第六章 交通方式划分预测
§6.1 概 述
前面的交通发生预测和交通分布的研究对象大都是人或货物，我们知道，交通预测的目的是为交通设施的规划设计提供定量的规模依据，而交通设施直接承载对象是各种交通工具，而不是人或物。因为不同的交通工具的承载率不同，就同一批人员出行量而言，对交通工具的不同选择结果将会导致不同的车辆出行量，所以明确交通工具的选择，把以人或吨为单位的出行量转化成以交通工具为单位（车、车皮、集装箱等）的出行量是非常必要的。我们把出行者对交通工具的选择叫作“交通方式划分（MS —Mode Split ）”。
在大交通而言，方式划分就是指对铁路、公路、航空、水运、管道五种方式的选择，在城市交通而言，就是指对公共交通与个体交通、或机动车与非机动车等的选择。
6.1.1 交通方式划分方法
1. 多层或单层划分
可以从不同的角度对交通方式进行划分。从结构层次来看，可分为多层划分和单层划分。以城市交通的人员出行为例，可作以下划分：
（1）多层划分（二者选一）
????
?
???
?
???????
???????????等）轨道交通（地铁、轻轨车）普通公交（公共汽、电公共交通含出租车）小汽车摩托、助动车个人机动交通机动车自行车步行
非机动车全方式( （2）单层划分（多者选一）
将上述六种基本（最低层）方式——步行、自行车、摩托车（含助动车）、普通公交、轨道交通——作为选择对象。 2. 根据服务提供者划分
有时为将了问题简化，或从具体问题的需要出发，也从提供交通方式的直接服务者来划分交通方式。如以城市交通的人员出行为例，可归结为两种：公交方式——直接服务者是公交公司，非公交方式——直接服务者是道路部门。我国目前进行的交通方式划
分大多采用这种划分办法，简单地，干脆只粗略地分为：公共交通和个人交通两种方式。
?
?
?
??
?
???????出租车车、单位车—步行、自行车、私家—私人交通个人交通轻轨等）城市轨道交通（地铁、公共汽、电车
公共交通全方式 6.1.2 影响出行方式选择的因素
不同国家或地区因实际情况千差万别，出行者的出行方式选择的比例结构也就不同，也就是说，影响出行方式划分的因素因国家而异。就我国的实际情况而言，城市交通中，影响人员出行方式选择的主要因素11个，这些因素是可归纳为三个方面的特性。
（1）出行者或分区特性
① 家庭车辆拥有情况。主要指自行车、助动车、摩托，以后将会要加入小汽车，如以分区为分析单位时，则应取车辆拥有量的平均值，下同。
② 出行者年龄。不同年龄阶段的出行者偏好于不同的交通工具，如老人、小孩偏好于公共交通，而较少骑车。
③ 收入：高收入者偏向于坐出租车，而低收入者偏向于公共交通或骑自行车。 ④ 分区的可达性。包括两个方面：道路密度、公交网密度。 （2）出行特性
① 出行目的。上班、上学偏向于公交车，购物、社交等偏向于出租车或私人交通。 ② 出行距离。近者偏向于步行和非机动车。 （3）交通设施的服务水平
① 费用。对公共交通，指车票；对个人交通，指汽油费、车耗等。
② 时间。含坐车、等车、转车以及上下车前后、换乘步行的时间。从这个角度来说，具有门对门特点个人交通优于公共交通。
③ 舒适度。包含坐与站的区别，以及坐椅的舒适程度、站立的宽松程度。 ④ 可靠性。指车辆到离站的准时性，显然准时准点的轨道交通优于一般公共汽车。 ⑤ 安全性。
城市交通中，货物出行基本上都是使用汽车，因此这一般不存在方式划分问题。 大交通中，影响人员出行的的因素基本上是上述的城市交通的三类共11项中的后9项，因为目前我国居民很少有私人小汽车，在长途出行时几乎不用私人交通方式；另外，出行者的年龄对长途出行交通工具的选择也没有什么影响。所以，前两项（家庭车辆拥有情况与年龄）不作为影响因素。在余下的9项中，具体的内容与城市交通也有所区别。如分区的可达性，对大交通而言，就是指一个分区是否有铁路及车站、是否有航线及机场、是否有航道及码头等。
大交通中，货物出行也存在方式划分问题。影响货物出行方式划分的因素有： （1）货物的类型。分：笨重类（煤炭、矿石、钢铁、粮食、木材、建材、机械等），
一般工业产品类，特殊类（危险品、冷藏品、鲜活品、贵重品）。
（2）分区的可达性。
（3）出行特性，主要指出行距离和起讫点之间是否有陆路连通。
（4）交通运输设施的服务水平，主要指费用、时间和安全性。不同类型货物对这三个指标的要求程度各不相同，例如笨重类货物对安全性要求不高，而特殊类货物对安全性的要求就较高；又如鲜活货物对时间要求很高。
6.1.3 方式划分方法
最早的交通规划理论没有研究交通方式划分，只研究交通发生、交通分布、交通分配。1960年代中叶，由日本学者首先提出方式划分问题。早期主要从集计的角度研究该问题，1970年代以来，以McFadden为代表的一批学者将经济学中的效用理论引用过来，并以概率论为理论基础，从非集计的角度对方式划分问题展开了研究。相比而言，方式划分的集计模型比较简单，而非集计模型要复杂得多，直到目前为止，非集计模型仍是一个研究热点。
所谓的集计方法，就是以一批出行者作为分析对象，将有关他们的调查数据先作统计处理，得出平均意义上的量，然后对这些量作进一步的分析和研究，象前面的交通发生、交通分布都属于集计模型。而非集计模型则是以单个出行者做为分析对象，充分地利用每个调查样本的数据，求出的描述个体行为的概率值。相对于集计方法，非集计方法有要求愚笨小、预测精度高、模型复杂的特点。
6.1.4 本章的内容安排
本章我们将首先讨论集计方法。根据交通发生、交通分布、交通分配各自的功能特性，这三个工作项段的时间顺序必须依次是：交通发生→交通分布→交通分配，不能改变。后来提出方式划分后，发现这个子问题既可以单独解决，也可以与上述某个子问题中任何一个结合起来同时解决。方式划分所处的时间顺序很自由，共有五种选择（图6-1（1））。根据方式划分在整个交通预测过程中的位置，分为五类，如图6-1（2）所示。本章第二节将考察前四种方式划分的方法和模型，即G—MS结合、G后的MS、D—MS 结合、D后的MS。第五种因涉及到交通分配，将留待第七章分析。
从第三节开始，以后各节将分别研究各种非集计方式划分模型，由于其复杂性，非集计方法是本章的研究重点。由于大交通中各方式间具有各自的适用范围，虽然也存在互相重叠的部分，但相对城市交通来说，要简单一些，本章主要以城市交通的人员出行为例研究方式划分模型，对于大交通的出行者（人或物），除了具体的阻抗或效用的具体含义和组成要素不同外，这些模型和方法都是适用的。
（1） I 类： II 类： III 类： I V 类： V 类：
（2）
注：图6-1中G 表示交通发生、D 表示交通分布、MS 表示方式划分、A 表示交通分配
图6-1 五类交通方式划分模型
§6.2 四种集计的方式划分模型
6.2.1 G-MS 结合的方式划分
我们已经知道影响出行者作出出行方式选择有三类的特性共11个因素，G-MS 方法是在与出行发生的同时进行方式划分，因此只能主要考虑其中出行者和分区特性的4个因素（最多还加“出行目的”因素）作为方式划分的主要依据。这里同样要分出行产生量预测和出行吸引量预测，即分产生量—MS 预测、吸引量—MS 预测。 1 产生量—MS 预测
如同出行发生量预测，仍然可采用类型分析法和线性回归法。 1）类型分析法模型
同样有简单模型和一般模型两种。
简化模型：这种模型中不含目的分类。类似（4-1）式，有
∑=s
si k s k i N a P （6-1）
式中：k i P ——分区i 的第k 方式出行产生量；
k s a ——全市第s 类家庭第k 类方式的出行率，从现状调查数据统计获得； si N ——分区i 第s 类家庭的数目，取规划年的预测值。
一般模型：这种模型包含了目的分类的因素。类似于（4-3）式，有
∑∑=m
s
si k m s k i N a P )()
,( （6-2）
式中：k i P ——分区i 的第k 方式出行产生量；
),(k m s a ——全市第s 类家庭出行目的为m 的第k 类方式的出行率； si N ——分区i 第s 类家庭的数目，取规划年的预测值。
较之前面无目的因素的简单模型，一般模型加入目的因素（属于出行特性）后，预测的效果要好一些。
2）线性回归模型
in
k s i k k k i x b x b b P +++= 110 （6-3） 式中：ij x ——是i 分区第j 个因素规划年的预测值；
k j
b ——第j 因素相对于方式k 的回归系数，用ij x 现状调查数据经线性回归获得。 2 吸引量——MS 预测
仿照第四章出行吸引量的类型分析模型（4-17）易得吸引量—MS 类型分析模型： ∑=s
is k s is k i w d B ρ （6-4）
式中：k i B ——分区i 的第k 方式出行产生量理论值；
is d ——i 分区第s 类用地的岗位数； is ρ——i 分区第s 类用地岗位弹性系数；
k s w ——全市s 类用地每个岗位对第k 方式出行的吸引率（平均吸引量）。
6.2.2 生成后的方式划分模型
因为，尚未进行出行量的分布预测，方式划分仍只能主要以出行者或家庭、或分区的特性为依据，多采用线性回归模型。
由于已经知道了一个分区总的出行产生量和出行吸引量，现在就只要预测各种方式的比例。如以公共交通和个人交通两种方式划分为例，分区的出行产生量的方式划分比例由：分区的居民人口数、人均收入水平、人均私人车辆拥有量、道路网水平、公交网水平决定。回归模型为
公公道道私私收收人人公x b x b x b x b x b b +++++=γ （6-5a ） 公个γγ-=1 （6-5b ） 式中：公γ、个γ——分别为对象分区公共交通和个人交通方式出行产生量的比例；
x 人、x 收、x 私、x 道、x 公分别为对象分区规划年人口数、人均收入、人均私车（含自行车、助动车、摩托车等）拥有量、道路网密度、公交网密度；
b 、b 人、b 收、b 私、b 道、b 公分别为常数项及相应各因素的回归系数。
分区出行吸引量的比例由：分区的学校、商店、工厂、办公的岗位数、道路网水平、公交网水平决定。回归模型为
公公道道办办自自商商学学公x c x c x c x c x c x c c ++++++=δ （6-6a ） 公个δδ-=1 （6-6b ） 式中：公δ、个δ——分别为对象分区公共交通和个人交通方式出行吸引量的比例；
x 学、x 商、x 工、x 办、x 道、x 公分别为对象分区规划年学校、商店、工厂、办公岗位数、道路网密度、公交网密度；
c 、c 学、c 商、c 工、c 办、c 道、c 公分别为常数项及相应各因素的回归系数。 由于前两种方式划分所依据的因素没有考虑到分区之间的交通服务水平和出行本身的特性，预测的效果有一定的局限性。
6.2.3 D-MS 结合的方式划分
很显然，对一次出行而言，使用不同交通工具的出行时间和费用不同，即交通阻抗不同。如果在分析出行分布的同时还考虑交通方式的选择，那么两分区就会根据方式划分成若干种不同的交通阻抗，在出行分布时就根据各自阻抗预测各方式的分布量。以公共交通和个人交通共两种方式为例，阻抗矩阵和分布矩阵都是2n 2个元素（见表6-1）。
D —MS 结合的单约束模型为： ∑∑?
