客流预测模型讲稿19页word
- 格式:doc
- 大小:264.00 KB
- 文档页数:18
城市轨道交通客流预测一、客流预测模式1、非基于出行分布的客流预测模式。
将相关公交线路和自行车出行的现状客流向轨道交通线路转移,得到虚拟的轨道交通基年客流。
然后根据相关公交线路的客流增长规律确定轨道交通客流的增长率,并据此推算轨道交通的远期客流。
这种客流预测模式又称为趋势外推客流预测模式。
趋势外推客流预测模式能较好地反映近期客流量的增长情况,但由于未考虑土地利用形态等客流影响因素,远期客流预测结果的精度较低,并且在预见未来出行分布变化上可靠性较差。
该客流预测模式操作简单,常用于其他模式预测后的比较验证,或作为定性分析的辅助手段。
2、基于出行分布的客流预测模式。
以市民出行交通起讫点调查(origin-d estination survey,OD调查)为基础,得到现状全方式出行分布,在此基础上预测规划年度的全方式出行分布,然后通过方式划分得到轨道交通的站间OD客流。
这种客流预测模式包括出行生成、出行分布、方式划分与出行分配四个阶段,因此又称为四阶段客流预测模式或方法。
四阶段客流预测模式以现状OD调查为基础,结合未来城市发展及土地利用规划预测,因此客流预测结果的精度较高。
该客流预测模式对于基础数据的要求较高、操作复杂。
此外,在城市发展未能按规划实现时,预测的客流分布就会存在较大的差异。
近年来,国内许多城市的轨道交通客流预测采用了四阶段客流预测模式。
但在实践过程中,各个建设项目在方式划分阶段的位置、预测模型及参数标定,以及交通规划软件选用等方面存在不同的情形。
3、三次吸引客流预测模式。
三次吸引客流预测模式认为,可以确定一个轨道交通车站对客流的吸引范围,车站吸引范围是一个以车站为圆心,以合理的到达车站时间或到达车站距离为半径的圆形区域。
在分析车站吸引范围内的土地利用性质,以及确定合理步行区与接运交通区的基础上,可以预测通过步行、自行车和常规公交三种方式到站乘车的人次,它们分别称为一次吸引客流、二次吸引客流和三次吸引客流,并在车站客流量的基础上进一步推算线路的断面客流量。
教案头课次2授课日期编号基本课题客流预测教学目的掌握城市轨道交通需求的基本特征、掌握客流预测方法重点客流预测方法难点客流预测方法课型讲授课学时2教学过程时间分配教学方法能力培养旧课回顾认识城市轨道交通系统10mins课堂提问Ⅵ新课讲授任务一城市轨道交通需求的基本特征一、城市轨道交通的基本特征二、城市轨道交通发展的制约因素任务二客流预测一、客流预测概述二、客流预测模式三、客流预测方法10mins10mins10mins20mins20mins讲授、案例分析作业布置10mins 课后记:项目二 城市轨道交通客流预测与分析任务一 城市轨道交通需求的基本特征客流不仅是规划城市轨道交通网络、安排工程项目建设顺序、设计车站规模和选择车站设备容量的依据,也是轨道交通系统合理安排运力、编制运输计划、组织行车和分析运营效果的基础。
一、城市轨道交通的基本特征•城市轨道交通的基本特征•普遍存在性 •复杂多样性 •时空集散性 •政策决定性二、城市轨道交通发展的制约因素 (一)运输方式规模与能力 (二)运行速度(三)城市轨道交通的客流量断面客流量间P 计算见下式:P i+1=P i - P x + P s 式中:P i+1——第i+1个断面客流量(人); P i ——第i 个断面客流量(人); P x ——在车站下车人数(人); P s ——在车站上车人数(人)。
任务二 客流预测客流预测是一门科学,它是在现在从已知过去发生的事物有关因素基础上和假定未来的发展基础上进行 推断得到的。
一、客流预测概述根据城市轨道交通系统规划与设计的不同阶段,需要开展三次需求分析与预测工作。
城市轨道交通网络规划阶段 线路建设项目可行性研究阶段e an dA线路建设项目总体设计阶段二、客流预测模式(一)“四阶段”客流预测模式交通四阶段段法以居民出行调查(person trip survey)为基础,由交通生成(tripgeneration/attraction)、交通分布(trip distribution)、交通方式划分(model split)、交通量分配(traffic assignment)四个阶段组成。
