下载文档原格式
科技与创新┃Science and Technology&Innovation ·40·2019年第03期文章编号：2095－6835（2019）03－0040－02用户均衡模型（UE）与随机用户均衡模型（SUE）在交通流分配阶段的适用性分析王晓璠（中铁第四勘察设计院集团有限公司，湖北武汉430063）摘要：“交通流分配”作为交通规划“四阶段法”的最后一个阶段，对公路项目交通量分析与预测的准确性起到至关重要的作用。
针对交通流分配的不同模型与实际交通量观测数据存在精度不高的问题，结合具体实例，在交通补充调查的基础上，比较了用户均衡模型（UE）与随机用户均衡模型（SUE）的分配精度。
从TransCAD软件的交通规划建模结果来看，应用后者的模型在基础路网上进行交通流分配较前者的模型在不同路段的分配精度上均有不同程度的上升。
这说明了随机用户均衡模型（SUE）更加具有适用性，也为今后相关报告的编制提供了实例验证和数据支撑。
关键词：交通规划建模；交通流分配；用户均衡模型；随机用户均衡模型中图分类号：U491文献标识码：A DOI：10.15913/ki.kjycx.2019.03.040作为国内外道路工程交通预测通行的方法，“四阶段法”已被国内公路项目“工程可行性研究”及“交通影响评价”等报告的编制广泛应用。
而“交通流分配”作为交通规划“四阶段法”的最后一个阶段，对公路项目交通量分析与预测的准确性起到至关重要的作用。
目前，国内大多公路项目工程可行性研究报告将用户均衡模型（UE）和随机用户均衡模型（SUE）作为“交通流分配”阶段的主要应用模型，将各交通小区间的OD数据分配到已知的道路网模型上。
而现有文献缺乏对上述两个模型对于路网真实交通流量情况模拟的准确性以及对未来年道路网交通量分析和预测的适用性分析。
本报告在对大量公路项目交通量观测和OD调查和数据分析的基础上，利用宏观交通规划和需求预测软件TransCAD建立路网模型，并分别利用上述两个模型进行交通流分配，将分配结果与道路网真实交通量数据进行对比分析，为公路项目交通量分析和预测所利用的模型比选提供参考。
三方演化博弈模型matlab代码1. 简介在现实生活和学术研究中，博弈论是一种重要的分析工具，用于研究各种决策者之间的交互行为和策略选择。
而三方演化博弈模型是博弈论中的一种重要研究对象，它涉及到三个决策者之间的博弈过程，通常是在一个动态的演化过程中进行模拟和分析。
2. 模型构建对于三方演化博弈模型的构建，可以使用matlab来编写相关的代码。
在该模型中，可以考虑三个决策者分别选择不同的策略，并根据策略的效果来更新自身的策略，从而形成一个动态的博弈过程。
在matlab 中，可以利用矩阵运算和迭代算法来模拟这一过程，并通过可视化的方式展现不同策略的演化趋势。
3. 模型代码以下是一个简单的三方演化博弈模型的matlab代码示例：```matlab设置初始策略strategy_A = rand(1, 100);strategy_B = rand(1, 100);strategy_C = rand(1, 100);设置参数iterations = 1000;payoff_matrix = [1 -1 -1; -1 1 -1; -1 -1 1];演化过程for i = 1:iterations计算每个决策者的收益payoff_A = strategy_B * payoff_matrix(1, 2) + strategy_C * payoff_matrix(1, 3);payoff_B = strategy_A * payoff_matrix(2, 1) + strategy_C * payoff_matrix(2, 3);payoff_C = strategy_A * payoff_matrix(3, 1) + strategy_B * payoff_matrix(3, 2);更新策略new_strategy_A = strategy_A + 0.1 * (payoff_A -mean(payoff_A));new_strategy_B = strategy_B + 0.1 * (payoff_B -mean(payoff_B));new_strategy_C = strategy_C + 0.1 * (payoff_C -mean(payoff_C));归一化strategy_A = new_strategy_A / sum(new_strategy_A);strategy_B = new_strategy_B / sum(new_strategy_B);strategy_C = new_strategy_C / sum(new_strategy_C);end结果展示plot(strategy_A, 'r');hold on;plot(strategy_B, 'g');hold on;plot(strategy_C, 'b');legend('策略A', '策略B', '策略C');xlabel('迭代次数');ylabel('策略选择概率');```4. 模型分析通过以上的matlab代码，我们可以模拟三方演化博弈模型的演化过程，并观察不同策略在演化过程中的变化。
