基于驾驶员视认性的山区双车道公路交叉口停车视距计算

针对山区双车道公路交叉口视距不良现象,通过分析驾驶员在交叉口的识认性特性,研究了山区双车道公路交叉口行车过程较平原区公路交叉口驾驶员增加转动头部或身体的时间过程。采用Smart eye 5.7眼动仪对驾驶员通过山区双车道公路交叉口的识认性进行实车试验,并根据驾驶员的注视时间（包括眨眼、扫视和注视时间）和山区公路交叉口几何数据（包括交叉角度和支路坡度）,分别建立了基于驾驶员视认性的无控交叉口和停让交叉口停车视距计算模型,并根据所建模型计算了山区双车道公路交叉口停车视距及其建议值,为山区公路交叉口的设计提供理论依据。

接入道路对山区双车道公路穿村镇路段事故风险影响

为降低山区双车道公路穿村镇路段交通事故风险,基于道路线形、村镇环境、交通事故数据,构建结构方程模型(SEM)及N-K模型,探究接入道路与环境、车辆及道路线形对山区双车道公路穿村镇路段事故风险的耦合影响,并定量分析道路-村镇距离、接入道路类型和数量、交叉口类型对山区双车道公路穿村镇路段事故风险的影响及耦合作用。结果表明:接入道路对山区双车道公路穿村镇路段事故风险具有显著影响,并且与平曲线因素、竖曲线因素具有较强的耦合作用;道路-村镇距离和交叉口类型有直接显著作用,接入道路数量和类型仅有间接显著作用;道路绕行村镇大于100 m与机耕道耦合风险最大,风险耦合度为0.3596;机耕道与3条接入道路耦合风险最小,风险耦合度为0.0001。

基于生存分析的山区双车道公路超车持续时间模型

为研究混合交通流条件下山区双车道公路超车行为,确定关键影响因素与超车持续时间的关系。以云南省典型山区双车道公路为例,利用无人机采集超车行为视频数据,提取参与超车行为的机动车轨迹,构建超车行为变量指标体系,分析山区双车道公路超车行为特性;建立基于生存分析的山区双车道公路超车持续时间模型,确定影响超车持续的关键协变量,并分析关键协变量与超车持续时间的定量关系。结果表明:混合交通流条件下,山区双车道公路平均超车持续时间为10.3 s,平均超车距离为201.3 m,由驾驶员的驾驶风格、较高的行驶速度及复杂的交通流条件共同作用所致;Log-logistic加速失效时间模型对超车持续时间拟合效果最好,AIC和BIC分别为272.989和265.650,危险函数拐点约为13 s,说明超车行为在13 s前结束的可能性最大;影响超车持续时间的关键变量分别为超车距离和超车车辆与被超车车辆的初始速度差、最大横向距离、是否有对向车、被超车车辆长度和超车车辆类型,影响程度较大的协变量为超车车辆类型和是否有对向车,当超车车辆为货车时,超车持续时间增加了22.9%,当有对向车时,超车持续时间降低了17.8%。

山区双车道公路货车碰撞预测的双变量冲突极值模型

为预测山区双车道公路货车与冲突车辆发生的碰撞,本文基于无人机视频,提取货车与交互车辆的高精度轨迹数据,选取适用于不同运行轨迹的交通冲突指标,结合极值理论,构建双变量冲突极值(BTCEV)模型,将后侵入时间(PET)与碰撞时间(TTC)纳入统一框架,实现山区双车道公路货车与冲突车辆的碰撞预测,并以云南省货车事故高发的山区双车道公路为例,验证BTCEV模型的预测性能。研究表明:PET为0.382 s、TTC为4.471 s是山区双车道公路货车严重冲突的阈值;BTCEV模型预测山区双车道公路货车年事故发生率为5.84%,预测准确性高达98.92%,较PET模型以及TTC模型分别提高了167.33%和10.80%;且相比于单变量模型,双变量模型所估计的置信区间更窄,预测精度更高。研究结果将山区双车道公路货车碰撞预测方法从单变量扩展到双变量,在山区货车交通安全分析方面有广阔的应用前景。