城市地铁客流量预测模型构建与应用随着城市人口的不断增加和交通压力的不断增加,地铁成为了现代城市中必不可少的交通工具之一。
准确预测地铁客流量对于城市交通系统的运营和规划至关重要。
本文将探讨城市地铁客流量预测模型的构建与应用。
一、背景介绍随着城市的发展和人口的增长,城市地铁客流量逐年增加。
如何准确预测地铁客流量成为城市交通规划、运营和管理的重要问题。
精确地预测地铁客流量可以帮助城市交通部门合理安排列车班次、优化线路规划、提供准确的运营服务,提高城市交通系统的效率和便利性。
二、地铁客流量预测模型的构建1. 数据收集地铁客流量预测的首要任务是收集相关的数据。
常用的数据源包括车站进出站数据、乘客出行数据、天气数据等。
这些数据可以通过现场调查或者使用现有的数据平台进行收集。
2. 特征选择在构建地铁客流量预测模型时,需要选择合适的特征来进行建模。
常用的特征包括时间特征(如日期、时间段)、节假日特征、天气特征、地点特征等。
合理选择特征可以提高模型的预测准确性和可解释性。
3. 模型选择地铁客流量预测可以使用多种模型进行建模,包括传统的时间序列模型(如ARIMA模型)、机器学习模型(如随机森林、支持向量回归)、深度学习模型(如循环神经网络)。
根据实际情况选择合适的模型进行建模。
4. 数据预处理在进行地铁客流量预测之前,需要对数据进行预处理。
常见的预处理方法包括缺失值填充、异常值处理、数据平滑等。
通过预处理可以使数据更具有可靠性和一致性,提高模型的预测精度。
5. 模型训练与评估在预处理完成后,可以利用历史数据进行模型训练。
训练过程中可以使用交叉验证来评估模型的性能,并进行参数调优以提高模型的准确性。
常用的评估指标包括均方根误差(RMSE)、平均绝对误差(MAE)等。
6. 模型应用与调优在模型训练完成后,可以将模型应用于实际的地铁客流量预测中。
通过与实际数据的比较,可以对模型进行调优以提高预测精度。
三、地铁客流量预测模型的应用1. 运营调度准确的地铁客流量预测可以帮助地铁运营部门进行合理的列车调度。
铁路客流预测模型的研究与应用在当今社会,交通工具是现代社会中最不可或缺的基础设施之一。
尤其是铁路交通,作为一种高效的快速公共交通方式,其在现代社会交通体系中的地位越来越重要。
但同时,随着全国人口的不断增长,铁路客流量不断攀升,如何有效地预测和规划铁路客流,成为当前亟待解决的问题。
这里介绍一种铁路客流预测模型——时间序列模型。
这种模型是一种可用于预测未来时间点上发生的事件的数学方法。
根据时间序列模型的原理,历史上的每一个客流数量都是由各种因素所决定的,如节假日、天气变化、经济状况等等。
基于历史数据,时间序列模型可以预测出未来的客流量,并且通过历史数据来研究客流规律,为客流管理提供基础数据。
时间序列模型是基于有限的自回归时间序列和移动平均时间序列的分析方法而得到的。
通过将有限的自回归时间序列和移动平均时间序列组成的数学模型,来延续现有的时间序列数据,进而预测未来的客流。
具体而言,时间序列模型分为以下四个步骤:第一步,进行数据清洗和预处理,将原始数据进行分析和整合,并找到数据中的异常值和异常数据。
这一过程非常重要,因为数据的质量是影响预测精度的关键因素。
第二步,基于历史数据建立时间序列模型。
这个过程包含模型的选择,以及如何拟合其参数。
了解哪种模型更适合当前的数据以及如何确定模型的参数,可以声明预测的准确性。
第三步,在时间序列模型的基础上,利用最小二乘法和曲线拟合等方法进行参数调整,以达到最佳的客流预测结果。
第四步,利用预测结果进行铁路客流安排和优化。
根据预测结果,在旅客需求最为旺盛的时段,增加车次,提高列车运行速度,提供更好的乘车服务,以提高铁路客流量公共交通的安全和便利性。
