城市快速路驶入匝道瓶颈车辆汇入行为

基于上海延安高架两个驶入匝道(南线虹许路驶入匝道、虹井路驶入匝道)瓶颈的汇入行为视频,对汇入车辆、当前和目标车道汇入交互车辆进行了轨迹和汇入行为参数提取,共获得416个汇入行为样本;应用分类回归树(CART)对3种汇入行为分别进行建模,分析影响不同汇入行为的因素,并用混淆矩阵对分类结果进行评价.结果表明,CART能较好地预测3种不同汇入类型,其分类准确率均达到了75%以上.CART与经典离散选择模型和朴素贝叶斯分类结果对比表明,CART的分类效果明显优于上述两类模型.

不同服务水平下车辆汇入行为差异的研究

【目的】探索不同服务水平下车辆汇入行为的差异。【方法】采用无人机拍摄城市快速路合流区车辆的汇入过程,追踪838辆车的轨迹,获取4种服务水平下车辆的汇入起始位置、速度和最大加速度等汇入运动特征的数据,分析不同服务水平下车辆汇入行为的差异。【结果】不同服务水平下车辆汇入起始位置的概率分布有明显差异。一级和二级服务水平下,车辆可在加速车道上正常加速,但服务水平达到三级和四级时,车辆的汇入速度低于匝道限速;一级和二级服务水平下,车辆的最大加速度均值比在三级和四级服务水平下的高出了10%~30%;三级和四级服务水平下,在汇入前有明显的减速行为车辆的比例是一级和二级时的2~4倍。【结论】研究结果可为城市快速路设计服务水平的选择以及合流区交通组织优化设计提供参考。

城市快速路匝道汇入行为建模及仿真

为深化快速路瓶颈早发性失效的致因和演化过程分析,以上海市延安高架虹许路瓶颈点车辆轨迹数据为基础,建立了汇入区车辆换道动机模型,结果表明,模型分类预测精度可达到73%以上。标定了间隙接受模型和IDM跟驰模型,基于C++建立了仿真原型系统ORBSIM。仿真结果表明该系统能再现实际交通流运行特征以及早发性失效现象。该汇入模型经过进一步工程化,被整合应用于自主开发的微观仿真系统TESS NG,有效的对上海快速路不同情况的汇入行为进行精准的表征。

高速公路交织区汇入行为预测研究

构建高速公路交织区汇入决策模型,准确预测车辆汇入行为可以有效地减少汇入风险,缓解因不恰当汇入行为导致的高速公路拥堵。本文提出一种基于CART分类树的车辆汇入行为预测模型,基于NGSIM车辆轨迹数据并综合选取14个影响汇入行为的特征变量对模型进行验证与分析。由预测结果可知:模型的预测效果较好,泛化程度较高,其分类准确率,真正类率和真负类率分别为98.4%,98.5%和94.7%;与二项逻辑回归模型及支持向量机模型预测结果进行对比,分析结果表明CART分类树模型在预测交织区汇入行为上具有更高的准确率与正确率,并表现出更优异的性能。由变量敏感性分析结果可知:汇入车辆速度、辅助车道上前车与主体车辆之间的距离、主体车辆的超车时间等对交织区汇入行为具有重要影响。

道路车辆不良汇入驾驶行为的模型构建

针对当前国内关于不良汇入驾驶行为模型研究的空白,从概率统计和博弈论角度量化分析该行为。基于哈尔滨市高峰和平峰时段的定点视频调查数据,分析了汽车不良汇入驾驶行为的基本统计特性,给出了累计频率分布模型。研究结果表明当临界汇入间隙时间不足4 s时,车辆汇入行为可界定为不良行为。进而,引入双人混合战略模型,从纳什均衡角度分析了支路汇入主路不良行为的发生概率。

快速路入口匝道车辆汇入位置的分布特征分析

为研究快速路入口匝道车辆的汇入行为,首先对交织区全范围的汇入位置进行采集,然后通过聚类分析将汇入行为分为前段汇入、中段汇入、末段汇入3种.采用5种分布模型对各类行为的汇入位置进行拟合,通过最大似然估计法确定模型参数并进行Kolmogorov-Smirnov拟合优度检验,发现前段汇入符合Johnson SB模型,中段汇入符合Log-Logistic模型,末段汇入符合Gen.extreme.value模型.最后,建立汇入位置分布与主路外侧车道密度、匝道车辆合并速度间的关系模型.敏感性分析结果表明,同一类别的汇入位置分布受密度、速度的影响显著.

基于梯度提升决策树的高速公路交织区汇入模型

为研究高速公路匝道车辆在交织区的汇入行为,基于梯度提升决策树(GBDT)建立了车辆汇入模型,引入超车时间T、拒绝间隙数N以及最大拒绝间隙G_(LR)来分析匝道车辆拒绝相邻间隙并超越主线前车的行为,并利用美国NGSIM项目中的车辆轨迹数据对模型进行训练和测试.结果表明:GBDT的预测精度较分类回归树和二元Logit模型分别提高5.3%和13.3%;引入变量T,N,G_(LR)使GBDT、分类回归树和二元Logit模型的预测精度分别提高6.0%,6.7%和5.3%;GBDT模型中超车时间T在所有变量中重要性值最高.GBDT模型能够准确地预测汇入行为,获得变量与汇入行为间隐藏的非线性关系;引入变量T,N,G_(LR)能够有效提高汇入模型的预测精度.

快速路入口匝道车辆汇入决策模型研究

快速路合流区交通行为复杂,车辆行驶轨迹不固定,导致车辆行为难以预测。为了深入研究入口匝道车辆汇入决策发生条件,在不做任何理想化假设的情况下,对平峰、高峰期间快速路合流区汇入车辆行驶数据进行全区域采集。通过统计合流区车辆汇入间隙频率分布来分析汇入行为发生条件。发现高峰与平峰汇入间隙差别明显,初步判断外侧车道高峰临界间隙约为3 s,平峰临界间隙约为2 s。在此基础上,梳理高峰期间数据,筛选出对车辆汇入决策影响较重要的变量,建立高峰匝道车辆汇入决策Fisher判别[1]模型。最后,对所建立模型进行交叉验证,发现模型准确率可达87%。

城市快速路匝道车辆汇入影响因素识别与行为预测

分析了美国US101快速路瓶颈路段(简称"US101")和上海市延安高架上虹许路匝道瓶颈路段(简称"SHHX")的车辆轨迹数据,研究了城市快速路入口匝道车辆的汇入行为;考虑了汇入行为的13个瞬时影响因素和25个历史经历影响因素,采用随机森林算法对38个影响因素进行重要度排序,并识别关键影响因素;分别对2个瓶颈路段构建了贝叶斯网络汇入行为预测模型,并评价了模型预测精度。分析结果表明:瓶颈路段US101和SHHX共有14个关键影响因素,包括6个历史经历影响因素,其中瓶颈路段US101和SHHX历史经历影响因素分别占关键影响因素总数的45.45%、36.36%,说明汇入行为的历史经历影响因素对最终汇入决策有显著的影响;考虑历史经历影响因素的贝叶斯网络模型预测精度较高,瓶颈路段US101和SHHX汇入行为的总体预测精度分别提高了2.53%、8.85%,其中未考虑历史经历影响因素时,瓶颈路段US101和SHHX汇入行为的总体预测精度分别为87.94%和73.17%,考虑历史经历影响因素时,瓶颈路段US101和SHHX汇入行为的总体预测精度分别为90.47%和82.02%;此外,预测模型无过度拟合,测试集汇入事件与非汇入事件的预测精度之差在1.2%以内。