=j
l
ij
l
j
ij k j i
k ij R
f A R f A P t )
()
( （6-7）
其中，k
ij t ——分区i 、j 之间采用方式k 的出行分布量，k =1表示公共交通，k =2表示个人
交通；
P i ——分区的出行产生量； A j ——分区的出行吸引量；
ij R 、)(ij k R f ——分区i 、j 之间的距离、和采用方式k 的交通阻抗。
表6-1 D —MS 的阻抗矩阵和分布矩阵
也可采用以下双约束模型：
)('ij k j i j i k
ij R f A P M M t = （6-8a ）
∑∑=
j
l
ij l j j
i
R f A M M )
('
1
（6-8b ）
∑∑=
i
l
ij
l
i
i
j
R
f P M M )
(1
' （6-8c ）
式中：M i 、M’j ——双约束的行、列约束系数；其它符号意义同上。
这样一来，如果对象区域共有n 个分区，且每个分区既是出行产生区又是出行吸引区，若只取两种方式（k =1，2）则得到的分布矩阵有2n 2个元素。
6.2.4 分布后的方式划分
前面三个模型都是从部分影响方式划分的因素出发确定各方式的出行量或比例。在求出出行分布量后再进行方式划分，就可以综合考虑各方面影响因素来确定出行者选择各种交通方式的比例。1960年代日本学者提出了“转移曲线方法（shift curse method ）”，该方法在六、七十年代得到了广泛的应用。本节简要介绍转移曲线方法。
这里仍以公共交通和个人交通共两种方式为例，针对这两种交通方式的选择，6.1.2小节所述的三个方面共11个影响因素中，有些因素不起作用，如可靠性；有些因素的作用相对比较次要。我们挑选其中几个主要的因素作为交通方式选择的决定参数，通过对这些因素取值与对应的两种方式的选择比例所构成的样本进行统计分析，得出的多条比例变化曲线，在作方式划分时就可参照这些曲线来确定选择各方式的比例。这些曲线叫做“转移曲线”或“分担率曲线”。
公交百分比（%） 公交百分比（%）
100 工作出行，服务水平比1.25，费用比1/4 收入等级3，费用比1/4
服务水平比：
2.50
7.00
0 1 2 3 4 5
公交/个人交通出行时间比公交/个人交通出行时间比（1）华盛顿市（2）多伦多市
图6-2 转移曲线实例
1970年代初，美国华盛顿市的交通方式划分确定五个指标作为决定参数：收入等级、出行目的、两方式的费用比、服务水平比、出行时间比。在坐标系上共描出了近百条曲线，见图6-2（1）（这里只画出其中几条）。同期加拿大多伦多市所做发生方式划分时的转移曲线是以收入等级、两方式的费用比、服务水平比、出行时间比四个指标作为决定参数，所得到的转移曲线如图6-2（2）所示。
转移曲线是从调查观测的数据经统计计算得到的。从这些转移曲线可以看出，选择不同交通方式的比例是由出行者的收入、公共交通/个人交通的行时比、费用比、服务水平比等参数决定的，方式选择比例在坐标系上用曲线的表示出来。这种方法简单直观，但决定参数往往被分成若干离散的等级，比较粗糙。另一种可替代的方法就是回归分析方法，从图6-2可以看出，公共交通选择率与一些影响因素不一定存在线性关系，因此，非线性回归模型可能更好。但即使是非线性回归模型也只能解决公交选择率与单个影响因素之间的关系，而每个因素对它的影响是否就是简单地相加，则难以肯定，也无法分析出来。因此回归分析方法仍存在一定的缺陷。
§6.3 非集计方式划分方法——Logit模型
6.3.1 非集计方法概述
1960年代日本学者提出交通方式划分的“非集计模型方法（dis-aggregate model method）”概念和模型，他们借用经济学的效用理论，在这个问题上开创了交通方式划分的非集计模型的研究。非集计模型不同于前面的方法和模型，是一个全新的方法，后来吸引了大批的学者的研究兴趣，至今仍是交通规划理论中的一个热门问题。后来人们发现它不仅可以应用于交通方式划分，还可以用来解决诸如交通发生、交通分布、交通分配等所有的有关选择的问题。本节开始我们系统地介绍它。
第三章、第四章和本章上一节的方法和模型都是以交通分区为研究单位的，将分区中个人或家庭的调查数据进行统计处理，如求平均值、求比例等；再用这些统计值来标定交通发生、分布、方式划分模型中的参数。在这个过程中关于个人和家庭的原始数据在统计时被集中处理了，也就是被集计化了，这种方法叫集计方法（aggregate method），得出的模型叫集计模型（aggregate models）。集计方法存在的缺点是：为了保证模型的精度，要求相当规模的样本容量；而且在统计求和过程中没有充分利用各个个体（个人和家庭）的全部调查数据，即存在信息浪费。因此集计方法所需要的调查费用是很大的。
非集计方法（disaggregate method）的分析对象是个体，它将个体的原始数据不作任何统计处理直接用来构造模型，它的特点是：调查所得的个人的数据能得到充分的运用；要求的样本容量较小。
开发出来的非集计模型种类很多。最早人们提出了Logit模型和Probit模型，但这两种模型都有明显的不足，后来人们为弥补这些不足，又提出了多种改进的Logit模型。本节讨论简单的Logit模型，首先给出一些基本概念和假定，这是建立各类非集计模型的基础。
6.3.2概念与假定
可供选择的交通方式，叫做“选择枝（Alternative）”。如果一共只有两个选择枝可供选择，就是一个二项选择问题，否则就是多项选择问题。实际中，碰到较多的是多项选择问题，而且往往不同的出行者可选择的范围不同，即有不同的选择枝集合，如有私家车的人就多了一个私家车的选择枝。
某个选择枝具有的令人满意的程度叫做“效用（Utility）”。关于效用我们首先作以下基本假定，这些假定是基于人们通常的心理选择行为，是非集计模型的基础：
①个人在每次抉择中总选择效用值最大的选择枝；
②个人关于每个选择枝的效用值由个人自身的特性和选择枝的特性共同决定。
下面就在这两个基本假定的基础上用随机效用理论推导非集计模型。
6.3.3 Logit模型
1 模型
效用是由选择枝本身的特性和个人的社会经济特性两方面的因素决定的，但我们不能对影响效用的全部因素进行量测，所以应该将效用看作随机变量。令
U nj=V nj+εnj（6-9a）——个人n关于选择枝j的效用；
其中，U
nj
V nj——能够观测到的因素构成的效用确定项；
εnj——不能够观测到的因素构成的效用随机项。
为了书写简便，如无必要，一般省去表示个人的下标n，简写为：
U j=V j+εj（6-9b）
为了叙述简便起见，在下面的推导过程中，假定一共只要两个选择枝。根据前面的基本假定，某出行者选择选择枝1的概率为
)Pr()Pr()Pr(
12122211211εεεε+-<=+>+=>=V V V V U U P dy dz z y f dy y V V y y
V V ???∞+∞-+-∞-+∞
∞
-??????=+-<==21),(),Pr(122121εε （6-10）
其中，f 12 (y, z )是ε
1和ε2的联合概率密度函数。
如果假定ε
1和ε2相互独立且具有相同的概率分布，其密度函数为：f ，则其联合分
布密度函数：f 12 (y ,z )=f (y )f (z )。于是
??+∞∞
--+∞
-??
????=dy dz z f y f P V V y 2
1)()(1 （6-11）
进一步假定ε
1和ε2都服从二重指数分布(又叫：
Gumbel 分布、Weibull 分布或极值分布)，
其概率（累积）分布函数和概率密度函数分别为：
F (y )=exp[-exp(-by )]， f (y )=bF (y )exp(-by ) （6-12）
其中，b >0为参数，可以推得，它与ε=ε1的均值和方差具有关系：
b E /)(γε= b
D 6)(2πε= （6-13）
其中，γ是Euler 常数，约等于0.5772。
把（6-12）式代入（6-11）式，得： ??
?+∞
∞-+∞
∞
--+∞
--+-=??
