.5米绿带将其与主车道隔开(3b)。

中位开口附近的上游和下游交汇处之间的距离为 5.1 km(图3a)。由于此路段没有入口或出口,因此在中位打开达到 200 米后,操作速度可以达到速度限制。从中位开放,它是1.4公里到上游交汇处和3.6公里到下游交汇处。如果没有设计 U 型转弯,车辆绕行 10 公里(最多延迟 9 分钟)。U 型转弯车辆在交叉路口开会时必须等待很长时间或被迫加入,从而导致通过交通的延迟或停止。图4显示,早高峰出现在上午7:00至9:00,傍晚高峰出现在17:00至19:00,山谷(不包括深夜)出现在12:00至14:00。

图 6a显示了从东到西的所有交通速度。U 形转弯开口在水平轴处 ±70 m 处发生。减速和加速明显接近70米,这表明车辆受到U型转弯车辆的影响。图 6 a中的峰值值低于 80 km/h,并且点主要集中于 40 km/h 以下,这表明运行速度远低于限速(80 km/h)。图 6b显示了从东到西的交通流量轨迹。图中很容易识别三车道和 U 形转弯车辆轨迹。最低轨迹为深蓝色,比其上方的两条轨迹更宽,表明 U 型转弯车辆和通过车辆之间的合并。合并运动从 60 米开始,到 40 米结束,表示 20 米合并段。内车道的过路交通受到U型转弯车辆的严重影响。

图 6c是从西到东的流速。当运行速度在 U 型转弯处达到 80 m 时,它开始增加。结果表明,WW U 型转弯流对通过分流移动(而不是合并运动)的流的影响较小;图 6b.从 0 km/h 开始的点表示 WW U 型转弯车辆导致整辆车停止和减速。图 6d显示了从西到东的通过交通和 U 形转弯交通的轨迹。U 型转弯部分有高树,可阻挡用于检测 U 向转弯运动的雷达信号。

图 7显示了 ESUL 设计的一半。1 和 4 车道是通车道,2 和 3 车道是 U 型转弯车道。每节的计算均以先前发表的指引35、38及研究39、40为基础。AB节基于道路路线过程,BC 路段取决于驾驶员的反应时间和移动过程,CD 节是分流部分,DE 节包含减速和安全距离。部分 EF 为 U 型转弯提供足够的空间。FH 和 HI 部分分别包含加速度、前进查找和组合运动。表2根据80公里/小时的设计速度描述了所有路段。

图 10a显示,在所有交通组合量 1 的行驶时间比在所有交通组合下均下降,在 20% - 40% 以内。延迟大大减少了35%-70%(图10b)。止损数略有下降,最大值为 0.4 (图 10c)。ESUL 显示,在所有情况下,EW 通过交通的情况都有显著改善。图 9e、f图 10d显示了流量 2(EE U 形转弯车辆)的灵敏度结果。EE U型转弯车辆的三项指标均得到较大提升。图 10d所示的行驶时间随流量的增加而减少了 20%-70%。图 10e中的延迟比行驶时间减少更多,在峰值时达到近 100%。最低改善率大于70%。图 10f所示的停靠点数量有显著改善,最多达到 6 个。

图 9i、j图 10h显示了流量 3(通过车辆)的灵敏度结果。与流量 1 类似的趋势, 流 3 改善了很多与 ESUL.在图10h中,行驶时间减少了40%-50%。在图 10i中,延迟减少了 50%-90%。在图 10j中,止损数最多仅减少 0.4 倍。在流 4 中,WW U 形转弯车辆和灵敏度结果如图9l、m图 10k所示。行驶时间减少约20%-60%,交通量增加(图10k)。在图10l中,当流量为1,386维/小时时,延迟增加了1%,U形转弯比为0.06。其余范围内的延迟显著减少 54%-97%。停靠点最多减少 6 倍(图 10)。

Figure 1
图 1:中值 U 形转弯交点 (MUTIs) 的示例。两种设计代表道路上常见的 U 型转弯开口,但需要注意的是,U 型转弯车辆可能会导致与过往车辆发生交通冲突,无论方向相同或相反。请点击此处查看此图的较大版本。

Figure 2
图2:省干线公路ESUL设计图示。W = 西,E = 东部,N = 北,S = 南。请点击此处查看此图的较大版本。

Figure 3
图3:西安西北角二环路中位的数据收集位置。坐标: 108.903898, 34.301482.(a) 调查地点示意图.(b) U 型转向中位数开口的 MUTI。这张照片是由一架无人机在150米的高度拍摄的,请点击这里查看这个数字的较大版本。

