为更全面研究高速公路车辆冲突风险的影响因素,笔者考虑微观与宏观因素影响,分析其可能存在的异质性,建立了随机参数Logit模型对其进行分析。使用高分辨率车辆轨迹数据,以碰撞时间(time to collision,TTC)为风险识别标准,提取风险发生前...为更全面研究高速公路车辆冲突风险的影响因素,笔者考虑微观与宏观因素影响,分析其可能存在的异质性,建立了随机参数Logit模型对其进行分析。使用高分辨率车辆轨迹数据,以碰撞时间(time to collision,TTC)为风险识别标准,提取风险发生前1 s内数据,处理得到车辆自身运动状态、与周围车辆的微观交互以及路段宏观交通流状态三类特征,并基于皮尔逊相关系数和嵌入法进行特征筛选;以筛选后的特征作为模型自变量,以车辆是否存在冲突风险为因变量,分别构建随机参数Logit模型以及考虑均值异质性的随机参数模型并进行对比。研究结果表明:考虑均值异质性的随机参数Logit模型拟合效果最好,且三类变量均对冲突风险有显著影响,其中车辆自身运动状态的波动以及车辆与前方车辆的速度差与风险呈正相关,相邻车道的大车比例与风险呈负相关;车辆自身运动状态以及与前方车辆的微观交互两类特征对冲突风险影响较大,而宏观交通特征的影响相对较小。展开更多
在分析直左冲突与交通流影响关系的基础上,依据信号交叉口周期时长、饱和车头时距、相位绿灯时间和交通冲突影响系数,计算实际交通流量与道路通行能力的比值,依据该比值对信号控制交叉口的交通状态进行划分。并选择碰撞时间(time to col...在分析直左冲突与交通流影响关系的基础上,依据信号交叉口周期时长、饱和车头时距、相位绿灯时间和交通冲突影响系数,计算实际交通流量与道路通行能力的比值,依据该比值对信号控制交叉口的交通状态进行划分。并选择碰撞时间(time to collision,TTC)指标作为交通冲突的判定指标,以全贝叶斯方法为基础,构建独立状态下单维泊松对数正态贝叶斯组合回归(Poisson logarithmic normal Bayesian combination regression,PLCR)直左交通冲突模型和不同交通状态下多维泊松对数正态贝叶斯组合回归(multidimensional Poisson logarithmic normal Bayesian combination regression, MPLCR)直左交通冲突模型,分析表明:MPLCR模型的精度是PLCR模型的2.2倍左右,MPLCR模型可定量分析不同交通流与交通冲突的影响;交通状态不同,直行交通流和左转交通流对直左交通冲突的影响结果不同。展开更多
文摘为更全面研究高速公路车辆冲突风险的影响因素,笔者考虑微观与宏观因素影响,分析其可能存在的异质性,建立了随机参数Logit模型对其进行分析。使用高分辨率车辆轨迹数据,以碰撞时间(time to collision,TTC)为风险识别标准,提取风险发生前1 s内数据,处理得到车辆自身运动状态、与周围车辆的微观交互以及路段宏观交通流状态三类特征,并基于皮尔逊相关系数和嵌入法进行特征筛选;以筛选后的特征作为模型自变量,以车辆是否存在冲突风险为因变量,分别构建随机参数Logit模型以及考虑均值异质性的随机参数模型并进行对比。研究结果表明:考虑均值异质性的随机参数Logit模型拟合效果最好,且三类变量均对冲突风险有显著影响,其中车辆自身运动状态的波动以及车辆与前方车辆的速度差与风险呈正相关,相邻车道的大车比例与风险呈负相关;车辆自身运动状态以及与前方车辆的微观交互两类特征对冲突风险影响较大,而宏观交通特征的影响相对较小。
文摘在分析直左冲突与交通流影响关系的基础上,依据信号交叉口周期时长、饱和车头时距、相位绿灯时间和交通冲突影响系数,计算实际交通流量与道路通行能力的比值,依据该比值对信号控制交叉口的交通状态进行划分。并选择碰撞时间(time to collision,TTC)指标作为交通冲突的判定指标,以全贝叶斯方法为基础,构建独立状态下单维泊松对数正态贝叶斯组合回归(Poisson logarithmic normal Bayesian combination regression,PLCR)直左交通冲突模型和不同交通状态下多维泊松对数正态贝叶斯组合回归(multidimensional Poisson logarithmic normal Bayesian combination regression, MPLCR)直左交通冲突模型,分析表明:MPLCR模型的精度是PLCR模型的2.2倍左右,MPLCR模型可定量分析不同交通流与交通冲突的影响;交通状态不同,直行交通流和左转交通流对直左交通冲突的影响结果不同。
