第4章-跟驰理论-2-精选课件(公开).ppt

4.4 实验与观察 本节讨论车辆跟驰模型是否与单车道交通特性接近的实验 实验分为两类： 车辆跟驰模型与空车道上车辆跟驰的详细测量相比较，从而得出车辆跟驰模型一些定量的参数 宏观交通流特性实验：单车道交通流中车辆速度、密度、流量以及它们之间的相互关系，尤其是验证实验数据对稳态流跟驰模型的符合程度 4.4.1 车辆跟驰实验 最初评价线性跟驰模型（Chandler et al. 1958; Kometani and Sasaki 1958），随后基于跟踪设施和公路隧道采用两车、三车、公共汽车实验 实验中，利用时钟信号对车头间距、相对速度、跟驰车速度、后车加速度同时记录确保各种变化的同步 实验分为以下几种： 1 初步跟踪试验Preliminary Test Track Experiments。 2 公路隧道试验Vehicular Tunnel Experiments。 3 公共汽车跟驰试验Bus Following Experiments。 4 三车试验Three Car Experiments。 5 其他各种试验Miscellaneous Experiment ： a) Kometani and Sasaki Experiments 公式4.58 b) Experiments of Forbes et al c) 俄亥俄州试验Ohio State Experiments d) 康斯坦丁与杨的研究Studies by Constantine and Young 4.4.1.1 车辆跟驰实验分析 对跟驰实验记录信息的分析通常将数据归纳为相同时间间隔内的数值，然后利用线性跟驰模型进行相关分析得到两参数： λ 和T。和其它数据形式相同，时间间隔（反应时间）T为离散值。对指定驾驶员，反应时间的相关系数最大，处于0.85~0.95的范围内。 (1) Preliminary Experiments 表4.1 图4.15 (2) Vehicular Tunnel Experiments 公路隧道通常为双向两车道，由单车道组成，禁超。 目的：调查非线性模型的合理性 最初获得了线性模型的参数值：图4.16 图4.17、4.18 用车头间距倒数模型分析，结果相似。当间隔距离相对较大时，结果倾向于支持间距依赖模型（车头间距倒数模型） 指定l，m的取值具有明显的趋向，三种模型都有各自的边缘优势（l=2,m=1);(l=1,m=0); (l=2;m=0). (3) Bus Following Experiments 对22名驾驶员作了以下模型的时间相关性分析：线性模型（l=0,m=0）；车头间距倒数模型（l=1,m=0）；速度-车头间距平方倒数模型（l=2,m=1）。 结果与隧道实验分析相似：对所有驾驶员及每一个模型都是高度相关的 图4.19 所有数据都落在渐进稳定区 图中的一些数据为雨天采集，这说明驾驶员遇到路面湿滑的情况操作更稳定，也表明公共汽车能形成高度稳定的交通流。 车头间距倒数模型及速度-车头间距平方倒数模型的时间依赖分析利用敏感系数、平均速度u、平均车头间距s，通过公式： 得到估计值a1,0，a2,1。 图4.20、4.21 (4) Three Car Experiments 本实验测定次最近车辆（在其前面第二辆车）对驾驶员影响的程度，跟驰模型为： 也可以写为： 经分析，只有最近车辆对跟驰车有明显影响，次最近车的影响很小。 (5) Miscellaneous Car Following Experiments a) Kometani and Sasaki Experiments 前车的任务：匀加速至某速度值然后运减速至原速度。任务是不受外部环境影响的闭环，由于任务的周期循环特性反应时间可以降低甚至减为零。 这个实验导致了短暂的反应时间：低速时（20~40km/h)0.73s，高速时(40~80km/h) 为0.54s。 结果还产生了较大的增益系数，实验中从所有驾驶员身上获得的C= λT，都超出了渐进稳定界限，对数据更好的拟合可以利用包含加速度影响的线性模型： b) Ohio State Simulation Studies 在模拟器上作一系列的试验，建立了一种相对简单的稳态流模型，其基于驾驶员阈值概念，可以通过典型的相对速度纪录-车头间距简单的描述。图4.22 通过研究上述加速过程，获得了相对速度阈值以及根据车头间距与观察时间的不同阈值相应的变化。图4.23 真实驾驶环境下所作的上诉试验，其结果与模拟器试验结果几乎相同，但相对速度阈值却低得多。 与在模拟器里驾驶员面前呈现的二维CRT屏幕相比，跟踪试验的三维视角提供了很多额外的暗示，这限制了实验对象的变化 c)