CN101350138B - 基于货类反推的海港规划年交通生成量预测方法 - Google Patents
基于货类反推的海港规划年交通生成量预测方法 Download PDFInfo
- Publication number
- CN101350138B CN101350138B CN2008101512209A CN200810151220A CN101350138B CN 101350138 B CN101350138 B CN 101350138B CN 2008101512209 A CN2008101512209 A CN 2008101512209A CN 200810151220 A CN200810151220 A CN 200810151220A CN 101350138 B CN101350138 B CN 101350138B
- Authority
- CN
- China
- Prior art keywords
- traffic
- container
- characteristic parameters
- general wagon
- car
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于货类反推的海港规划年交通生成量预测方法予以实现的技术方案是包括以下步骤:1、构建交通生成量与各交通特征参数的关系图及各货类吞吐量引发交通量流程图,采集所需要的现状交通特征参数;2、现状集装箱卡车、普通货车、客车交通生成量预测;3、根据上述预测的现状交通生成量与基于现状交通调查得到的交通生成量进行比较;4、应用特定的遗传算法对上述相关参数进行标定以得到一组最优的参数值;5、综合考虑远景因素,对现状的各货类交通特征参数进行修正,得出规划年的交通特征参数;6、考虑建设区规划年各货类公路集疏运量、规划年的交通特征参数和现状,基于货类反推交通量的方法完成规划年交通生成量的预测。
Description
技术领域
本发明涉及一种利用信息技术对海港道路交通需求进行预测的方法。
背景技术
随着对外经济的发展,海港的规划建设受到越来越多的关注,要建设一流的国际大港,必须解决好港区的交通规划工作,而交通预测是交通规划的关键,交通预测是否科学和符合实际将直接影响到交通规划系统的效益。目前,道路交通需求预测系统应用最为广泛的是四阶段交通需求预测系统。“四阶段”的输入是城市土地利用、经济与社会人口统计数据等外部因素,其预测实质上是将城市道路交通规划中需要完成的交通需求预测任务划分为四个子任务来依次完成,即:交通生成量预测——交通分布预测——交通方式分担率预测——交通量分配预测。港区交通具有交通方式分担和起讫点明确,以及各种交通方式具有较强关联性等特点,这些特点均有别于城市交通所具有的选择性和随机性,因此港区交通量预测不同于城市交通量预测。上述传统的“四阶段”道路交通预测系统不能被简单地套用于海港内部的道路交通需求预测,因此,必须建立针对港区道路交通特点的道路交通需求预测系统。
现有技术中,传统的交通预测模型有增长率法、重力模型法、机会模型法等,虽然这些方法的精确度比较高,但需要的数据量很大,建模和标定的过程也很复杂。由于港区交通的特殊性,车辆的生成与货物的吞吐量几乎成线性关系,因此需要重新建立、标定、修正特征参数模型,以适应于港区交通特点的道路需求预测系统。
发明内容
本发明为了克服现有技术中四阶段法处理货运交通问题的局限性,提供一种基于货类反推的海港规划年交通生成量预测方法,以货物的集疏运系统为研究对象,以货物的流动为线索,对外部路网——外部堆场——港口各个产生交通流的环节进行全面的分析,为规划年交通生成量的预测提供一套简便可行的方法。
