دانلود رایگان ترجمه مقاله ارزیابی مناقشات ترافیکی برای حرکات خارج از لاین موتور سیکلت ها – الزویر 2014

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده

1 . مقدمه

2 . توسعه مدل

1 .2 مفهوم فضای امن برای طراحی و ارایه حرکات خارج از لاین موتورسیکلت

2. 2 پارامتر های مربوط به کاهش و افزایش سرعت

3 .2 شرایط مربوط به انتخاب تاثیر گذار ترین وسیله برای افزایش سرعت

1 .3. 2 زاویه دنبال کردنØ0

2 .3. 2دنبال کردن عرض مسیر RW 0

3 . درجه بندی مدل

1 .3 جمع آوری داده

2 .3 درجه بندی پارامتر

4 . یافته های شبیه سازی ارزیابی برخورد های ترافیکی

1 .4 شبیه ساز

1 .1 .4 طرح کلی

2 .1. 4 شبکه

3 .1 .4 تولید وسیله نقلیه

4 .1 .4 خصوصیات مدل

2 .4 بازبینی و تحقیق

1 .2 .4تعقیب انحرافی

2 .2 . 4حرکت انحرافی

3 .2 .4نمودار های اصلی

3 .4تاثیرات تراکم جریان بر برخورد های ترافیکی

1 .3 .4 موقعیت های مناقشه در بخش خیابانی

2 .3. 4شاخص برخورد: میزان کاهش سرعت

3 .3 .4 تاثیرات تراکم جریان روی برخورد های ترافیکی

4 . 3. 4رابطه بین تراکم جریان و انواع برخورد های ترافیکی

5. نتیجه گیری

بخشی از ترجمه فارسی مقاله:

1 . مقدمه
موتورسیکلت ها حالت اصلی حمل و نقل در چند کشور آسیایی توسعه یافته هستند. اختلاف اصلی حرکت اتومبیل و حرکت موتورسیکلت مربوط به حرکات به ترتیب خطی و خارج از لاین بودن می باشد. اتومبیل در یک لاین و خط حرکت می کند و به ندرت تغییر خط می دهد. اگرچه، موتور سیکلت مخصوصا تحت شرایط ترافیک سنگین و تراکم اغلب تغییر مسیر میدهد. وقتی که خیابان لاین موتورسیکلت نداشته باشد، نیازی نیست تا موتورسیکلت از اصول لاین و خط پیروی کند. برای مثال، موتورسیکلت ممکن است همراه با وسیله های نقلیه دیگر در یک لاین حرکت کند یا وسیله نقلیه جلو را بطور کج و انحرافی دنبال کند. این حرکات خارج از لاین موتورسیکلت ها انحصاری هستند و بر احتمال تصادفات ترافیکی تاثیر می گذارند. از این رو، در این مقاله بر تاثیرات حرکات خارج از لاین بر برخورد های ترافیکی تحت شرایط ترافیک سنگین تمرکز شده است.
محققین زیادی سعی کرده اند تا حرکات خارج از لاین را با تقسیم به حرکات طولی و عرضی ارایه دهند. از آنجا که حرکت طولی مشابه دنبال کردن اتومبیل است، از مدل قدیمی تعقیب و دنبال کردن اتومبیل برای تشریح این حرکت استفاده شده است. اما وقتی که حرکت عرضی مدل گذاری می شود، مدل های مختلف زیادی بر اساس فرضیات متفاوت مربوط به رابطه بین حرکات عرضی و طولی ارائه شده اند. Cho and Wuبیان کردند که موقعیت طولی موتورسیکلت با میانگین موقعیت عرضی وسایل نقلیه جانبی که با موقعیت های طولی خود وزن می شوند، تعیین می شود. Minh و همکارانش اینگونه بیان کردند که موتورسیکلت در یک “لاین دینامیک” حرکت می کند تا وسیله نقلیه جلو را در همان لاین دینامیک دنبال کند یا لاین ها را برای سبقت گرفتن از وسیله جلویی خود تغییر می دهد. عرض لاین دینامیک با استفاده از رابطه خطی بین فضای جدا کننده دو وسیله نقلیه کنار هم و میانگین سرعت محاسبه می شود. Lan and Changیک مدل اتوماسیون سلولی برای شبیه سازی حرکات دو بعدی موتور سیکلت ارایه کرده اند. آنها اندازه واحد سلولی را تا 1.25m×1.25mتنظیم کردند تا موتورسیکلت را به عنوان واحد های سلول 2×1ارائه کنند. سپس موتورسیکلت می تواند بر اساس قوانین حرکتی ساده موتورسیکلت ها از یک سلول به سلول دیگر حرکت کند، نظیر تعقیب اتومبیل، تغییر لاین یا سبقت گرفتن. علاوه بر این در بیشتر مدل ها عوامل ایمنی مثل مدت زمان واکنش، فضای امن یا اختلاف سرعت مربوط به توصیف رفتار پیشگیری از برخورد و تصادف در نظر گرفته نشده اند. Nguyen و همکارانش مفهوم فضای امن را مطرح کرده اند که در آن حرکات طولی و عرضی را می توان یکی کرد. این مدل بالقوه ارزیابی مباحث ایمنی حرکات خارج از لاین موتورسیکلت را دارد.