????=
dy V V y F y F by b dy dz z f y f P V V y )()()exp()()(2112
1 （6-14）
令：w =F (y )F (y +V 1-V 2)，则
[]))exp(1()exp(exp 12bV bV by w -+?--= （6-15）
)]exp(1)[exp(12bV bV by bw dy
dw -+-?= （6-16）
由于当y =∞时,w =exp(0)=1；当y =-∞时,w =exp(-∞)=0。故有
dw bV bV by w by w dy by w b P ??-+--=-?=∞+∞-10121)]exp(1)[exp()exp()exp(
)
exp()exp()exp()exp(1121112bV bV bV bV bV +=
-+=
（6-17） 此为二项Logit 模型，简记为：BNL （Binary-nomial Logit ）。
如果有多个选择枝，由于一般各人根据自己的实际情况可选择的范围不一定相同，设个人n 选择枝的集合为A n ，令A 为全体出行者所有可能选择枝的集合。
N
n n A A 1== （6-18）
为了统一起见，就设每个人的选择枝集合都为A ，并用J 表示A 中选择枝的数目。如果
某个人n 根本不可能选择选择枝j ，如没有摩托车的人不可能采用摩托车出行，就设U nj =一个明显小于所有选择枝效用的值，如-10000。同理可得多项Logit 模型：某人选择选择枝i 的概率为
∑∑≠=-+==j
i j i J
i i j j V V b bV bV P )]
(exp[11)exp()exp(1
（6-19）
多项Logit 模型 又被简记为：MNL （Multi-nomial Logit ）。
2 效用值的确定
要计算（6-19）式中的概率P i ，关键就是要求出其中的效用确定项V j （j ∈A ）。现在我们来考虑这个问题。下面介绍两种定义和计算V j 的方法。
1）一种简单的、也是常用的定义和计算V j 的方法是：对城市交通，就定义效用确定项V j 为费用/收入、车内时间、步行时间这三个可量测值的线性组合：
jo o jt t jc c j j X X X V θθθθ+++=0 （6-20） 式中，X jc 、X jt 、X jo ——分别表示选择枝j 的费用/收入之比、选择枝j 的车内时间、车外时间；
θc 、θt 、θo ——分别表示相应的参数；
θ
j 0——为常数项（j =1，2，…，J ）
，请千万注意：不同的选择枝的常数项不同，因此这里共有J 个常数项（J 为全体选择枝的数目）。
对大交通，就定义效用确定项V j 为费用/收入的比值、车内时间、发车频率这三个可量测值的线性组合：
jf f jt t jc ct j j X X Xt V θθθθ+++=0 （6-21） 其中，下标c 、t 、f 分别表示费用/收入的比值、车内时间和发车频率。
（6-20）、（6-21）式中的因素都主要是来自选择枝的特性，关于个人的特性只考虑个人收入一项。下面是更全面的决定V j 值的方法。
2）效用确定项V j 取为个人特性和选择枝的特性的线性函数：
jK K j j j X X X V θθθ+++= 2211 （6-22） 其中，X j =（X j 1,…, X jK ）是个人和选择枝的特性向量，它们的定义方法参见下面例6-1； θ=(θ1,…,θK )是待标定的参数向量。
现在给出一个确定多个特性变量的例子，并说明定义特性变量的原则。
例6-1：设选择枝集合中共有三个选择枝：A ={j =1（自行车）,j =2（公共汽车）,j =3（出租车）}，那么可以如表6-1定义特性变量。
例完。
定义特性变量的原则：
① 对定性的特性变量全部采用0—1值；
② 选择枝常数项变量的数目应为集合A 中选择枝数J 减去1； ③ 每项个人特性应该对应（J -1）个变量；
④ 某个选择枝独有的特性变量（如：有否自行车、小汽车油耗等）可只用于相应的选择枝。
比较以上两种效用确定项的表示方法，发现区别有二：
（1）后一方法的（6-22）式中没有常数项，其实它将（J 个）常数项化作（J-1）个“常数项变量”融入线性组合中了，这样也就减少了一个系数。事实上，由于（6-19）中参与计算的是效用确定项之差，（6-20）、（6-21）式中的J 个常数项，可以给其中一个常数人为任意地取定一个值（如0），不会影响计算结果。也就是说，此两式中其实也只有（J -1）个常数项。故两者的意义完全相同。
（2）后一方法中一般包含多个个人特性项，对每个个人特性项为什么要设置了（J -1）个变量呢？这是因为如果只用一个变量，如年龄这一项，若只用一个变量，设为：X k =实际值，那么无论对哪个选择枝，这一项都为：θk X k ，从而就没有表达出不同年龄的出行者对不同选择枝的偏好了，也就使得这一项失去意义了。
因此，综上两点，（6-20）、（6-21）式可以看作是（6-22）式的特殊情况，都包含到（6-22）式中去了。下面我们都只就（6-22）式进行讨论。
代（6-22）式入（6-19）式，得 ∑∑∑===
i
K
k ik k
K
k jk k j
X b X b P )
exp()
exp(1
1θ
θ （6-23）
式共有（K +1）参数：b ，θ1,…,θK 需要标定。将b 乘入和号内，并将(b θk )看作一个整
体，仍用θk 表示（这时相当于将b 看作是1），就只有K 个参数了需要标定了。模型变
为：
∑∑∑===
i
K
k ik k
K
k jk k j
X X P )
exp()
exp(1
1
θ
θ （6-24）
式（6-24）就是最后得到的基于个人特性和选择枝特性的MNL 模型。剩下的问题就是参数θ1、…、θK 的标定问题了。 3参数θ=(θ1,…,θK )的标定
1） 标定方法
下面采用最大似然估计法来标定 ∑∑∑∑==
==i
i T
j T i
K
k jk k
K k jk k j
X X X X P )
exp()exp()
exp()
exp(1
1θθθ
θ （6-25） 中的参数θ=(θ1,…,θK )。设个人n 实际选择结果为：n nj A j c ∈,,定义
??
?=k
n k n c nk 未选择选择枝个人选择了选择枝个人,
0,
1 （6-26a ）
显然
1=∑∈n
A j nj
c
（6-26b ）
设共N 个人被调查，即样本的容量N 。在未确知各人的选择结果之前，n nj A j c ∈,是
一组随机变量，个人选择的似然函数为：∏∈A
j c nj nj
P 。样本的似然函数为
∏∏=∈=N
n A
j c nj nj
P L 1*
（6-27）
其对数似然函数为
∑∑∑∑∑=∈∈=∈?????
???? ??-===N
n A j A i ni T nj T nj N
n A j nj nj X X c P c L L 11*
)exp(
ln )ln()ln(θθ （6-28） 可以证明：L 是θ的凹函数，所以只要当L 对θ的导数向量为0时，L 才能达到最大值。在下面的推导中，为的简便起见，设K =1，即假定效用只与一个特性有关（如：
费用），此时用θ表示θ1，X ni 表示X ni 1。似然函数简化为
∑∑∑=∈∈??
???
?-=N
n A
j A
i ni nj nj X X c L 1))exp(ln(θθ （6-29）
将L 对θ求导，并令导数为0，得：
∑∑∑∑∑∑∑∑=∈∈∈=∈-=????
??????-=N n A j A j A i ni ni nj nj nj N
n A j i ni i ni ni nj nj n n n n X P c X c X X X X c d dL 11)exp()exp(θθθ ∑∑∑∑∑∑∑==∈∈∈∈∈??
????-=??????-=N n N n A j A i ni ni nj nj A j A j nj A i ni ni nj nj n n n n n X P X c c X P X c 11
∑∑=∈=-=N
n A j nj nj nj n
P c X 10)( （6-30）
其中，用到了1=∑∈n
A j nj c ，并设
∑=i
ni nj nj
X X P )
exp()exp(
θθ （6-31） 下面的问题就是解方程（6-30）。这是一个非线性方程，很难求其精确解，我们用NR （Newton-Raphson ）算法就其近似解。有关NR 算法的一般介绍，请有兴趣的读者参阅计算方法方面的书籍。求解步骤如下。
算法6-1：
步1：用m 表示已循环的次数。初始时，令m =0，设定θ的初值：θ（m ）=0。
步2：求θ
（m ）处
h (θ（m ）)的值，令（θ（m ），h (θ（m ）)）为B （m ）点。
步3：求h (θ)的导数，得B （m ）点的切线方程：
)()(')()()()()(m m m h h h θθθθθ-?+= （6-32） 步4：求此直线与坐标横轴（θ轴）的交点：
)
(')()()
()()1(m m m m h h θθθθ-=+ （6-33）
步5：判断下式是否成立：
μθ
θθ<-+)
()
()
1(m m m （μ是一个预先取定的很小的正数） （6-34） 若成立，停止循环，θ
（m +1）为之所求；否则，令m =m +1，返回到第2步进行循环。
算法结束。
2）精度检验
由以上推导可知，方程组（6-30）式缺点的θ是样本值n nj A j c ∈,的函数，因此是统计量。当n nj A j c ∈,是观测值时，用上面方法求出的θ?其实是估计量。作为估计量就应该进行精度检验。可以证明θ?具有以下性质：
（1）θ?是其真值θ的无偏估计； （2） θ?是其真值θ的一致估计，方差为
12)]?([)?(--?=θθ
L D ； （6-35） （3） 统计量θ服从正态分布。
常用检验的有以下命中率法。具体检验步骤是： 步骤1、将θ?与x ni 的观测值代入式计算P ni ； 步骤2、令 ??
?==??
?=否则
否则中为最大值时在所有的,0?,1,0,1?ni ni ni nj ni ni c
c S P P c （6-36） 步骤3、计算全体命中率和单选择的枝命中率： ∑∑∑==∈=N n n N
n A i ni
J S HitR n 1
1 , i N
n ni i N S HitR ∑==1
（6-37）
其中，J n 为A n 中的选择枝数；N i 是样本中可能选择选择枝i 的人数。
一般当命中率达到80%以上时，就可以认为精度达到要求。
以上为单特性（K =1）的参数标定方法，对于一般的情况，只须将θ和x nj 视作向量，
求导数变成求偏导数向量L ?，二阶导数2
2
θ
d L d 变成下面的Hessian 矩阵L 2?即可。 ??
???
?
?
