無(wú)路側(cè)干擾條件下公路基本路段通行能力計(jì)算方法

摘要：為計(jì)算公路基本路段通行能力，采集濟(jì)南、臨沂、日照、德州等地的公路信號(hào)交叉口直行車(chē)道的單車(chē)道交通流數(shù)據(jù)，近似作為無(wú)路側(cè)干擾條件下公路基本路段交通流數(shù)據(jù)，選取車(chē)道數(shù)、車(chē)道寬度、路肩寬度、中央隔離帶寬度、交通組成等作為公路基本路段通行能力的影響因素，采用皮爾遜系數(shù)分析法篩選影響通行能力的關(guān)鍵因素，通過(guò)回歸分析法建立單因素與單車(chē)道通行能力的函數(shù)關(guān)系，計(jì)算關(guān)鍵影響因素的單車(chē)道通行能力修正系數(shù)。采用雙因素方差分析法分析不同影響因素的交互作用關(guān)系，構(gòu)建含多影響因素和影響因素交互項(xiàng)的公路基本路段通行能力多元回歸模型。結(jié)果表明：車(chē)道數(shù)、車(chē)道寬度及小型車(chē)占比與單車(chē)道通行能力的相關(guān)性顯著，為關(guān)鍵影響因素，按重要度從大到小依次排序?yàn)樾⌒蛙?chē)占比、車(chē)道數(shù)、車(chē)道寬度；3個(gè)關(guān)鍵影響因素非相互獨(dú)立，存在一定的交互作用，車(chē)道數(shù)與小型車(chē)占比、車(chē)道寬度與小型車(chē)占比間均存在交互影響；構(gòu)建的多元回歸模型的計(jì)算準(zhǔn)確度為96.30%，能較好地計(jì)算公路基本路段的通行能力。

關(guān)鍵詞：通行能力；回歸分析；影響因素；交互影響

中圖分類(lèi)號(hào)：U491文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1672-0032（2024）04-0007-07

0引言

交通是興國(guó)之要、強(qiáng)國(guó)之基。通行能力作為交通特征的重要指標(biāo)，是公路規(guī)劃、管理、養(yǎng)護(hù)及改建的核心依據(jù)之一，研究無(wú)路側(cè)干擾條件下公路基本路段通行能力具有重要的現(xiàn)實(shí)意義。

數(shù)理與理論分析方法方面，Yu等[1]構(gòu)建基于元胞自動(dòng)機(jī)的交通流模型，模擬高速公路不同條件下的交通流，發(fā)現(xiàn)低密度交通流與車(chē)輛間隙呈線性關(guān)系；徐慧智等[2]分析車(chē)輛在不同車(chē)道間的換道行為對(duì)交通流的影響，構(gòu)建車(chē)輛換道行為與道路通行能力關(guān)系模型；Moreno等[3]根據(jù)西班牙的交通條件調(diào)整《2010年美國(guó)公路通行能力手冊(cè)》（Highway Capacity Manual 2010，HCM2010），以適應(yīng)西班牙的交通流量和道路條件，評(píng)估雙車(chē)道公路的通行能力和服務(wù)水平;Roy等[4]收集印度公路的交通流數(shù)據(jù)，研究混合交通對(duì)公路通行能力的影響，發(fā)現(xiàn)慢行車(chē)輛在交通流中的比例增大時(shí)，公路通行能力下降。在交通仿真方法方面，Song等[5]采用軟件VISSIM分析交通事故對(duì)高速公路通行能力的影響，針對(duì)事故特性，校正與通行能力相關(guān)的仿真參數(shù)并分析參數(shù)的敏感性，確定影響通行能力的主要因素；魏雪延等[6]采用VISSIM模擬不同斷面形式下的高速公路交通流，通過(guò)速度-流量曲線標(biāo)定高速公路通行能力，分析不同因素對(duì)通行能力的影響程度。不同標(biāo)準(zhǔn)或規(guī)范中的速度-流量模型、基本通行能力計(jì)算方法有所差異，計(jì)算相同環(huán)境下的通行能力可能得到不同的結(jié)果[7-8]。以往文獻(xiàn)多研究山區(qū)公路[9]、雨雪天氣環(huán)境[10-11]等特定或特殊環(huán)境下的通行能力，多研究大車(chē)比例[12]、道路線型[13]等單因素對(duì)通行能力的影響，較少建立通行能力影響因素體系，研究缺乏系統(tǒng)性。以跟馳模型[14-16]、元胞自動(dòng)機(jī)[17-19]等為基礎(chǔ)引入變量?jī)?yōu)化模型進(jìn)行理論分析，需較少的數(shù)據(jù)，但該方法趨于理想狀態(tài)，易忽視某些因素的影響，導(dǎo)致模型無(wú)法貼合實(shí)際交通流。采用軟件Excel、SPSS等，運(yùn)用回歸分析等數(shù)理統(tǒng)計(jì)方法，對(duì)實(shí)地調(diào)研的實(shí)測(cè)交通流數(shù)據(jù)進(jìn)行擬合建模，該方法有數(shù)據(jù)支撐，但工作量較大，耗費(fèi)人力、物力較多且易受人為影響，影響結(jié)果準(zhǔn)確性[20-21]。采用交通仿真方法，通過(guò)軟件VISSIM、MATLAB等，結(jié)合理論分析方法中的部分交通參數(shù)和數(shù)理統(tǒng)計(jì)方法中的少量實(shí)測(cè)數(shù)據(jù)模擬復(fù)雜的交通狀況，能簡(jiǎn)化研究場(chǎng)景的構(gòu)建復(fù)雜度，若某些參數(shù)設(shè)置不當(dāng)，仿真結(jié)果與實(shí)際情況出現(xiàn)較大偏差[22]。

本文將理論分析與現(xiàn)場(chǎng)調(diào)查數(shù)據(jù)結(jié)合，采用皮爾遜系數(shù)分析法確定通行能力的關(guān)鍵影響因素，采用回歸分析法擬合各關(guān)鍵影響因素與通行能力的函數(shù)關(guān)系，考慮不同影響因素的交互影響建立公路基本路段通行能力多元回歸模型，以期為公路規(guī)劃設(shè)計(jì)、運(yùn)營(yíng)管理及改建擴(kuò)建時(shí)計(jì)算通行能力提供參考。

1數(shù)據(jù)采集及相關(guān)性分析

1.1數(shù)據(jù)采集

公路基本路段的交通量波動(dòng)范圍較小，車(chē)速較穩(wěn)定，不易出現(xiàn)飽和車(chē)流，較難獲取飽和交通流狀態(tài)參數(shù)，無(wú)法計(jì)算通行能力。公路信號(hào)交叉口直行車(chē)道與公路基本路段的道路條件和交通條件的影響因素相同時(shí)，可近似認(rèn)為交叉口直行車(chē)道與基本路段單車(chē)道的飽和交通流狀態(tài)相同。本文以公路信號(hào)交叉口采集的交通流數(shù)據(jù)替代公路基本路段的交通流數(shù)據(jù)計(jì)算通行能力，選擇無(wú)渠化、轉(zhuǎn)向少、道路條件和交通條件與公路基本路段相同的交叉口作為試驗(yàn)路段。試驗(yàn)路段環(huán)境要求為：1）選擇公路無(wú)路側(cè)干擾基本路段附近的無(wú)渠化信號(hào)交叉口，主路方向與次路方向交通量差距較大，主路車(chē)輛以直行為主；2）交叉口進(jìn)口道的車(chē)道數(shù)、車(chē)道寬度、中央隔離寬度、路肩寬度等道路條件與公路基本路段相同，交叉口進(jìn)口道的車(chē)道數(shù)為1～4，車(chē)道寬度分別為3.00、3.25、3.50、3.75、4.00 m，中央隔離寬度分別為0、1.0、1.5、2.0、2.5、3.0、4.0、5.0、6.0 m，路肩寬度分別為0.50、1.00、1.50、2.00、2.50、2.75、3.00、3.25、3.50、4.00、4.50 m；3）信號(hào)交叉口的交通組成與公路基本路段相同，采用小型車(chē)占比p表征交通組成，p=0.26～1.00[23]；圖1單車(chē)道通行能力數(shù)據(jù)箱型圖4）選擇無(wú)平曲線的直線路段，縱坡坡度小于2%，設(shè)計(jì)速度為80 km/h；5）天氣為晴天或陰天，風(fēng)力小于3級(jí)。

采集濟(jì)南、臨沂、日照、德州等地符合試驗(yàn)環(huán)境的公路信號(hào)交叉口數(shù)據(jù)，共得到800組直行車(chē)流的單車(chē)道通行能力和影響因素?cái)?shù)據(jù)，其中640組用于標(biāo)定參數(shù)，160組用于檢驗(yàn)?zāi)Ｐ汀２捎密浖PSS分析此數(shù)據(jù)，得到單車(chē)道通行能力數(shù)據(jù)箱型圖結(jié)果如圖1所示。由圖1可知：所有數(shù)據(jù)均在箱體范圍內(nèi)，箱體范圍外無(wú)離群點(diǎn)，通行能力數(shù)據(jù)無(wú)異常，均可信。

1.2數(shù)據(jù)相關(guān)性分析

采用皮爾遜相關(guān)系數(shù)[24]分析單車(chē)道通行能力與車(chē)道數(shù)、車(chē)道寬度、路肩寬度、中央隔離寬度、小型車(chē)占比等影響因素間的相關(guān)性，單車(chē)道通行能力與以上各影響因素間的皮爾遜相關(guān)系數(shù)分別為-0.261**（**在0.01級(jí)別（雙尾），相關(guān)性顯著）、0.168**、0.046、-0.038、0.937**，顯著性概率P分別為0.000、0.000、0.189、0.280、0.000。結(jié)果表明：車(chē)道數(shù)、車(chē)道寬度及小型車(chē)占比與單車(chē)道通行能力的相關(guān)性顯著，為關(guān)鍵影響因素，按影響程度從大到小排序?yàn)樾⌒蛙?chē)占比、車(chē)道數(shù)、車(chē)道寬度；路肩寬度和中央隔離寬度與單車(chē)道實(shí)際通行能力的相關(guān)性不顯著，為非關(guān)鍵影響因素。

2通行能力的影響因素

回歸分析法是確定2種或2種以上變量間定量關(guān)系的分析方法，按自變量個(gè)數(shù)，分為一元回歸分析和多元回歸分析。一元回歸分析評(píng)估單因素對(duì)因變量的影響趨勢(shì)，多元回歸分析揭示多個(gè)變量的組合與因變量間的關(guān)系[25]。本文采用回歸分析法研究不同影響因素對(duì)通行能力的影響，分別建立單車(chē)道通行能力與車(chē)道數(shù)、車(chē)道寬度、小型車(chē)占比的函數(shù)關(guān)系式，計(jì)算不同影響因素對(duì)通行能力影響的修正系數(shù)。

2.1單因素對(duì)通行能力的影響

1）車(chē)道數(shù)

選取32組不同車(chē)道數(shù)下的單車(chē)道通行能力數(shù)據(jù)，采用軟件SPSS對(duì)車(chē)道數(shù)N和單車(chē)道通行能力C進(jìn)行曲線擬合，曲線擬合結(jié)果可知3次函數(shù)的擬合效果最好，公式為：

{C}=5.125N3－66.313N2+39.938N+2 253.625，（1）

式中{C}為以pcu/h為單位的C的數(shù)值。

N=1～4時(shí)，由式（1）計(jì)算得C分別為2 232.38、2 109.25、1 915.00、1 680.37 pcu/h，以3車(chē)道作為公路標(biāo)準(zhǔn)車(chē)道數(shù)，以不同車(chē)道的通行能力與標(biāo)準(zhǔn)車(chē)道的通行能力之比作為車(chē)道數(shù)對(duì)通行能力影響的修正系數(shù)fN。N=1～4時(shí)，fN分別為1.17、1.10、1.00、0.88。單車(chē)道通行能力隨車(chē)道數(shù)的增多而減小。與文獻(xiàn)[26]中車(chē)道數(shù)越多，單車(chē)道實(shí)際通行能力越大的結(jié)論相反。

2）車(chē)道寬度

擬合車(chē)道寬度W與單車(chē)道通行能力C的公式為：

{C}=－177.429{W}2+1 563.000{W}－1 457.546，（2）

式中{W}為以m為單位的W的數(shù)值。

W分別為3.00、3.25、3.50、3.75、4.00 m時(shí)，由式（2）計(jì)算得C分別為1 634.59、1 748.11、1 898.80、1 839.45、1 955.59 pcu/h，以3.75 m作為公路標(biāo)準(zhǔn)車(chē)道寬度，以不同車(chē)道寬度的通行能力與標(biāo)準(zhǔn)車(chē)道寬度的通行能力之比作為車(chē)道寬度對(duì)通行能力影響的修正系數(shù)fW。W分別為3.00、3.25、3.50、3.75、4.00 m時(shí)fW分別為0.86、0.92、0.96、1.00、1.02。車(chē)道寬度越小，相鄰車(chē)道車(chē)輛間的橫向距離越小，為保證行車(chē)安全，車(chē)輛需減速或保持較低車(chē)速，保證與相鄰車(chē)道車(chē)輛間有一定的縱向間距，實(shí)際通行能力降低。

3）小型車(chē)占比

擬合小型車(chē)占比p與單車(chē)道通行能力C的公式為：

{C}=1 890.790p－1.324。（3）

p分別為0.26、0.40、0.60、0.80、1.00時(shí)，由式（3）計(jì)算得C分別為490.28、754.99、1 133.15、1 511.31、1 889.47 pcu/h，以1.00作為標(biāo)準(zhǔn)小型車(chē)占比，以不同小型車(chē)占比下的通行能力與標(biāo)準(zhǔn)小型車(chē)占比下的通行能力之比作為小型車(chē)占比對(duì)通行能力影響的修正系數(shù)fp。p分別為0.26、0.40、0.60、0.80、1.00時(shí)，fp分別為0.26、0.40、0.60、0.80、1.00。單車(chē)道通行能力隨小型車(chē)占比的增大而增大。

2.2單因素在多因素影響下對(duì)通行能力的影響

1）車(chē)道數(shù)

采用軟件SPSS擬合不同車(chē)道寬度和不同小型車(chē)占比下車(chē)道數(shù)和單車(chē)道通行能力關(guān)系數(shù)據(jù)，擬合曲線如圖2所示。p=0.96～1.00時(shí)，不同車(chē)道寬度下單車(chē)道通行能力隨車(chē)道數(shù)的變化趨勢(shì)如圖2a）所示。W=3.75 m時(shí)，不同小型車(chē)占比下單車(chē)道通行能力隨車(chē)道數(shù)的變化趨勢(shì)如圖2b）所示。

由圖2a）可知：不同車(chē)道寬度下，單車(chē)道通行能力隨車(chē)道數(shù)的增大而減小的趨勢(shì)基本相同，車(chē)道寬度對(duì)車(chē)道數(shù)與單車(chē)道實(shí)際通行能力的關(guān)系基本無(wú)影響。由圖2b）可知：隨小型車(chē)占比增大，單車(chē)道通行能力隨車(chē)道數(shù)的增大而減小的趨勢(shì)越顯著，小型車(chē)占比對(duì)車(chē)道數(shù)與單車(chē)道實(shí)際通行能力的關(guān)系有影響。

2）車(chē)道寬度

采用軟件SPSS分別擬合不同車(chē)道數(shù)和不同小型車(chē)占比下車(chē)道寬度和單車(chē)道通行能力關(guān)系數(shù)據(jù)，擬合曲線如圖3所示。p=0.96～1.00時(shí)，不同車(chē)道數(shù)下單車(chē)道通行能力隨車(chē)道寬度的變化趨勢(shì)如圖3a）所示。N=3時(shí)，不同小型車(chē)占比下單車(chē)道通行能力隨車(chē)道寬度的變化趨勢(shì)如圖3b）所示。

由圖3a）可知：不同車(chē)道數(shù)下，單車(chē)道通行能力隨車(chē)道寬度的增大而增大的趨勢(shì)基本相同，車(chē)道數(shù)對(duì)車(chē)道寬度與單車(chē)道通行能力的關(guān)系基本無(wú)影響。由圖3b）可知：隨小型車(chē)占比增大，單車(chē)道通行能力隨車(chē)道寬度的增大而增大的趨勢(shì)越來(lái)越顯著，小型車(chē)占比對(duì)車(chē)道寬度與單車(chē)道通行能力的關(guān)系有影響。

3）小型車(chē)占比

采用軟件SPSS分別擬合不同車(chē)道數(shù)和不同車(chē)道寬度下小型車(chē)占比和單車(chē)道通行能力關(guān)系數(shù)據(jù)，擬合曲線如圖4所示。W=3.75m時(shí)，不同車(chē)道數(shù)下單車(chē)道通行能力隨小型車(chē)占比的變化趨勢(shì)如圖4a）所示。N=3時(shí)，不同車(chē)道寬度下單車(chē)道通行能力隨小型車(chē)占比的變化趨勢(shì)如圖4b）所示。

a）不同車(chē)道數(shù)b）不同車(chē)道寬度

圖4單車(chē)道通行能力隨小型車(chē)占比的變化趨勢(shì)由圖4a）可知：隨車(chē)道數(shù)增多，單車(chē)道通行能力隨小型車(chē)占比增大而增大的趨勢(shì)越來(lái)越不顯著，車(chē)道數(shù)對(duì)小型車(chē)占比與單車(chē)道通行能力的關(guān)系有影響。由圖4b）可知：隨車(chē)道寬度增大，單車(chē)道通行能力隨小型車(chē)占比增大而增大的趨勢(shì)越來(lái)越顯著，車(chē)道寬度對(duì)小型車(chē)占比與單車(chē)道通行能力的關(guān)系有影響。

3考慮交互影響的通行能力多元回歸模型

采用軟件SPSS對(duì)試驗(yàn)統(tǒng)計(jì)數(shù)據(jù)進(jìn)行雙因素方差分析檢驗(yàn)，可知車(chē)道數(shù)、車(chē)道寬度、小型車(chē)占比3個(gè)影響因素間不是相互獨(dú)立，存在一定的交互作用，車(chē)道數(shù)與小型車(chē)占比、車(chē)道寬度與小型車(chē)占比均存在交互影響。

3.1模型構(gòu)建

通行能力模型的修正系數(shù)由車(chē)道數(shù)、車(chē)道寬度、小型車(chē)占比、車(chē)道數(shù)與小型車(chē)占比交互項(xiàng)、車(chē)道寬度與小型車(chē)占比交互項(xiàng)5部分組成。

車(chē)道數(shù)與單車(chē)道通行能力為3次函數(shù)關(guān)系，車(chē)道寬度與單車(chē)道通行能力為2次函數(shù)關(guān)系，小型車(chē)占比與單車(chē)道通行能力為1次函數(shù)關(guān)系；假設(shè)車(chē)道數(shù)與小型車(chē)占比交互項(xiàng)與單車(chē)道通行能力為1次函數(shù)關(guān)系，車(chē)道寬度與小型車(chē)占比交互項(xiàng)與單車(chē)道通行能力為1次函數(shù)關(guān)系，構(gòu)建含多影響因素和影響因素交互項(xiàng)的公路基本路段通行能力多元回歸模型為：

{C}={C0}（aN3+bN2+cN+d{W}2+e{W}+fp+gNp+h{W}p+i），（4）

式中：{C0}為以pcu/h為單位的單車(chē)道基準(zhǔn)通行能力C0的數(shù)值，依據(jù)文獻(xiàn)[26]中的標(biāo)準(zhǔn)規(guī)范取值；a～i為標(biāo)定系數(shù)，通過(guò)640組采集數(shù)據(jù)進(jìn)行參數(shù)標(biāo)定，計(jì)算得a～i分別為0.001、－0.015、0.046、－0.070、0.499、0.646、－0.087、0.164、－0.922。

分析式（4）可知：車(chē)道數(shù)與小型車(chē)占比交互項(xiàng)的標(biāo)定系數(shù)g為負(fù)，對(duì)單車(chē)道通行能力起反向作用；車(chē)道寬度與小型車(chē)占比交互項(xiàng)的標(biāo)定系數(shù)h為正，對(duì)單車(chē)道通行能力起正向作用；小型車(chē)占比越大，單車(chē)道通行能力隨車(chē)道數(shù)的增大而減小的趨勢(shì)越顯著，隨車(chē)道寬度增大而增大的趨勢(shì)越顯著；車(chē)道數(shù)越少或車(chē)道寬度越大，單車(chē)道通行能力隨小型車(chē)占比的增大而增大的趨勢(shì)越顯著；單車(chē)道通行能力隨車(chē)道數(shù)的增多或車(chē)道寬度的增大而逐漸增大，且增大趨勢(shì)逐漸減小，隨小型車(chē)占比的增大而逐漸增大，且增大趨勢(shì)保持不變。

3.2模型檢驗(yàn)

采用160組數(shù)據(jù)樣本檢驗(yàn)含多影響因素和影響因素交互項(xiàng)的公路基本路段通行能力多元回歸模型的準(zhǔn)確性，得到模型誤差的描述性統(tǒng)計(jì)結(jié)果如表1所示。

由表1可知：含多影響因素和影響因素交互項(xiàng)的公路基本路段通行能力多元回歸模型的計(jì)算準(zhǔn)確度為96.30%，模型計(jì)算結(jié)果與實(shí)測(cè)結(jié)果較接近，準(zhǔn)確度較高。

3.3方法對(duì)比

分別從計(jì)算依據(jù)、數(shù)據(jù)來(lái)源、靈活性、準(zhǔn)確性和實(shí)踐應(yīng)用5個(gè)方面對(duì)比回歸分析法與通過(guò)標(biāo)準(zhǔn)規(guī)范計(jì)算公路基本路段通行能力的區(qū)別，結(jié)果如表2所示。

對(duì)山東省部分公路基本路段進(jìn)行實(shí)地調(diào)查，采集交通流數(shù)據(jù)，采用回歸分析模型分析各影響因素，系統(tǒng)量化各影響因素對(duì)通行能力的影響程度，計(jì)算準(zhǔn)確度提高。但回歸分析法和標(biāo)準(zhǔn)規(guī)范中的計(jì)算方法并不互斥，而是相互補(bǔ)充，在實(shí)際應(yīng)用中，可根據(jù)具體情況綜合考慮采用不同方法，以獲得更全面和準(zhǔn)確的公路基本路段通行能力分析結(jié)果。

4結(jié)束語(yǔ)

采集濟(jì)南、臨沂、日照、德州等地的公路信號(hào)交叉口數(shù)據(jù)，通過(guò)回歸分析法研究單因素與單車(chē)道通行能力的關(guān)系，計(jì)算各影響因素的單車(chē)道通行能力修正系數(shù)。通過(guò)對(duì)比多因素影響下的車(chē)道數(shù)、車(chē)道寬度及小型車(chē)占比與單車(chē)通行能力的函數(shù)關(guān)系，發(fā)現(xiàn)3個(gè)影響因素間并非相互獨(dú)立，而是存在一定的交互影響。采用雙因素方差分析法驗(yàn)證交互作用關(guān)系，以3車(chē)道、車(chē)道寬3.75 m、小型車(chē)占比為1為基準(zhǔn)條件，以因素間的交互作用為依據(jù)，構(gòu)建含影響因素和影響因素交互項(xiàng)的公路基本路段通行能力多元回歸模型。結(jié)果表明：該模型的預(yù)測(cè)準(zhǔn)確度為96.30%，直觀有效，適用性強(qiáng)，可為公路規(guī)劃設(shè)計(jì)、運(yùn)營(yíng)管理及改建擴(kuò)建計(jì)算通行能力時(shí)提供參考。

未來(lái)可擴(kuò)大實(shí)地調(diào)查和數(shù)據(jù)采集范圍，結(jié)合我國(guó)公路交通流特征獲取更準(zhǔn)確的公路基本路段交通信息，構(gòu)建更符合實(shí)際情況、應(yīng)用范圍更廣的公路基本路段通行能力預(yù)測(cè)模型。

參考文獻(xiàn)：

[1]YU W Y， ZHAO Y D， HU C Y， et al. Study on the traffic capacity of expressway based on cellular automata model[C]//Proceedings of 2014 2nd International Conference on Software Engineering， Knowledge Engineering and Information Engineering. Singapore：SEKEIE， 2014：62-65.

[2]徐慧智，程國(guó)柱，裴玉龍.車(chē)道變換行為對(duì)道路通行能力影響的研究[J].中國(guó)科技論文在線，2010，5（10）：749-753.

[3]MORENO A T， LLORCA C， WASHBURN S S， et al. Modification of the Highway Capacity Manual two-lane highway analysis procedure for Spanish conditions[J].Journal of Advanced Transportation， 2016，50：1650-1665.

[4]ROY N ，ROY R，TALUKDAR H， et al. Effect of mixed traffic on capacity of two-lane roads： case study on Indian highways[J].Procedia Engineering， 2017，187：53-58.

[5]SONG Y G， ZHANG X Q， WANG Y， et al. VISSIM simulation parameter correction of expressway capacity under traffic accident[C]//Proceedings of 2017 International Conference on Applied Mathematics， Modelling and Statistics Application. Beijing： AMMSA 2017，2017：36-40.

[6]魏雪延，徐鋮鋮，王煒，等.多車(chē)道高速公路的通行能力分析與建模[J].交通運(yùn)輸系統(tǒng)工程與信息，2017，17（2）：105-111.

[7]陳采霞.車(chē)速離散影響下高速公路通行能力建模仿真研究[D].西安：長(zhǎng)安大學(xué)，2014.

[8]馬曉翠，陳明磊.美國(guó)雙車(chē)道公路通行能力分析的新方法[J].公路與汽運(yùn)，2023（6）：19-26.

[9]羅周宇曉.山區(qū)普通干線公路路面維護(hù)作業(yè)長(zhǎng)度與通行能力研究[D].重慶：重慶交通大學(xué)，2022.

[10]楊中良，林瑜，高霄.惡劣天氣條件下城市快速路通行能力研究[J].交通信息與安全，2010，28（1）：75-78.

[11]龔大鵬.雨雪天氣對(duì)城市道路交通運(yùn)行的影響研究[D].北京：北京交通大學(xué)，2016.

[12]周韜.大型車(chē)比例對(duì)城市快速路通行能力的影響研究[J].公路工程，2015，40（6）：259-263.

