Vehicle Trajectory Reconstruction Model of Signalized Intersection in Connected Automated Environments
-
摘要:
车辆轨迹数据提供了大量的时空交通流信息，可用于各类交通研究. 传统车辆轨迹模型多以人工驾驶环境为研究对象，普遍未考虑由常规车（RV）、网联人工驾驶车（CV）以及智能网联车（CAV）组成的混合交通流的影响. 为解决该问题，构建智能网联环境下信号交叉口全样本车辆轨迹重构模型. 首先，介绍并分析智能网联环境下城市道路交叉口处车辆组成及排队通过情况；然后，构建城市道路混合交通流轨迹数量估计模型，并针对前后车的排队情况提出虚拟车的概念，用于估计不同车辆的交通状态；最后，设计数值仿真实验分析交通流密度和网联车渗透率对模型的影响，并基于NGSIM数据进行实例验证. 结果表明：轨迹重构模型的数量误差和位置误差均随着交通流密度和网联车渗透率的增大而减小，如交通流密度由20 veh/km增大至50 veh/km的过程中，模型数量误差和位置误差均呈现下降趋势，且最大误差分别不超过6.88%和8.02 m；与网联人工驾驶车渗透率相比，智能网联车的渗透率对模型结果影响更大.
Abstract:Vehicle trajectory data provides abundant spatial-temporal traffic flow information, which can be used for traffic research. Traditional vehicle trajectory models mostly focus on the artificial driving environment and fail to consider the impact of mixed traffic flows composed of regular vehicles (RVs), connected vehicles (CVs), and connected automated vehicles (CAVs). To solve this problem, a full sample vehicle trajectory reconstruction model of signalized intersections in connected automated environments was proposed. Firstly, the composition of vehicles at signalized intersections of urban roads and the passage of queues in connected automated environments were analyzed. Secondly, a model for estimating the number of trajectories of mixed traffic flows on urban roads was constructed, and the concept of virtual vehicles was further proposed to estimate the traffic status of different vehicles according to the queuing of front and rear vehicles. Finally, a numerical simulation test was designed to analyze the influence of traffic flow density and penetration rate of CAVs and CVs on the model, and the model was verified by NGSIM data. The results show that the error of the number and position of the model decreases with the increase in traffic flow density and the penetration rate of CAVs and CVs. For example, when the traffic flow density increases from 20 veh/km to 50 veh/km, both the error of the number and position of the model shows a decreasing trend, and the maximum error is no more than 6.88% and 8.02 m. Compared with that of CVs, the penetration rate of CAVs has a greater impact on the model results.
-
纤维增强复合材料（FRP）轻质、高强，且热膨胀系数与混凝土相近，可与混凝土变形协调，具有裁剪不易松散变形、易于浸溃、施工便捷等优点[1-2]. 超高性能混凝土（UHPC）是一种高强、高韧和高耐久性的新型水泥基复合材料，具有优异的力学性能和耐久性[3-4]. 用FRP侧向约束UHPC，可以充分发挥UHPC和FRP的优点，提高核心UHPC的强度和变形能力[5].
Lam等[6]对18个FRP约束UHPC短柱进行了轴压试验研究发现，在FRP约束下UHPC短柱的极限强度和应变显著提高. Guler[7]对碳纤维增强复合材料（CFRP）、玻璃纤维增强复合材料（GFRP）和芳纶纤维增强复合材料（AFRP）约束UHPC圆柱进行了轴向加载，并对不同纤维增强复合材料对UHPC圆柱极限强度和应变的提升程度做了对比分析. Wang等[8]对FRP约束UHPC的轴压性能进行研究，并比较FRP对UHPC、高强混凝土和普通混凝土约束性能，结果表明，由于FRP约束的UHPC具有超高强度和独特的微观结构，比FRP约束的NSC和HSC表现出更多的脆性. 邓宗才等[9-10]对FRP约束UHPC圆柱进行轴心抗压试验，结果表明，约束比和侧向约束刚度是影响试件极限强度和极限应变的关键参数，FRP的约束作用对核心UHPC的强度和延性具有提高效果. 黄美珍[11]基于细观力学方法对UHPC本构模型受钢纤维掺量的影响进行研究发现，适量的钢纤维能够显著提高UHPC的峰值应变与轴心抗压强度. 田会文等[12]利用LS-DYNA建立FRP约束UHPC圆柱细观有限元模型，研究FRP厚度、纤维缠绕角度和钢纤维体积掺量对其轴压性能的影响，结果表明，FRP显著提高核心UHPC的极限强度和延性.