سطح ایمنی وسیله نقلیه با تعداد یا میزان تصادفات وسیله نقلیه مشخص می شود. دو رویکرد معروف برای برآورد سطح ایمنی وسیله نقلیه وجود دارد: (1)توسعه توابع عملکرد ایمنی که با استفاده از تحلیل رگرسیون، تعداد یا میزان تصادفات را به متغیر های توضیحی ربط می دهد، و (2) توسعه ی مدل های شبیه سازی برای محاسبه سطح ایمنی از طریق اندازه گیری های مربوط به ارزیابی ایمنی ترافیک. در مورد اول، روابط میان متغیر ها با تجزیه و تحلیل پراکندگی بدست می آیند و با فرمول های رگرسیون اشتقاقی تقریب زده می شوند. Neuman and Glennonروابط میان محیط خیابان طرح خیابانی، فرا ساختار و دلایل تصادف را بدست آورده اند. Wardhawsky-Livne و Shinarروابط بین مدت زمان واکنش به چراغ ترمز و جنسیت، سن راننده، سطح انتظار برای چراغ قرمز به علاوه تعداد دفعاتی که کار انجام شده است را ارایه کرده اند. با این حال، این رویکرد نیاز به داده های انطباقی در مورد تصادفات ترافیکی دارد که جمع آوری آنها در بیشتر کشور های توسعه یافته بسیار دشوار است. در واقعیت احتمال تصادف بسیار پایین است و در طول روز، روز های هفته، مکان و رویداد ها فرق می کند. رویکرد دوم بالقوه ی به کار بردن کمبود داده های مشاهده و بررسی فوق الذکر را دارد. مدل های شبیه سازی بر اساس مدل گذاری و طراحی رفتاری وسایل نقلیه ارائه می شوند. اگر چه این مدل ها نمی توانند تعداد تصادفات را برآورد کنند، اما می توان از آنها برای ارزیابی سطح میزان تصادفات بیش از حد متوسط استفاده کرد. مدل های شبیه سازی می توانند داده های تحلیلی بیشتری نسبت به داده های مشاهده با ذخایر زمان ایجاد کنند. علاوه بر این، این مدل ها می توانند زمینه های زیادی مثل طول شب، آخر هفته و مکان های مخصوص را تحت پوشش قرار دهند که مشاهده کننده ها در جمع آوری داده برای آنها با مشکل مواجه می شوند.
مطالعات قراردادی بر روی تکنیک های در حال توسعه ی مربوط به اندازه گیری برخورد های ترافیکی تمرکز داشته اند تا سطح ایمنی وسیله نقلیه را مورد ارزیابی قرار دهند. برخورد های ترافیکی به عنوان رویدادی تعریف می شود که شامل دو یا چند کاربر خیابانی یا راننده می شود که در آن عمل یک راننده موجب عمل دیگری می شود تا یک مانور گریز جهت جلوگیری از برخورد را ارایه کند. Gettman and Headاندازه گیری های اولیه برای تعیین برخورد های با استفاده از شبیه سازی میکروسکوپی را خلاصه کرده اند نظیر زمان -به -برخورد(TTC)، زمان بعد از تخطی(PET)، حداکثر سرعت های دو وسیله نقلیه موجود در رویداد برخورد(MaxS)، حداکثر سرعت های نسبی دو وسیله نقلیه موجود در برخورد ها(DeltaS) و میزان کاهش سرعت(DR). این مقادیر در خروجی مدل شبیه سازی در هر مرحله زمان در دسترس می باشد. به همین دلیل در اینجا ازDRبه عنوان اندازه کارآمد جهت ارزیابی برخورد های ترافیکی موتورسیکلت ها در بخشی از خیابان استفاده شده است.
در این مقاله مدلی جهت ارزیابی برخورد های ترافیکی موتور سیکلت ها ارائه می شود. این مدل شامل مفهوم فضای امن برای تعریف حرکات خارج از لاین می شود که مخصوص موتور سیکلت ها در شرایط ترافیک سنگین است. ویژگی های جدیدی نیز برای ارزیابی برخورد های ترافیکی در شرایط ترافیک سنگین نیز ارایه شده است، نظیر پارامتر های افزایش و کاهش سرعت به علاوه پیروی از شرایط مربوط به انتخاب وسیله نقلیه جلو: (1)زاویه دنبال کردن و(2) پهنای مسیر دنبال کردن. درجه بندی مربوط به برآورد پارامتر با استفاده از داده های خط سیر حرکت موتورسیکلت ها توضیح داده می شود که از تصاویر ویدئویی در دو بخش مختلف خیابان در شهرHo Chi Minhمشاهده شده اند. یک شبیه سازی جهت تایید حرکات خارج از لاین دینامیک موتورسیکلت ها ارایه شده است: منحرف شدن و کج دنبال کردن. ارزیابی برخورد های ترافیکی ایجاد شده با این حرکات با محاسبه DRدر هر فضای زمانی طبق تغییر تراکم جریان موتورسیکلت تایید و تصدیق می شود.