???????????????????????=?2
21
2221
22
122122//////K K K K L L L L L L L θθθθθθθθθθ
（6-40）
对于多个特性的参数标定，还有一个判定某个特性X njk 对选择概率影响是否很小从而可以忽略掉它的问题，这其实就是判断它的系数θk 是否为0的问题。由θ?的性质③（服从正态分布）知可用以下检验方法：令
)?(?k
k
k D u θθ=
（6-41）
其中，)?(k
D θ为（6-40）式的矩阵的对角线上第k 个元素的倒数。
如果θk =0，必有：u k 服从标准正态分布。设置信度为α，查标准正态分布表可得检验临界值u (α),当时u
在前面推导Logit 模型时，用到了一个基本前提：各选择枝不可观测的随机效用部分εk 间相互独立且同服从Gumbel 分布。而这个假定在某些情况下是有些脱离实际，从而导致谎谬的结果。请看下面两个例子。
例6-2：（红巴士—蓝巴士问题）如果某人选择小汽车和公共汽车（假定所有公共汽车都被漆成红色）的概率各为0.5，两者的选择概率之比为1:1。这时假定新增加一条蓝色的巴士线，如果根据Logit 模型，设公共汽车和红巴士的效用分别为V i 、V j ，则两者的选择概率之比为：
)
exp()exp(
j i j i V V P P （6-42） 这就是说，选择概率之比只与这两个选择枝的效用有关，而与其它选择枝变化或加入与否无关。Logit 模型的这个性质叫做“与其它选择无关特性（Independence from Irrelevant Alternative ）”，简称IIA 特性，这个特性是1959年由Luce 发现的。可以看出，IIA 特性
源于εk 间相互独立的假定。
现在设对原模型中加入蓝巴士的选择枝。因为通常人们在进行选择时与巴士的颜色无关，故蓝巴士的效用与红巴士完全相同，都为V j ，从而红蓝巴士的选择概率之比为1:1。根据IIA 特性，公共汽车与红巴士的选择概率之比与是否加入蓝巴士无关，仍为1:1。所以加入蓝巴士后，公共汽车、红巴士、蓝巴士的选择概率之比为：1:1:1，概率值都是1/3。然而很明显，这是一个不合理的结论。因为通常人们在进行选择时与巴士的颜色无关，小汽车、公共汽车的选择概率应仍为0.5，所以红、蓝巴士的选择概率各为0.25（图6-3）。导致这个荒谬结果的原因正是忽视了蓝巴士与红巴士紧密的相关性。
例完。
例6-3：Logit 模型另一个缺陷是，它认为方式的选择概率只由方式之间的效用的差值决定（见（6-19）式）。看图6-4所示的两组两个方式比较的情况，这里，为简单起见，设效用=负出行时间。在每组中，两方式的出行时间之差（也就是效用之差）都是5。在第一组中，两方式出行时间分别为5、10min ，用Logit 模型（6-19）式算得选择“出行
125
（1）
120
10 （2）
5
图6-4 两组效用相差5的方式
0.5 0.5
图
时间为5”方式的概率为993.0)1/(1)/(51055=+=+----b b b b e e e e （取b =1），说明绝大多数司机选择这个方式，这与实际情况是基本相符的。在第二组中，两个方式的出行时间分别为120、125min ，用Logit 模型算得选择“时间为120”的概率也为993.0)1/(1)/(5125120120=+=+----b b b b e e e e ，说明绝大多数司机选择这个方式，显然这与
实际情况相去甚远，因为对于司机们来说，出行时间为120与125没有多大的差别，故选择出行时间为125的概率不应该有这么大。在第一个网络中，就不一样了，虽然方式出行时间相差仍然是5，但5与10 相比，行驶时间已短了一倍。一般地，方式的实际出行时间越大，出行者判断时产生的误差也就越大。但是Logit 模型的前提是：假定各路段的感知出行时间误差k ε都是服从相同的Gumbel 分布，分布函数中的参数也就相同，与实际出行时间本身无关。
例完。
“独立性”的假设已造成了上面那个“红巴士—蓝巴士”错误，而“同概率分布”的假设就是造成后面这个错误的根源。
为了克服Logit 模型的缺陷，自1977年Williams 提出巢式Logit 模型以来，许多学者致力于非集计模型的改进工作，提出了多种更先进的非集计方式划分模型，如Probit 模型、Dogit 模型等，我们下面分节介绍这些模型。
§6.4 Probit 模型
6.4.1 模型
我们重写二项选择概率公式（6-12）， dy dz z y g U U P P y V V ??+∞
∞-+-∞-??
????=>=21),()(211 （6-43）
原来是假设ε
1
与ε
2
独立且同服从Gummbel 分布，而事实上这种假定是有些牵强
的，实际上常见的是（ε1，ε2）T 服从正态分布，而且ε1与ε2一般不一定独立。现在
我们就研究这种情况下的选择概率模型问题。当ε
1与ε2联合服从二维的正态分布
BVN
（μ，Σ）时，选择概率模型就叫二项Probit 模型，简记为：BNP （Binary-nomial Probit ）。这里μ=(μ1，μ2)T 是(ε1,ε2) T 的数学期望向量，Σ是(ε1,ε2) T 的协方差矩阵。
2211][,
][μεμε==E E （6-44a ）
??
?
???=∑22212111
σσ
σσ, 2
2
22221111][,][σσεσσε====D D , 1221),(σεε=Cov （6-44b ）
其中的协方差Cov(ε1,ε2)充分反映了方式之间的相关性。现在，
)0P r ()P r (21211>-=>=U U U U
P )Pr()0Pr(21122121V V V V -<-=>-+-=εεεε （6-45） 由于（ε1，ε2）T ~BVN （μ，Σ），有（ε2-ε1）~N （μ1-μ2，σ11+σ22-σ12）
，故BNP 模型为：
??
∞--∞
-???
?
??-+-+-+=????
??-+--=
01222212121)
(1222211
21)()()
(21dx V V x dx x P V V σσσμμ?σ
σσμμ?
????
??-+-+-Φ=1222212121)()(σσσμμV V （6-46）
其中，φ(?)、Φ(·)分别是标准正态分布概率密度函数、概率分布函数。
2
ij
D 表示两个选择枝i 、j 的效用差U ij =U i -U j 的方差。在此处就是212D =σ11+σ22-σ
12，另外记V 12=V 1-V 2+μ1-μ2, P 1就由这两个值唯一确定，故又把（6-46）式简记为：
P 1=Φ(V 12/D 12) （6-47） 同样，对称地，
P 2=Φ(V 21/D 21) （6-48）
其中，V 21=V 2-V 1= -V 12，2
21D =σ
11+σ22-σ12=2
12D 。
我们不能求出（6-46）式中的P 解析的表达式来，故而不能求出其精确解来。但因为是一项积分，却不难求出精度很高的数值解来。
当选择枝数目J >2时，可以推得选择选择枝1的概率为：
?
?
?
-∞
---∞
---∞
-∑???
?
?????
? ?????
? ??=
-=)
(2/)(333/)(3332221211
2
23122
2331V V n x V V x V V dx dx x x x
P n j jj
n x
x λλλλλ?λ?λ? （6-49a ） 其中，2
1222ωλ=， （6-49b ）
n j j
j j ,,32
2
1222122 =+-=
ωωωλ （6-49c ）
i k n j jj
jk
ji k
ik i ik ,,1;,,32
21221 ==-+-=
∑
λλλωωωλ （6-49d ）
j i ij
jj ii ij ≠-+=σσσω2 （6-49e ）
σii 、σjj 、σi j 来自于协方差矩阵：??????
????????=∑JJ J J J J σσσσσσσσσ 21222
2111211 。 （6-49f ） 余下的P 2、…、P J 的表达式可仿照写出。这个模型叫做多项Probit 模型，简记为MNP （Multi-nomial Probit ）。
这是一个不能解析化的多重积分式，可以发现，当维数J 较高时其复杂程度很高。这个积分式不仅能用解析的方法化简和计算，而且即使是数值方法也是十分困难的。因此探讨选择枝数大于2的Probit 模型的近似的计算方法就显得有意义了。1970年代以来，一些学者对这个问题展开了研究，提出了多种近似求解的方法。归纳起来，可分为两大类：仿真方法和逼近方法。有代表性的仿真方法有：Monte —Carlo 仿真法和McFadden 仿真法；逼近方法有合并逼近法和分裂逼近法。我们这里拟讨论Monte —Carlo 仿真法、合并逼近法和分裂逼近法。
6.4.2 Monte —Carlo 方法
Monte —Carlo 方法的思路比较简单。设J 个选择枝的效用为U j =V j +εj （j =1,…,J ），其中效用确定项V j 是已知的，随机向量ε=(ε1,…,εJ ) T 服从J 维联合正态分布。从正态
分布向量ε的总体中抽取一个随机值),,(1n
J n n εεε =，将它们加到对应的确定项上，得
n j j n j V U ε+=。记录效用值最大的选择枝，即使)(j l U U n
l
n j ≠?≥的选择枝j 。如此重复抽取N 次，设其中选择枝j 被记录为效用值最大的次数为N j ，则选择枝被选中的概率是：
N
N P j j ≈
。 （6-50）
根据大数定律，当N →∞时，P j =N j /N 。
此仿真方法中包含了一个较为复杂的仿真技术问题：从正态分布向量ε中抽取一个
随机值),,(1n
J n n εεε =。如果J =1，即从一维正态分布随机变量总体中抽取随机值，这是
一个很容易的工作，可以用以下方法来实现。一般计算机语言都设有均匀产生[0，1]间
随机数的标准函数，设ξ1,…,ξm 是m 个这样的随机数，令∑==m
i i m 11ξξ，由中心极限定
理，当m →∞时，ξ服从正态分布N (1/2, 12/1)。因此取较大的m 值（如m =50），就可以近似地把ξ看作服从正态分布N (1/2, 12/1)的随机变量的样本值。由此也可以得到
服从标准正态分布的随机变量12
5.0-=
ξη。另外，也很容易产生J 维标准正态分布的随
机向量样本。如果η
1
,…,ηm是J个服从标准正态分布的样本值，则η=(η1,…,ηm)T就是服从J维标准正态分布MVN（0，I）的向量（其中I是单位矩阵）。在标准正态分布
中η
1
,…,ηm是相互独立的。但是产生一般的多维正态分布样本向量就不大容易，下面来讨论J维正态分布MVN（μ,E）样本向量的产生方法。
按线性代数中的方法，对协方差E进行Choleski因式分解，即寻找三角矩阵R，使：
R·R T=E（6-51）
设η=(η
1
,…,ηm)T是服从J维标准正态分布MVN（0，I）的向量，定义
ζ=R·η+μ（6-52）则可知，对于向量ζ，有
E[ζ]=R?0+μ=μ, C o v[ζ]=R?I?R=E（6-53）即ζ服从J维正态分布MVN（μ,E）。
6.4.3 逼近法概述
以选择枝数J=3为例。先将其中的两个选择枝（如枝2和枝3）暂时合并成一个虚
拟选择枝：2’，2’的效用为：U
2’
= max{U2，U3}。现考虑选择枝1与2’的选择概率问题，
这就是一个二项问题，可用数值方法求近似解P
1、P
2’
。然后在虚拟的选择枝2’之内，