目前，国内外对FRP约束UHPC圆形短柱轴心受压力学性能的研究大多都是基于FRP层数、混凝土强度等变量的研究，对钢纤维影响短柱轴压性能的研究相对较少. 同时，现有研究多集中于单一变量对短柱轴压性能的影响，对多个变量耦合作用的研究较少，且缺少多个变量下短柱轴压性能的对比分析. 此外，现有研究中对FRP约束UHPC本构模型的理论分析也有待深入.
为此，本文以FRP层数、FRP种类和钢纤维体积掺量为变量，研究FRP约束UHPC圆形短柱的轴压性能及变量的影响规律；并在考虑钢纤维体积掺量的影响下，提出FRP约束UHPC圆形短柱抗压强度和极限应变的计算模型，并进一步给出FRP约束UHPC的本构模型.
1. 试验方案
1.1 试件设计
试验共设计制作21组FRP约束UHPC圆形短柱和3组UHPC圆形短柱，所有试件的高度均为200 mm，直径均为100 mm. 试件编号见表1，表中：首字母“P”代表无约束试件，“G”表示GFRP约束UHPC圆形短柱，“C”表示CFRP约束UHPC圆形短柱，N为试件的峰值荷载；ɛy为试件的轴向极限应变.
表 1 试件编号及试验结果Table 1. Specimen numbering and experimental results试件
编号钢纤维掺量/% FRP 层数/层 N/kN ɛy 试件
编号钢纤维掺量/% FRP 层数/层 N/kN ɛy P1 1 805.0 0.0024 G32 3 2 1392.2 0.0088 P2 2 874.2 0.0029 G33 3 3 1511.9 0.0120 P3 3 917.3 0.0029 G34 3 4 1657.5 0.0148 G11 1 1 1197.1 0.0044 C11 1 1 1312.9 0.0056 G12 1 2 1318.1 0.0063 C12 1 2 1546.4 0.0087 G13 1 3 1409.6 0.0082 C13 1 3 1787.3 0.0138 G14 1 4 1532.8 0.0106 C21 2 1 1336.0 0.0073 G21 2 1 1239.3 0.0061 C22 2 2 1675.7 0.0125 G22 2 2 1351.6 0.0080 C23 2 3 1931.9 0.0176 G23 2 3 1469.5 0.0109 C31 3 1 1375.4 0.0084 G24 2 4 1620.4 0.0136 C32 3 2 1696.8 0.0145 G31 3 1 1283.1 0.0075 C33 3 3 2065.1 0.0210 1.2 材料性能
UHPC的配合比见表2. 根据T/CECS864−2021《超高性能混凝土试验方法标准》[13]对UHPC进行抗压强度试验，试件制作时浇筑3组边长为100 mm、钢纤维体积掺量分别为1%、2%和3%的UHPC立方体，立方体的尺寸符合GB/T 50081—2016《普通混凝土拌合物性能试验方法标准》[14]的有关规定. 测得3组立方体的平均抗压强度分别为129.2、144.5、153.3 MPa. FRP力学性能指标见表3.