山区双车道公路路线设计车型分类标准

为研究建立公路路线设计标准车型,通过对西部山区双车道公路的实地交通调查,并结合我国在用车型统计,建立了各类营运车辆车型参数数据库;在详细统计分析现有车型的尺寸、载质量和功率质量比分布规律的基础上,以满足85%的车型外廓尺寸和载质量为标准,采用双因素聚类分析方法对各种车型的功率质量比进行聚类分层计算,根据外廓尺寸相近的原则进行归并后,提出了山区公路路线设计车型的小型车、大型车外廓尺寸分类标准。在此分类基础上,研究了用于公路纵断面设计的载重汽车动力性能标准,通过大量实地观测资料和统计分析,提出了载重汽车上坡动力性能曲线,建立了速度折减量与坡度、坡长之间的关系曲线,以速度折减量作为公路纵坡和坡长的设计关键指标。

基于实测速度的山区双车道公路运行速度预测模型研究

在充分研究国内外关于运行速度预测方法的基础上,以北京黄关公路为研究对象,基于实测运行速度并结合山区双车道公路的特点,回归以路线平、纵面的主要参数为变量的运行速度预测模型,并以实测运行速度验证预测模型的有效性。该模型合理、实用,可为开展基于运行速度的山区双车道公路安全性评价提供依据。

山区双车道公路机动车碰撞事故严重度致因比较分析与预测

以云南山区双车道公路1740起碰撞事故数据为基础,将事故数据分为机动车与机动车、机动车与摩托车、机动车与非机动车3种类型,事故严重度划分为仅财产损失、轻伤、重伤或死亡事故3个等级,分别用部分优势比模型和有序Logit模型建立3类机动车碰撞事故严重度分析模型,对比分析不同等级事故的显著影响因素和模型的预测准确率,分析部分优势比模型自变量的边际效应。结果表明:不同交通方式下机动车碰撞事故严重度的影响因素存在明显差异,对比有序Logit模型,部分优势比的事故分析模型刻画了不满足比例优势假设的自变量,机动车与机动车、机动车与摩托车、机动车与非机动车碰撞事故的平均预测准确率分别为78.29%、73.63%和72.04%,分别提高14.54%、5.65%和3.32%。研究结果可为山区公路运营管理部门开展事故风险主动防控提供决策参考。

山区双车道公路视距与交通安全的关系研究

从山区双车道公路的交通流特点和交通安全特性出发,结合公路线形,分析了山区双车道公路视距不足的主要表现形式及特性,探讨了视距与交通安全的关系,并从保障行车安全角度总结了行车视距设置与核查要点。

山区双车道公路路域空间中驾驶视觉心生理负荷特性研究

山区双车道公路有丰富的行车路域空间,为研究不同路域空间类型中驾驶人的心生理负荷,进行了实车试验,采集了被试的瞳孔面积变化率和心率变化率,作为驾驶视觉心生理负荷的表征指标.结果表明:在开敞式空间中,驾驶人的视觉心生理负荷最小,半郁闭式的较大,郁闭式的最大.研究结果揭示了山区双车道公路不同路域空间下驾驶人视觉心生理负荷的变化特性.

山区双车道公路作业区驾驶员的注视特性

中国山区双车道公路具有里程长、交通量大、超荷载运行等特点,大部分已进入养护期。受地形地貌限制,养护作业区路段事故频发,严重影响了运输效率。在大量实地数据采集的基础上,通过心生理理论与数理统计法分析,山区双车道公路作业区路段不同交通流状态下驾驶员的心生理变化规律,确定了山区双车道公路作业区路段驾驶员注视时间阈值,最终分析出驾驶员不同注视点的注视时间值与心生理特性。结果表明,山区公路作业区驾驶员的注视时间阈值为381 ms;路面障碍物、过渡段路面、前车车尾为驾驶员在作业路段关注最多的点。

