第七章 交通影响模型.docx
- 文档编号:4875258
- 上传时间:2023-05-07
- 格式:DOCX
- 页数:31
- 大小:177.13KB
第七章 交通影响模型.docx
《第七章 交通影响模型.docx》由会员分享,可在线阅读,更多相关《第七章 交通影响模型.docx(31页珍藏版)》请在冰点文库上搜索。
第七章交通影响模型
第七章交通影响模型
7.1交通与安全
7.1.1概述
本章主要介绍了交通流、车速以及他们对事故率和交通安全产生的影响,由于篇幅有限,这里只对事故率和交通流的关系进行探讨。
交通流特性的专有名词除了部分需要补充外其他的前面都已经有了解释。
道路安全通常被定义为:
“路段上单位时间内某种事故的可能发生次数”。
在这个定义中,事故种类包括一辆或多辆车造成的追尾、侧碰、人员伤亡、财产损失等。
“可能”是一个概率论里的名词,它的意思就是在其它相关因素处在平均水平的情况下,长期重复的情形。
“路段”包括某一特定路段或交叉口以及具有相同转弯半径的曲线路段或一簇具有相同标志设置的交叉口。
由于每条路段的情况都是实时变化的,那么研究的时候就必须清楚路段所处的时段。
此外,为了便于表达,安全通常是用频率表示的。
比如,人们谈到1972-1976年一条特定的路段的特大交通事故时都是以特大交通事故/年的单位频率来表示的。
进一步标准化,我们将事故率再除以路段长度,这样,事故率的单位就变成了:
accidents/(year×km)事故数/(年*公里)。
根据定义,交通安全性就是一连串的可能事故频率,m1,m2,…,mp,…,与每一种事故类型相对应。
在这里只讨论一种事故类型的情况,那么可能的交通事故率就表示成为mi。
7.1.2交通流与安全
交通事故率mi和交通流之间存在着一定的函数关系,即“交通事故预测函数”(如图7-1所示)。
可以看出在其它因素不变的情况下某一事故的发生率随交通量变化的情况。
因此,如纵坐标表示从1972至1976年某一特定路段每年发生重大事故频率的可能值,则AADT表示1972-1976年的年平均日交通流量。
图7-1交通事故预测函数模型
通常,当交通流多于一股时,mi本身就是一个函数模型。
因此,如对面碰撞,可能依赖于两股相冲突的交通流。
行人和左转车辆发生碰撞依赖于行人的量、直行车流量和左转车流量等等。
简而言之,交通事故预测模型的讨论有好多情况。
实际应用中通常称为“事故率”。
事故率是原点和交通事故预测模型上的点连线的斜率。
例如图7-1中的点A,当某路段年平均日交通量(AADT)为3000辆/天、预计年事故发生量为1.05次/年时,事故率为1.05/(3000×365)=0.96×10-6次/车。
在B点事故率为1.2/(4000×365)=0.82×10-6次/车,如果该路段的长度为1.7km,相同的事故率也可以表示为1.05/(3000×365×1.7)=0.56×10-6次/车-km以及1.2/(4000×365×1.7)=0.48×10-6次/车-km。
某一路段的交通事故预测函数很少为一条直线,因此在比较两条或更多条有着不同车流量路段时,就不能用事故率作为比较其安全性的指标。
例如,在图7-1中,当该路段的AADT由路面改造前的3000变为改造后的4000时,事故率就会由原来的1.05变为1.3。
而图7-1中AADT=4000,事故率为1.2是表示路面没有改造前的预测事故率,由于1.3>1.2,会使人们误认为路面改造反而使年事故率提高了0.1次/年。
但是又由于改造后的道路在B点事故率为1.2/(4000×365)=0.82×10-6次/车比改造前的事故率1.05/(3000×365)=0.96×10-6小,这就会得出错误的结论:
此段道路交通安全性有所改善。
反对利用事故率来描述安全性的科学家有Pfundt(1969),Hakkertetal.(1976),Mahalel(1986),Brundell-Freij&Ekman(1991),Andreassen(1991)。
为了避免类似的错误,在做安全比较时,通常需要限定各路段或时间段内具有相同的交通量。
只有当事故预测函数为一条直线时,才可以不用考虑交通量而直接比较事故率,这需要事先知道事故预测函数的形状,但这通常是不可能的。
因此应用很少事故率,下文主要讨论的是预测事故频率,而不是事故率。
事故预测函数是道路安全管理的重要内容,对事故预测函数的性质、形状应当进行主观逻辑分析。
当然,许多研究还需要借助于经验。
7.1.3逻辑分析
交通流与交通安全之间有一定的关系,无交通流就不会有事故发生,因此交通安全影响函数必须通过原点。
同时,交通流的三个相互关联的特性——交通流量、交通流速和交通密度都影响着交通安全的三个相互关联的三个方面——发生事故的可能概率、概率的偶然性及事故的严重性。
因此,完全依靠纯粹的归纳演绎方法很难得出交通流与交通安全之间关系的数学模型。
通过逻辑分析我们可以得出:
“在车流量一定时,由概率论可知,事故的发生与通过路段或交叉口的车流量存在着一定的概率关系。
”若进一步假设车流量不是很大,从而使此概率关系不受车流通过频率影响时,可以得出下列关系式:
M单车=qp
式中q---交通量,
p---单车道下每辆车发生事故的概率。
这里的p一般不受q的影响。
但是随着车流量和车辆密度的增加,车辆之间的距离会影响事故发生的概率。
此时p是q的正比例函数,用p=p(q)表示。
此时m单车的变化率要大于q的变化率。
相反,若车流量和车辆密度很小时,m单车的变化率会小于q的变化率。
实际当中甚至会出现当车流量增大到某一点时,q增大反而会使m单车=pp(q)减小的情况。
因此,由逻辑分析的方法我们可以得出这样的结论:
交通安全影响函数在靠近原点的某一范围内近似为一条直线。
当交通安全取决于两股或者更多相冲突的交通流(汽车-火车、交叉口汽车-行人等)时,mi在原点附近,会随两股交通流量变化而变化,此时m与q的关系将在本节后半部分具体讨论。
此时需要注意的是车辆追尾事故的发生率与q2成正比。
当然,这种推理只适于低流量的情况。
在一定交通流速下,m怎样依赖于q,并且驾驶员的敏锐程度等其他行为也是影响交通流量的方面,都不能单独预测。
这看起来好像在目前很适用,但他仅仅告诉我们在原点附近,安全曲线的形状,在距离原点较远时,p会随着q的变化而变化,p随着q的变化并不能够得到m就是qp(q)的乘积。
因为再以相似的概率去拟合实际发生的事故,那么“发生事故的概率”这个概念就会模糊不清了,还不如直接用m为m(q)的函数来代替qp(q)的形式。
许多有关交通流量和交通安全的理论研究还不够详细。
因此,许多学者认为在信号交叉口车辆发生右转碰撞的原因是存在两股相冲突的交通流。
然而,在第二辆及其以后的车辆中发生事故的可能性远远小于第一辆车。
因此,在同一红灯期间,无论是2辆还是20辆停车只有很微小的差别。
由于这一原因,交通总流量与在交叉口处发生右转碰撞的事故数目只有很微小的间接关系。
这似乎是更详细、复杂、实际的理论。
但是,随着把相互联系的流量、车速和密度等因素被考虑在内,交通安全预测模型会更加复杂。
此时事故的发生与车速之间还存在着一定的函数关系。
逻辑分析法有利于分析交通安全预测模型。
若一年当中交通流比较平均(例如取AADT),模型当中事故与交通量之间的关系如何呢?