基于MATLAB的交通流计算机模拟交通流计算是交通工程中的一个重要研究方向，用于分析交通流量、交通状况和交通运行的模拟。
MATLAB是一种强大的数学计算软件，可以用于建立交通流计算的模拟模型。
本文将介绍基于MATLAB的交通流计算机模拟。
交通流计算模拟可以用来预测不同交通系统中的交通流量、速度、密度等参数。
这些参数的准确估计对于合理规划交通路网、提高交通运行效率至关重要。
使用MATLAB进行交通流计算模拟能够提供实时的、准确的交通状况估计，帮助交通工程师和规划者分析和解决交通问题。
下面以一个简单的例子来介绍如何使用MATLAB进行交通流计算机模拟。
假设有一个单车道的道路，长度为1公里，开始时没有车辆在道路上行驶。
我们想要模拟在不同时间段内车辆在道路上的行驶情况。
首先，我们需要确定道路的交通流量。
交通流量是单位时间内通过其中一路段的车辆数量。
为了模拟不同时间段的流量变化，我们可以使用MATLAB中的随机数生成函数。
假设在第1分钟，交通流量为20辆/分钟，在第2分钟，交通流量为30辆/分钟，以此类推。
我们可以使用以下代码来生成交通流量数据：```matlabflow = [20 30 40 35 30 25]'; % 设置每分钟的交通流量flow_sim = repelem(flow, 60); % 将每分钟的交通流量扩展为每秒的交通流量```接下来，我们需要根据交通流量来模拟车辆在道路上的行驶情况。
我们可以使用MATLAB中的离散事件仿真来模拟车辆的行驶。
首先，我们需要定义车辆的速度、车辆间距等参数。
然后，我们可以使用以下代码来模拟车辆的行驶情况：```matlabvehicle_speed = 60; % 车辆速度，单位为km/hsafe_distance = 10; % 车辆之间的最小安全距离，单位为mvehicle_number = length(flow_sim); % 计算需要车辆的数量vehicle_position = zeros(vehicle_number, 1); % 存储每辆车的位置vehicle_velocity = zeros(vehicle_number, 1); % 存储每辆车的速度for t = 1:length(flow_sim)%更新车辆位置和速度vehicle_position = vehicle_position + vehicle_velocity;vehicle_velocity = min(vehicle_velocity,safe_distance/(t/3600));%添加新车辆if flow_sim(t) > 0vehicle_position(end+1) = 0;vehicle_velocity(end+1) = vehicle_speed;endend```通过以上代码，我们可以得到不同时间段内车辆在道路上的位置。
Matlab在交通仿真中的应用技巧引言近年来，交通拥堵问题日益严重，给人们的生活和经济发展带来了很大的困扰。
为了解决交通拥堵问题，提高交通效率，交通仿真成为了一种重要的工具。
而Matlab作为一种强大的数学计算软件，可以提供丰富的工具和函数，为交通仿真提供了很大的帮助。
本文将介绍一些Matlab在交通仿真中的应用技巧，包括交通流模型、交通信号灯优化、路网设计和交通预测等方面。
1. 交通流模型交通流模型是交通仿真的基础，它用于描述交通流的行为和变化。
在Matlab中，我们可以利用各种数学模型来建立和模拟交通流。
常用的交通流模型包括微观模型和宏观模型。
微观模型主要用于个体车辆行为的建模，宏观模型主要用于整个交通网络的流量分布和拥堵状况的模拟。
在建立交通流模型时，我们需要收集大量的交通数据，包括车辆的速度、密度和流量等信息。
利用Matlab的数据处理功能，我们可以轻松地对这些数据进行分析和建模。
例如，可以使用Matlab的数据统计函数来计算交通流的平均速度和流量，进而推导出交通流的密度和流量之间的关系。
2. 交通信号灯优化交通信号灯是调控交通流的重要手段。
合理地优化交通信号灯的配时方案，可以有效减少交通拥堵和减少人们的出行时间。
在Matlab中，我们可以利用优化算法来优化交通信号灯的配时方案。
常用的优化算法有遗传算法、粒子群算法等。
首先，我们需要建立交通信号灯的仿真模型，模拟交通信号灯的开关过程和车辆的行驶。
然后，利用Matlab的优化函数，设置优化目标和约束条件，进行信号灯配时方案的优化。