时间序列模型的优势在于其对时间序列数据的分析能力,及对周期、趋势和季节性变化的预测能力。
通过时间序列模型对客流进行预测,可以为铁路客流提供有益的售票预测,为财务、行车调度等方面的决策提供有力的支持,同时还可以对铁路客流进行更好的规划和管理。
大型超市中的顾客流量预测模型研究随着日益繁荣的经济,大型超市在我们的日常生活中起着越来越重要的作用。
在大型超市中,每天都会迎来大量的顾客,这带来了很大的商机,但也给商家带来了很大的管理难题。
如何在人流量多的时候及时调整资源,安排更多人手来服务,成为大型超市经营者所关注的重要问题。
本文将探讨大型超市中的顾客流量预测模型研究,从而帮助超市管理者更好地进行资源分配和管理。
一、预测模型的应用在大型超市中,顾客的数量是时时刻刻变化的。
如何及时了解顾客数量的变化,并根据变化来调整人力资源的分配,是超市管理者需要重视的问题。
为此,预测模型的应用显得尤为重要。
预测模型可以用来分析顾客数量的变化情况,根据过去的数据、现在的环境和未来的预期,对将来的顾客数量进行预测,并对人力资源进行合理安排。
通过分析超市中不同时间段的客流情况,可以制定出畅销品在什么时间段应该安排多少人手来服务的策略。
通过对顾客数量的掌握,可以有效降低超市的运营成本,提高经济效益。
二、预测模型的构建顾客数量是由多个因素决定的,包括天气、节假日、周末、商品促销以及超市的位置等等。
因此,构建预测模型需要考虑到不同的因素。
下面将具体探讨如何构建顾客流量预测模型。
1、数据的收集在构建预测模型之前,需要收集大量的数据来作为训练集。
数据包括输入参数和输出参数。
输入参数是指影响顾客流量的因素,如时间、天气、超市的位置等等。
输出参数是指顾客数量,即需要预测的结果。
数据可以通过超市自身的系统来收集,如门禁系统、交易系统等。
此外,也可以通过第三方公司提供的数据服务来获得相关数据。
2、数据的预处理在收集到数据后,需要对数据进行预处理。
预处理包括数据清洗、数据整合、数据归一化等步骤。
数据清洗是指去除无效数据和异常数据,数据整合是指将多个数据集进行整合,数据归一化是指将不同的数据转化成同一标准的量纲。
3、特征工程特征工程是指将原始的数据转换成特征向量的过程。
特征向量的长度和维度可以根据实际需要进行调整。
高速列车客流量预测模型与优化策略随着经济的发展和人民生活水平的提高,人们对出行的要求也越来越高。
高速列车作为快速、方便、舒适的交通工具,受到了广大乘客的青睐。
然而,高速列车的客流量预测和优化策略的制定对于提高服务质量和满足乘客需求至关重要。
客流量预测是指通过对历史数据和未来趋势的分析,估计未来一段时间内高速列车的乘客数量。
准确预测客流量可以帮助高速列车运营商合理安排列车数量和运行时间,以提高列车的利用率和乘客满意度。
为了实现准确的客流量预测,可以采用以下模型:1. 时间序列模型时间序列模型是基于历史乘客数量数据进行预测的常用方法。
该模型假设未来的乘客数量取决于以往时间的乘客数量,通过对历史数据的分析,可以观察到乘客数量存在周期性变化和趋势变化。
可以利用ARIMA模型、指数平滑模型等进行时间序列分析,从而实现准确的客流量预测。
2. 循环神经网络(RNN)模型RNN模型是一种能够处理序列数据的神经网络模型。
通过将历史数据作为输入,RNN模型可以学习到数据中的时间依赖关系,从而实现对未来客流量的预测。
可以使用LSTM(长短期记忆网络)或GRU(门控循环单元)等RNN的变体来构建客流量预测模型。
3. 支持向量机(SVM)模型SVM模型是一种常用的监督学习算法,在客流量预测中也可以得到应用。
通过对历史数据进行特征提取,使用SVM模型可以建立乘客数量与其他因素之间的非线性关系,从而实现准确预测。
优化策略是指通过对客流量进行合理的调控和管理,以提高高速列车的运行效率和乘客满意度。
下面介绍几种常见的优化策略:1. 调整列车运行计划根据客流量预测结果,可以对高峰时段和低峰时段的列车运行计划进行调整。
在高峰时段增加列车班次,以满足乘客需求;在低峰时段减少班次或合并列车,以节省成本。
