基于改进四阶段法的停车换乘系统需求预测模型研究

基于改进四阶段法的停车换乘系统需求预测模型研究黄一峰　靳文舟　李俊辉(华南理工大学　广州510640)摘　要　在停车换乘(P&R )需求预测过程中,重点是出行方式的划分和选择,而引入停车换乘系统后,这一基本前提发生了根本性的变化,即市民一次出行方式和路线的选择要考虑多方式的联合和竞争。

因此在方式划分和选择阶段引入多项L ogit 模型,基于效用最大化理论的前提下,借助E MM E 2软件进行需求预测分析。

实践和经验证明,文中所建立的模型递推形式有利于计算机编程实现,且有更高的精确度。

关键词　停车换乘;L ogit 模型;效用函数;E MM E 2中图法分类号:U 491 文献标识码:A收稿日期:2007204206;修改稿收到日期:20072062280　引　言目前大部分停车需求分析,是建立在研究区域内土地利用和居民出行生成特性的假设基础上的,然而,停车换乘(P&R )作为一种重要的需求管理手段,在城市交通中发挥的作用和功能与传统的停车换乘设施有着很大的区别,使得P&R 需求预测技术面临分析思路和技术方法上的重大改进[123]。

笔者提出的基于改进四阶段法的P&R 需求预测方法,通过引入效用函数的理论和多项L ogit 模型,为P&R 需求预测提供了一个新的思路。

1　P&R 需求预测过程改进后的四阶段法主要有出行生成、出行分布、出行方式选择和分配4个阶段,与传统的四阶段法在形式上很相近,但是内容上却发生了很大变化。

需求预测的第1步,即出行生成,确定可能使用P&R 出行的发生区域和吸引区域。

第2步,在确定P&R 出行吸引和发生区域的基础上,对出行吸引和发生区域之间的交通量进行分布预测。

分布预测可根据现状OD 分布量来进行推算以获得未来区间的交通分布。

第3步和第4步是方式划分和分配阶段,改进后的四阶段法在方式划分阶段是基于多种交通方式中效用最大化的理论作为前提的。

多项L ogit 模型为人们在出行时选择最便捷、经济的出行方式提供了有效的解决方法。

在此阶段,利用E MM E 2软件平台量化、统一各种交通方式的阻抗,计算各种交通方式的出行效用比例,最后确定P&R 高峰小时和全日的换乘量。

将P&R 的换乘量分配到各路段,依据此数据确定P&R 用地规模和泊位数量,具体过程如图1所示。

图1　改进后的四阶段法停车换乘流程图2　预测模型2.1　多项L og it 模型L ogit 模型[5]是一种非集计模型,它是建立在消费者选择的目标是追求“效用(u tility )”最大化这一假说的基础上的。

运用到P&R 的需求预测上,L ogit 模型假设出行者是出行方式意志决定的最基本单位,即出行者是决定何时出行、走哪条路线等的最小单位。

用效用理论解释交通选择行为,就是出行者在特定的选择条件下,选择其所认知到的选择方案中效用最大的方案。

通常随机效用理论将效用函数U 分为非随机变化的部分V (固定项)和随机变化的部分Ε(概率项)两部分,并假设它们两者间呈线性关系。

如果出行者n选择方案i的效用为U in,根据效用最大化理论,出行者n选择方案i的概率为P in:P in=p rob(U in>U jn;i≠j,j∈A n)=p rob(V in+Εin>V jn+Εjn;i≠j,j∈A n)(1) 当效用U in的所有概率项Εin服从相同的参数为Γ=0,Ξ=1的二重指数分布时,可以得到多项L ogit模型。

P&R需求预测过程使用多项L ogit模型是基于出行者将在出发地和目的地间选择一种最快捷、最经济的出行方式的理论上,即比较出行方式的时间和费用等服务水平特性,最终选择的一种最满意的出行方式。

因此在P&R需求预测中,基于多项L ogit模型的效用最大化理论,利用E MM E 2软件平台分析比较小汽车出行、常规公交出行、P&R出行3者的效用比,最终确定P&R 的换乘量。

2.2　P&R出行阻抗P&R出行阻抗是指乘客在公共交通线路上出行的时间、费用和换乘方便性等综合费用指标,是乘客选择P&R出行的依据。

P&R阻抗函数应该能够真实地反映出P&R出行的心理特征,综合考虑时间、费用因素,采用“费用”表示,也称广义费用。

对于P&R出行阻抗研究,采用如下函数式[4]计算: m in PR I ij=m in(A I ik×W km+ T I k j+S p k+Αt p k+Βc p k)(2)式中:m in P R I ij为逻辑路径i2k2j上P&R最小阻抗值;A I ik为小汽车从i到k(P&R)间的阻抗值,包含出行费用和出行时间等;W km为小汽车到达k的阻抗值的权重;T I k j为公交车从k(P&R)到j(目的地)间的阻抗值;S p k为控制P&R停车场容量参数,停车场容量未饱和是值为0;Αt p k+Βc p k为P&R 设施内的附加阻抗(停车时间+费用)。