进一步考虑2与3两个选择枝选择概率问题，这又是一个二项问题，因此又可以用数值方法求其近似解。当项数更大时，可用这个方法作多次迭代，化成多个2项问题。如选择枝数J=4时，先将选择枝2、3、4合并成一个虚拟选择枝2’，它的效用为：U
2’
= max{U2，U3，U4}。求出P1、P2’，进而在虚拟选择枝2’内求选择枝2、3、4的选择概率，这就是一个三项问题，用上述办法继续下去，直到求出每个选择枝的选择概率为止。这就是合并逼近法的思路，首先由Clark于1961年提出，故又称Clark逼近法，其主要特点可概括为“合二为一”。见图6-5。
transCAD学习—交通需求预测之方式划分预测 (2011-04-11 10:37:35) 分类：交通学习 标签： 杂谈 1、方式划分是将各个小区之间的OD量分配到各种交通方式上去。常用的方法是多项Logit 模型，是一种非集计模型。在该模型中，可供选择的交通方式叫做选择枝，某个选择枝具有令人满意的程度叫做效用函数。 2、TransCAD中应用MNL进行方式划分。 1）数据准备 假设有两种出行方式car和bus。①两种方式的出行时间矩阵和出行费用矩阵；②交通方式离散表。即选中car和bus方式的OD对。③小区间的OD矩阵。 2）创建出行方式表。以小汽车出行方式的出行时间变量为例。 打开出行时间、出行费用矩阵，随便打开任意bin文件。菜单Planning----model split----specify a multinomial logit model，创建方式。在“specify alternatives”中添加car和bus两个变量，在“specify paraments”中添加time和cost两个变量，确定保存。然后弹出“fill mnl model table”对话框，在“number of alternatives”中选择2，在“specify utility for”中选择“car”，在“change information”中选择“time”，勾选下方的“matrix”，然后选择“time matrix”，继续选择“car time”，就完成了小汽车的出行时间设置。参照同样的方法，继续完成小汽车的成本设置、公交车的时间/成本设置。 3）logti模型的参数估计，即完成每种方式的效用函数的估计。 打开出行时间、出行费用矩阵、步骤2）建立好的bin文件，以及交通方式离散选择表。菜单planning---model split ---multinomial logit estimation，弹出“mnl estimation”对话框，在“ID field”中选择“ID”，在“Choice field”中选择“choice”，在“origin”中选择“ORIGIN （离线表中的字段）”，在“destination”中选择“DEST”，点击确定，即可完成每种方式效用函数的估计。在检验报告中，查看t检验值，如果该检验值的绝对值<2，那么该变量无关紧要，可以再效用函数中删去。每种方式的效用函数体现在步骤2）建立好的表格的最后一样数据。 4）应用logit模型。
第六章 交通方式划分预测 §6.1 概 述 前面的交通发生预测和交通分布的研究对象大都是人或货物，我们知道，交通预测的目的是为交通设施的规划设计提供定量的规模依据，而交通设施直接承载对象是各种交通工具，而不是人或物。因为不同的交通工具的承载率不同，就同一批人员出行量而言，对交通工具的不同选择结果将会导致不同的车辆出行量，所以明确交通工具的选择，把以人或吨为单位的出行量转化成以交通工具为单位（车、车皮、集装箱等）的出行量是非常必要的。我们把出行者对交通工具的选择叫作“交通方式划分（MS —Mode Split ）”。 在大交通而言，方式划分就是指对铁路、公路、航空、水运、管道五种方式的选择，在城市交通而言，就是指对公共交通与个体交通、或机动车与非机动车等的选择。 6.1.1 交通方式划分方法 1. 多层或单层划分 可以从不同的角度对交通方式进行划分。从结构层次来看，可分为多层划分和单层划分。以城市交通的人员出行为例，可作以下划分： （1）多层划分（二者选一） ???? ? ??? ? ??????? ???????????等）轨道交通（地铁、轻轨车）普通公交（公共汽、电公共交通含出租车）小汽车摩托、助动车个人机动交通机动车自行车步行 非机动车全方式( （2）单层划分（多者选一） 将上述六种基本（最低层）方式——步行、自行车、摩托车（含助动车）、普通公交、轨道交通——作为选择对象。 2. 根据服务提供者划分 有时为将了问题简化，或从具体问题的需要出发，也从提供交通方式的直接服务者来划分交通方式。如以城市交通的人员出行为例，可归结为两种：公交方式——直接服务者是公交公司，非公交方式——直接服务者是道路部门。我国目前进行的交通方式划
题目：设图示交通网络的OD 交通需求量为t=200辆，各径路的交通阻抗函数分别为： 1110.05h c +=，22025.010h c +=，33015.015h c += 试用全有全无分配法、增量分配法（二等分）和均衡分配法（迭代步长分别取0.618和0.0291）求出分配结果，并进行比较。 设目标函数表示车辆受到的总阻抗，即令交通阻抗函数对h 求积分，函数如下： 2332222110075.0150125.01005.05h h h h h h Z +++++= 1.全有全无分配法 1.1方法介绍 全有全无分配法是将OD 交通需求沿最短经路一次分配到路网上去的方法，也被称为交通需求分配。顾名思义，全有（all ）指将OD 交通需求一次性地全部分配到最短径路上。全无（nothing ）指对最短径路以外的径路不分配交通需求量。 全有全无分配法应用于没有通行能力限制的网络交通交通量分配等场合。在美国芝加哥城交通解析中，首次获得应用。另外，后述增量分配法和均衡分配法中频繁使用。 1.2 解：由路段费用函数可知，在路段交通量为零时，径路1最短。利用该方法的以下结果： 15,10,2520010.05,0,200321321===?+====c c c h h h 因为，25,13 2= 交通流预测方法 随着社会经济和交通运输业的不断发展，交通拥挤等交通问题越来越凸现出来，成了全球共同关注的问题。那么对于交通流的预测不仅是城市交通控制与诱导的基础，还是解决道路拥堵问题的关键。如果能精确的预测交通网中各个支路上的汽车流量，那么我们可以运用规划方法对交通流进行合理的优化，从而使得道路的利用率达到最大，也可以解决部分拥堵问题。在新建道路的前期也需要对兴建道路的车流量进行一个长期的交通预测，从而对道路的经济效益进行评估，对论证道路修建的可行性研究提供依据。由此可见，对交通流的预测是必要的，在本课题中我对四公里立交车流作一个最优函数估计，旨在对四公里立交的车流进行精确预测。 交通流理论是研究交通随时间和空间变化规律的模型和方法体系。多年来交通流理论有了较快的发展，众多学者在这一研究方向做出了许多优秀的成果，将交通流理论运用于交通运输工程的许多研究领域，如交通规划、交通控制、道路与交通设施设计等。 预测方法从大体上可分为定性预测与定量预测。定性预测中主要有相关类比法、德尔菲法等；定性预测则分为因果分析、趋势分析智能模型。因果分析主要方法有线性回归、非线性回归等模型；趋势分析主要有时间序列模型、趋势回归模型等；智能模型主要包括神经网络模型和非参数回归模型。 短期交通流的预测方法较早期的有：自回归模型（AR）、滑动平均模型（MA）、自回归滑动平均模型（ARMA）、历史平均模型（HA）和Box-Cox法等，随着该领域的发展，预测方法不断趋于精确，在大批学者的共同努力下出现了许多更加复杂、精度更高的预测模型。大体来说可分为两类：一类是以数理统计和微积分等传统的数学方法为基础的预测模型，主要包括：时间序列模型、卡尔曼滤波模型、参数回归模型等；第二类是以现代科学技术和方法（如模拟技术、神经网络、模拟技术）为主要研究手段而形成的短期预测模型，该种方法不追求严格意义上的数学推导和明确的物理意义，更加重视与现实交通流量的拟合接近程度，该种方法主要包括非参数回归模型、KARIMA算法、基于小波理论的方法、谱分析和多种与神经网络相关的复合预测模型等。现阶段广泛应用的主要有以下四种模型。 历史平均模型Stepehanedes于1981年将此方法应用于城市交通控制系统中。其特点有算法简单，参数可用最小二乘法进行估计，操作简单，速度快，但其由于它是一种静态的预测方法，不能反映动态交通流基本的不确定性和非线性性，无法克服随即干扰因素的影响。 时间序列-ARIMA模型由Ahmed和Cook于1979年首次在交通领域提出。在大量连续数据的基础上，此模型没有较好的预测精度，但需要复杂的参数估计，且其对历史数据的依赖性较高，成本较高。该方法技术比较成熟，特别适用于稳定的交通流。该模型只是单纯从时间序列分析的角度进行预测，没有考虑上下游路段之间的流量关系。 神经网络模型人工神经网络诞生于20世纪40年代，Schin 于1992年用之于长期的交通预测，1993年1994年Dougherty 和Clark 分别将其应用于短期交通预测。该方法在一定程度上摆脱了建立精确数学模型的困扰，为研究工作开辟了新的思路。应用较广泛的有BP神经网络-误差反传神经网络模型、单元神经网络模型、基于谱分析的神经网络模型、高阶神经网络模型和模糊神经网络模型等方法 非参数回归模型，由Davis和Smith于1991年应用到交通预测领域，该预测方法是一种适合不确定性、非线性的动态系统的非参数建模方法。无需先验知识，只需足够的历史数据。 鉴于道路交通系统的非线性、复杂性和不确定性等特征，许多无模型的预测方法被应用到短期的交通流预测当中，且取得了良好的效果，研究发现，考虑上下游道路流量的关系的预测方法更能反映实际情况，比起单纯的时间序列预测方法更加贴合实际，有更大的发展空间。 题目：设图示交通网络的OD 交通需求量为t=200辆，各径路的交通阻抗函数分别为： 1110.05h c +=，22025.010h c +=，33015.015h c += 试用全有全无分配法、增量分配法（二等分）和均衡分配法（迭代步长分别取0.618和0.0291）求出分配结果，并进行比较。 设目标函数表示车辆受到的总阻抗，即令交通阻抗函数对h 求积分，函数如下： 2332222110075.0150125.01005.05h h h h h h Z +++++= 1.全有全无分配法 1.1方法介绍 全有全无分配法是将OD 交通需求沿最短经路一次分配到路网上去的方法，也被称为交通需求分配。顾名思义，全有（all ）指将OD 交通需求一次性地全部分配到最短径路上。全无（nothing ）指对最短径路以外的径路不分配交通需求量。 全有全无分配法应用于没有通行能力限制的网络交通交通量分配等场合。在美国芝加哥城交通解析中，首次获得应用。另外，后述增量分配法和均衡分配法中频繁使用。 1.2 解：由路段费用函数可知，在路段交通量为零时，径路1最短。利用该方法的以下结果： 15,10,2520010.05,0,200321321===?+====c c c h h h 因为，25,13 2= 交通预测模型【对各种交通流预测模型的简要分析】 摘要:随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。多年来，世界各国的城市交通专家提出各种不同的方法，试图缓解交通拥堵问题。交通流预测在智能交通系统中一直是一个热门的研究领域，几十年来，专家和学者们用各种方法建立了许多相对精确的预测模型。