2. 座位预留策略通过预留一定比例的座位给网上购票的乘客或提前预约的乘客,可以确保他们能够得到座位,提高乘客满意度。
同时,也需要合理安排站内的候车区及座位,以避免拥挤。
轨道交通客流预测模型及应用随着城市人口的快速增长和交通需求的不断增加,轨道交通成为了现代城市中不可或缺的交通方式。
为了更好地管理和运营轨道交通系统,客流预测模型成为了重要的工具。
本文将探讨轨道交通客流预测模型及其应用。
一、轨道交通客流预测模型的基本原理轨道交通客流预测模型主要基于历史客流数据和其他相关数据进行建模和预测。
其中,历史客流数据是最为重要的输入,通过分析历史数据的趋势和规律,可以预测未来的客流量。
同时,还可以考虑其他因素,如节假日、天气、特殊事件等对客流的影响,从而提高预测模型的准确性。
轨道交通客流预测模型可以分为统计模型和机器学习模型两大类。
统计模型主要使用传统的统计方法,如时间序列分析、回归分析等,通过对历史数据的拟合来预测未来的客流。
而机器学习模型则通过训练算法来学习历史数据的模式和规律,然后根据学到的知识进行客流预测。
二、轨道交通客流预测模型的应用1. 运营调度轨道交通客流预测模型可以帮助运营调度人员制定合理的列车运行方案。
通过预测客流高峰时段和高峰线路,可以调整列车班次和运行间隔,以满足乘客的出行需求,减少拥挤和延误的情况发生。
同时,还可以根据预测结果对运行图进行优化,提高运营效率。
2. 设备维护轨道交通客流预测模型还可以应用于设备维护领域。
通过预测客流高峰时段和高峰线路,可以提前安排设备的维护工作,避免在高峰期间出现设备故障引发的延误和事故。
此外,还可以根据客流预测结果对设备进行合理的投资,以满足未来的交通需求。
3. 城市规划轨道交通客流预测模型对于城市规划也具有重要意义。
通过分析客流分布和客流量变化趋势,在城市的规划和扩建过程中可以更好地考虑公共交通系统的优化和发展。
比如,在城市新开发区域,可以根据客流预测结果确定轨道交通线路和站点的位置,以满足未来的交通需求。
三、轨道交通客流预测模型存在的挑战和未来发展趋势尽管轨道交通客流预测模型在实际应用中取得了一定的成果,但仍然存在一些挑战。
客流预测模型的建立与应用研究一、引言客流预测模型是指通过分析历史数据及相关因素,预测未来某一时段的客流量的模型。
客流预测模型的建立与应用在各行各业中都有广泛的应用。
例如在旅游景区、交通运输、商业店铺等场景中,不同时间段的客流量对于经营和管理都有重要的影响。
因此,如何建立准确可靠的客流预测模型,全面掌握客流情况,成为了企业及相关从业者需要解决的难题之一。
二、客流预测模型的分类客流预测模型主要分为基于经验式模型的客流预测模型和基于机器学习的客流预测模型两大类。
1. 基于经验式模型的客流预测模型经验式模型是一种基于统计学原理或建筑规划原理的预测模型,主要应用于对于特定客流场景的简单预测。
其中,最常用的经验式模型为线性回归模型,可以通过收集历史数据及相关因素,利用回归分析方法建立数学模型,预测未来某一时段的客流量。
2. 基于机器学习的客流预测模型随着大数据时代的到来,基于机器学习的客流预测模型也变得日益重要。
在机器学习模型中,最常用的模型是神经网络、支持向量机、随机森林等。
机器学习模型不需要考虑只拟合历史数据而不适用于新数据的问题,通过建立复杂的模型来预测客流量,可以更精确地预测未来客流。
三、客流预测模型的建立客流预测模型的建立包含数据采集、数据预处理、特征工程、模型建立和模型评估五个步骤。
1. 数据采集数据采集是建立客流预测模型的第一步。
客流数据包含每日通过某一区域的人数、消费金额和客户类型等信息。
采集客流数据可以通过安装红外线计数器、WiFi探针等仪器来完成。
同时,还可以从网络爬虫中获取相关数据。
2. 数据预处理客流数据通常存在缺失值、异常值等问题,需要通过数据预处理方法进行处理。
数据预处理主要包括数据清洗、数据变换和特征选择等步骤。
3. 特征工程特征工程是指通过分析数据,提取有用的特征,并将其转换为数据集的过程。