最后，通过仿真实验，评估不同配时方案的性能，选择最优的配时方案。
3. 路网设计路网设计是交通规划和交通工程中的重要环节。
合理地设计路网，可以提高交通的通行能力和效率。
在Matlab中，我们可以利用图论算法和网络流模型来进行路网设计。
首先，我们需要建立路网的拓扑结构，即道路和交叉口之间的连接关系。
然后，利用图论算法，计算路网的最短路径和最小生成树等信息。
MATLAB编程（运筹学之运输问题）运筹学与最优化MATLAB编程使⽤MATLAB求解：1、某公司经销甲产品。
它下设三个加⼯⼚。
每⽇的产量分别是：A1位7吨，A2为4吨，A3为9吨。
该公司把这些产品分别运往4个销售点。
各销售点的每⽇销量分别为：B1为3吨，B2为6吨，B3为5吨，B4为6吨，已知运价如下表所⽰，问该公司如何调⽤产品，在满⾜各销地需求量的前提下，使总运费最少。
运价表加⼯⼚销地B1B2B3B4A1311310A21928A374105解：设x ij为第i加⼯⼚运往第j销地的产品则min Z=3x11+11x12+3x13+10x14+x21+9x22+2x23+8x24+7x31+4x32+10x33+5x34根据合同要求，需满⾜x11+x12+x13+x14=7x21+x22+x23+x24=4x31+x32+x33+x34=9x11+x21+x31=3x12+x22+x32=6x13+x23+x33=5x14+x24+x34=6M⽂件如下：c=[3,11,3,10,1,9,2,8,7,4,10,5]；Aeq=[1,1,1,1,0,0,0,0,0,0,0,0;0,0,0,0,1,1,1,1,0,0,0,0;0,0,0,0,0,0,0,0,1,1,1,1;1,0,0,0,1,0,0,0,1,0,0,0;0,1,0,0,0,1,0,0,0,1,0,0;0,0,1,0,0,0,1,0,0,0,1,0;0,0,0,1,0,0,0,1,0,0,0,1]；beq=[7;4;9;3;6;5;6]；lb=[0;0;0;0;0;0;0;0;0;0;0;0]；ub=[Inf;Inf;Inf;Inf;Inf;Inf;Inf;Inf;Inf;Inf;Inf;Inf]；[x,fval]=linprog(c,[],[],Aeq,beq,lb,ub)2、某⼚按合同规定须于当年每个季度末分别提供10,15,25,20台同⼀格的柴油机。
例总流量为100,走行函数为：⎪⎭⎫ ⎝⎛+=40)(6.04)(111t x x c ⎪⎭⎫ ⎝⎛+=40)(9.06)(222t x x c ⎪⎭⎫ ⎝⎛+=60)(3.02)(333t x x c ⎪⎭⎫ ⎝⎛+=40)(75.05)(444t x x c ⎪⎭⎫ ⎝⎛+=40)(45.03)(555t x x c 模型求解的Matlab 源码：syms lambda ;numf = 3; %路径总数numx = 5;%路段总数Q=100;%总流量fid=fopen('D:\Program Files\MATLAB\R2011b\bin\我的matlab\traffic\UECOM.txt','w'); %设置运行结果输出文件T = [4 6 2 5 3 ]; %路段走行时间函数参数cap = [(0.6/40) (0.9/40) (0.3/60) (0.75/40) (0.45/40) ]; %路段走行时间函数参数 Mxf = [1 0 0 1 0;0 1 0 0 1 ;1 0 1 0 1]; % 路段转路径矩阵% Mfx = Mxf'; % 路径转路段矩阵%========================================================== %以上为程序需要输入的变量xx= zeros(1,numx);t = zeros(1,numx);t = T + cap .* xx ;%路段走行时间函数ft = (Mxf * t')'; %三条路径的走行时间初值。
路径1为路段1,4 ，路径2为路段2,5 ，路径3为路段1,3,5N= 15; %最大迭代次数，也可使用其他收敛条件[Min,index] = min(ft) ;xx = Mxf(index,:).*Q ; % 全有全无法为最短路径上的路段分配流量for i =1 :Ny = zeros(numx); %辅助路段流t = T + cap .* xx ;%路段时间ft = (Mxf * t')' ; %路径时间fprintf(fid,'\n========================================================== =================\n' );fprintf(fid,'\n\n第%2d 次迭代的路径时间值：\n' , i );for (ii = 1: numf)fprintf(fid,'%11.4f ：' ,ft(1,ii) );end[Min,index] = min(ft) ;y = Mxf(index,:).