本文在提出交通流短期预测模型应具备的特性的基础上，讨论了几类主要模型的结果和精确度。 关键词:交通流预测;模型;展望 20世纪80年代，我国公路建设项目交通量预测研究尚处于探索成长阶段，交通量预测主要采用个别推算法，又可分为直接法和间接法。直接法是直接以路段交通量作为研究对象；间接法则是以运输量作为研究对象，最后转换为路段交通量。 进入90年代后，我国的公路建设项目，特别是高速公路建设项目的交通量分析预测多采用“四阶段”预测，该法以机动车出行起讫点调查为基础，包括交通量的生成、交通分布、交通方式选择和交通量分配四个阶段。 几十年来，世界各国的专家和学者利用各学科领域的方法开发出了各种预测模型用于短时交通流预测，总结起来，大概可以分为六类模型：基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。这些模型各有优缺点，下面分别进行分析与评价。 一、基于统计方法的模型 这类模型是用数理统计的方法处理交通历史数据。一般来说统计模型使用历史数据进行预测，它假设未来预测的数据与过去的数据有相同的特性。研究较早的历史平均模型方法简单，但精度较差，虽然可以在一定程度内解决不同时间、不同时段里的交通流变化问题，但静态的预测有其先天性的不足，因为它不能解决非常规和突发的交通状况。线性回归模型方法比较成熟，用于交通流预测，所需的检测设备比较简单，数量较少，而且价格低廉，但缺点也很明显，主要是适用性差、实时性不强，单纯依据预先确定的回归方程，由测得的影响交通流的因素进行预测，只适用于特定路段的特定流量范围，且不能及时修正误差。当实际情况与参数标定时的交通状态相差较远时， 第三章交通量分析及预测 交通量分析和预测是公路建设项目前期工作的重要内容，本章首先在交通量观测及其他交通调查的基础上，分析本项目相关线路及其影响区域的公路交通发展水平和特征，然后结合社会、经济、技术调查与分析，使用公路可行性研究通用的预测技术和方法，分析预测远景年交通量发展规模和水平，为确定本项目的技术等级、工程设施标准规模和经济评价等提供重要的依据。 3.1公路交通调查与分析 本项目采用交通量观测为交通调查方法。 3.1.1 调查综述 调查的目的、方法及内容： 公路交通调查是公路项目可行性研究的重要环节，为全面了解项目所在地区公路交通量的特性和构成，掌握公路交通流量流向、车辆构成、货物种类等资料，为未来拟建公路交通量预测提供基础数据，本项目公路交通调查主要包括相关公路观测交通量、汽车保有量、交通事故等方面内容，调查范围主要是针对拟改建项目所属区域及沿线所经区域进行调查。 3.1.2 调查资料的分析 1.历年相关公路交通量 表3-1 正镶白旗杨白音敖包嘎查测站历年交通量 2.交通量观测调查车辆构成分析 通过资料整理，可以得到各调查点断面交通量情况。详见下表。 3.2 预测思路与方法 3.2.1预测思路 交通量预测是公路建设项目可行性研究的重要内容之一，是确定项目技术等级、建设规模及标准的依据，也是项目经济评价的基础。 根据研究项目白旗伊克淖苏木白音敖包嘎查至乌兰胡吉尔浩特至陶苏图浩特公路周边地区的公路项目，路段历史交通量能反映该路段上交通量的发展趋势。因此，可以利用周围路段的历史交通量用基于运输通道的交通量预测法来进行预测。基于运输通道的交通量预测法的大致思路如下： （1）获取项目所在运输通道内各条道路的历史交通量； （2）根据运输通道历史交通量找出其发展趋势，运用相关趋势模型求出运输通道交通量的增长率，并计算出运输通道未来年总交通量； （3）根据项目运输通道内各条道路的历史交通量发展趋势，结合相关各条道路在未来年的等级、车道数和通行能力等因素，采用Lgoti概率模型来确定未来年各条道路在运输通道内所分担的交通量比例，最后计算出本项目未来年的交通量。 3.2.2 交通量预测方法及步骤 该项目为正镶白旗明安图镇三面井嘎查敦廷高勒浩特至白生图浩特公路，是白旗通往外界的重要通道之一，由于公路交通是白旗唯一交通方式，因此本项目具有重要的地位和作用。通过对正镶白旗明安图镇三面井嘎查敦廷高勒浩特至白生图浩特公路线上的观测点交通量调查分析得出，现有道路的交通量比较大，由于省道的服务水平、道路路况等影响，在未来年单一的通道已经无法满足交通量的需求。 交通量预测：主要是在现状交通量观测调查的基础上，依据项目区未来年经济发展及项目所属通道运输方式发展趋势，测算公路通道的运输量，利用合理的预测方法进行 交通分配方法 The following are traffic assignment methods encountered in transportation planning practice, all of which are available in TransCAD: All-or-Nothing Assignment (AON) 全有全无分配法 Under All-or-Nothing Assignment, all traffic flows between O-D pairs are assigned to the shortest paths connecting the origins and destinations. This model is unrealistic in that only one path between every O-D pair is used, even if there is another path with the same or nearly the same travel time or cost. Also, traffic on links is assigned without considering whether or not there is adequate capacity or heavy congestion; travel time is a fixed input and does not vary depending on the congestion on a link. 在全有全无分配模型中，OD点之间的交通量全部分配到起讫点之间的最短路上。这个模型是不切实际的，因为每个OD对的数值只分配到一条路径上，即使存在另外一条时间、成本相同或相近的路线。同样，交通量分配的时候没有考虑是否有足够的通行能力，即使已经出现严重的拥堵；路线的运行时间为一个输入的固定值，它不因为路线的拥堵而变化。 STOCH Assignment STOCH分配法 STOCH Assignment distributes trips between O-D pairs among multiple alternative paths that connect the O-D pairs. The proportion of trips that is assigned to a particular path equals the choice probability for that path, which is calculated by a logit route choice model. Generally speaking, the smaller the travel time of a path, compared with the travel times of the other paths, the higher its choice probability would be. STOCH Assignment, however, does not assign trips to all the alternative paths, but only to paths containing links that are considered "reasonable." A reasonable link is one that takes the traveler farther away from the origin and/or closer to the destination. The link travel time in STOCH Assignment is a fixed input and is not dependent on link volume. Consequently, the method is not an equilibrium method. STOCH分配法将交通量分配到OD点对之间的多条路径上。各条路线的分配比例根据路线的选择概率确定，而此概率用一个logit路线选择模型来计算。一般而言，运行时间更短的线路被选择的概率就更高。事实上，STOCH分配模型并不是将交通量分配到所有可供选择的路线上，而只分配到包含“可行路段”的路径上。一个合理的路段应该让旅行者离起点更远，而且/或者离终点更近。在STOCH分配模型中，路段运行时间是一个输入的固定值，与交通量无关。因此，这种方法不是一个平衡的方法。 Incremental Assignment增量分配法 Incremental Assignment is a process in which fractions of traffic volumes are assigned in steps. In each 第22卷第1期2008年1月 济南大学学报(自然科学版) J OURNAL OF UN I VERSITY O F JI NAN (Sc.i &T ech ) Vo.l 22 No .1 Jan.2008 文章编号:1671-3559(2008)01-0088-07 收稿日期:2007-05-21 基金项目:国家自然科学基金(60674062);济南大学博士基金 (B0608);济南大学科研基金(Y0601)。 作者简介:高 慧(1982-),女,山东德州人,硕士生;赵建玉 (1966-),女,山东临沂人,副教授,硕士生导师。 短时交通流预测方法综述 高 慧1 ,赵建玉1 ,贾 磊 2 (1.济南大学控制科学与工程学院,山东济南250022;2.山东大学控制科学与工程学院,山东济南250061) 摘 要:以交通流预测研究的步骤为主线,对短时交通流预测的方法进行研究。对现存预测方法进行了分类分析:基于统计理论的方法、基于神经网络的方法、基于非线性理论的方法以及基于新兴技术的预测方法。将人工神经网络模型与其他领域的研究相结合的综合预测模型要比单一神经网络预测模型、常规预测模型的预测效果好;基于非线性理论的预测方法有较好的发展前景。 关键词:智能交通;数据采集;数据预处理;交通流预测中图分类号:U 491.112 文献标识码:A 交通系统 [1] 是支持社会经济发展的基础设施 和 循环系统 ,在社会经济系统中占有重要的地位。交通问题解决的好与坏,直接影响着国民经济 的发展与人民生活质量的提高。当今世界各国的大城市无不存在着交通拥挤问题。交通问题在一定程度上已经成为制约经济、社会稳定发展的 瓶颈 问题。然而有限的土地和经济制约等使得道路建设不可能达到相对满意的里程数,所以就需要在不扩张路网规模的前提下,综合运用现代信息与通讯技术等手段来提高交通运输的效率,以提高交通路网的通行能力。于是,运用各种高新技术系统地解决道路交通问题的思想就应运而生了,这就是智能交通系统I TS(intelligent transport syste m ) [2-3] 。 