为了解决上述技术问题,本发明基于货类反推的海港规划年交通生成量预测方法系统予以实现的技术方案是包括以下步骤:
步骤一:构建交通生成量与各交通特征参数的关系图及各货类吞吐量引发交通量流程图,采集所需要的现状交通特征参数,即:现状集装箱的交通特征参数、现状货车的交通特征参数和现状港区货物堆场的交通特征参数;
所述现状集装箱的交通特征参数包括:现状集装箱集疏量、月不均匀系数、周不均匀系数、高峰小时占用系数、方向不均匀系数;需要进行标定的交通特征参数包括:集装箱码头直接集港比例q、集装箱卡车高峰小时占用系数k1,集装箱卡车方向不均匀系数d1,单位为TEU/车的集装箱卡车平均装载率p1和集装箱卡车空载率e1;
所述现状货车的交通特征参数包括:现状的散货和件杂货集疏运量、普通货车的周不均匀系数、普通货车的空载率;需要进行标定的交通特征参数有:单位为吨/车的运输件杂货的普通货车的平均载重p2和件杂货普通卡车的空载率e2、运输散货的普通货车的平均载重p3和散货普通卡车的空载率e3、件杂货普通货车高峰小时占用系数k2、散货普通货车高峰小时占用系数k3、件杂货普通货车方向不均匀系数d2、运输散货的普通货车方向不均匀系数d3;
所述现状港区货物堆场的交通特征参数包括;集装箱的集与疏、空车取箱的交通流、堆场拼箱的普通货车交通流、和与堆场拼箱量是成正比的客车流;需要进行标定的交通特征参数有:单位为TEU/车的产地装箱平均装载率p4、产地装箱二次装箱比例g1、集装箱卡车空车取箱比例g2、集装箱堆场内拼箱单位TEU吸引客车量h1、件杂货堆场单位普通货车吸引客车量h2、散货物流中心单位普通货车吸引客车量h3、集装箱堆场拼箱单位TEU吸引货车量h4;
月不均匀系数αi=月日均交通量/年日均交通量; (1)
周不均匀系数ri=单日交通量/周日均交通量; (2)
高峰小时占用系数ki=各个小时交通流量/全天交通流量; (3)
方向不均匀系数di=主要行车方向交通量/双向交通量; (4)
步骤二:现状集装箱卡车、普通货车、客车交通生成量预测:
(2-1)现状集装箱卡车、普通货车交通生成量预测,主要计算
年集装箱卡车总吸引和发生量=(1+集装箱卡车空载率e1)×规划年集装箱吞吐量/集装箱卡车平均装载率p1; (5)
高峰小时单向集装箱卡车交通量=集装箱卡车月不均匀系数α1×集装箱卡车周不均匀系数r1×集装箱卡车高峰小时占用系数k1×集装箱卡车方向不均匀系数d1×年集装箱卡车总吸引和发生量/年工作天数 (6)
杂货普通货车总吸引和发生量=(1+件杂货普通货车空载率e2)×规划年件杂货公路承运量/运输件杂货的普通货车平均载重p2; (7)
高峰小时单向件杂货普通货车交通量=件杂货普通货车周不均匀系数r2×件杂货普通货车高峰小时占用系数k2×件杂货普通货车方向不均匀系数d2×件杂货普通货车总吸引和发生量/年工作天数; (8)
(2-2)现状客车交通生成量预测包括以下三种情形:
(2-2-1)进出集装箱物流作业区的客运交通同货物堆场的拆拼箱量成正比关系,集装箱卡车与客车交通流量关系参数模型为:
(2-2-2)件杂货和散货物流作业区的普通货车与客车交通量关系参数模型为:
为第j3个散货物流作业区总普通货车数吸引量;
(2-2-3)港区内工作人员的编制规模与通勤交通流量关系参数模型为:
α1i=βi×γ; α2i=βi×(1-γ)/δ (11)
公式(11)中:α1i,α2i分别为第i个办公地点的小汽车和客车出行生成量;
βi为人员编制规模;
γ为私家车拥有率;
δ为通勤客车平均载客量;
步骤三:根据上述预测的现状交通生成量与基于现状交通调查得到的交通生成量进行比较;