Quaye研究发现,当交通流分别取15分钟流量、1小时流量、和7小时流量时,最终结果会稍有不同。
Persaud和Dzbik两位学者补充说,模型当中平均每小时流量与事故发生之间的关系是“微观的”,而AADT与事故发生之间的关系则是“宏观的”。
相应产生两种事故预测形式:
宏观预测是对某一国家或地区今后年度可能发生的事故进行预测,以面为对象;微观预测是对某条路线或地点的事故进行预测,以线或点为对象。
7.1.4经验研究
关于交通流量和事故频率之间关系的经验研究很少利用实验的方法,而是通过对数据拟合来建立模型,其步骤为:
(1)数据收集;
(2)模型选择;(3)参数标定。
7.1.4.1数据收集
为了确定交通事故率于交通量的关系,需要调查若干时期的交通事故数和相应的交通量数据(较大变化范围),通常有如下两种方法。
(1)近似路段(或交叉口)法。
即选择许多类似的路段或交叉口,忽略其交通流的差别,这种方法最常用。
但是,这种方法中的事故次数不仅反映交通量的影响,还包含了其它随交通量变化的因素的影响。
例如,交通量大的道路往往有较好的设施和维护标准,如醒目的标志和交通控制设备等,从而比交通量小的道路更安全。
(2)时间序列法。
即调查同一道路或交叉口不同时期或时间段的交通量和相应的事故数。
这种方法不常用,因为如果数据点是若干年的年平均日交通量和年事故数,那么年平均日交通量的变化范围通常太小,而且车队、天气和许多其它因素也在变化;如果数据点是一天中不同时段的交通量和事故次数,事故数量又很少。
7.1.4.2模型选择
对于交通流和事故频率关系的经验研究第一步是收集、测定和检验数据。
下一步是选择能服务于事故预测模型的是当拟合数据。
Satterthwaite(1981,第三部分)总结了最常用的模型。
那些看似有理并且决定于交通流的模型在以下列出。
交通流,虽然很重要,但仅仅是预测事故频率依赖性的变量之一。
这里仅考虑交通流,其他因素我们假定不变。
当只有一股相关交通流时,幂函数和多项式模型如下:
m=αq
(7.1)
m=αq+βq
+……(7.2)
大多数情况下,使用的是较为复杂一点的幂函数,
m=αq
(7.1.a)
当它写成对数形式时,与多项式7.2有关。
㏒(m)=㏒(α)+β㏒(q)+γ[㏒(q)]
(7.2.a)
式中:
m------某一时期内某类交通事故发生次数(事故频率)
q------交通流量
α、β、γ------参数
当有相关的两股或更多股交通流或者是不同类型的车辆时,常采用幂函数乘积的形式:
m=αq
q
……(7.3)
常用的模型的共同特性是他们是线性的或者可以用对数形式表示。
这简化了模型统计的参数估计。
这些函数的形状如图7.2所示。
事故率
图7.2各种模型函数曲线
幂函数(方程7.1)简单并且满足原点附近的逻辑要求(当q=0,m=0并且β=1可表示与一股交通流有关,β=2可表示与两股交通流有关)。
但是,它的简单性也是它的不足之处。
Β=1时,模型是线性的,不适合交通量大的情况。
同样,当β=2时,不适合交通量小的情况。
简而言之,如果选取β是为了满足逻辑的需要,模型就不可能适合偏离原点较远的数据。
相反的,如果选取β是为了最好的拟和数据,那么就不能满足逻辑的要求。
在经验研究中,幂函数的普及不是由于它的适宜性,而是由于它的方便性。
大多数分析参数估计的软件能很容易地求解幂函数。
多项式模型(方程7.2)不能真正的满足原点附近的要求。
它的优点是利用更多的条件(更多的参数),曲线部分可以再弯曲,几乎可以任意的变形。
这是以参数的简单化为代价得到的。
如果数据表明随着交通量增加到一定的水平,m(q)的斜率逐渐减少,甚至可能变成负数,这时可以表达如下:
m=αq
e
(7.4)
根据原点附近的条件,参数k=1或2。
当β〈0时,函数在q=-k/β处有最大值。
当k=1和2时,图7.3是该模型的图示。
这个模型的优点是它可以拟合原点附近的条件并且可以遵循数据的原形。
这个模型的优点是不论交通量大小都有很好的拟合效果。
在上述文章中,重点是研究交通流是如何影响事故率的。
因此,模型是根据流量(q)建立的,这个参数是独立变化的。