表 2 UHPC的配合比Table 2. Mix proportion of UHPCkg/m3 名称 水胶比 水泥 硅灰 石英砂 粉煤灰 配合比 0.15 1.00 0.32 1.46 0.30 表 3 FRP的性能指标Table 3. Performance index of FRP型号 抗拉强度/MPa 弹性模量/GPa 伸长率/% GFRP 2381 114 2.7 CFRP 3961 240 1.8 1.3 加载方案及测点布置
试验采用的加载设备为200 t压力试验机，如图1. 加载前，应先进行预压，以保证试件轴心受压，并对位移传感器和应变片进行检查和校正；正式加载时，加载速率控制为1.5 kN/s；当荷载达到试件计算强度的90%时，加载速率控制为0.5 kN/s；直到试件破坏后，卸载.
试件应变测点的布置如图2所示，在试件的中部布置4个轴向应变片测量其轴向应变，并将4个环向应变片垂直于轴向应变片布置，用以测量试件的环向应变. 此外，轴向位移通过固定装置两侧的位移传感器获得，荷载由数据采集系统自动采集.
2. 试验结果及分析
2.1 试件破坏特征
2.1.1 GFRP约束UHPC的破坏特征
GFRP约束UHPC圆形短柱的破坏形态如 图3（a）～（d）所示. 在加载初期，试件变形微小，导致GFRP未对其产生约束作用；随着荷载的增加，GFRP发出噼啪裂开的声音；当荷载接近极限强度的90%时，UHPC圆形短柱中部的GFRP逐渐断裂；当试件加载至极限强度时，爆裂声响加剧，试件中部的GFRP断裂频率加快，直至整节断裂，试件破坏.
2.1.2 CFRP约束UHPC的破坏特征
CFRP约束UHPC圆形短柱的破坏形态如图3（e）～（h）所示. 在加载初期，试件无明显变形，CFRP未对其产生约束作用；随着荷载的逐步增加，偶尔听到CFRP破裂的声音，且UHPC圆形短柱中部开始膨胀，CFRP对其约束力也逐渐增强；直至荷载达到试件极限强度的90%时，试样发生显著变形，CFRP从拐角处逐渐断裂，开始与UHPC圆形短柱剥离；当试件加载至极限强度时，CFRP发出爆响，随即被拉断，试件强度急剧下降，此时，UHPC圆形短柱表面产生纵向裂缝，且裂缝贯通至整个试件，轴向应变和环向应变迅速增大，试件破坏.
由图3可知，随着FRP层数增加，其断裂面积逐渐减小. 钢纤维沿裂缝面被拔出，但由于钢纤维在UHPC内部多向分布，发挥了桥接作用，有效阻止了混凝土内部裂缝的扩大和延伸，因此，试件内部的UHPC并没有完全破碎. 钢纤维能够在一定程度上改善FRP约束UHPC圆形短柱的脆性破坏.
2.2 荷载-应变曲线
图4为FRP约束UHPC圆形短柱的荷载-应变曲线（应变大于0为轴向应变，小于0为环向应变）. 从图中可以看出，荷载-轴向应变曲线可分为3个阶段：在加载初期，各试件荷载-应变曲线的变化趋势基本相同，此时试件变形较小，FRP对UHPC圆形短柱产生的约束作用不明显，约束试件的荷载-轴向应变曲线与未约束试件的相似，均呈线性增长；随着荷载的进一步增大，UHPC圆形短柱中部开始膨胀，FRP产生的约束应力随之增加，试件的强度不断提高，此阶段的约束应力不断变化，试件的曲线呈非线性发展；在加载后期，FRP对UHPC圆形短柱的约束应力达到极限，试件的荷载-轴向应变曲线基本呈水平发展趋势，该阶段为试件的强化阶段，对比发现，FRP提高了UHPC圆形短柱的强度和变形能力.