步骤四:应用特定的遗传算法对上述需要进行标定的交通特性参数进行标定以得到一组最优的参数值;
步骤五:综合考虑远景因素,对现状的各货类交通特征参数进行修正,得出规划年的交通特征参数;
步骤六:考虑建设区规划年各货类公路集疏运量、规划年的交通特征参数和现状,基于货类反推交通量的方法完成规划年交通生成量的预测。
与现有技术相比,本发明所具有的有益效果是:
(1)港区的交通需求预测是一个复杂的系统工程,虽然现有技术中通常采用的四阶段法在城市道路交通需求预测中得到了有效的应用,但在港区的交通需求预测中应用效果不佳,本发明根据港区交通的特点,基于货类反推的方法为港区交通生成量的预测提供了一套可行的解决方案。
(2)交通参数的选取如果全部通过物流系统调研成本较大,而本发明通过建立数学模型,利用智能算法标定参数,可以有效的利用交通调查的数据,花费较小的成本,完成交通特征参数的标定。
(3)港区的各种交通需求都是为货物的集疏运服务的,货物的流动是产生交通流的根本原因,本发明的正是抓住了这一点,以货物的流动为线索来完成交通生成量的预测,简便可行。
(4)目前,对港区交通量进行分析的相关交通特征参数,一部分可以通过交通调查确定,如集装箱卡车的月不均匀系数、周不均匀系数、高峰小时占用系数等。但是还有一些参数不容易标定,如各堆场的堆场内拼箱的比例、单位TEU吸引普通货车的数量,这些参数如果通过调研来获得,成本太大。而本发明海港规划年交通生成量预测系统是利用交通调查的数据建立相应的数学规划模型,并基于特定的遗传算法进行求解,从而以较小的成本来实现现状参数的标定。
(5)本发明中综合考虑远景因素的变化,对现状的各货类交通特征参数进行修正,得到规划年的交通特征参数,从而完成规划年交通生成量的预测。
附图说明
图1是本发明基于货类反推的海港规划年交通生成量预测方法的流程图;
图2是图1所示交通生成量预测的技术路线示意图;
图3是本发明交通生成量与各交通特征参数关系图;
图4是本发明集装箱吞吐量引发交通量流程图;
图5是本发明散货、件杂货吞吐量引发交通量流程图。
图6是图1所示交通生成量预测中对相关参数进行标定的流程图;
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细描述。
图1示出了本发明基于货类反推的海港规划年交通生成量预测方法的流程图,各步骤之间的逻辑关系如图2所示,详细的说本发明基于货类反推的海港规划年交通生成量预测方法的实现包括以下步骤(参见图1中的步骤101-106):
1.构建交通生成量与各交通特征参数的关系图及各货类吞吐量引发交通量流程图,采集所需要的现状交通特征参数,所述现状交通特征参数包括:现状集装箱的交通特征参数、现状货车的交通特征参数和现状港区货物堆场的交通特征参数;
构建交通生成量与各交通特征参数的关系图,如图3所示。构建集装箱吞吐量引发交通量流程图,如图4所示。构建散货、件杂货吞吐量引发交通量流程图,如图5所示。
1.1集装箱交通特征参数的确定。
通过调研数据并利用下述公式(1)-(4)计算交通参数:
月不均匀系数(αi)=月日均交通量/年日均交通量; (1)
周不均匀系数(ri)=单日交通量/周日均交通量; (2)
高峰小时占用系数(ki)=各个小时交通流量/全天交通流量; (3)
方向不均匀系数(di)=主要行车方向交通量/双向交通量。 (4)
从而得到现状集装箱运输的月不均匀系数、周不均匀系数、高峰小时占用系数和方向不均匀系数。需要进行标定的交通特征参数包括:集装箱码头直接集港比例q、集装箱卡车高峰小时占用系数k1,集装箱卡车方向不均匀系数d1,单位为TEU/车的集装箱卡车平均装载率p1和集装箱卡车空载率e1。