Figure 4
图 4:24 小时拥塞索引。a) 2015年至2017年主要城市24小时拥堵趋势25。b) 西安2019年5月2224小时拥堵延迟指数2019年2526时。面板a中的数据来自2017年中国主要城市交通分析报告25,该报告由中国网络地图导航提供商41提供。B组的数据来自20195月22西安的实时拥塞指数。请点击此处查看此图的较大版本。

Figure 5
图5:在U形转弯位置的行人桥上用雷达收集数据。请点击此处查看此图的较大版本。

Figure 6
图6:交通流的速度和轨迹。a) 车辆从东到西的速度.(b) 车辆从东到西的轨迹.(c) 车辆自西向东的速度。(d) 车辆从西向东的轨迹.请点击此处查看此图的较大版本。

Figure 7
图7:ESUL设计的几何形状。蓝色箭头表示直行车辆,红色箭头表示 U 形转弯车辆。请点击此处查看此图的较大版本。

Figure 8
图 8:计算 MAPE 和敏感分析的流程图。a) MAPE 的计算过程.(b) 敏感分析的过程.请点击此处查看此图的较大版本。

Figure 9
图9:MUTI和ESUL与收集的数据进行比较。旅行时间 (a)、 延迟 (b) 和停靠点数 (c) 与早高峰 ( h) 的比较旅行时间 (d)、延迟 ( e ) 和停靠点数 ( f ) 与中午谷的比较 ( d )、 延迟 (e) 和停靠点数 (h)。行驶时间 (h)、延迟 (i) 和停靠点数 (j) 与晚高峰 ( h) 的比较.请点击此处查看此图的较大版本。

Figure 10
图 10:所有流的灵敏度分析,包括 EW 通过、EE U 形转弯、WE 通过和 WW U 形转弯。X 轴 = 不同的流量,Y 轴 = U 形转弯比,Z 轴 = 改进比 (比率 = [MUTI - ESUL]/MUTI x 100%)在行驶时间和延迟,减少时间 (减少时间 = MUTI - ESUL) 的停靠点数。(a-c)EW 通过流, (d-f) EE U 型转弯流, (h-j) WE 通过流, 和 (k-m) WW U 型转弯流.每三个数字分别是行驶时间(a、d、h、k)、延迟(b、e、i、l)和停靠点数(c、f、j、m)。请点击此处查看此图的较大版本。

项目 上午(07:00~08:00) 中午(13:00~14:00) 晚上(17:00~18:00)
方向 EW 我们 EW 我们 EW 我们
i = 1 i = 2 i = 3 i = 4 i = 1 i = 2 i = 3 i = 4 i = 1 i = 2 i = 3 i = 4
4195 172 3442 504 3001 176 2460 402 1665 287 3296 394
卡车 86 10 56 16 79 7 60 41 11 6 38 35
U 转比 4281:182 3498:520 3080:183 2520:443 1676:293 3334:429
阿弗速度 21.5 11.5 22.2 10.5 36.7 12.3 23.7 11.8 29.3 12.8 22.9 12.1
麦克斯。速度 73.8 13.4 63.7 12.8 90.4 15.6 75.9 13.5 76.7 14.6 63.7 13.3
最小速度 0 0 0 0 0 0 0 0 0 0 0 0

表1:收集车辆信息。最小速度为 0 km/h 表示某些车辆在开始移动前已停止。

项目 描述
LAB 166 m. 长度,所有流量向外微移
LBC 185 m 长度用于流量 i = 4,以识别 U 型转弯标志并采取措施
LCD 50 m. 分流长度以分离流量 i = 3 和流量 i = 4
LDE 42 m. 流量 i = 4 减速长度
LEF 乘用车的半径 = 7.26 m U 型转弯宽度
LFH 180 m. 流量的加速长度 i = 4
LHI 140米为流 i = 4 寻求一个前进方向并合并到流 i = 1 的长度

表2:ESUL的几何参数。每节的计算均以先前发表的指引35、38及研究39、40为基础。表 2中的值被输入到仿真模型中,以 80 km/h 的设计速度评估 ESUL 性能。

项目 上午(07:00~08:00) 中午(13:00~14:00) 晚上(17:00~18:00)
方向 EW 我们 EW 我们 EW 我们
i = 1 i = 2 i = 3 i = 4 i = 1 i = 2 i = 3 i = 4 i = 1 i = 2 i = 3 i = 4
投资。容量(维/小时) 4281 182 3498 520 3080 183 2520 443 1676 293 3334 429
模拟容量(维/小时) 4115 127 3571 501 3000 169 2484 360 1814 268 3381 409
个人 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
马佩 (%) -9.9 -7.5 -5.7

表3:仿真校准结果。在调查和模拟之间的校准显示在表中。MAPE使用公式2计算,结果为27,30。。

项目 旅行时间(s) 延迟(s) 停靠点数
穆蒂 ESUL 费率 (%) 穆蒂 ESUL 费率 (%) 穆蒂 ESUL 费率 (%)
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

