车联网环境对城市快速路驾驶安全的影响评价

为明确不同情形下车联网对城市快速路交通安全的影响程度,首先,在分析车联网对快速路驾驶行为影响的基础上,对车联网和常规驾驶环境下的驾驶模型参数进行了标定;然后,选取累计碰撞时间(Time Exposed Time-to-collision,TET)和积分碰撞时间(Time Integrated Time-tocollision,TIT)指标对快速路纵向驾驶行为进行安全评价,选取侧向碰撞风险(Sideswipe Crash Risk,SSCR)作为快速路横向换道驾驶安全的评价指标;最后,基于VISSIM设计快速路进行仿真试验,考虑车联网和常规驾驶环境,研究不同渗透率和饱和度条件下网联车对纵向追尾和横向换道驾驶行为的安全影响程度。研究结果表明:车联网环境下网联车渗透率对快速路驾驶行为的影响呈现出缓慢提升(0~50%)、快速提升(50%~75%)及显著提升(75%~100%)三阶段,其中TET指标分别对应降低14.57%,30.10%和49.01%;车联网环境下,交通饱和度对快速路的交通安全影响则呈现出先快后慢的改善趋势。当网联车渗透率超过75%之后,交通安全提升程度最为明显;车联网环境中,当快速路交通饱和度低于0.8时,交通安全改善程度更为显著。

基于“四阶段法”的交通改善工程交通量预测

基于交通量预测“四阶段法”基本步骤,以上海市杨浦区南部区域的控江路为例,利用Emme软件在交通改善项目交通量预测中的应用进行分析研究,得到交通改善项目的交通量预测结果,获得未来各年度控江路的路段饱和度,从而分析交通改善工程对服务水平的影响,最后通过实例对该方法进行验证以及进行车道规模论证。结果表明:控江路(大连路~江浦路)段采用双向6车道规模,可以极大地缓解交通拥堵现状。

基于PCANet的车牌识别

为了有效地识别汽车车牌,提出了一个基于PCANet的车牌识别方法。首先通过预处理增强车牌图像上的字符,接着采用垂直投影分割车牌字符,然后利用PCANet提取不同字符子图像的特征,最后基于支持向量机分类不同的字符。在由65类字符组成的车牌字符集上的实验表明,基于PCANet的车牌识别具有99.65的准确率。

基于车辆行驶轨迹的信号交叉口排队长度估计

为了研究如何结合移动检测数据来确定交叉口排队长度,并以此来衡量交通拥堵程度的问题,利用车辆行驶轨迹,分析了通过交叉口车辆的排队特点。根据车辆在队列中的不同排队位置,分车辆通过交叉口时所存在的A,B,C这3种位置,建立了面向延误最小的排队长度估计模型。其中,通过虚拟线圈检测器后开始减速停止在停车线前的A位置车辆排队估计模型基于基本延误模型;减速进入虚拟线圈检测区域停车的B位置车辆排队估计模型基于简化车辆跟驰模型,对可获得车辆行驶轨迹的网联车减速过程进行了重建;减速停止在虚拟线圈检测器前的C位置车辆排队估计模型基于LWR消散模型以及交通流理论算法,并利用网联车车辆行驶轨迹数据进行了加速过程的重建。在此基础上,根据不同位置车辆与队尾网联车的距离不同,对其到达率赋予不同的权重,计算总的排队长度。最后,通过图新地球地图软件投影并筛选车辆在案例交叉口的车辆行驶轨迹,利用微观交通仿真软件VISSIM对本研究的模型进行仿真验证。结果表明,排队长度估计模型与真值的最大误差为12.4%,最小为2.2%,平均误差为8.75%,方差为12.595%~2,绝对与相对误差均保持在可接受范围以内,说明基于车辆行驶轨迹的信号交叉口排队长度估计模型能够较为有效地估计城市道路交叉口的排队长度。