FRP约束UHPC圆形短柱的荷载-环向应变曲线同样可分为3个阶段：在初期加载阶段，其与荷载-轴向应变曲线相似，FRP基本没有对试件产生明显的约束作用，曲线呈线性增长趋势，同时，各约束试件在此阶段的荷载-环向应变曲线基本重合，未受到FRP层数的影响；随着荷载的增加，约束试件的中部开始膨胀，环向应变的增长速率加快，同时，UHPC圆形短柱承受较大荷载，FRP的约束力不断增加，此阶段约束试件的荷载-环向应变曲线呈非线性增长；随着荷载的持续增加，FRP的约束应力达到极限，环向应变迅速增大，直至试件破坏.
2.3 荷载-应变曲线影响因素分析
2.3.1 约束比
定义FRP对UHPC圆形短柱的约束应力与无约束UHPC圆形短柱抗压强度的比值为约束比[10]. 不同约束比下试件的承载及变形性能如表1和图4所示. 可以看出：试件C12、C22和C32的极限强度相较于C11、C21和C31分别提高了17.8%、25.4%和23.4%，极限应变分别提高了55.4%、71.2%和72.6%；试件G12、G22和G32的极限强度相较于G11、G21和G31分别提高了10.1%、9.1%和8.5%，极限应变分别提高了43.2%、31.1%和17.3%. 由此可得，随着FRP层数的增加，试件的轴向极限强度和极限应变均得到提高，但极限应变的提高幅度更加明显.
钢纤维体积掺量为1%时，被1层、2层和3层CFRP缠绕包裹的UHPC圆形短柱的极限强度比同条件下的GFRP缠绕包裹的分别提高了9.7%、7.8%和7.2%；钢纤维体积掺量为2%时，上述条件下试件的极限强度分别提高了17.3%、24%和21.9%，极限应变分别提高了38.1%、56.3%和64.8%. 可以看出，CFRP对UHPC圆形短柱极限强度和极限应变的改善程度要明显优于GFRP. 此外，FRP层数和种类的改变实质上反映的是约束应力的改变，由此可见，约束比是影响试件荷载-应变曲线的关键因素.
2.3.2 钢纤维体积掺量
不同钢纤维掺量下试件的极限强度及变形性能如表1和图4所示. 由不同钢纤维体积掺量下FRP约束UHPC圆形短柱的荷载-轴向应变曲线可知：随着钢纤维体积掺量的增加，荷载-轴向应变曲线在加载前期并没有受到影响；但在加载后期，试件的极限强度及极限应变均有一定幅度的提高. 而根据试件的荷载-环向应变曲线发现：钢纤维体积掺量为2%和3%时，试件在相同荷载下的环向应变明显比钢纤维体积掺量为1%的试件小，说明钢纤维的体积掺量越大，核心混凝土的极限强度和延性越大. 由此可知，随着加载荷载的增加，钢纤维在UHPC圆形短柱中产生了防止其自身横向膨胀的纤维约束力，在加载后期明显抑制了UHPC圆形短柱的横向变形；且钢纤维体积掺量越大，产生的约束作用越强.
3. FRP约束UHPC的本构模型
3.1 受力机理
在加载初期，FRP材料并未产生明显的约束作用. 随着荷载的持续增加，UHPC圆形短柱在受压状态下内部逐渐出现微裂纹，试件的变形逐渐增大并产生侧向膨胀，环向应变迅速增长，此时外包FRP开始参与工作，对核心混凝土提供有效约束，使核心混凝土处于三向受力状态，并限制其裂缝的产生和发展. 随着荷载继续增加，混凝土进入裂缝扩展阶段，其内部裂缝及侧向变形快速增大，FRP产生的约束应力不断提高，直至其达到极限抗拉强度，发生断裂，此时FRP约束UHPC圆形短柱的轴压荷载达到峰值. FRP约束UHPC圆形短柱受力状态如图5所示，图中：fccc、fcoc（εccc、εcoc）分别为约束试件、非约束试件的峰值应力（极限应变），σr为径向应力，σ为短柱的轴向应力，ε为短柱的环向应变.