表4:具有早高峰数据的MUTI和ESUL的仿真结果。在早高峰,ESUL的改善明显高于MUTI。旅行时间减少了29.4%-57.5%。延迟率下降44.4%-97.7%。停靠点的数量完全减少。

项目 旅行时间(s) 延迟(s) 停靠点数
穆蒂 ESUL 费率 (%) 穆蒂 ESUL 费率 (%) 穆蒂 ESUL 费率 (%)
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

表5:MUTI和ESUL的模拟结果与中午中期数据。中午时分,出行时间减少31.3%-43.8%。延迟减少 50.0%-87.1%,ESUL 没有停靠点数。

项目 旅行时间(s) 延迟(s) 停靠点数
穆蒂 ESUL 费率 (%) 穆蒂 ESUL 费率 (%) 穆蒂 ESUL 费率 (%)
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

表6:图中图和ESUL与晚间峰值数据的仿真结果。随着晚间高峰数据,旅行时间减少了27.7%-56.6%。延迟率下降60.7%-91.8%。停靠点的数量也会随着 ESUL 的减少而减少。

项目 价值
汽车/卡车(巴士)比率 4281:182 (EW) / 3498:520 (我们)
U 转比 (%) 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
体积(维/小时) 1386 2079 2772 3465 4158 4851 5544 6237 6930

表7:参数输入到模拟灵敏度分析中。

Subscription Required. Please recommend JoVE to your librarian.

Discussion

本文讨论了利用仿真解决交叉口或短段交通问题的过程。有几点值得特别注意,这里将详细讨论。

现场数据收集是首先值得注意的。数据收集位置的一些要求如下:1) 为数据收集寻找合适的位置。该位置应类似于研究中的道路几何形状,这是数据收集的前提。2) 通过找到足够的间隙,确定雷达和其他设备的设定位置,在雷达信号无法阻挡的情况下。可以使用一些最先进的技术(如无人机)来检测流量操作。整个观察区域应清除障碍物,如树木或建筑。3) 最后,在一个位置的数据收集时间应至少为 3 小时。时间应该反映早晨和晚上的高峰,以及白天的山谷情况。拥塞时间指数可以从观察或其他可靠的交通发布者获得。

仿真模型建设是另一个关键步骤。仿真模型的准确性会导致不同的仿真误差。仿真模型中的第一件事是连接器。如果接头一侧的一个链接移动,则接头可能变形并侵入相邻链路或接头,这可能会导致错误。因此,在需要移动链接时重新计算连接器非常重要。

另一个关键步骤是冲突地区的冲突规则。使用冲突地区而不是优先级规则来模拟交叉路口的路权。与优先级规则相比,冲突区域会自动显示,因此更易于编辑,并更好地反映驾驶行为。冲突规则应与数据收集相同,并且每个冲突区域都应使用相应的规则进行设置。最后一个关键步骤是在仿真误差 (MAPE) 较大时调整有关驾驶行为的参数。驾驶行为有几个单独的参数,每个参数的微小变化都可能导致对结果的正面或负面影响。仔细、反复地调整各种参数是关键。

通常,行驶时间、延迟和停靠点数是评估模拟操作特征时最常用的索引。从模拟中还可以获得许多其他指标(即车辆体积、废气排放、油耗、行人记录、安全评估、车辆行为、车辆路线、坐标等)。根据不同的实验需求选择相应的评价指标。因此,选择相应的评价指标就显得尤为重要。其他索引,除了上述三个最常用的指标外,可能会导致新的研究结果或方法。

执行仿真时使用"快速模式"可使仿真达到最高速度和节省时间,尤其是在敏感分析期间。因此,需要数十次模拟。无论选择哪种仿真速度,仿真结果都保持不变。

将来应用有两个主要方面。一个应用程序是解决交通问题并评估一个或一个或多个交通设计在交叉路口或短段。该模拟有助于评估微观交通行为,无论是车辆、行人、基础设施修改还是交通管理测量。第二,这个过程为从事交通研究的人提供了充分的实践指南。这些规定有助于获得关于交通模拟测量的准确和可靠的数据。

此方法也有一些限制。首先,雷达可以探测到直线方向,这就要求目标段也是直的。雷达不能用于弯曲段,如斜坡。第二,雷达需要足够的间隙来探测车辆。但是,在真实环境中,总是有树木或广告牌阻止信号。很难找到一个合适的雷达沉降地点。此外,当交通量大或车辆彼此靠近时,雷达无法区分车辆,而手动计数和视频是唯一的选择,这是很多工作。如果协议还使用一种可以自动对车辆进行计数和分类的方法,则可以提高效率和准确性。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

作者没有什么可透露的。

Acknowledgments

作者要感谢中国奖学金委员会为这项工作提供部分资金,文件号为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).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics