首页--交通运输论文--公路运输论文--交通工程与公路运输技术管理论文--交通工程与交通管理论文--交通事故论文

新疆乌尉高速长大纵坡事故易发位置辨识及交通安全保障措施研究

摘要第5-7页
Abstract第7-8页
第1章 绪论第12-22页
    1.1 研究背景第12-13页
    1.2 研究目的和意义第13-14页
    1.3 国内外研究现状第14-18页
        1.3.1 国外研究现状第15-16页
        1.3.2 国内研究现状第16-18页
        1.3.3 研究现状评述第18页
    1.4 主要研究内容及技术路线第18-22页
        1.4.1 主要研究内容第18-20页
        1.4.2 技术路线第20-22页
第2章 新疆地区长大纵坡道路安全事故机理分析第22-30页
    2.1 长大纵坡段交通特性分析第22-25页
        2.1.1 新疆地区车型组成第22-23页
        2.1.2 长大纵坡段速度特性第23-24页
        2.1.3 长大纵坡段驾驶行为第24-25页
    2.2 长大纵坡段事故特征分析第25-27页
        2.2.1 交通事故车型分析第25-26页
        2.2.2 交通事故车辆归属地分布第26页
        2.2.3 交通事故形态分布第26-27页
    2.3 长大纵坡段事故原因分析第27-28页
        2.3.1 制动器热衰退第27-28页
        2.3.2 高速行驶中操作不当第28页
    2.4 本章小结第28-30页
第3章 高寒山区环境下基于设计指标的道路行车安全性分析第30-40页
    3.1 高寒山区环境对行车安全性影响分析第30-34页
        3.1.1 高寒环境对路面安全性的影响第30-33页
        3.1.2 高寒环境对驾驶员的影响第33-34页
        3.1.3 高寒环境对机动车的影响第34页
    3.2 基于线形参数的乌尉高速行车安全性分析第34-38页
        3.2.1 冰雪条件下平曲线半径检查第34-35页
        3.2.2 冰雪条件下停车视距检查第35-37页
        3.2.3 冰雪条件下合成坡度检查第37-38页
    3.3 基于运行速度的乌尉高速行车安全性分析第38页
    3.4 本章小结第38-40页
第4章 基于制动器温度预测的事故易发位置辨识第40-54页
    4.1 车辆制动原理第40页
    4.2 车辆制动参数及评价指标设定第40-41页
        4.2.1 车辆制动参数第40-41页
        4.2.2 安全评价指标第41页
    4.3 制动器温度预测方法第41-48页
        4.3.1 物理模型第41-46页
        4.3.2 能量守恒模型第46-48页
    4.4 制动器温度预测第48-52页
        4.4.1 研究单元划分第48-49页
        4.4.2 基于物理模型的温度预测第49-51页
        4.4.3 基于能量守恒模型的温度预测第51-52页
    4.5 预测结果分析与安全性评价第52页
    4.6 本章小结第52-54页
第5章 基于驾驶模拟仿真实验的事故易发位置辨识第54-70页
    5.1 驾驶仿真实验仪器及步骤第54-55页
        5.1.1 仿真实验平台第54页
        5.1.2 虚拟场景建立及数据采集第54-55页
    5.2 基于行车轨迹偏移的行车安全性评价第55-61页
        5.2.1 行车轨迹侧向偏移量测定第55-56页
        5.2.2 圆曲线段行车轨迹变化规律分析第56-61页
    5.3 基于安全车速的行车安全性评价第61-66页
        5.3.1 试验路段选取第61页
        5.3.2 车速与坡度关系的回归分析第61-63页
        5.3.3 小型车车速限速研究第63-66页
    5.4 仿真实验结果分析第66-67页
    5.5 长大纵坡路段事故易发位置辨识结论第67-70页
第6章 长大纵坡段交通安全保障措施研究第70-82页
    6.1 国内相似高速调研分析第70-76页
    6.2 长大纵坡路段安全保障设施第76-78页
    6.3 冰雪路面处置集成措施第78-82页
第7章 结论与展望第82-84页
    7.1 主要研究结论第82-83页
    7.2 需要进一步研究的问题第83-84页
参考文献第84-90页
致谢第90页

论文共90页,点击 下载论文
上一篇:智能家居的远程控制空气净化系统
下一篇:基于深度学习的短时交通拥堵预测模型