1.2散货和件杂货公路运输部分主要交通特征参数的确定。
通过调研数据,并利用上述公式(1)-(4)计算交通参数:现状的散货和件杂货运输的月不均匀系数、周不均匀系数。需要进行标定的交通特征参数有:单位为吨/车的运输件杂货的普通货车的平均载重p2和件杂货普通卡车的空载率e2、单位为吨/车的运输散货的普通货车的平均载重p3和散货普通卡车的空载率e3、件杂货普通货车高峰小时占用系数k2、散货普通货车高峰小时占用系数k3、件杂货普通货车方向不均匀系数d2、运输散货的普通货车方向不均匀系数d3。
1.3其他交通方式
油罐车、滚装车和施工车辆统一归为其他车型进行综合考虑,其交通量正比于集装箱卡车和普通货车的总交通量,比例系数可由交通调查数据统计得出。
1.4港区货物堆场的交通特征参数
根据现状调查,集装箱堆场的空箱一部分前往产地装箱,一部分在堆场拼箱。由于难以实现合理配载,运输总量中的一部分集装箱要经过二次往返运输才能完成集装箱的集与疏。港区外部集装箱卡车空车去港区内部的堆场取箱还会引发一部分空车取箱的交通流;集装箱在堆场拼箱,货主需要用普通货车将货物运送至堆场,引发普通货车交通流;货主来堆场联系业务、监装会引发一定量的客车流,这部分客车流与堆场拼箱量是成正比的。件杂货和散货很少有直接集港的情况发生,货物一般先运入件杂货和散货堆场然后再集港。货主来件杂货和散货堆场联系业务还会引发一定量的客车流。
需要进行标定的交通特征参数有:单位为TEU/车的产地装箱平均装载率p4、产地装箱二次装箱比例g1、集装箱卡车空车取箱比例g2、集装箱堆场内拼箱单位TEU吸引客车量h1、件杂货堆场单位普通货车吸引客车量h2、散货物流中心单位普通货车吸引客车量h3、集装箱堆场拼箱单位TEU吸引货车量h4。
2.现状交通特征参数的标定
2.1现状交通生成量预测
2.1.1现状集装箱卡车交通生成量预测
集装箱吞吐量引发交通量流程图如图4所示,首先根据已有的吞吐量数据统计各码头集装箱吞吐量,由吞吐量和集疏港集装箱卡车平均装载率得到总集装箱卡车交通量,从而根据集装箱卡车的高峰小时占用系数和方向不均匀系数得到高峰小时单向集装箱卡车交通量。根据图3和已确定的交通特征参数,由下述公式(5)-(6)计算年普通货车总吸引和发生量和高峰小时单向普通货车交通量。
年集装箱卡车总吸引和发生量=(1+集装箱卡车空载率e1)×规划年集装箱吞吐量/集装箱卡车平均装载率p1; (5)
高峰小时单向集装箱卡车交通量=集装箱卡车月不均匀系数α1×集装箱卡车周不均匀系数r1×集装箱卡车高峰小时占用系数k1×集装箱卡车方向不均匀系数d1×年集装箱卡车总吸引和发生量/年工作天数 (6)
码头集装箱卡车吸引量分为外部直接集港和堆场集港两部分。直接集港集装箱卡车交通量按一定比例分别从外部路网抵达码头。堆场完成的集装箱集港量又分为产地装箱和堆场装箱两部分,其中产地装箱的集装箱卡车按一定比例分别从外部路网抵达集装箱堆场。
2.1.2现状普通货车交通生成量预测
散货、件杂货吞吐量引发交通量流程图如图5所示,首先根据已有的吞吐量数据统计各码头的散杂货和件杂货吞吐量,由吞吐量和普通货车平均载重得到码头总的普通货车吸引量和发生量,从而根据普通货车的高峰小时占用系数和方向不均匀系数得到高峰小时单向普通货车交通量。根据图3和已确定的交通特征参数,由下述公式计算年集装箱卡车总吸引和发生量和高峰小时单向集装箱卡车交通量。
杂货普通货车总吸引和发生量=(1+件杂货普通货车空载率e2)×规划年件杂货公路承运量/运输件杂货的普通货车平均载重p2; (7)
高峰小时单向件杂货普通货车交通量=件杂货普通货车周不均匀系数r2×件杂货普通货车高峰小时占用系数k2×件杂货普通货车方向不均匀系数d2×件杂货普通货车总吸引和发生量/年工作天数; (8)