2.3　P&R需求总量计算P&R方式出行总量产生的直接原因是出行的结果,因此我们不妨将P&R作为一种交通方式,假设在模型中一次出行仅以一种交通方式相对应。

国外的研究分析得出,P&R用户多数为小汽车拥有者,因此P&R系统需求的总量应该是一个与区域车辆出行总量相关的函数,而不是全部出行总量的函数,确切的说是区域内早晚高峰期间用于通勤出行的小汽车数,即为:D p r=D总 P p r(3)式中:D p r为区域内P&R方式的需求总量;D总为区域内早晚高峰期间用于通勤出行的小汽车数; P p r为区域内选择P&R方式出行的概率。

D总可由区域预测模型的预测结果得到,相关的方法有增长率法、原单位法和函数法,这里不再赘述。

2.4　E MM E 2软件平台基本思路(基于公交出行的P&R)[6]使用E MM E 2软件平台进行P&R需求预测的基本思路是:先假设①P&R为一个虚拟区域,该区域包含停车场和连接设施两部分,区域是交通网络中必需的要素,虚拟P&R为区域的原因是区域内有小汽车和公交的换乘;②将P&R划分为小汽车出行和公交出行两部分。

依据多项L ogit模型的最大效用理论,分别计算出OD间P&R出行的阻抗,比较全程小汽车出行和全程常规公交出行的阻抗,依据3种交通方式的阻抗比得出P&R的换乘量,最后把P&R 虚拟为路径,如图2、图3,在整个交通网络分配交通量。

图2　P&R虚拟为路径前图3　P&R虚拟为路径后3　实例运算以北京市为例,结合当前正在开展的北京市停车规划相关专题研究,以项目调查数据为基础,检验本文建立P&R系统预测模型的有效性和稳定性,P&R系统的需求总量预测所需数据通过调查获取,进行预测之后进一步给出基于本文建立预测模型预测结果的最优P&R系统选址方案。

3.1　P&R系统选择概率计算直接使用公交车的比例为2%(已知条件),被调查者主要在使用P&R系统与全程使用小汽车两者之间进行选择。

由L ogit模型可推导出:V p r-V car=lnP p r1-P p r(4)式中:V p r为P&R方式的效用函数的确定项;V car为全程小汽车方式的效用函数的确定项。

等号的左边表示使用停车换乘方式与全程使用小汽车方式效用函数的比较,若将影响效用函数确定项的变量统一定义为时间节约量F和费用节约量C,相应参数定义为Α,Β,常数项定义为ς,则式(4)变为lnP p r1-P p r=Α×F+Β×C+ς(5)表1　计算结果:各变量数据表区域时间节约F m in费用节约C 元选择P&R比例P p r %lnP p r1-P p r1　202027　0.995252015-1.7353　20520-1.3864-20205-2.9445-101011-2.091 令y=ln P p r1-P p r,式(5)变为:y=Α×F+Β×C+ς,应用二元回归方程标定该数学模型各个参数得:Α=-2.7852,Β=0.0736,ς=0.0755即得到P&R系统选择概率的预测表达式为P p r=11+e-0.0736×F-0.0755×C+2.7852(6) P&R系统的平均时间节省量为13m in,平均费用节省量为15元[7]。

计算结果P p r=33.27%。

3.2　北京市目标年P&R系统需求总量预测由于北京市P&R规划设施的服务对象主要集中在三环以外地区,因此从三环以外地区进入三环以内地区的小汽车出行均视为P&R潜在消费人群。

考虑高峰前后时段的累积效应[8],2010年北京市三环以外区域早高峰进入三环以内区域的小汽车HBW出行量为91200p cu[11],根据上面的计算结果,由式(3)计算可得:2010年北京市P&R系统至少需要30342个停车泊位。

结果符合北京市换乘系统停车规划基本框架及要求[9211]。

3.3　基于目标年预测总量的P&R系统选址优化方案应用T ran sCAD4.5软件平台编写P&R系统选址优化方案二次开发程序,求基于目标年预测总量的P&R系统选址优化方案。

按照北京市城市规划的总体思路[9],北京将在“十一五”期间规划并建设27个P&R系统,将现有的和规划中的大型公交客运枢纽和轨道线路车站作为备选点位,共有40个P&R系统备选地址。