山区双车道公路线形安全评价及改善

山区双车道公路由于地形、环境以及投资等具体条件限制,在线形设计时采用较多极限指标,不利于行车安全。采用模糊数学理论,建立线形安全评价体系,确定评分标准、建立隶属函数,对各指标赋权,最终评价整体线形的安全等级,遴选出不安全路段,提出针对性的改善对策以提高整体安全水平。

山区双车道公路交通安全设计与事故预防对策探讨

在我国,大部分地区为山地、丘陵地形,山区类型多样,经常会发生滑坡、泥石流、山崩等地质灾害。而且山区公路常常伴随大的地面高差、多隧道、高危边坡路段等这种复杂的线性特征,使得山区公路交通事故的发生率和死亡率远远高于平原区公路的平均水平。本文主要简介山区公路的特点、安全防范设施,并提出相应的事故预防对策,以降低山区双车道公路的事故率,保证车辆的安全畅通行驶。

山区双车道公路行车舒适性线形设计指标研究

从心理学和工学相结合的角度,以行车实验为依据,通过驾驶员心率的变动规律,用定量分析的方法研究山区道路线形同驾驶员心理压力和生理负担间的相关性,并建立定量性的评价指标。以山区双车道公路线形的行车舒适性为研究对象,通过分析道路平纵断面线形与驾驶员心率变动的相关性,探讨了山区双车道公路线形设计指标的确定。

山区双车道公路货车移动遮断小客车跟驰风险预测模型

选取典型山区双车道公路弯道和直道为研究对象,基于无人机航拍视频提取的交通轨迹数据,通过轻度提升机算法构建了货车移动遮断下小客车跟驰风险预测模型,采用支持向量机、随机森林验证了模型有效性,分析了模型关键特征参数风险作用机制。实验结果表明:基于轻度提升机算法的风险预测模型准确率达96.9%,具有优越性,速度差、跟驰间距是模型关键特征参数,直道上单因子重要度更大;相比弯道,直道路段危险驾驶行为突出,大幅横向偏移等不稳定跟驰特征明显;由模型解释器结果可知,当速度差小于0.5 m/s、跟驰间距大于40 m时,是较为安全的跟驰状态。

不平衡数据驱动的山区公路货车移动遮断险态跟驰行为识别模型

为识别山区双车道公路货车移动遮断下的小客车险态跟驰行为,基于无人机拍摄和视频轨迹提取技术提取车辆轨迹,利用人工少数类过采样法(Synthetic Minority Oversampling Technique,SMOTE)对不平衡轨迹数据过采样,并对驾驶行为聚类分析,将跟驰行为标定为危险和安全两种类别;依据紧迫跟驰、偏移过大和车速变化大三种险态跟驰行为诱因,确定险态跟驰行为风险测度(Measure of Driving Risk,MOR),包括碰撞时间倒数、相对横向偏移量和速度变异系数,并将MOR和聚类标定标签作为识别模型输入变量;通过轻量梯度提升机(Light Gradient Boosting Machine,LGBM)建立险态跟驰行为识别模型,再通过支持向量机(Support Vector Machines,SVM)、随机森林(Random Forest,RF)和自适应增强(Adaptive Boosting,AdaBoost)算法验证模型的有效性。以云南省某山区双车道公路为例进行试验,共提取543对小客车跟驰货车轨迹数据,数据预处理后筛选出467对有效跟驰数据;经过采样处理和聚类标定,结果表明:小客车跟驰货车时,超三成小客车处于险态跟驰状态;险态跟驰行为直道和弯道识别模型的精确率分别达95.49%和95.48%,其中LGBM表现最稳定,而RF和AdaBoost的稳定性较差且精确率不高。基于LGBM的险态跟驰行为识别模型具有较高的准确率和稳定性,在车路协同和自动驾驶等领域有应用前景。