特征工程的质量直接影响到模型的预测效果。
4. 模型建立客流预测模型的建立需要选择适合的模型算法,并对模型进行调优。
客流预测的方法范文
一、客流预测的定义
客流预测是指通过分析历史数据,根据市场消费趋势预测未来客流量变化的一种方法。
客流预测是一个复杂的技术,在行业中有广泛的应用,它为行业管理者提供了重要的决策依据,有助于提高企业的运营效率。
二、客流预测的方法
1、静态相关法
静态相关法是预测客流量最常用的方法,它使用的数据仅反映了过去几个月的客流情况,即历史数据和现状数据,根据反映的数据对预测的客流量进行处理,从而分析出未来客流的趋势及其变化。
通过这种方法,可以根据历史状态及变化特征,不断优化预测结果。
2、动态回归法
动态回归法是基于历史数据的客流预测方法,它以时间为维度,以建模历史数据的特征,从而预测未来的客流情况,动态回归法不仅能更准确地反映出预测未来客流量的趋势,而且能够更精确地预测出未来的客流规模。
3、层次分析法
层次分析法是根据历史客流量数据,分析不同的客流指标,找出影响客流量变化的因素,并对因素进行层次分析,构建客流量预测模型,对未来客流量进行预测。
该方法能够从不同的维度准确反映出客流量变化的趋势,并可以精确地预测出客流量的大小。
三、客流预测的应用。
客流预测的方法范文客流预测是指通过对过去和现在的客流数据进行分析,来预测未来的客流量。
这对于商业决策和运营管理非常重要,因为它可以帮助企业合理规划资源、制定营销策略和提高客户满意度。
本文将介绍几种常用的客流预测方法。
一、时间序列分析方法时间序列分析方法是一种基于历史数据的预测方法,适用于预测具有固定周期性或趋势性的数据。
它基于以下几个步骤进行预测:1.数据收集:收集历史客流数据,包括每天、每周或每月的客流量。
2.数据处理:对数据进行预处理,如去除异常值、填充缺失值等。
3.模型选择:选择适当的时间序列模型,如ARIMA、SARIMA等。
4.模型估计:对选定的模型进行参数估计。
5.模型诊断:通过观察残差的平稳性、白噪声等性质来检验模型的拟合效果。
6.模型预测:利用拟合好的模型进行客流量的预测。
二、回归分析方法回归分析方法通过建立客流量与相关因素之间的回归关系来进行预测。
常用的回归方法包括线性回归、多项式回归和岭回归等。
其步骤如下:1.数据收集:收集历史客流数据和相关因素数据,如天气、促销活动等。
2.数据处理:对数据进行预处理,如去除异常值、填充缺失值等。
3.模型选择:选择适当的回归模型,如线性回归、多项式回归等。
4.模型估计:对选定的模型进行参数估计。
5.模型诊断:通过观察残差的正态性、线性性等性质来检验模型的拟合效果。
6.模型预测:利用拟合好的模型进行客流量的预测。
三、神经网络方法神经网络方法是一种模拟人脑神经元工作原理来进行预测的方法。
常用的神经网络方法包括BP神经网络、RBF神经网络和LSTM等。
其步骤如下:1.数据收集:收集历史客流数据和相关因素数据。
2.数据处理:对数据进行预处理,如归一化、平滑等。
3.网络结构设计:选择适当的神经网络结构,如隐藏层数、神经元个数等。
4.网络训练:利用历史数据对神经网络进行训练,调整网络权重和阈值。
5.模型预测:利用训练好的神经网络对未来的客流量进行预测。
四、机器学习方法机器学习方法是一种通过学习历史数据的模式来进行预测的方法。
基于人工智能的客流预测模型构建随着社会的发展和科技的进步,人工智能已经成为现代社会的重要组成部分。
在各个领域,人工智能技术的应用正在不断拓展。
客流预测是人工智能技术在交通出行领域中的应用之一。
客流预测模型构建是十分重要的一环,这篇文章将会对基于人工智能的客流预测模型构建进行探讨。
一、客流预测的重要性在公共交通领域,客流预测的作用不可小觑。
公共交通过载、人满为患、拥堵等问题,一直是困扰城市管理者和交通出行者的难题。
客流预测可以准确地预测公共交通的客流量,提前做好安排,避免出现交通拥堵和过载的现象。
