Steady-StateCar-FollowingTimeGaps:AnEmpiricalStudyUsingNaturalisticDrivingData稳定状态跟车时间间隔：一项使用驾驶数据的实证研究
介绍车辆之间的时距(Timeheadway)是一个重要的微观交通流属性。它被用于交通工程的许多领域，因为它直接关系到交通安全、路段的服务水平和交通设施的容量。测量技术中，第一种技术，感应环等传感器安装在道路上的某个位置，以记录车辆经过其路径的时间。连续车辆的到达时间用于计算THW。使用此程序，可以估计道路上某个位置的多个驾驶员使用的车头时距第二种技术中，距离传感器（例如雷达）安装在车辆中以测量后续车辆与其领导者之间的距离。测量的距离和后面车辆的速度用于计算车头时距使用这种技术，可以在道路上的任何时间计算后续车辆的车头时距。使用第一种技术，在道路的某个位置识别多个驾驶员的行为，而第二种技术识别整个道路上的一个驾驶员的行为。
介绍THW是指车辆的前（或后）保险杠通过指定点到其跟随者的前（或后）保险杠到达同一点之间的时间，这意味着前（或后）保险杠的长度跟随者）车辆在计算时距时被考虑在内。Timegap是从车辆的后部到其跟随者的前部测量的。计算时间间隔的一种更准确的方法是浮动车辆技术，其中使用已知的测试车辆的长度和速度准确地推导出时距，后者使用车辆的车载诊断(OBD)系统准确测量。
介绍-文献本研究的目标之一是评估作为车速函数的时间间隔分布。Taieb-Maimon和Shinar进行了一项实地研究，以评估驾驶员在跟车情况下的实际车头距离。在他们的实验中，参与者被要求保持“最小安全距离”和“舒适、正常的距离，无意超车”在前车后面，车速从50到100公里/小时不等。Teir结果表明，参与者的车头时距与速度相关，从50公里/小时的平均9.5m调整为100公里/小时的平均19m，这导致平均最小车距与速度和距离几乎恒定从0.64秒到0.69秒。
介绍布拉克斯顿等人(2009)测试车辆为两组驾驶员收集数据：6名主动参与者和123名被动受试者，他们在数据收集运行期间跟随仪表化车辆进行观察。他们揭示了受试者之间或受试者内部的时间进度有很大程度的变化。当他们对参与者的结果进行平均时，他们发现平均前进速度随着速度的增加而减少，速度增加到15m/s，之后它保持不变。
方法-实际数据的收集2002年，弗吉尼亚理工大学交通研究所(VTTI)发起了一项研究，其中100辆汽车由指定的司机在华盛顿特区周围安装和驾驶。研究的结论产生了一个数据库，其中包含108位司机完成的207,000次行程。出于本研究的目的，仅使用了与跨越约10小时的1,180次跟车事件相关的数据集。汽车跟随数据是在杜勒斯机场通道的大约13公里长的路段上收集的。
方法-实际数据的收集本研究只选择一个部分是为了在自由流动速度、容量速度、饱和流速和堵塞密度方面保持设施的均匀性。评估数据是从七个不同的驱动程序收集的。对于每个事件，本研究中使用的自然数据包括后车的瞬时速度、前车的瞬时速度以及两辆车之间的间隔距离。使用安装在仪表跟随车辆中的雷达系统测量前车的瞬时速度和间隔距离。
方法-实际数据的收集然后过滤数据以确保仅分析稳态的跟车事件。这是通过从原始数据中仅提取满足以下四个标准的事件来完成的。主从车辆速度差的绝对值5%所考虑事件期间的加速和/或减速0.2m/s2车头时距（测量距离与仪表车长之和，整体除以跟车速度）4s距离间距100m图1显示了其中一个过滤事件。在这种情况下，跟随车的行驶速度（98-102公里/小时）略高于领先车（95-98公里/小时），时间差距从0.82秒减少到0.67秒。因此，该事件和驾驶员的所有时间间隙数据点将被保存为速度间隔的单独时间间隙测量值。
方法-实际数据的收集过滤了所有事件，就获得了每个驾驶员和每个速度间隔的时间间隔数据。总共获得了168,053个时间间隔样本，大部分数据属于速度区间。每个驾驶员和每个速度间隔的时间间隔样本数。
结果-对司机的描述性统计右表显示为所有驾驶员和所有速度间隔计算的平均值和变异系数(COV)对Driver462计算出的COV高达63.8%，表明它们在驾驶时不一致。该驾驶员在以≥108km/h的速度行驶时，在某些情况下留下的时间差距低至0.48秒，而在其他情况下，时间差距高达2.99秒。在速度高于54公里/小时时，大多数驾驶员的变异性更为显著。在这些高速下，大多数司机的平均时间间隔大于中位数，表明较短的时间间隔更集中。
结果-对司机的描述性统计显示了驱动器358（图