但是,交通流并不是影响事故率的唯一因素。
路面线形,时间,车速,行为规范等都起着一定的作用。
因此,偶尔将什么参数归并到一个单一的参数(方程7.1,7.1a,7.3和7.4中的α)就真正的决定了一个复杂的多元表达式。
简而言之,事故率的模型建立在本质上是多元化的参数估计。
7.1.4.3参数标定
数据收集及模型选择后的下一步就是对参数(α和β……)进行标定。
在早期的工作中,估计经常靠减少偏差的平方而得到。
这在实际中看上去是不完善的。
考虑到事故数量离散随机性,事实上他们的变化随着平均值,和可能的过度偏差的存在而增加,这就需要利用统计学的一些方法(如,Hauer1992,Miaou和Lum1993)。
以往的研究结果是不同的。
这些差异部分上是由于十字路口和时间序列研究中的一些问题所造成的,另一部分是由于AADT的引用和类似的与事故发生没什么直接关系长期所选取的平均值造成的。
一些差异可能来自于不同方法论的缺点(主要集中在事故率,模型选择,不恰当的统计方法)。
更大一部分差异是由于在管辖区域之间应报道的事故数与报道的应有事故数之间的差异。
Hauer和Persaud(1996)以北美数据为基础提供了一个复杂的交通事故预测函数和它们的参数值(对于两车道,无入口控制的多车道,高速公路,十字路口和互通式立体交叉)的回顾。
这一信息的简要总结和一些国际性的结论在以下给出。
A.公路部分
在丹麦乡村道路的十字路口研究中,Thorson(1967)估计ADT的指数为0.7。
在德国乡村公路的类似研究中,Pfundt(1968)估计ADT的指数为0.85。
Kihlberg和Tharp(1968)利用几个地区的数据处理了大量的十字路口研究。
在一条长0.5英里的路段上,他们估计了一系列路形和几何特征的参数。
使用的模型是复杂的幂函数m=α(AADT)
(ADT)
。
这一纪录包含大量的结果,但是在其他令人困惑的变量中产生了很小的规律。
Ceder和Livneh(1982)利用了以色列城市道路的十字路口和时间序列,使用了简单的幂函数模型(方程1)。
不同的结果归纳起来是困难的。
Clevelandetal(1985)根据几何学将低通行能力的乡村两车道公路分为几段,发现在偏离道路的事故中ADT指数从0.49变化到0.93。
联合国最近的研究表明,在郊区路段上,单车事故中模型(7.1)的AADT指数为0.58,追尾事故中AADT的指数为1.43。
在时间序列的研究中,Hall和Pendelton(1990)利用新墨西哥永久性观测站附近十公里长的两车道和四车道道路路段并且提供了事故率与小时交通流和一天中时间段之间关系的大量信息。
在大量的十字路口研究中,Zegeeretal(1986)发现在乡村两车道的大量事故中ADT的指数为0.88。
Ng和Hauer(1989)利用和Zegeer相同的数据,表明参数随着地区和车道宽度的不同而不同。
在纽约的乡村两车道公路上发生的无交叉口事故中,Haueretal(1994)发现当事故数m以事故数/(英里-年)计量,AADT被用于交通量q,在模型1中时,在13年间,α在0.0024-0.0028之间变化,β=0.78。
Persaud(1992)利用安大略州乡村公路上的数据,发现AADT的指数在0.73-0.89之间变化,这取决于车道和路肩的宽度。
多于安大略州郊区两车道公路指数为0.72。
对于郊区多车道公路(隔开或未隔开),β=1.14,对于乡村多车道隔开的公路值为0.62而对于未分隔开的的道路又变为1.13。
对于加利福尼亚州的高速公路,Lundy(1965)表明每百万车辆·英里的事故数随着ADT呈近似的线性增加。
这表明了模型2的二次关系。
以Slatterly和Cleveland(1969)的数据为基础,m以事故数/天计量,对于四车道的高速公路m=(5.8×10
)ADT+(2.4×10
)ADT
,六车道的高速公路m=(6.6×10
)ADT+(0.94×10
)ADT
,八车道的高速公路m=(5.4×10
)ADT+(0.78×10
)ADT
。
Leutbach(1970)在高速路的直线段上调查了一天的事故数。