另外,客流预测还可以对公共交通的路线资源进行合理的规划和分配,协助客运公司做好车辆的调度、运营和维护,提高公共交通的运行效率和服务质量。
二、客流预测模型的构建流程1. 数据获取客流预测的第一步是获取数据。
数据来源需要考虑公共交通数据、气象数据、社会经济数据等多种数据源,以及创新的数据挖掘方法。
不同的数据源会对客流预测的结果产生影响,因此需要对数据进行筛选和整理,确保数据的准确性和可靠性。
2. 特征提取客流预测的第二步是特征提取。
根据客流预测的目标,提取关键的客流特征。
特征的选择和提取是一项非常重要的工作,需要根据实际情况和经验进行选择,确保特征的准确和全面。
3. 模型选取客流预测的第三步是模型选取。
根据特征的选择和提取结果,需要选择合适的模型进行建模。
目前,常用的模型有神经网络、支持向量机、回归模型等,需要根据实际情况进行选择。
在选择模型的过程中,需要考虑模型的精度、训练和预测的时间成本等因素。
4. 训练和预测客流预测的第四步是训练和预测。
在模型选定后,需要使用已有数据对模型进行训练,以便能够更好地预测新的数据。
训练结果可以通过灰色预测、滚动预测、BP神经网络模型等方法进行验证。
在验证结果准确的情况下,模型可以用于预测未来客流,并进行交通出行的规划和调度。
三、模型构建所需技术和难点客流预测模型的构建需要掌握多项技术,包括数据采集和整理,特征提取和选择,模型选取和建模等。
1.4.3 轨道交通客流预测模型与算法(摘自《城市轨道交通规划的研究与实践》)1. 概述(1) 客流预测的意义和目的轨道交通客流预测是指在一定的社会经济发展条件下科学预测城市各目标年限轨道交通线路的断面流量、站点乘降量以及站间OD、平均运距等反映轨道交通客流需求特征的指标。
轨道交通线路客流量是城市快速轨道交通可行性研究和设计的重要依据。
在规划线网时,不同的轨道交通线网方案的客流分析结果是进行线网优选的主要内容,如发现有不当之处,要重新调整布线方案,并重作客流分析,如此反复直至满意为止;在工程可行性研究阶段,客流量是工程修建必要性和可行性的主要依据;在工程设计中,其系统运输能力、车辆选型及编组、设备容量及数量、车站规模以及工程投资和经济效益分析等,都要依据预测客流量的大小来确定。
因此,轨道交通客流预测在城市轨道交通规划中占据相当重要的地位。
轨道交通客流预测应提交以下预测和分析结果:1) 规划年居民全方式出行OD。
2) 规划年居民全方式出行期望路线图。
3) 规划年居民公交方式出行OD。
4) 规划年居民公交方式出行期望路线图。
5) 规划年各线路全日站点乘降量及断面客流量表。
6) 规划年各线路早晚高峰站点乘降量及断面客流量表。
7) 规划年各线路的全日站间OD表。
8) 规划年换乘站各方向的客流换乘量表。
9) 规划年各线路的平均运距,线路平均负荷强度,直达率与一次换乘率,规划年各线路客运量占公交客运量比例,各线路客运量的年递增率等分析结果。
(2)客流预测的基本方法和工作流程①客流预测年限预测年限也就是设计年限,是控制工程规模和投资的重要因素,其合理与否,将直接影响工程建成后的效率和效益。
按照《城市快速轨道交通工程项目建设标准(试行本)》的规定,客流预测年限分为初期、近期和远期。
初期为建成通车后的第3年,近期为交付运营后的第10年,远期为交付运营后的第25年。
②轨道交通客流预测的基本方法城市交通需求预测起源于美国,并且在全世界范围内得到了迅速发展。
60年代称为“Chicago Area Transportation Study”的芝加哥都市圈交通规划开发了包括交通方式划分在内的四阶段交通需求预测法,开了城市综合交通需求预测的先河。
四阶段预测法按照交通生成预测、交通分布预测、交通方式划分和交通分配四阶段来分析城市现状和未来的交通状况,是目前交通规划领域应用最广的方法。
虽然近几十年来,对四阶段中预测模型的研究不断深入,也出现了将两个或几个阶段合并进行预测的方法,但从宏观的角度把握城市居民的出行特点,然后分阶段预测分析的思路仍是一致的。
