第九章 基本交通分配模型1

tt =[0 0 0 ];xx= [0 0 0]t1 = 10 * (1 + 0.15 *(xx(1,1)/2)^4);t2 = 20 * (1+ 0.15 * (xx(1,2)/4)^4) ;t3 = 25 * (1 + 0.15 * (xx(1,3)/3)^4);%一个OD对，起点到终点的三条路段的走行时间函数Q = 10;N=8 ; % 迭代次数，本例只设置最大迭代次数。

也可另外设置收敛条件tt(1,1)= t1 ;tt(1,2) = t2;tt(1,3) = t3 ;y = [0 0 0]; %置初值Min = 50000;for j = 1 : 3if tt(1 ,j) <Min %计算最小走行时间的路段，用全有全无法分配流量Min = tt(1,j);index = j;endendxx(1,index) =Q;for i =1 :Ny = [0 0 0];t1 = 10 * (1 + 0.15 *(xx(1,1)/2)^4);t2 = 20 * (1+ 0.15 * (xx(1,2)/4)^4) ;t3 = 25 * (1 + 0.15 * (xx(1,3)/3)^4);tt(1,1)= t1 ;tt(1,2) = t2;tt(1,3 ) = t3 ;fprintf('第%d 次迭代的路径时间值：' , i);ttMin = 50000;for j = 1 : 3if tt(1 ,j) <Min %计算最小走行时间的路段，用全有全无法分配流量Min = tt(1,j);index = j;endendy(1,index) = Q; % 分配流量给辅助流fprintf('第%d 次迭代的辅助流量值是：' , i);yzz = xx + lambda * (y-xx); % 按方向(y-xx)进行一维搜索,步长为lamda t1 = 10 * (1 + 0.15 *(zz(1,1)/2)^4);t2 = 20 * (1+ 0.15 * (zz(1,2)/4)^4) ;t3 = 25 * (1 + 0.15 * (zz(1,3)/3)^4);f =( y(1,1) -xx(1,1)) * t1 + (y(1,2) -xx(1,2))* t2 +(y(1,3) -xx(1,3))* t3 ;lambda1 =double( solve(f)) ; %求解方程，确定步长。

交通分配 交通分配模型用于估算路网上的交通流量。

该模型以表示起迄点之间的交通流量的O-D 矩阵作为输入文件。

根据可选路径的出行时间或阻抗，将每个O-D 对间的流量分配到路网上。

TransCAD 提供一套完整的城市交通流量分配程序。

这些程序还有多种演绎形式，可以用于公交模型，还可以用于城际间客运和货运。

公交分配方法将在第12 章中介绍。

本章的核心内容是最基本的道路交通量分配方法。

在第10 章中将介绍较复杂、更先进的道路交通分配程序。

本章内容关于交通分配 (2)交通分配所必需的输入 (6)交通分配的选项输入 (8)交通分配的标准输出 (11)交通分配的选项输出 (11)运行交通分配程序 (19)关于交通分配的技术注解 (23)9关于交通分配给定一个路网：和一个需求矩阵：交通分配程序允许用户分析交通流量的格局，分析拥堵点：交通分配是城市交通需求的预测过程中的一个关键步骤。