[13]嚴(yán)亞丹，李楊，仝佩.基于修正通行能力的道路出入口位置優(yōu)化方法[J].鄭州大學(xué)學(xué)報(bào)（工學(xué)版），2020，41（4）：7-11.

[14]OLIA A， RAZAVI S， ABDULHAI B， et al. Traffic capacity implications of automated vehicles mixed with regular vehicles[J].Journal of Intelligent Transportation Systems， 2018， 22（3）：244-262.

[15]范偉康.禁止超車(chē)的窄雙車(chē)道公路交通流特性研究[D].南京：南京林業(yè)大學(xué)， 2016.

[16]呂小峰.基于跟馳模型的多車(chē)型混合車(chē)流道路通行能力研究[D].長(zhǎng)沙：長(zhǎng)沙理工大學(xué)，2017.

[17]QIN Q X， ZHANG Y B. The effect of different lane occupancy on road traffic capacity[J].Engineering Management Research， 2018， 7（2）：54-63.

[18]PAL D， MALLIKARJUNA C. Analysis of the effect of variable lateral gap maintaining behavior of vehicles on traffic flow modeling[J].Procedia Engineering， 2016，142：198-204.

[19]倪娜，秦建平，王壘.客車(chē)專(zhuān)用高速公路通行能力研究[J].鐵道科學(xué)與工程學(xué)報(bào)，2016，13（9）：1864-1871.

[20]LING Y， PAN Z， ZHANG Y T， et al. Modelling of traffic capacity under traffic accident[J].International Journal of Simulation and Process Modelling， 2019， 14（6）：500-512.

[21]何紅艷，鐘添翼，王世彬，等.山地城市公交優(yōu)先道通行能力計(jì)算模型探討[J].現(xiàn)代交通技術(shù)，2021，18（4）：65-70.

[22]段海燕.施工區(qū)道路幾何特征對(duì)通行能力的影響研究[D].武漢：華中科技大學(xué)，2018.

[23]周榮貴，鐘連德.公路通行能力手冊(cè)[M].北京：人民交通出版社，2017.

[24]ZHAO X Y， DUAN D T， FU X， et al. Vulnerability analysis of urban residents in response to COVID-19： an educational related analysis[J].Journal of Urban Planning and Development， 2024，150（1）：265392506.

[25]張希翔，李陶深.數(shù)據(jù)缺失條件下基于啟發(fā)式構(gòu)元的多元回歸分析方法[J].計(jì)算機(jī)應(yīng)用，2012，32（8）：2202-2204.

Calculation method for the traffic capacity of highway basic sections

without roadside interference

Abstract：In order to calculate the traffic capacity of highway basic sections， the single-lane traffic flow data of straight lanes at highway signal intersections in Jinan， Linyi， Rizhao， Dezhou and other regions are collected， as the traffic flow data of the highway basic sections without roadside interference， and the number of lanes， lane width， shoulder width， central separation zone width， and traffic composition are selected as the factors affecting the traffic capacity.The Pearson coefficient analysis method is used to screen the key factors affecting the traffic capacity， and the functional relationship between the single factor and the single-lane traffic capacity is established by regression analysis， and the correction coefficient of the single-lane traffic capacity under different influencing factors is calculated. Two-way analysis of variance is used to analyze the interaction relationship of different influencing factors， and a multiple regression model of traffic capacity of basic highway sections with multiple influencing factors and influencing factor interaction terms is constructed. The results show that the number of lanes， lane width and traffic composition have a significant correlation with the single-lane traffic capacity， which are the key influencing factors， and are ranked as traffic composition， number of lanes and lane width in order of importance from large to small. The three key influencing factors are not independent of each other， and there is a certain interaction， and there are interactions between the number of lanes and traffic composition， and the width of lanes and traffic composition. The calculation accuracy of the constructed multiple regression model is 96.30%， which can calculate the traffic capacity of the basic section of the highway well.

Keywords： traffic capacity; regression analysis; influencing factors; interactions