国内外轨道交通客流预测通常采用四阶段法。
运用该法进行客流预测时,首先要对研究对象城市划分交通小区,进行城市人口、就业、土地利用等资料的调查和居民出行调查,在此基础上进行居民出行产生预测、出行分布预测、交通方式划分预测和交通分配,以获得所需的轨道交通需求数据。
利用非集计模型(Discrete Choice Model)进行居民出行的分析和预测是继四阶段法后出现的构造交通需求预测模型的新方法。
它以出行者个人而非交通小区作为研究对象,以随机效用理论(Random Utility Theory,Manski 1977)、出行效用最大化理论为研究基础,避免了四阶段法数据利用率低、无法探讨众多的影响因素、预测精度差等缺点,曾一度成为交通规划领域的研究热点,目前国内非集计模型的研究和使用还未系统展开。
国外的研究始于70年代,此后研究开发了MNL、MNP、HL、NL 等一系列模型,代表人物有Ben-Akiva,Lerman,Manheim等。
但非集计方法的研究成果还无法使其在工程界完全取代四阶段法,目前非集计模型多应用于方式划分领域。
四阶段法仍是使用最为普遍的交通需求预测方法。
在本节中,结合轨道交通客流预测的技术需求,对四阶段法的各个阶段即交通产生阶段、交通分布阶段的方法和模型作基本介绍,并编写了相应的算法。
对技术复杂和现存问题较多的方式划分阶段和线网分配阶段的模型和算法进行了研究和探讨,重点探究和介绍了交通方式划分方法,以及方式划分和线网分配联合模型在轨道交通客流预测中的应用。
此外,还有土地利用法等一些其他方法,在本节的最后,简要介绍土地利用法。
③ 轨道客流预测工作流程建议城市轨道客流预测按图1.4.3.1所示的流程进行。
2. 交通发生和吸引的模型研究和算法实现发生交通量和吸引交通量的预测是四阶段交通需求预测法的第一阶段,也是交通需求分析工作中最基本的组成部分。
所谓发生或吸引交通量是指研究对象地区内由各交通小区发生(Trip Generation )或吸引(Trip Attraction )的交通量。
目前国内交通发生和吸引的预测技术已趋成熟,工作中所受的限制主要在于基础资料积累不足,影响了预测的精度。
下面对较常用的几个模型和相应的算法作简要介绍。
(1)增长率法(Growth -Factor Modeling )① 模型说明 这种方法就是把现在的不同分区的发生(或吸引)交通量i T 与到预测时点的增长率i F 相乘,从而求得各分区的发生(或吸引)交通量i T ',即 城市总体城市道路、常规公交及轨道城市人口、就业及土地居民出行i i i T F T ⋅=' (1.4.3.1)这种方法的关键问题是如何确定i F 。
通常可以用表示各分区活动的指标的增长率作为发生(或吸引)交通量的增长率。
例如:i i i F βα⋅= (1.4.3.2)式中:i α、i β分别是人口增加率,每人平均拥有自行车数的增长率。
(2)原单位法① 模型说明原单位有用居住人口或就业人口员每人平均的交通发生(或吸引)量来进行推算的个人原单位法,和以不同用途的土地面积或工作面积单位面积平均发生(或吸引)的交通量来预测的面积原单位法。
pi pi i Z E P ⨯= i :第i 个小区 (1.4.3.3)式中:i P 为第i 小区的交通发生(或吸引)量;pi E 为个人发生(或吸引)原单位(或面积发生(或吸引)原单位);pi Z 为第i 小区的总人口数(或总面积)。
(3)函数模型法① 模型说明这种方法是分区的发生、吸引交通量预测上最常用的方法。
由于绝大部分研究是采用多元回归分析模型,故也有时直接被称为多元回归分析法(Regression analysis )。
作为模型公式,多采用以下三个模型:∑+=k ik k i X F F P 0(1.4.3.4)∏=k ik k i X F F P 0 (1.4.3.5)∑=k ik k i X F F P ex p 0(1.4.3.6) 式中:P i 为第i 小区的交通发生(或吸引)量;F i (j = l ~ k )为第j 个变量的发生(或吸引)影响因子;X ij (i = 1 … N , j = 1 … K )为对应第i 小区,第j 个变量的取值,大多是表示分区的活动的人口指标,如常住人口、各行业的就业人口等。