*Q ; % 全有全无法为最短路径上的路段分配流量fprintf(fid,'\n第%d 次迭代的辅助流量值是：\n' , i);for (ii = 1: numx)fprintf(fid,'%11.4f: ' ,y(1,ii) );endzz = xx + lambda * (y-xx); % 按方向(y-xx)进行一维搜索,步长为lamdat = T + cap .* zz ;f = sum( (y -xx).* t ,2);lambda1 =double( solve(f)) ; %求解方程，确定步长。
例
总流量为100,走行函数为：
⎪⎭⎫ ⎝⎛+=40)(6.04)(111t x x c ⎪⎭
⎫ ⎝⎛+=40)(9.06)(222t x x c ⎪⎭
⎫ ⎝⎛+=60)(3.02)(333t x x c ⎪⎭⎫ ⎝⎛+=40)(75.05)(444t x x c ⎪⎭
⎫ ⎝⎛+=40)(45.03)(555t x x c 模型求解的Matlab 源码：
syms lambda ;
numf = 3; %路径总数
numx = 5;%路段总数
Q=100;%总流量
fid=fopen('D:\Program Files\MATLAB\R2011b\bin\我的matlab\traffic\UECOM.txt','w'); %设置运行结果输出文件
T = [4 6 2 5 3 ]; %路段走行时间函数参数
cap = [(0.6/40) (0.9/40) (0.3/60) (0.75/40) (0.45/40) ]; %路段走行时间函数参数 Mxf = [1 0 0 1 0;
0 1 0 0 1 ;
1 0 1 0 1]; % 路段转路径矩阵
% Mfx = Mxf'; % 路径转路段矩阵
%========================================================== %以上为程序需要输入的变量
xx= zeros(1,numx);
t = zeros(1,numx);
t = T + cap .* xx ;%路段走行时间函数
ft = (Mxf * t')'; %三条路径的走行时间初值。
路径1为路段1,4 ，路径2为路段2,5 ，路径3为路段1,3,5
N= 15; %最大迭代次数，也可使用其他收敛条件
[Min,index] = min(ft) ;
xx = Mxf(index,:).*Q ; % 全有全无法为最短路径上的路段分配流量
for i =1 :N
y = zeros(numx); %辅助路段流
t = T + cap .* xx ;%路段时间
ft = (Mxf * t')' ; %路径时间
fprintf(fid,'\n========================================================== =================\n' );
fprintf(fid,'\n\n第%2d 次迭代的路径时间值：\n' , i );
for (ii = 1: numf)
fprintf(fid,'%11.4f ：' ,ft(1,ii) );
end
[Min,index] = min(ft) ;
y = Mxf(index,:).*Q ; % 全有全无法为最短路径上的路段分配流量
fprintf(fid,'\n第%d 次迭代的辅助流量值是：\n' , i);
for (ii = 1: numx)
fprintf(fid,'%11.4f: ' ,y(1,ii) );
end
zz = xx + lambda * (y-xx); % 按方向(y-xx)进行一维搜索,步长为lamda
t = T + cap .* zz ;
f = sum( (y -xx).* t ,2);
lambda1 =double( solve(f)) ; %求解方程，确定步长。
k = length(lambda1); % 如步长lambda1的解不唯一，取实数，且大于0 小于1；
for m=1: k
if lambda1(m,1) > 0 && lambda1(m,1) < 1 && isreal(lambda1(m,1))
lambda2 =lambda1(m,1);
end
end
xx = xx + lambda2*(y - xx ); % 得到下一步的流量值，且进行下一次迭代
fprintf(fid,'\n第%2d 次迭代后的路段流量值是：\n' , i);
for (ii = 1: numx)
fprintf(fid,'%11.4f: ' ,xx(1,ii) );
end
end
status = fclose('all')
ft。
