为定量识别城市非信控环形交叉口区域内的机动车冲突风险易发生点,降低环形交叉口的事故发生率,本文构建针对非信控环形交叉口机动车冲突风险识别模型。首先,利用无人机采集高精度、连续的多车辆轨迹视频,结合Kinovea视频运动分析软件...为定量识别城市非信控环形交叉口区域内的机动车冲突风险易发生点,降低环形交叉口的事故发生率,本文构建针对非信控环形交叉口机动车冲突风险识别模型。首先,利用无人机采集高精度、连续的多车辆轨迹视频,结合Kinovea视频运动分析软件实现运行车辆状态识别与跟踪,并记录车辆每一帧的运动数据;其次,基于交通冲突识别指标TTC(Time to Collision),提出适应环形交叉口道路线形特征的车辆TTC计算方法,并使用累计频率法确定严重、一般和轻微冲突的阈值分别为1.2,2.8,4.4 s;最后,通过绘制高峰和平峰交通冲突空间异步图,并结合交通冲突数和严重冲突率,对环形交叉口的36个子区段进行交通冲突风险等级评定。研究结果显示:在高峰时段,某一子区段的平均交通冲突发生次数约为15次,严重冲突率为17.45%;在平峰时段,某一子区段的平均交通冲突发生次数约为8次,严重冲突率为8.28%。重度风险区域在高峰时段占比达到50%,而在平峰时段为8.33%,这些重度风险区域主要集中在交织区段。因此,环形交叉口在高峰时段且位于交织区段的情况更易发生交通事故。本文研究成果有助于交通管理部门了解环形交叉口在不同时段和区段上的交通冲突情况和特征,以便采取相应的预警和管理措施。展开更多
为提高快速路匝道区域合流冲突的识别精度,并缓解合流冲突提供决策依据,提出一种V2X(vehicle to everything)环境下基于圆风险域的交通冲突识别模型.通过V2X技术实时获取车辆位置和速度,以冲突风险时间为关键参数,分析主线车辆和匝道车...为提高快速路匝道区域合流冲突的识别精度,并缓解合流冲突提供决策依据,提出一种V2X(vehicle to everything)环境下基于圆风险域的交通冲突识别模型.通过V2X技术实时获取车辆位置和速度,以冲突风险时间为关键参数,分析主线车辆和匝道车辆的不同运动状态特性;引入风险域概念,结合车辆运动学,构建基于圆风险域冲突识别模型,进而通过两圆的位置关系表征两车之间的运动关系,实现交通冲突的识别;为细化冲突风险程度,采用累计频率曲线法判定冲突风险程度等级.仿真结果表明,采用冲突识别模型的识别率相比未采用时提高25.81%,说明该模型能有效识别匝道合流冲突,提高通行效率,并可为V2X环境下匝道合流车辆提供安全预警.展开更多
文摘为定量识别城市非信控环形交叉口区域内的机动车冲突风险易发生点,降低环形交叉口的事故发生率,本文构建针对非信控环形交叉口机动车冲突风险识别模型。首先,利用无人机采集高精度、连续的多车辆轨迹视频,结合Kinovea视频运动分析软件实现运行车辆状态识别与跟踪,并记录车辆每一帧的运动数据;其次,基于交通冲突识别指标TTC(Time to Collision),提出适应环形交叉口道路线形特征的车辆TTC计算方法,并使用累计频率法确定严重、一般和轻微冲突的阈值分别为1.2,2.8,4.4 s;最后,通过绘制高峰和平峰交通冲突空间异步图,并结合交通冲突数和严重冲突率,对环形交叉口的36个子区段进行交通冲突风险等级评定。研究结果显示:在高峰时段,某一子区段的平均交通冲突发生次数约为15次,严重冲突率为17.45%;在平峰时段,某一子区段的平均交通冲突发生次数约为8次,严重冲突率为8.28%。重度风险区域在高峰时段占比达到50%,而在平峰时段为8.33%,这些重度风险区域主要集中在交织区段。因此,环形交叉口在高峰时段且位于交织区段的情况更易发生交通事故。本文研究成果有助于交通管理部门了解环形交叉口在不同时段和区段上的交通冲突情况和特征,以便采取相应的预警和管理措施。
文摘为提高快速路匝道区域合流冲突的识别精度,并缓解合流冲突提供决策依据,提出一种V2X(vehicle to everything)环境下基于圆风险域的交通冲突识别模型.通过V2X技术实时获取车辆位置和速度,以冲突风险时间为关键参数,分析主线车辆和匝道车辆的不同运动状态特性;引入风险域概念,结合车辆运动学,构建基于圆风险域冲突识别模型,进而通过两圆的位置关系表征两车之间的运动关系,实现交通冲突的识别;为细化冲突风险程度,采用累计频率曲线法判定冲突风险程度等级.仿真结果表明,采用冲突识别模型的识别率相比未采用时提高25.81%,说明该模型能有效识别匝道合流冲突,提高通行效率,并可为V2X环境下匝道合流车辆提供安全预警.