交通控制与诱导系统是I T S 研究的热门核心课 题,而实现交通流诱导系统的关键问题是实时准确的交通流量预测,即如何有效地利用实时交通数据信息去滚动预测未来几分钟内的交通状况。其结果可以直接送到先进的交通信息系统(ATIS)和先进的交通管理系统(ATM S)当中,给出行者提供实时有效的信息,帮助他们更好地进行路径选择,实现路 径诱导,以缩减出行时间,减少交通拥挤。这种预测称为短期预测(short-ter m forecasting),它是微观意义上的,与中观和宏观意义上的以小时、天、月甚至 是年计算的基于交通规划的战略预测(strateg ic fore -casting)是有本质区别的 [4-5] 。 1 数据采集 最初的交通参数信息采集方法都是非自动的人工采集方法,包括人工观测法和摄影法等。自20世纪30年代美国研制出 声控 式感应式交通信号控制机以来,交通量检测器技术得到了迅速发展,特别是近20年来出现了大量的新型交通量检测器。交通量检测器的种类很多,主要有:环形线圈检测器,超声波检测器,磁感应式检测器,光辐射式检测器,雷达检测器,视频检测器等。目前应用较多的是环形线圈检测器、超声波检测器和视频检测器。1.1 环形线圈检测器方法 环形线圈检测器 [6] 出现于20世纪60年代,是 目前交通控制中应用最广的交通量检测器。该检测器是一种基于电磁感应原理的车辆检测器,它的传感器是一个埋设在路面下、通有一定交变电流的环 形线圈。当车辆通过线圈或停在线圈上时,车辆引起线圈回路电感量的变化,检测器可检测出该变化,基于此原理采集交通量。1.2 超声波检测器方法 超声波检测器 [1] 是通过接收由超声波探头发 出并经过车辆反射的超声波来检测车辆的。超声波检测器的工作原理可分为两种:传播时间差法和多普勒法。 传播时间差法,超声波检测器的探头向路面发射超声波然后接受其反射波,当有车辆时,超声波会经车辆反射提前返回。多普勒法,超声波探头向空间发射超声波同时接收信号,如果有移动物体,那么接收到的反射波信号就会呈现多普勒效应。 简述交通量预测方法与步骤 一、交通调查与分析 1.调查综述 道路交通量与项目影响区的交通出行分布是交通量预测的基础资料。为了对公路建设项目未来年的交通量发展情况进行预测，需要调查了解项目影响区交通发展状况，相关路网交通现状，各类车辆的起讫点分布，交通组成等基础数据资料。 交通调查的内容包括两个方面，一是相关公路的道路状况和交通状况调查，另一方面是车辆出行分布调查，据此分析项目影响区的车辆出行分布状况。相关公路道路与交通状况调查主要包括相关公路历史流量发展分析，交通组成分析，用于分析项目影响区交通发展规律；车辆出行分布调查主要调查车辆出行的起讫点，即OD调查，用于分析项目影响区及相关路网车辆的空间、时间分布特征，掌握交通现状。 2、交通量OD调查及分析 OD调查和交通量观测主要是为了全面掌握项目影响区内各方向公路运输通道的交通流量、流向、车型构成等交通特性，为拟建项目所在通道的运输需求特点分析和交通量预测工作提供了可靠的基础数据。 OD调查点位置布设原则为: ⑴在能够把握交通流量分布特性和不影响调查目的及精度的前提下，尽量减少OD调查点个数，以节省人力、物力和财力； ⑵OD点应尽量远离城区（一般为10公里左右）； ⑶为了和历年的交通量调查资料相互检验、补充，在不影响调查目的的前提下，调查地点尽量与历年交通量观测点一致或靠近。 以OD调查和交通量观测数据为基础，按照调查所采用的抽样率，根据主要相关公路历年交通量计算得到的月不均匀系数和周日不均匀系数将每个调查点的OD交通量进行扩大、修正，形成单点年平均日OD交通量（AADT），并得到单点OD表。交通量换算采用小客车为标准，各代表车型和车辆折算系数规定如下表所示。 各汽车代表车型与车辆折算系数 交通分配方法作业 题目：设图示交通网络的OD 交通需求量为t=200辆，各径路的交通阻抗函数分别为： 1110.05h c +=，22025.010h c +=，33015.015h c += 试用全有全无分配法、增量分配法（二等分）和均衡分配法（迭代步长分别取0.618和 0.0291）求出分配结果，并进行比较。 设目标函数表示车辆受到的总阻抗，即令交通阻抗函数对h 求积分，函数如下： 2332222110075.0150125.01005.05h h h h h h Z +++++= 1.全有全无分配法 1.1方法介绍 全有全无分配法是将OD 交通需求沿最短经路一次分配到路网上去的方法，也被称为交通需求分配。顾名思义，全有（all ）指将OD 交通需求一次性地全部分配到最短径路上。全无（nothing ）指对最短径路以外的径路不分配交通需求量。 全有全无分配法应用于没有通行能力限制的网络交通交通量分配等场合。在美国芝加哥城交通解析中，首次获得应用。另外，后述增量分配法和均衡分配法中频繁使用。 1.2 解：由路段费用函数可知，在路段交通量为零时，径路1最短。利用该方法的以下结 果： 15,10,2520010.05,0,200321321===?+====c c c h h h 因为，25,13 2= 在可行性研究阶段，预测交通需求量有多种方法，例如趋势类推法、弹性分析法、OD调查法、专家调查法以及四阶段模型系统法（出行生成模型、交通分布模型、方式分担模型、交通量分配模型）。本报告主要在介绍建设建立在区域经济学分区理论基础上，预测精度较高，技术难度较大的四阶段模型系统法。 一、出行生成模型 出行生成模型作为交通需求预测的第一步，其主要任务是对研究地区的每个分区的出行量进行估计。首先将研究区域进行分区，并对每个分区的社会经济性质、土地利用特点进行研究，建立以分区为基础的联合出行生成模型，从而导出研究区域的交通出行生成总量。 由于每个分区及时出行的起始点，优势出行的目的地，因此出行生成由出行产生和出行吸引两部分组成。相应的就是出行产生量O i 和出行吸引量D j两种度量方法。二者的影响因素是不同的。出行产生的主要影响因素是交通用户（出行者）的社会经济性质，如人口、收入、小汽车拥有量等；出行吸引的主要影响因素是地区的土地利用性质，如土地利用类型（商业企业、工业区等）、土地利用密度、就业水平、可达性等。由于出行产生和出行吸引二者的影响因素不同，一般情况下应分别建立模型进行分析。出行生成通常采用两种传统的模型方法：回归模型和分类模型。 ①回归模型 回归模型是计量经济学中重要的方法之一，它以社会经济作为分析基础，属于经验性定量模型，在交通需求预测中有广泛的应用。出 行生成回归模型的一般表达公式为： Y=a0+a1X1+a2X2+?+a k X k+u 式中：Y——地区出行生成量； X1、X k——地区出行生成主要影响因素； a0、a k——回归系数； U——随机变量。 出行生成回归模型的输入是地区影响因素的量化值和出行生成量的时间序列历史数据。模型建立以后，利用常见的最小二乘等参数估计方法对模型进行标定。单元回归模型的标定过程比较简单，多远回归模型的最小二乘计算公式要通过解k+1个联立方程得出，比较复杂，但现在有许多方便的计算机软件可供使用。当完成对模型标定并通过检验后，即可用于预测未来年度出行生成的变化趋势。 回归模型所需数据均为地区性的总量数据或平均数据，分析方法比较完善和简单易行，应用比较广泛。回归模型的缺点是使用这种方法要有严格的前提条件，即模型必须满足一系列统计基本架设，因而是模型的应用受到一定的局限性。而且，模型中所使用的地区性总量数据，可能会使某些突出的社会经济特点变得模糊。比如，某地区家庭收入的特点是贫富不均，模型采用平均收入指标后，地区的这种收入特点被中和淡化，无法反映到出行生成预测中去，影响力估计结果的真实性。 高速公路交通量预测方法研究 发表时间：2018-05-18T11:18:01.283Z 来源：《基层建设》2018年第3期作者：杨芳1 丛啸2 [导读] 摘要：本文简要阐述目前国内外高速公路交通量预测方法研究现状，并介绍了基于非集计模型的交通量预测方法，以及对未来研究的简要展望。 云南省交通规划设计研究院 摘要：本文简要阐述目前国内外高速公路交通量预测方法研究现状，并介绍了基于非集计模型的交通量预测方法，以及对未来研究的简要展望。 关键词：高速公路；交通量预测；非集计模型 0引言 随改革开放以来，我国基础建设大力发展，高速公路不断修建，人们对道路的要求也越来越高，尤其是在接受国外时间就是金钱的观念后。因此人们不论是在出行还是网上购物都希望速度能越快越好，对交通运输的方式也更倾向于高速的航空、高铁以及高速路等。而随着现代社会经济不断发展，国内车辆数不断增长，交通堵塞问题日益凸显，例如北上广大城市早已要求单双号出行，对此做好相关合理的交通规划是首要解决方案，而对于高速公路段在高速行驶下更需要做好交通规划。其中，作为交通规划建设项目的首要研究内容，交通量预测直接影响到高速公路的一系列建设，其是确定道路建设技术等级、道路等级、工程规模以及经济评价的最主要和最基础指标，是对修建道路的交通状况评价、全方面考虑分析具体道路项目修建的必要性和可行性的前提，准确的交通量预测将直接影响项目方案的科学合理性。目前国内外应用最多的交通量预测方法为四阶段法，但随着实际工程的不断应用，其设计上的缺陷不断凸显，其中主要问题有：数据采集中的总计数不准确、需要大量的处理调查数据完成精确预测以及小区域划分不明确等。在此背景下，对高速公路的交通量预测方法的研究十分必要，也迫在眉睫。 1国内外研究现状 国外专家学者主要研究了高速公路交通量预测的方法和具体应用办法，Park，Bunky在《模糊神经网络在短期高速公路交通量预测中的应用》研究中将模糊神经网络模型分为RBF神经网络和FCM方法，与以前的动态线性模型比较，采用此种模型方法可较好的解决预测时间后滞问题；Iskander，Wafik在《美国高速公路交通量预测》中提出将聚类分析与多元线性回归方法相结合，且其模型中将社会经济学因素考虑其中；之后最具有代表意义的非集计模型在上世纪60年代被开发出来，其模型的提出主要参考经济学理论基础，十年后美国麻省理工学院Mcfdden等人将其改进，并将改进非集计模型的研究推向具体工程实践阶段，其应用十分广泛（表1），包括：车辆使用寿命问题、城市间货运需求预测、车辆需求预测、城市公共客运方式、交通方式选择等。 表1 美日对非集计模型应用领域 国内对高速公路交通量预测方法也进行了大量研究，李峰等人针对国内复杂的铁路、高速公路、低等级道路、山区道路，在《高速公路需求预测方法》中预测了我国未来公路交通交通量以及提出相应方法；赵朋宾等人针对高速公路的自身特点，应用区域经济学分区理论方法，研究了其在具体建设项目中的可行性； 罗莉采用风险分析方法，通过识别并分类交通量的风险因素，具体解释交通量风险产生的原因以及特征，并估计各类风险的发生概率，为今后高速公路建设规模的合理计算与制定投资决策提供可靠依据；最近几年，随着国外对非集计模型的大量研究，其作为集计模型的代替及补充者，在国内也已开始大量应用。关宏志在其书《非集计模型交通行为分析的工具》中主要介绍非集计模型的基础理论以及相应的应用方法。 2基于非集计模型的交通量预测方法 非集计模型又叫非集计行为模型、个人选择模型或离散模型，主要为强调其与集计模型的不同而命名。集计模型采用交通小区将个体的交通活动范围进行数据统计计算并分析而得到相应模型；非集计模型则以个体的实际交通活动为单位，不采用交通小区建模。具体差别如表2。 