3.2 抗压强度和极限应变计算公式
根据已有研究[15-16]可知，FRP是高性能单向材料，抗拉不抗压，因此在理论分析时仅考虑FRP的环向抗拉强度. 当FRP达到其极限抗拉强度时，将不会再对混凝土产生约束作用[17]，FRP约束UHPC圆形短柱时，其侧向受力均匀连续，如图6所示. 图中：ff为FRP的极限抗拉强度，θ 为约束力方向与x轴之间夹角的大小.
根据平衡原理积分可得侧向约束力为
∫π0d/2flsinθdθ=2fft， (1) 式中：fl为FRP对UHPC的约束力，如式（2）；d为UHPC 圆形短柱的直径；t为FRP的总厚度.
fl=2fft/d. (2) 考虑到钢纤维对UHPC圆形短柱轴压性能的影响，引入纤维约束力，如式（3）.
flf=α1Vflfdfτbond, (3) 式中：α1为纤维影响系数，取值参考文献[18]；Vf为钢纤维掺量；lf为钢纤维的长度；df为钢纤维的直径；τbond为基体黏结强度.
通过改变试件的约束比及钢纤维体积掺量，研究其对试件峰值参数的影响，各试件的峰值荷载及其对应的轴向极限应变如表1所示. 以试件约束比（fL/fco，其中：fL为FRP约束力fl与钢纤维约束力flf之和，fco为非约束柱的极限强度）为控制因素，通过对试验数据进行回归分析，得到FRP约束UHPC峰值应力及峰值应变拟合曲线，如图7所示.
图7中：y=（fccc/fcoc）−1，x=fL/fcoc，代入方程最终得FRP约束UHPC的极限抗压强度计算公式，如式（4）；y1=（ɛccc/ɛcoc）−1，代入方程得到极限应变的计算公式，如式（5）.
fccc/fcoc=1+2.45(fL/fcoc)0.92, (4) εccc/εcoc=1+21.75(fL/fcoc)1.62. (5) 3.3 计算值与试验值对比分析
为更好地验证所提出模型的合理性，收集文献[10,19-20]中的试验数据进行验证. 表4为文献中FRP约束UHPC柱极限强度及峰值应变的计算值与试验值的对比，其中，fcc和ɛcc分别为极限强度和极限应变的试验值.
表 4 试件极限强度和极限应变计算值与试验值对比Table 4. Comparison between calculated and test results of ultimate strength and ultimate strain of specimens参考文献 试件编号 Vf/% fcc/MPa ɛcc fccc/MPa ɛccc fccc/fcc ɛccc/ɛcc 文献[10] 2 130.7 0.0078 175.2 0.0082 1.340 1.047 2 180.8 0.0116 217.2 0.0155 1.201 1.332 2 148.8 0.0073 185.3 0.0097 1.245 1.325 2 162.3 0.0094 211.1 0.0102 1.301 1.085 2 156.5 0.0065 172.7 0.0078 1.103 1.202 2 191.4 0.0104 211.8 0.0144 1.107 1.382 文献[19] 2 226.6 0.0086 264.8 0.0075 1.168 0.874 2 273.5 0.0106 281.8 0.0090 1.030 0.853 2 298.9 0.0115 298.2 0.0107 0.998 0.934 2 254.1 0.0068 267.4 0.0077 1.052 1.138 2 372.2 0.0105 319.7 0.0133 0.859 1.263 文献[20] UHPC-1C 1 168.0 0.0068 178.1 0.0057 1.060 0.836 UHPC-2C 1 180.8 0.0073 194.2 0.0071 1.074 0.970 UHPC-3G 1 171.5 0.0076 195.0 0.0072 1.137 0.942 UHPC-5G 1 182.0 0.0073 214.5 0.0094 1.178 1.291 通过上述计算方法所得极限强度计算值与试验值比值的平均值与标准差分别为1.124和0.123，极限应变计算值与试验值比值的平均值与标准差分别为1.098和0.191，这表明计算方法得到的极限应力、极限应变的计算值与试验值较为吻合，考虑钢纤维体积掺量影响后所得的计算公式能够较好地预测FRP约束UHPC的峰值应力和应变.