بخشی از مقاله انگلیسی:

1. Introduction

Motorcycles are the main mode of transportation in several developing Asian countries. The basic difference in the movement of a car and that of a motorcycle relates to lane-based and non-lane-based movements, respectively. A car runs in and seldom changes lanes. However, a motorcycle frequently changes direction, especially under congested conditions. When a road lacks a motorcycle lane, a motorcycle need not follow lane discipline. For example, a motorcycle may travel alongside other vehicles in the same lane [1] or obliquely follow a lead vehicle [2]. Such non-lane-based movements of motorcycles are unique and in- fluence the likelihood of traffic accidents. Hence, in this study, we focus on the effects of such non-lane-based movements on traffic conflict under congested situations. Many researchers have attempted to represent non-lane-based movements by separating them into longitudinal and lateral movements. Because longitudinal movement resembles car following, the traditional car-following model has been used to describe this movement. However, when modeling lateral movement, many different models have been developed on the basis of different assumptions regarding the relationship between longitudinal and lateral movements. Cho and Wu [3] assumed that the lateral position of a motorcycle was determined by the average lateral position of the surrounding vehicles weighted by their longitudinal positions. Minh et al. [4,5] supposed that a motorcycle runs on a “dynamic lane” to follow a lead motorcycle on the same dynamic lane or change lanes to overtake its leader. The width of the dynamic lane was calculated using the linear relationship between the distance separating two vehicles running side-by-side and the average speed. Lan and Chang [6] developed a cellular automation model to simulate two-dimensional motorcycle movements. They set the size of a cell unit to 1.25 m × 1.25 m to represent a motorcycle as 2 × 1 cell units. A motorcycle can then move from one cell to another based on simple moving rules developed for motorcycles, such as carfollowing, lane-changing, or overtaking. Moreover, most models do not consider safety factors such as reaction time, safety distance,  or speed difference related to the description of collision avoidance behavior. Nguyen et al. [14] proposed the concept of a safety space in which longitudinal and lateral movements can be integrated. This model has the potential to evaluate the safety issues of nonlane based motorcycle movements. The safety level of a vehicle is denoted by the number or rate of accidents involved with the vehicle. There are two popular approaches for estimating the safety level of a vehicle: (1) development of safety performance functions that relate the number or rate of accidents to the explanatory variables by using regression analysis, and (2) development of simulation models to calculate the safety level through measures for traffic safety assessment. In the former, correlations among variables are found by analyzing the dispersion and approximated by deriving regression formulas. Neuman and Glennon [7] found correlations among the road environment of road design, infrastructure, and accident causes. Warshawsky-Livne and Shinar [8] found relationships between the reaction time to a brake light and the driver’s gender, age, level of expectancy for the brake light, as well as the number of times that a task was performed. However, this approach requires consensus data on traffic accidents, which are very difficult to collect in most developing Asian countries. In reality, the probability of a traffic