基于扰动传播特征的随机Newell跟驰模型

为研究快速路场景下小汽车跟驰行为,本文从北京市快速路交通流视频中提取高时间分辨率的机动车运行轨迹数据.统计发现,在不同跟驰速度下,小汽车车头时距均服从对数正态分布;利用动态时间规整算法提取小汽车的反应时间与扰动传播速度等特征参数,分别标定其概率分布函数,证明跟驰过程中小汽车的反应时间分布峰值和数学期望分别为1.0 s和1.57 s;在挖掘反应时间、扰动传播速度与车头时距量化关系的基础上,建立基于交通扰动传播特征的随机Newell跟驰模型,并标定得到分速度区间的模型参数.仿真结果表明,本文提出的随机Newell跟驰模型能有效刻画跟驰行为与扰动传播间的关联特征,同时生成符合预期的交通流基本图.新模型能够为跟驰行为随机特征对交通状态的影响研究(如交通流陡降、宽移动阻塞等)提供支持.

一种实时条件下的驾驶行为特性识别模型

为了构建可用的实时交通安全预警系统,提出了一种具有2层结构的驾驶行为特性实时识别模型。为减少驾驶员所受外部因素的影响的种类,将驾驶员和车辆视作一个整体并将其考虑为一个黑箱系统。识别模型的第1层是在Newell跟驰模型的基础之上,结合车辆启停前后的迟滞现象,构建出的Newell修正模型。其输出是能够表征驾驶行为特性的3个参数。第2层模型则是以上一层模型输出为输入的较为成熟的聚类模型,并直接输出车辆的驾驶行为特性类别。为实时交通安全预警系统的构建打下基础。

全速度差简化模型及其实验验证

为了解决二阶微分方程的数值模拟难以在交通信号控制机中实现的问题,以全速度差(FVD)模型为基础,提出低阶的全速度差简化(FVDS)模型,先用数值模拟分析方法将全速度差简化模型与改进Newell模型相比,结果表明相比于现有的改进Newell模型,全速度差简化模型的稳定性更高。为进一步验证模型的实用性,利用全速度差简化模型以及改进Newell模型预测交叉路口跟驰行为中跟驰车辆的速度值,并与交叉路口实测跟驰行为中跟驰车辆的速度值进行比较。结果表明,全速度差简化模型对跟驰车辆速度的预测值与实际值的残差比改进Newell模型对跟驰车辆速度的预测值与实际值的残差更小,全速度差简化模型比改进Newell模型更有效。

车速离散对稠密交通流稳态流量的影响

基于速度标准差提出了绝对车速离散度和相对车速离散度的定义。应用实测稠密交通流数据分析了车速离散度在交通流基本图拥挤区域的分布特征,发现相同平均速度下,车速离散度与交通流量负相关。基于Newell低阶跟驰模型,讨论了相同平均速度的稳态交通流量和非稳态交通流流量之间的关系,结果表明,稳态交通流量大于非稳态交通流量,且非稳态流量值随车速离散度的增大而单调减小,从理论上证明了车速离散对稠密交通流稳态流量的影响,为交通流基本图理论的发展提供了新思路。

非自由交通流的non-FIFO车辆轨迹估计算法

将三角基本图的交通状态细分为自由流、中断和拥堵;基于非自由流特性,重新划分了U型时空域,以此找到适合的波速范围;重新确定了上游边界累积流量,使得边界函数刻画不过于宽泛;建立了非自由流Newell模型,并提出了使用该模型的判断条件;引入了车辆秩参数,达到在多车道上描述车辆超车现象的目的,并建立了更精确的车辆秩估计模型,从而建立了非自由流Newell扩展模型;提出了针对非自由流下2种情形的车辆轨迹估计算法,根据是否存在超车现象分为先进先出(FIFO)情形与非先进先出(non-FIFO)情形;结合数值模拟和实际交通案例,验证了算法的有效性。研究结果表明:2种情形下的轨迹估计算法都是有效的,当超车现象存在时,non-FIFO情形的估计效果较准确和稳健;在数值模拟研究中,non-FIFO情形的估计误差相对FIFO情形下降13.45%,non-FIFO情形更优;实际交通案例中,2个小汽车数据集在non-FIFO情形的估计误差相对FIFO情形均有所下降,下降幅度分别为2.38%、2.04%,且估计误差均服从高斯混合模型;公交车数据集因不存在超车现象,non-FIFO与FIFO情形的估计误差相等,均为4.90%,且估计误差服从伽马分布。可见,所建立的非自由流Newell模型对于中断多或拥堵状态占比多的交通数据均是有效可行的,且所提出的non-FIFO和FIFO情形的轨迹估计算法效果表现良好。