3.4 本构模型
通过对已有模型分析，选用Mander[21]本构方程作为FRP约束UHPC圆形短柱的主动约束模型，将fcc和ɛcc代入Mander[21]本构方程，以此得到FRP约束UHPC的本构模型，如式（6）所示.
σ=fccxcr/(r−1+xrc)， (6) 式中：xc = ɛc/ɛcc，ɛc为约束柱的轴向应变；r =Ec/（Ec−Esec），Esec为约束柱达到极限强度时的割线模量，Esec =fcc/ɛcc，Ec为UHPC的弹性模量.
从21个约束试件中选取6个试件，分别采用Lam模型[22]、Zohrevand模型[19]、邓宗才模型[10]和本文建立的模型，计算得到相应的应力-应变全过程曲线，与试验结果进行对比，如图8所示.
图8中：曲线的前期阶段，所有模型与试验结果无较大差异，后期阶段则差异化明显. 综合对比下，本文建立的模型与试验结果吻合程度较好.
4. 结 论
1） 随着FRP层数的增加，UHPC圆形短柱的极限抗压强度和极限应变均提高，但极限应变的提高幅度更加明显. 试件C12、C22和C32的极限强度相较于试件C11、C21和C31分别提高了17.8%、25.4%和23.4%，极限应变分别提高了55.4%、71.2%和72.6%；试件G12、G22和G32的极限强度相较于试件G11、G21和G31分别提高了10.1%、9.1%和8.5%，极限应变分别提高了43.2%、31.1%和17.3%.
2） 钢纤维可在一定程度上改善FRP约束UHPC圆形短柱的脆性特征；适量的钢纤维还可提高试件的极限抗压强度与极限应变. 试件C31的极限强度和极限应变比试件C21（C11）的分别提高了2.9%和15.1%（4.7%和50.0%）.
3） 相同层数及钢纤维体积掺量下，CFRP对UHPC圆形短柱极限抗压强度和极限应变的提升幅度比GFRP更高. 试件C11、C12和C13的极限应变分别比试件G11、G12和G13的提高了27.3%、19.7%和12.0%.
4） 分析了FRP约束UHPC圆形短柱的受力机理，在考虑钢纤维体对UHPC约束的影响下，提出了FRP约束UHPC圆形短柱抗压强度和极限应变的计算模型，并进一步给出了FRP约束UHPC的本构模型，计算结果与试验结果吻合较好.
-
图 4 混合交通流下信号交叉口处时空轨迹
Figure 4. Spatial-temporal trajectories at signalized intersection under mixed traffic flow
图 7 交通流密度为40 veh/km时重构轨迹
Figure 7. Trajectory reconstruction with a traffic flow density of 40 veh/km
图 8 智能网联车渗透率为14%时重构轨迹
Figure 8. Trajectory reconstruction with a CAV penetration rate of 14%
图 10 Lankershim Boulevard街道重构轨迹
Figure 10. Trajectory reconstruction of Lankershim Boulevard Street
表 1 车辆速度与视野和注视距离关系
Table 1. Relationship among vehicle speed, horizon, and gaze distance
车辆速度/（km·h−1） 视野/（°） 注视距离/m 0 170 80 40 100 180 60 86 355 80 60 377 100 40 564 120 22 710 
下载: 导出CSV
表 2 IDM跟驰模型参数
Table 2. Parameters of IDM car-following model
模型 An/ （m·s−2） bn/ （m·s−2） vf/ （m·s−1) Tn/s s0/m IDM 1.00 2.00 33.30 1.50 2.00 虚拟 IDM 2.00 1.68 28.92 1.45 2.00
下载: 导出CSV
表 3 不同交通流密度条件下轨迹重构结果
Table 3. Trajectory reconstruction results under different traffic density conditions
交通流
密度/
（veh·km−1）插入 RV 的数量 插入 RV 的位置 实际车
辆/vehMAEm/
vehMAPEm/
%MAEx/
mRMSEx/
m20 29.05 2.00 6.88 4.15 8.02 30 29.09 1.85 6.36 3.18 7.45 40 29.00 1.82 6.27 2.93 7.06 50 23.50 1.33 5.67 2.88 6.61
下载: 导出CSV
表 4 不同CAV渗透率条件下轨迹重构结果
Table 4. Trajectory reconstruction results under different CAV penetration rates
CAV 渗透率/
%CAV 数量/
veh插入 RV 的数量 插入 RV 的位置 实际车辆/veh MAEm/
vehMAPEm/
%MAEx/
mRMSEx/
m2 1 34.04 2.41 7.07 3.46 8.37 4 2 29.85 2.04 6.83 3.01 7.63 6 3 28.03 2.00 7.14 3.31 8.01 8 4 23.50 1.33 5.67 2.88 6.61 10 5 22.05 1.18 5.37 2.80 6.51 12 6 18.93 0.67 3.54 2.21 5.04 14 7 16.48 0.58 3.52 2.19 4.85
