考虑换道风险影响的城市快速路出口影响区车道管理

为优化城市快速路出口影响区的交通组织,降低出匝车辆的换道风险,提高交通运行的安全性和高效性,依托上海自然驾驶实验数据,提取城市快速路出口影响区出匝车辆的轨迹数据样本,建立出口影响区换道风险评价方法及分级标准;针对三种常见的快速路出口,考虑人、车和路域环境方面的综合因素,利用二项Logistic模型构建换道风险模型,分析不同因素对换道风险的影响程度,以及一定条件下车辆存在换道风险的概率;在此基础上,根据出口影响区的车辆运行信息和换道风险模型,控制换道风险在合理范围内,得到出匝车辆的合理(最迟)换道位置,并提出相应的城市快速路出口影响区的车道管理方法。

城市快速路出口分流区犹豫行为识别研究

为了探明城市快速路出口分流区的车辆犹豫行为特性,针对犹豫车辆的特征及其识别方法进行研究。采用无人机在230 m的高空对出口分流区进行拍摄,获取车辆运行视频数据,并利用Deepsort-Yolov3多目标追踪算法,提取犹豫车辆及周边车辆的行驶轨迹数据。根据车辆轨迹特征的差异,将其分为变道型及迟缓型两类。通过对滞后系数、距出口距离、最大瞬时速度差等特征指标的分析,得出:两类犹豫车辆的滞后系数均集中在20%~30%,显著大于正常车辆;变道型犹豫车辆距出口的距离集中在-10~70 m,显著小于正常变道车辆的100~130 m;迟缓型犹豫车辆的最大瞬时速度差集中在4~7 m·s^(-1),显著大于正常直行车辆的0~2 m·s^(-1)。说明与正常行驶车辆相比,犹豫车辆在出口分流区减速幅度更大,变道型犹豫车辆变道时,距离出口过近,不利于后方车辆的跟驰,增加了出口区的冲突及安全风险。采用滞后系数与距出口距离作为变道型犹豫车辆的识别指标,采用滞后系数与最大瞬时速度差作为迟缓型犹豫车辆的识别指标,分别构建两类犹豫行为的样本集,并随机划分为训练集和测试集。根据训练集数据,基于支持向量机(SVM)对两类犹豫行为进行识别模型的建立,并利用测试集数据进行评估。测试集评估结果表明:基于SVM的变道型犹豫行为识别模型预测准确率为96.7%,召回率为93.3%,AUC为0.990;迟缓型犹豫行为识别模型预测准确率为88.2%,召回率为100%,AUC为1.000,均效果良好。研究成果可以为犹豫型驾驶行为的快速识别及分流区交通安全风险防控提供理论依据。