国外的研究表明,综合预测精度、简单、方便等多方面因素,多元一次函数式(1.4.3.4)是较为理想的模型。
关系式中的回归系数0F 、1F 、…、k F 通常用最小二乘法算出。
3. 交通分布的模型研究和算法实现在交通发生阶段,主要是预测各交通小区的发生和吸引交通量。
在交通分布阶段,则要预测这些吸引、发生交通从哪里来,到哪里去,即在给定发生交通量G和吸引i交通量A(i,j为交通小区号码)下,对全部OD推求i,j 间的交通分布量ij t。
i目前在国内的交通规划领域,交通分布阶段遇到的问题主要在于参数的标定,这一方面是由于规划者的标定技术研究还有待提高,另一方面是由于居民出行调查等基础资料搜集有欠缺,不能正确反映城市居民出行OD的结构,给标定带来困难,从而影响了预测精度。
分布交通量的预测方法,可以分为两大类:增长率法和构造模型法。
下面分别加以介绍。
(1)增长率法此法假定要预测的OD交通量的分布形式和现在已有的OD表的分布形式相同,在此假定基础上预测研究对象区域目标年的OD表。
增长率法的优点是操作简单,缺点是无法考虑城市布局、城市基础设施建设改变等对城市出行OD的影响,而且现状年OD调查中存在的问题也会带入预测中。
(2)构造模型法构造模型法是从分布交通量的实态分析中,剖析OD交通量的分布规律,并将此规律用数学模型来表现,然后用实测数据标定模型中的各系数,最后根据所标定的模型预测分布交通量。
由上可知,增长率法的应用前提是要求被预测地区有完整的现状OD表。
但对于构造模型法来说,如果模型已经标定好了的话,就不需要现状OD了。
但模型参数的标定要用研究对象区域的实际数据,也就是说OD表仍是十分重要的基础数据。
只是即使没有完整的OD表也可以进行模型系数的标定。
同增长率法相比,构造模型法有更广阔的应用范围,同时构造模型法可以考虑更多城市布局等因素对出行OD的影响作用。
作为构造模型法,最主要的有重力模型法(Gravity Model)和机会模型法(Intervening Opportunity Model)法,其他还有熵(商)最大化模型和概率模型等。
其中重力模型法应用研究广,有各种各样的修正模型和发展模型,工程可操作性强。
4. 交通方式划分的模型研究和算法实现(1)交通方式划分概述我们让一个出行与一种交通方式相对应,一个地区的全部出行数中利用该种交通方式的人所占的比例叫做交通方式的分担,或简称为方式分担(Modal Split)。
其中每个交通方式所分担的量叫做该交通方式的分担交通量。
客运交通一般区分为两种方式:公共交通和个体交通。
公共交通一般指公共电汽车和轨道交通;个体交通,国外主要是小汽车,而国内目前自行车交通和步行交通在居民出行中占据相当大的比重。
在做方式分担分析时,对于两种以上的方式被使用的话,从工程的惯例可按铁道——公共汽车——小汽车——摩托车——自行车——步行的优先顺序来决定这个出行的代表交通方式。
据此,两个地区间的交通方式分担,其比例则根据各个交通服务水平(即所需时间、费用、舒适性、安全性、可信赖性等)和交通的利用者对于他们所持的价值标准(最小费用、最大效益等)来变化。
交通方式划分在四阶段预测过程中所处的位置具有很大的灵活性,四阶段法也因交通方式划分的位置不同而出现不同的组合。
按交通方式划分在四阶段模型中的组合位置,可分为五种组合。
第一种组合是将交通方式划分与交通生成模型结合在一起,即在出行生成阶段就按不同的交通方式统计各自的出行量,这一类交通方式划分称为直接生成法。
第二种组合将方式划分置于交通生产和交通分布之间,根据交通分区的土地使用以及社会经济特征,模型可以确定在总出行生成量中将要使用的各种不同交通方式所占的百分比。
由于这种模型划分的是出行端点(即产生和吸引),而非划分交通流,故又称为出行端点模型(Trip End Model)。