基于T ran sCAD4.5的空间分析功能进行二次程序开发对各个备选点进行影响带分析和图层叠加,可得到各备选点服务范围内的小汽车发生源数量的排序,最终选取排在前27的备选点作为停车换乘车站,结果输出如图4所示。

图4　基于目标年预测总量的P&R系统选址优化方案结果输出图4　结　论四阶段预测法将一个完整的P&R系统出行分解为发生、分布、方式选择和分配,各阶段之间必然存在一致性问题。

而且方式划分作为四阶段模型的关键技术,多取决于建模者的主观决定,缺少严密的统计方法,本文的基于改进四阶段法的预测模型是基于效用函数而建立的,模型的逻辑性强,其递推形式有利于计算机编程的实现,具有很高的实用价值。

参考文献[1]　Parkhurst G.Influence of bus2based park and ridefacility on user’s Car traffic.T raffic Po licy.1602169 [2]　L am W illiam H K,Ho lyoak N icho las M,L o H P.How Park2and2R ide schem es can be successful ineastern asin.Journal of U rban P lanning andD evelopm ent,2001:2210[3]　W illiam E,H urrell P E,Sgourak i A lice A.A pp2licati on of siting and dem and esti m ati on model tocoo rdinate Park2and2R ide facility p lanning.TRB,1994[4]　Edw in H ull.A pphcati on of a Park2and2R ide fo re2casting p rocedure in the greater vancouvertranspo rtati on model.T he13th A nnualInternati onal E MM E 2U sers’Group Conference,Houston,T exas,1998[5]　殷　杰.城市停车换乘系统规划理论及应用研究——以北京市停车换乘系统规划研究为例.南京:南京林业大学森木工程系,2005[6]　张秀媛.城市停车规划与管理.北京:中国建筑工业出版社,2006[7]　秦焕美,关宏志,李　洋.大城市P&R系统选择行为调查初步分析.交通运输工程与信息学报,2004(12):85287[8]　李　江.交通工程调查指南.北京:人民交通出版社,1988[9]　中国城市规划设计研究院.北京市停车系统规划研究.北京:中国城市规划设计研究院,2003[10]　北京市发展改革委员会.北京市“十一五”时期基础设施发展规划.北京:北京市发展改革委员会,2006[11]　北京市交通委员会.北京市城市快速轨道交通建设规划.北京:北京交通委员会,2004Park i ng and R id i ng D emand Foreca stM odelBa sed on Advanced Four-stage M ethodHUANG Y ifeng　J IN W enzhou　L I Junhu i(Sou th Ch ina U n iversity of T echno logy,Guangzhou510640,Ch ina)Abstract:In the p rocess of park ing and riding dem and fo recast,the modal sp lit and selecti on of travel modes should be stressed.T he basic p rem ise has undergone a fundam ental change since the park ing and riding system w as introduced.T hat is,peop le have to consider a variety of m eans of j o int and competiti on in choo sing travel modes and routes.T herefo re,in the phase of modal sp lit and selecti on of travel modes,a num ber of L ogit M odels m ust be introduced.Based on the utility m axi m izati on theo ry and the softw are p latfo r m of E MM E 2,dem and fo recast analysis should be emp loyed.P ractice and experience have p roved that the recursi on algo rithm of the model is suitable fo r computer p rogramm ing and such a m ethod is mo re p recise.T h is m ethod has been w idely recognized and app lied in the w o rld.Key words:park ing and riding;L ogit model;utility functi on;E MM E 2(上接第21页)Traff ic I mage’s Threshold Va lue D iv isionBa sed on Greedy Annea l i ng Genetic A lgor ith mTANG Hu i1　L I Run2　XU L unhu i1　HUANG Yanguo1(J iang x i U n iversity of S cience&T echnology,Ganz hou341000,Ch ina)1 (T raf f ic Con trol and R esea rch Institu te of Guang z hou,Guang z hou510000,Ch ina)2Abstract:In view of the th resho ld value autom atic op ti m izati on selecti on of traffic flow’s i m age divisi on in real2 ti m e exam inati on system,the though ts of greedy and si m ulati on of annealing w ere introduced into genetic algo rithm.A greedy annealing genetic algo rithm(GA GA)w as designed.W ith the O tsu functi on being used as the fitness evaluati on functi on,and by using the characteristic of greedy algo rithm’s strong ability of partial search and annealing genetic algo rithm’s strong ability of overall search,th resho ld value autom atic op ti m izati on selecti on of traffic flow’s i m age w as realized.T he M A TLAB si m ulati on data indicate that th is algo rithm has stronger op ti m al ability and faster convergence speed than the basic genetic algo rithm.Its app licati on to the detecti on system of traffic flow can strengthen the ti m eliness and robustness of the system.Key words:greedy annealing genetic algo rithm;th resho ld value divisi on;traffic flow;ti m eliness。