选取了符合数据的,并且m以事故数/天计量的幂函数m=(3×10
)×(小时交通流)
。
但是,存在这样一种迹象,其他数据随着交通流的增加而增加,事故率最初的时候减少而后又增加。
如果这样的话,那么三次多项式就是一个更好的选择。
Jovanis和Chang(1987)对于印第安纳州的Toll公路选取了模型7.3,发现对于轿车和货车指数分别为0.25和0.23。
Persaud和Dzbik(1993)发现当年事故与AADT相关时,对于四车道m=0.147×(AADT/1000)
,但是当小时交通流与事故/每小时相关时,m=0.00145×(小时交通流/1000)
。
Huangetal(1992)报道说加利福尼亚州的事故数=0.65+0.666×百万-车-英里。
B.交叉口
Tanner(1953)发现对于联合国乡村T形交叉口左转交通的指数为0.56,而主要的道路
交通指数为0.62。
Roosmark(1966)发现在瑞典类似的交叉口道路的相应指数为0.42和0.71。
对于隔开的道路的交叉口,McDonald(1953)给出每年的事故m=0.000783×(主要道路ADT)
+(交叉路口ADT)
。
对于加利福尼亚州的信号交叉口,Webb给出郊区车速在40km/h以下的年事故m=0.00019×(主要道路ADT)
+(交叉路口ADT)
;半都市化区域车速在40km/h-70km/h之间的年事故m=0.0056×(主要道路ADT)
+(交叉路口ADT)
;乡村地区车速在70km/h以上的年事故m=0.007×(主要道路ADT)
+(交叉路口ADT)
。
对于明尼苏达州乡村地区有停车控制的交叉口,Bonneson和McCoy(1993)给出m(事故数/年)=0.692×(主要道路ADT/1000)
+(交叉路口ADT/1000)
。
联合国最近的研究表明对于信号交叉口处发生的单车事故在模型1中AADT的指数为0.89;对于右侧碰撞事故(模型7.3)AADT的指数为0.36和0.60,而左转交通(正确转向)的事故中指数为0.57和0.46。
利用魁北克州的数据,Belanger发现在无信号控制的乡村地区交叉口预测的年事故m=0.002×(主要道路ADT)
+(交叉路口ADT)
。
C.行人
联合国的研究表明在郊区道路上靠人行道的行人事故中根据模型7.3车辆和行人的AADT指数分别为0.73和0.42。
m以行人事故数/年计量,Bride和Larsson(1993)发现在交叉口处m=(7.3×10
)(到来的交通量/天)
(穿行行人)
。
m以行人事故数/小时计量,Quayeetal(1993)发现如果左转车辆在信号交叉口处没有面对相向的车流交通,那么m=1.82×10
(左转车辆小时交通量)
×(行人小时交通流)
,当左转车辆不得不在相向的交通中插空穿过时,m=1.29×10
(左转车辆小时交通量)
×(行人小时交通流)
。
7.1.5结论
交通流的许多理论都与事故率及其严重性有关;在这只讨论与流量的关系。
如果知道了流量是如何影响安全的,那么这是很重要的。
交通流与事故率之间的关系称为“交通事故预测模型”。
只有这个模型已知,才可以判断一种设计是否比另一种安全,及其是否影响设施的安全性。
简单依靠交通流来估算事故率是不够的,因为典型的交通事故预测模型不是线性的。
过去关于交通事故预测模型的研究得到了许多不同的结果。
一是由于使用的流量数据是长期数据的平均值(例如AADT),二是由于横断面和时间序列的研究中固有的困难,三是由于事故报告和道路定义随着管辖区域的不同而不同。
但是,不同的原因是大部分由于存在这样一个事实,即除了交通流事故率还依赖于其他很多因素,并且依存关系也是很复杂的。
现在,过去的一些困难已经克服。
关于交通流更好的信息是可靠的(例如,来源于高速公路交通管理系统,永久性观测站,不停车称重设备);同时也有了对于事故数量多元分析更好的方法。
但是,除了统计模型上的进步之外,引入错综复杂的理论模型也有了重大进展,这一模型利用了交通流所有的相关特性,例如速度,交通量,密度,车头时距和振动波等。
7.2燃料消耗模型