交通分配模型预测未来规划方案的路网流量，估算路段的出行时间和相关的属性，它们是估算项目经济效益和空气质量影响的基础。

交通分配模型还用于有关路网性能的估算，为很多模型中方式选择和出行分布等阶段的模型提供依据。

长期以来，多种多样的交通分配模型已经得到开发与应用。

许多较为过时的交通分配方法存在很多缺点，应当被新的方法取代而不再应用。

但是，在TransCAD 中仍保留了这些过时的模型，以便用户已经建立的模型不需要任何改进就可以在TransCAD 中使用，或许这些模型还可以用于学术研究。

但是请注意，只需要稍加工作，TransCAD 就可以应用较为复杂的交通分配方法，如用户平衡法。

有些分配方法，如全有全无分配法，忽略了当出现拥挤时路段出行时间依赖于路段流量的事实（如，路段出行时间是路段流量的函数），或忽略了O-D 对间存在多条路径。

平衡法考虑出行时间对流量的影响，从而导致在计算路段流量和出行时间时保持相互一致。

平衡流量算法需要进行流量分配和计算出行时间之间的迭代。

一种实用的城市交通分配模型及其算法现代城市聚集了大量的人口、资源和活动，其中最重要的是交通运输。

当城市交通发达时，它的发展和凝聚就能得到有效的推动。

城市交通分配模型就是由政府和机构发展出来解决城市交通分配问题的系统性方法。

一、城市交通分配模型1、定义：城市交通分配模型是一种旨在解决城市交通配置问题的完整而系统的数学方法。

它根据以下条件和制约条件来分析和优化城市交通分配：政策目标和要求，岗位明细、路线和运行数据、限制、资源分配等。

2、目的：城市交通分配模型的目的是优化分配资源以满足用户和政府的期望，从而获得最佳的路线和性能标准。

3、组成：城市交通分配模型由三部分组成，即决策决策块、计算模块和优化模块。

其中，决策模块用于识别和定义问题，计算模块用于计算交通运行数据，优化模块用于分析和优化城市交通分配。

二、城市交通分配算法1、模拟退火算法：模拟退火算法是一种优化算法，用于模拟金属熔化过程并使它们改进，以找到最佳解。

该算法可以用于城市交通分配问题，以建立最佳的交通运行情况模型，有效解决城市交通问题。

2、遗传算法：遗传算法是一种进化优化算法，使用遗传学中的编码，评估和演化技术来构建最佳交通运行情况模型。

它可以在特定条件下解决城市交通分配问题。

3、粒子群优化算法：粒子群优化算法（PSO）是一种智能算法，可以在少量迭代次数内较快收敛，适用于优化问题和时变优化问题，其中包括城市交通分配问题。

此算法分析了交通运行数据，建立更加精确的运行模型，便于解决城市交通问题。

总之，城市交通分配模型和算法有助于政府合理配置道路、改善交通流量、降低能耗、提高交通网络效能，促进经济社会可持续发展。

V 为网络节点集，即：道路交叉点；A 为路段集，即：道路交通量—人的个数—OD 矩阵,a C a A ∈：路段a 的通行能力()a a t x ：路段a 的阻抗，a x 为流量，通常以时间记，假设仅与路段a 有关系统最优是系统规划者所期望得到的一种平衡状态，其前提是所有网络用户必须互相协作，遵从网络管理者的统一调度，所以是计划指向型分配准则。

出行者的出行决策过程是相互独立的，路网上的交通流的状态是出行者独立选择的结果。

出行者必然转向费用较小的路径.其结果，路网上的交通量分布最终必然趋于用户平衡状态。

所以，用户平衡状态最接近实际的交通状态。

Wardrop 准则的提出标志着网络流平衡分配概念从描述转为严格刻画，不但假设司机都力图选择阻抗最小的路径，而且还假设司机随时掌握整个网络的状态，精确计算每条路径的阻抗，还假设了司机的计算能力与水平是相同的。

在这些假设条件下进行的配流被称为确定性配流，得到的用户平衡条件被称为确定性平衡条件，简称UE 条件。

User Equilibrium System Optimal rs k rs a f q ∑=且0rsk f ≥（rs k f —O-D 对r-s 之间路径k 上的流量）rs q 等于连接rs 之间各路径上的路段的交通量的总和。

,rs rs a k a k r s k x f σ=∑∑∑（,rs a k σ—如果弧a 在连接O-D 对r-s 的路径k 上，其值为1，否则为0）路段a 上的流量等于通过a 的路径上分配到a 上的交通量的总和。

1.目标函数本身并没有什么直观的经济含义或行为含义。

2. 没必要直接求解用户平衡条件方程组，平衡状态可以由求解等价都极小值问题得到。

3.模型的解关于路段流量唯一，关于路径流不唯一 4. 等价性与唯一性证明略Frank-Wolfe 算法对f(X)在X 0处的一阶泰勒展开得(0)(0)(0)()()()()T f X f X f X X X =+∇-将f(X)近似表达成线性函数，则规划模型可近似化为下列线性规划模型: (0)(0)(0)min ()min ()()()()T Z X f X f X f X X X AX B ==+∇-=等价于线性规划 (0)m i n ()()T Z X f X XA X B=∇= 由上式可求得一组最优解X -，该方法认为(0)X 与X -的连线为最速下降方向，然后根据下列一维极值间题(0)(0)min [()]f X X X λ-+- 求得的0λ为最优步长。