下载: 导出CSV
表 5 不同CV渗透率条件下轨迹重构结果
Table 5. Trajectory reconstruction results under different CV penetration rates
CV 渗透率/% CV 辆数/veh 插入 RV 的数量 插入 RV 的位置 实际车辆/veh MAEm/
vehMAPEm/
%MAEx/
mRMSEx/
m8 4 27.33 2.25 8.23 3.74 8.72 12 6 26.61 1.74 6.54 3.55 8.23 16 8 24.86 1.57 6.32 3.07 6.96 20 10 23.50 1.33 5.67 2.88 6.61 24 12 23.30 1.23 5.26 2.71 6.43 28 14 21.41 0.91 4.26 2.49 6.06
下载: 导出CSV
表 6 Lankershim Boulevard街道轨迹重构误差
Table 6. Trajectory reconstruction errors of Lankershim Boulevard Street
插入 RV 的数量 插入 RV 的位置 本文方法 已有方法 实际车
辆/vehMAEm/
vehMAPEm/
%MAEx/
mRMSEx/
mMAEx/
mRMSEx/
m5.63 0.38 6.75 4.35 5.94 6.53 7.60
下载: 导出CSV
-
[1] SHI X W, LI X P. Constructing a fundamental diagram for traffic flow with automated vehicles: methodology and demonstration[J]. Transportation Research Part B: Methodological, 2021, 150: 279-292. doi: 10.1016/j.trb.2021.06.011 [2] 冉斌,谭华春,张健,等. 智能网联交通技术发展现状及趋势[J]. 汽车安全与节能学报,2018,9(2): 119-130. doi: 10.3969/j.issn.1674-8484.2018.02.001RAN Bin, TAN Huachun, ZHANG Jian, et al. Development status and trend of connected automated vehicle highway system[J]. Journal of Automotive Safety and Energy, 2018, 9(2): 119-130. doi: 10.3969/j.issn.1674-8484.2018.02.001 [3] HU X W, SUN J. Trajectory optimization of connected and autonomous vehicles at a multilane freeway merging area[J]. Transportation Research Part C: Emerging Technologies, 2019, 101: 111-125. doi: 10.1016/j.trc.2019.02.016 [4] LU G Y, NIE Y, LIU X B, et al. Trajectory-based traffic management inside an autonomous vehicle zone[J]. Transportation Research Part B: Methodological, 2019, 120: 76-98. doi: 10.1016/j.trb.2018.12.012 [5] 张惠玲,刘晓晓,许裕东. 基于车辆轨迹重构的信号交叉口延误提取研究[J]. 交通运输系统工程与信息,2020,20(2): 237-243. doi: 10.16097/j.cnki.1009-6744.2020.02.035ZHANG Huiling, LIU Xiaoxiao, XU Yudong. Delay extraction based on vehicle’s trajectory reconstruction at signalized intersection[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(2): 237-243. doi: 10.16097/j.cnki.1009-6744.2020.02.035 [6] PUNZO V, BORZACCHIELLO M T, CIUFFO B. On the assessment of vehicle trajectory data accuracy and application to the next generation simulation (NGSIM) program data[J]. Transportation Research Part C: Emerging Technologies, 2011, 19(6): 1243-1262. doi: 10.1016/j.trc.2010.12.007 [7] COIFMAN B. Estimating travel