山区双车道公路安全隐患分析和改善技术研究

文章通过对我国北方山区双车道公路安全现状调查,文章从道路条件、交通工程设施两个方面分析了目前山区双车道公路交通存在的安全隐患,在总结现有的公路安全改善技术的基础上,分析了目前改善技术存在的不足。并结合公路安全保障工程中取得的成果及经验,提出适合我国目前山区双车道公路事故多发点的安全改善方案的一般原则。

山区双车道公路通行能力与平纵线形的关系研究

文章针对山区双车道公路区别于平原微丘区双车道公路的特点,将山区双车道公路划分成不同的平纵组合,通过实测数据和仿真模拟相结合手段确定了不同线形组合条件下的通行能力,并建立了平纵线形与通行能力之间的关系模型。

基于驾驶行为的夜间山区作业路段安全距离分析

山区公路养护作业多数边通车边作业,为了减少养护作业对道路交通的影响,作业工作常常在夜间进行。为了提高夜间道路交通的安全性,以夜间作业区环境影响驾驶员视觉特性理论分析为基础,应用眼动仪等科学仪器,实地采集驾驶员夜间行车速度、视距和驾驶员的心生理反应等数据,分析夜间驾驶员明适应时间与车速的相互关系,不同年龄驾驶员的暗适应时间的变化规律,得到了速度与安全距离的关系模型,最终确定了基于"黑洞效应"的夜间安全行驶距离值,为解决夜间交通安全事故多发提出来一种思路。

基于随机参数Ordered Probit模型的山区公路摩托车事故严重程度研究

为准确识别山区双车道公路摩托车事故严重程度影响因素及其异质性效应,降低摩托车事故发生率及其严重度,综合考虑事故严重度有序性和影响因素异质性,以2012—2017年云南省楚雄州Y公路摩托车交通事故为研究对象,从驾驶员、车辆、道路、环境和事故特性五要素中选取16个潜在影响因素作为自变量,以摩托车事故严重程度作为因变量,分别构建了山区双车道公路摩托车事故严重程度固定参数有序probit模型(OP模型)和随机参数有序probit模型(RP-OP模型),并结合边际效应分析了各影响因素对摩托车事故严重程度的作用强度。结果表明:考虑个体异质性的RP-OP模型拟合优度高于OP模型,能准确刻画数据中未观测到的异质性和事故严重程度影响因素之间的交互作用,更适用于事故严重度影响机理的精细化研究;OP和RP-OP模型均识别出摩托车驾驶员性别、操作行为、是否有责、事故发生时间、光线条件、事故发生地点、路表情况、涉事车型显著影响摩托车事故严重程度的8个变量,其中女性摩托车驾驶员、驾驶员超车不当、涉及货车3个变量是分别服从(0.721,0.987^(2)),(0.432,0.344^(2)),(0.723,0.562^(2))正态分布的随机参数,对摩托车事故严重度具有显著的异质性影响效应。研究成果可为山区双车道公路摩托车事故预防提供决策参考,并针对性制定安全改善措施。

货车移动遮断影响下的小客车驾驶行为识别

为识别山区双车道公路货车移动遮断影响下的小客车驾驶行为,通过无人机拍摄和图像处理提取车辆轨迹数据,根据车头时距、小客车横向位置曲线斜率的阈值标准,标定小客车的跟驰、换道和超车这3种驾驶行为类别;采用Kruskal Wallis检验和主成分分析法对小客车驾驶行为特征参数进行筛选和降维,获取识别模型输入变量;运用网格搜索算法确定核函数最优参数组合,建立基于支持向量机(SVM)的货车移动遮断下小客车驾驶行为识别模型。以云南省典型山区双车道公路为例,多维度分析货车移动遮断下的小客车驾驶行为特性,并对识别模型进行训练和测试。结果表明:货车移动遮断下小客车的行车速度比自由流条件下低约20~30 km·h^(-1);小客车在山区双车道跟驰货车行驶时的平均车头时距为2.53 s,小于相关规范中规定的最小安全车头时距,跟驰行车风险较大;基于SVM的货车移动遮断下小客车驾驶行为识别模型的识别准确率达98.41%,具有良好的识别能力和应用前景。