交通分配模型分布式并行计算交通分配模型是指在给定的交通网络中，根据不同的交通流量和交通规划，对交通流动进行分配的模型。

通过交通分配模型，可以得到不同路段和节点的通行流量、速度和压力等参数，从而为交通规划和管理提供依据。

然而，由于交通网络规模庞大、计算量巨大，传统的计算方法已难以满足实际需求，因此需要采用分布式并行计算技术进行优化。

第一步，对交通分配模型进行建模。

交通分配模型的建模要对交通网络进行规划和设计，确定路段和节点，建立交通流量分配比例和流动规则等。

采用计算机语言进行交通分配模型的建模，并将建立好的交通分配模型进行程序化。

第二步，利用并行计算技术进行拆分。

将建立好的交通分配模型按照一定的规则进行拆分，形成多个子任务。

拆分的方法可以根据交通网络的规模和计算负载进行不同的处理，通常采用分段、均匀划分、随机划分等方法进行拆分。

第三步，确定并行计算的方式。

并行计算是指同时进行多个子任务的计算，速度通常比一次性顺序计算快得多。

有许多并行计算的实现方式，如数据并行、模型并行、任务并行等。

对于交通分配模型分布式并行计算，一般采用任务并行的方式，即将交通分配模型分解成若干个相互独立的子任务，每个子任务由一个独立的计算单元完成。

第四步，运用分布式计算框架进行任务分发。

分布式计算框架是指由多个计算节点组成的系统，这些节点可以进行互相通信和协调，共同完成一个大型计算任务。

在交通分配模型分布式并行计算中，可以运用Spark、Hadoop等分布式计算框架进行任务分发和结果汇总。

第五步，运行并监控交通分配模型分布式并行计算。

在保证编码正确、算法有效的基础上，可以将交通分配模型分布式并行计算任务投放到计算集群上进行运行。

同时，应该对交通分配模型进行一定的输出和数据监控，确保计算结果的准确性和完整性。

总之，交通分配模型分布式并行计算技术为大规模的交通流量分配问题提供了非常有效的计算解决方案。

虽然该技术需要在建模、拆分、任务分发、并行计算等方面进行一定的工作，但是相信随着科技的不断发展，交通领域的分布式并行计算技术将会得到更广泛和深入的应用。

第九章交通需求预测中的其他模型本章涉及弹性需求交通流分配、组合需求预测、快速需求预测等模型，属选学部分，主要内容是在四阶段法的基础上，讨论弹性需求（可变需求）的用户平衡分配模型和算法、多阶段需求预测组合的模型和=算法、以及由观测路段交通量推求OD 交通量的原理和方法。

此部分包含以下各节：∙第一节概述∙第二节弹性需求分配模型∙第三节交通方式选择和交通流分配的组合模型∙第四节交通分布与交通流分配的组合模型∙第五节由路段交通量推算 OD交通量的方法概述∙第六节应用重力模型的 OD交通量推算方法∙第七节有现存 OD交通量的OD交通量推算方法概述∙第八节熵最大化 OD交通量估计摸型（ME2模型）∙复习思考题第一节概述从第五章到第八章讲述了交通需求预测经典方法——四阶段法的基本模型与算法，这些方法在范围比较大的区域制定长期的宏观性交通规划时发挥着重要作用。

然而，由于模型本身的局限性和交通管理规划的需要，除这些常用方法之外，人们还开发了其他许多交通需求预测方法，这些方法在实践中得到了广泛的应用。

例如，在现实中OD 交通量的大小可能会受网络运行情况的影响。

在交通堵塞严重时，有些道路利用者可能会放弃自己开车而乘坐地铁，有些可能会改变自己的出行目的地，有些甚至会取消原计划的出行。

因而，在交通分配中将OD 交通量看成是已知常量、采用固定需求的平衡分配模型是不恰当的。

而且人们普遍认为，传统的分割交通产生、交通分布、交通方式选择和交通流分配的四阶段预测法有很大的局限性，为了更准确地预测路网交通量，需要向一体化预测方法发展。

为此，许多学者研究和应用了将交通方式选择和交通流分配相结合以及交通分布和交通流分配相结合的组合模型，甚至还有同时考虑交通方式选择、交通分布和交通流分配的组合模型。

又例如，四阶段法是以大规模的居民出行调查为基础的。

进行这种调查需要大量的人力、物力和时间，而且由于调查时小区的划分与道路网的表示水平不一定协调，导致交通流分配预测的路网交通量与实际交通量不一定一致。