表2 非集计模型与集计模型差别比较 通过以上比较得非集计模型优点如下： （1）具有明确的行为假说基础，且逻辑性较强； （2）在较少的样本下就可计算出模型系数，并可检验参数所用统计学方法； （3）允许以与个人决策相关性的多个因素作为自变量，以便于对多种类型的交通规划、交通政策进行效果评价；（4）具有较好的地区、时间转移性； （5）使用者对项目评价方便快捷。 第3章交通量分析及预测 3.1公路交通调查及分析 3.1.1调查综述 3.1.1.1调查内容 按照交通规划的研究对象，本项目分别对公路客货运输量、年平均交通流量进行 调查。按照调查的方式，又大致分为以道路上的车辆为对象的实测调查和为明确人的 活动和货物的移动性质而进行的问卷调查。前者的调查有道路交通量调查和运行车速 调查，具体的调查事项及观测方法，因表示交通流特性所采用的要素不同而有所不同， 通过它可掌握汽车行驶状态有关的各种特性，为道路上实现畅通交通流而进行适当的 交通控制及建立交通规划发挥作用。后者的调查有居民出行调查、机动车OD调查和物 流调查。 3.1.1.2调查方法 交通调查是公路建设项目可行性研究的一个重要环节，是采集所需基础数据的最基本手段。其目的是了解项目影响区域公路交通运输的特性、构成以及客货运输的流量、流向，使后续的交通量预测建立在客观、可靠的基础上，为公路建设项目的计划、建设规模、建设标准等提供科学的依据。 (1)交通量调查点的布设 交通量调查点的选择，对调查数据、区域路网流量分析、拟建项目交通量预测有 着直接的影响，是整个交通量调查的关键。本报告交通量调查路段及其地点的选择， 主要考虑了以下因素： 1) 根据拟建项目特点及其区域路网交通流特性，选择有代表性的路段布点； 2) 调查点远离城镇，尽量避免城镇内部交通及短途交通的影响； 3) 调查点选择在路基较宽、视距远的路段上，同时要保证上行与下行调查点之间留有不少于150m的距离，以免造成交通阻塞； 4) 附近有收费站的，尽量将调查点设在收费站中，以减少对车辆通行的影响。 由于交通流量观测是在具体的某一天进行的，有的是24小时流量观测点，有的是12小时流量观测点，所以在交通流量分析时根据各流量观测点所在路段历年交通量观 测资料对其进行年月、周日、昼夜不均匀性调整，并以次推算出年均日交通量。调整 公式如下： Q ijk＝q ijk·αi·βi·γi 交通规划及需求预测 规划，即是确定目标与设计、达到目标的策略和行动的过程。而现代规划的概念有两层独立的含义：1、战略规划：通常是长期的反映规划的经济及商务方面内容，涉及高层管理者或企业的管理层；2、战术规划：反映设施的技术层面，涉及技术管理层，他们负责具体设施管理，以及与高层管理者或企业的管理层协调后在战略规划范围内进行未来扩展的事物。 一、交通规划的基本原则 交通规划是指经过调查分析、预测未来的道路交通需求，规划道理网络，并加以实施和修正的全过程。通常分为城市道路网规划及公路网规划两部分。 1、城市道路网规划的原则 （1）一般原则 满足人流、客货车流的安全畅通，同时反映出城市风貌、历史和文化传统，为地上地下工程管线和其它设施提供空间，并满足城市日照通风与城市救灾避难要求。 满足城市交通运输要求是道路网络系统的首要目标，为达到此目标，规划的道路网络系统必须“功能分清，系统分明”，为组成一个合理的交通运输网络创造条件，使城市各交通区之间有“方便、迅速、安全、经济”的交通联系。 按道路在城市中的地位、作用、交通性质、交通速度及交通流量等指标，可将道路分为快速路、主干路、次干路及支路。快速路及主干路为交通性干道，次干路兼交通性和生活性两重功能，并以交通功能为主，支路一般为生活性道路。 （2）各种城市道路规划原则 道路网规划首先应规划以通行机动车为主的城市快速路和主干路系统，构成城市道路网的骨架，在此基础上规划次干路、支路等其它道路。 ①快速路：为高速、行程长的汽车交通连续通行设置的重要道路，一般在大城市、带状城市或组团城市内设置，并与城市出入口道路和市际高等级公路有便捷的联系。应设置中央分隔带以分离对向车流，并限制非机动车进入，部分控制快速路两侧出入。快速路出入道路的间距以不小于1.5km为宜。快速路与快速 交通需求预测方法 08级交通工程2班陈刚 0803030218 第一章短时（微观）交通需求预测 短时（微观）交通预测，与中观和宏观意义上的以小时、天、月甚至是以年计算的基于交通规划的战略预测有着本质区别。 短于15分钟的交通流预测称为短时交通流预测。现阶段的预测方法如下： 一、非参数回归模型 非参数回归模型是近几年兴起的一种适合非线性的、不确定的动态系统的非参数建模方法。它不需预备知识, 只需足够的历史数据, 寻找历史数据中与当前交通特征相似点, 并用那些相似点预测现阶段交通下一时刻值。因此,特别是在有突发性事件时, 预测结果要比参数建模的方法精确。 非参数回归作为一种无参数，可移植、高预测精度的算法, 它的误差比较小, 且误差分布情况良好。尤其通过对搜索算法和参数调整规则的改进, 使其可以真正达到实时交通流预测的需求。并且这种方法便于操作实施, 能够应用于复杂环境, 可在不同的路段上进行方便地预测。 二、历史平均模型法 算法定义为 ()(1)() V new AV A V old =+-。式中，() V new代表某路段在一定时间间 隔内新的交通流量； () V old代表该路段在相同时间间隔内旧的交通；V为交通流量；A为 平滑系数。 历史平均模型算法简单, 参数可用最小二乘法进行估计计算, 可以在一定程度内解决不同时间、不同时段里的交通流变化问题。但它不能反映动态交通流基本的不确定性与非线性的特点,尤其无法克服随机干扰因素的影响, 没有办法应对交通系统中的突发性事故。 三、神经网络模型 先进的交通控制系统不仅应当具备已有系统的优点, 更为重要的是要能充分利用不断积累的经验,有效地产生控制策略, 使模型具有根据历史数据进行学习、经验积累和不断完善的能力。鉴于这样的发展思路和要求, 神经网络由于其自身特有的自适应性和自学习的优势, 在实时交通流预测领域的应用变得非常活跃。其是在交通流量预测方面很有潜力的一种模型。 其中比较有代表性的有：BP神经网络模型（及其改进模型）、单元神经网络模型、基于谱分析的神经网络模型、高阶广义神经网络模型、模糊神经网络模型等。 四、时间序列模型 Ahmed和Cook于1979年首次在交通流预测领域提出了时间序列模型。经过一定的发展，其中比较有代表性的有ARIMAO模型、ARIMA模型、（0,1,1）模型等。下面重点介绍ARIMA 模型。 ARIMA模型假定数据序列是由某个随机过程产生的，它把事物在某一固定时刻的状态视 交通分配方法[帮助翻译] The following are traffic assignment methods encountered in transportation planning practice, all of which are available in TransCAD: All-or-Nothing Assignment (AON) 全有全无分配法 Under All-or-Nothing Assignment, all traffic flows between O-D pairs are assigned to the shortest paths connecting the origins and destinations. This model is unrealistic in that only one path between every O-D pair is used, even if there is another path with the same or nearly the same travel time or cost. Also, traffic on links is assigned without considering whether or not there is adequate capacity or heavy congestion; travel time is a fixed input and does not vary depending on the congestion on a link. 在全有全无分配模型中，OD点之间的交通量全部分配到起讫点之间的最短路上。这个模型是不切实际的，因为每个OD对的数值只分配到一条路径上，即使存在另外一条时间、成本相同或相近的路线。同样，交通量分配的时候没有考虑是否有足够的通行能力，即使已经出现严重的拥堵；路线的运行时间为一个输入的固定值，它不因为路线的拥堵而变化。 STOCH Assignment STOCH分配法 STOCH Assignment distributes trips between O-D pairs among multiple alternative paths that connect the O-D pairs. The proportion of trips that is assigned to a particular path equals the choice probability for that path, which is calculated by a logit route choice model. Generally speaking, the smaller the travel time of a path, compared with the travel times of the other paths, the higher its choice probability would be. STOCH Assignment, however, does not assign trips to all the alternative paths, but only to paths containing links that are considered "reasonable." A reasonable link is one that takes the traveler farther away from the origin and/or closer to the destination. The link travel time in STOCH Assignment is a fixed input and is not dependent on link volume. Consequently, the method is not an equilibrium method. STOCH分配法将交通量分配到OD点对之间的多条路径上。各条路线的分配比例根据路线的选择概率确定，而此概率用一个logit路线选择模型来计算。一般而言，运行时间更短的线路被选择的概率就更高。事实上，STOCH分配模型并不是将交通量分配到所有可供选择的路线上，而只分配到包含“可行路段”的路径上。一个合理的路段应该让旅行者离起点更远，而且/或者离终点更近。在STOCH分配模型中，路段运行时间是一个输入的固定值，与交通量无关。因此，这种方法不是一个平衡的方法。 Incremental Assignment 增量分配法交通流预测方法
交通分配方法作业
交通预测模型【对各种交通流预测模型的简要分析】
3-交通量分析及预测(新)
TransCAD交通分配方法介绍
短时交通流预测方法综述_高慧
简述交通量分析预测方法
交通分配方法作业
交通量需求预测方法
高速公路交通量预测方法研究
第3章 交通量分析及预测
交通规划及需求预测
交通预测方法(注意)
交通分配帮助翻译
相关主题
文本预览