高速公路约80%的交通事故发生在立交出入口区域,而出入口单次强制换道过程中形成的交织,以及减速调整不充分驶入匝道是导致立交出口事故高发的主要原因。以往研究中,作为换道过程的重要组成部分,换道决策备受重视且研究丰富,但对其后的执行阶段乃至后调整阶段研究深度则较为欠缺。本文在从微观角度将单次换道过程划分为决策、执行及调整三阶段基础上,重点研究高速公路出、入口车辆单次强制换道执行及调整阶段车辆运行特性,研究结果可为微观换道模型及宏观换道距离计算模式的改善提供借鉴。首先,选取美国NGSIM数据集US101路段作为换道数据来源,利用python数据库提取交织区出、入口单次强制换道车辆数据,并对车辆轨迹数据进行物理筛除及小波去噪重构,将去噪后的数据作为换道执行及调整研究数据基础。其次,对于出、入口单次强制换道的执行阶段:(1)定义执行时段,从车辆本身运行特性和交通环境特性出发,提取相关指标,分别就出、入口换道提取十余个指标作换道执行时间的影响因素分析;(2)分别使用多元回归、BP神经网络、基于遗传算法改善的BP神经网络对出、入口执行时间进行拟合预测及评价。结果表明,多元回归能提取主要影响因素并量化分析各因素对换道执行时间的影响,但预测效果不如BP神经网络;引入遗传算法改善后的BP神经网络运算更快,预测性能更好;(3)基于上述研究,探究换道执行纵向位移特性,发现换道执行时间和执行初速度是影响换道执行位移的主要因素,并且以两者为自变量分别建立的非线性回归与多元线性回归方程,预测效果均较优。然后,对于出、入口单次强制换道的调整阶段:(1)将调整阶段独立出来,考虑车辆本身运行特性与车组间关系,以速度和车头时距为指标,提出换道调整终点的第一和第二判断准则,并从换道车辆本身和交通环境两方面做换道调整时间影响因素相关性分析;(2)分别使用多元线性回归和神经网络对出、入口调整时间进行拟合预测,结果表明神经网络拟合预测效能更好,引入遗传算法后能提高神经网络运算效率;(3)探究出、入口换道调整纵向距离与换道调整时间、速度的关系,建立的线性回归方程预测较优。最后,针对高速公路A类交织构型,基于出、入口单次换道执行和调整阶段对于时间和纵向位移的研究,从换道角度研究计算满足换道需求的A型交织段最小长度,并与国内外相关规范对比。