科学的交通管理可以促进城市的机动化,减少交通延误,最终节省大量能源。
例如,据估计,如果合理调节美国的近250,000个交通信号,那么每天会节省大于1900万公升(500万加仑)的燃料。
进一步估计,美国总能源的45%即,每天大约2.4亿公升(6300万加仑)石油是由道路上的车辆所消耗的,其中一半是由城市的行驶车辆消耗的。
因此燃油消耗和废气排放越来越成为有效评估交通管理策略的重要方面。
从1970年开始,燃料消耗方面已经进行了大量的研究,得出了许多燃料消费模型。
下面我们介绍几个已经被广泛使用的燃料模型。
7.2.1影响燃料消耗模型的因素
影响机动车燃料消耗率的因素很多,大致可以分为4类:
车辆、驾驶环境、驾驶员和交通状况。
交通状况的主要变量包括速度、停车次数、速度和加速度干扰等。
驾驶环境包括道路坡度、风况(风向、风速、风力)、环境温度、海拔高度和路面类型(如沥青混凝土、砂砾)和路面情况(平整度、湿或干);
车辆因素包括车辆总重、发动机大小、发动机类型(如汽油机、柴油机、电力、压缩天然气CNG)、传动类型、轮胎类型和大小、轮胎压力、车轮准线、制动和燃油喷射系统状态、发动机温度、油料粘性、汽油类型(常规的、无铅的等)、车型和空调、收音机、风挡刮水器等辅助电气设备的使用程度;
交通状况包括速度、停车次数、速度和加速度干扰等;驾驶员的交通特性也会影响燃料消耗。
上述多数变量对车辆燃料效率的影响程度被安大略省交通运输部和委员会用文献做了说明(TEMP1982)。
7.2.2模型说明
燃料消耗模型一般被用来评价各种各样的交通管理策略的效率和影响。
通过在不同驾驶条件下(如车重、发动机大小、传动类型、轮胎大小和压力、发动机调整、温度等)收集来的大量燃料消耗数据可以建立模型。
这些数据代表较长观测时间的情况.燃油消耗的多少还依据其它因素,如驾驶员特性、外界环境温度、路面状况和等级、海拔高度等。
所以模型应根据这些条件的变化而作出相应的调整。
假使给出一套固定的车辆和驾驶员特性和环境状况,就可以建立交通相关因素对燃料消耗的影响模型。
英国(Everall,1968),澳大利亚(Pelensky等,1968),美国(Chang等1976;Evans,Herman1978;Evans等,1976)的许多研究都表明在城市交通中单位距离的燃料消耗与平均速度的倒数近似成线性关系。
通过对16种影响燃料消耗的交通变量进行研究,Evans,Herman,Lam(1976)提出了这种模型。
对于给定车辆,他们认为速度决定70%以上的燃料消耗。
且与公路交通状况不同的是,城市燃料效率随平均速度提高而增加(图7.4),当速度大于55km/h时空气阻力对燃料消耗的影响也将逐渐增加。
因此,可以把交通条件分为城市道路交通(V〈55km/h)和公路交通(V>55km/h)两类分别进行研究。
燃料消耗(ml/km)
速度ur(Km/h)
图7-4城市交通燃料消耗
7.2.3城市燃料消耗模型
基于以上所述研究,Herman等人提出了城市交通车辆燃料消耗的基本理论模型,该模型即为Elemental模型,它反映了在城市道路上车辆燃料消耗是单位距离的平均行驶时间的线性函数(图7.5)。
其表达式为:
=K1+K2T(V<55km/h)(7.5)
式中:
---单位距离燃料消耗(ml/km);
V---单位距离平均行驶时间(s/Km);
V---平均行驶速度(km/h);
K1、K2---模型参数(单位分别为:
ml/km、ml/s)。
参数K1反映克服滚动摩擦力的燃料消耗,它与车辆质量密切相关(见图7-6)。
参数K2可以提高模型精度。
单位距离平均行驶时间Tr(s/km)
燃料消耗(ml/km)
图7-5两类客车燃料消耗模型
燃料消耗(ml/km)
单位距离平均行驶时间Tr(s/km)
阿
图7-6各种车辆燃料消耗
阿克赛立科(Akcelik)等人分别估计稳态行驶、怠速和加减速三种工况的燃料消耗,如式(7.6),这
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 第七章 交通影响模型 第七 交通 影响 模型