times and vehicle trajectories on freeways using dual loop detectors[J]. Transportation Research Part A: Policy and Practice, 2002, 36(4): 351-364. doi: 10.1016/S0965-8564(01)00007-6 [8] MU J T, HAN Y, ZHANG C, et al. An unscented Kalman filter-based method for reconstructing vehicle trajectories at signalized intersections[J]. Journal of Advanced Transportation, 2021, 2021: 1-12. [9] WANG Y P, WEI L, CHEN P. Trajectory reconstruction for freeway traffic mixed with human-driven vehicles and connected and automated vehicles[J]. Transportation Research Part C: Emerging Technologies, 2020, 111: 135-155. doi: 10.1016/j.trc.2019.12.002 [10] HAN X, MA R, ZHANG H M. Energy-aware trajectory optimization of CAV platoons through a signalized intersection[J/OL]. Transportation Research Part C: Emerging Technologies, 2020, 118: 102652.1- 102652.16. [11] 蒋阳升,刘梦,王思琛,等. 基于跟驰特性的智能网联车混合交通流轨迹重构[J]. 西南交通大学学报,2021,56(6): 1135-1142,1132.JIANG Yangsheng, LIU Meng, WANG Sichen, et al. Trajectory reconstruction for traffic flow mixed with connected automated vehicles based on car-following characteristics[J]. Journal of Southwest Jiaotong University, 2021, 56(6): 1135-1142,1132. [12] OSAMA O A, BAKHIT P R, ISHAK S. Analysis of queue estimation process at signalized intersections under low connected vehicle penetration rates[J]. Canadian Journal of Civil Engineering, 2021, 48(10): 1398-1408. doi: 10.1139/cjce-2020-0366 [13] 张驰,杨少伟,潘兵宏,等. 交通仿真中驾驶人空间视野感知模型[J]. 交通运输工程学报,2010,10(4): 115-120. doi: 10.3969/j.issn.1671-1637.2010.04.019ZHANG Chi, YANG Shaowei, PAN Binghong, et al. Perception model of driver spatial vision in traffic simulation[J]. Journal of Traffic and Transportation Engineering, 2010, 10(4): 115-120. doi: 10.3969/j.issn.1671-1637.2010.04.019 [14] 潘兵宏,赵一飞,梁孝忠. 动视觉原理在公路线形设计中的应用[J]. 长安大学学报(自然科学版),2004,24(6): 20-24. doi: 10.19721/j.cnki.1671-8879.2004.06.005PAN Binghong, ZHAO Yifei, LIANG Xiaozhong. Application of dynamic vision theory in highway alignment design[J]. Journal of Chang’an University (Natural Science Edition), 2004, 24(6): 20-24. doi: 10.19721/j.cnki.1671-8879.2004.06.005 期刊类型引用(2)
1. 钟吴君，李培强，涂春鸣. 基于EEMD-CBAM-Bi LSTM的牵引负荷超短期预测. 电工技术学报. 2024(21): 6850-6864 . 
百度学术2. 吴磊，舒洋浩，周斌彬，张凌云，戴朝华. 基于配置与能量管理协同的铁路光储系统经济性提升策略. 铁道科学与工程学报. 2024(11): 4711-4723 . 百度学术其他类型引用(3)
-
下载:
下载:
百度学术
点击查看大图
计量
- 文章访问数: 449
- HTML全文浏览量: 205
- PDF下载量: 75
- 被引次数: 5