集装箱堆场拼箱部分会产生普通货车集疏运需求,这部分普通货车按一定比例分别从外部路网抵达集装箱堆场。
件杂货和散货很少有直接集港的情况发生,货物一般先运入件杂货和散货堆场然后再集港,因此会产生外部路网到件杂货和散货堆场的普通货车交通流,一般认为这部分交通流基本与堆场到码头的交通流相等。
2.1.3客车交通生成量预测
根据图3,由下述公式(9)-(11)分别计算集装箱物流作业区客车吸引量和件杂货和散货物流作业区客车吸引量以及通勤客车交通吸引量。
(1)集装箱物流作业区集装箱卡车与客车交通量关系参数模型为:
(2)件杂货和散货物流作业区的普通货车与客车交通量关系参数模型为:
为第j3个散货物流作业区的客车吸引量;
(3)港区内工作人员的编制规模与通勤交通流量关系参数模型为:
α1i=βi×γ; α2i=βi×(1-γ)/δ (11)
公式(11)中:α1i,α2i分别为第i个办公地点的小汽车和客车出行生成量;
βi为人员编制规模;
γ为私家车拥有率;
δ为通勤客车平均载客量。
2.2交通特征参数的标定
由上述在2.1过程中所预测的现状交通生成量,以基于现状交通调查得到的交通生成量为参考,通过调整基于货类反推方法中的相关参数,使之与基于现状交通调查得到的交通生成量误差达到极小,由此形成一个非线性数学规划问题。应用一特定的遗传算法对该规划问题进行求解,可以求得一组最优的参数值,从而完成相关的参数标定。数学规划问题如下:
min f(S)
S∈Ω
上述公式中的参数说明:
Ω:由相应参数范围形成的约束集;q:集装箱码头直接集港比例;p1:码头集港的集装箱卡车的集装箱平均装载率;e1:集装箱卡车的空载率;p2:运输件杂货的普通货车平均载重;d2:件杂货普通货车的方向不均匀系数;r2:件杂货普通货车周不均匀系数;p3:运输散货的普通货车平均载重;d3:运输散货的普通货车的方向不均匀系数;r3:运输散货的普通货车周不均匀系数;:第i1个集装箱码头的吞吐量;:第i2个件杂货码头的吞吐量;:第i3个散货码头的吞吐量;d1:集装箱卡车的方向不均匀系数;第i1个集装箱码头吸引第j1个集装箱堆场的交通量比例;:第i2个件杂货码头吸引第j2个件杂货堆场的交通量比例;:第i3个散货码头吸引第j3个散货堆场的交通量比例;p4:集装箱堆场产地装箱的集装箱卡车平均装载率;:第i1个集装箱码头吸引第j1个集装箱堆场的交通量;:第i2个件杂货码头吸引j2个件杂货堆场的交通量;:第j3个散货码头吸引第j3个散货堆场的交通量;:第i1个集装箱码头吸引第j1个集装箱堆场的交通量之差;:第i2个件杂货码头吸引第j2个件杂货堆场的交通量之差;:第i3个散货码头吸引第j3个散货堆场的交通量之差;:第j1个集装箱堆场到各个集装箱码头的发生量之和;:第j2个件杂货堆场到各个件杂货码头的发生量之和;:第j3个散货堆场到各个散货码头的发生量之和;:第j1个集装箱堆场的堆场装箱比例;h1:集装箱堆场内拼箱单位TEU吸引客车量;h2:件杂货堆场单位普通货车吸引客车量;h3:散货物流中心单位普通货车吸引客车量;h4:集装箱堆场拼箱单位TEU吸引货车量;:第j1个集装箱堆场总的客车吸引量;:第j2个件杂货堆场总的客车吸引量;:第j3个散货堆场总的客车吸引量;:第j1个集装箱堆场总的普通货车吸引量;:第j1个集装箱堆场总的普通货车吸引量之差;:第j2个件杂货堆场总的客车吸引量之差;:第j3个散货堆场总的客车吸引量之差;g1:产地装箱二次装箱比例;g2:集装箱卡车空车取箱比例;:第j1个集装箱堆场总的集装箱卡车吸引量;:第j1个集装箱堆场总的集装箱卡车吸引量之差;:第j1个集装箱堆场总的客车吸引量之差;e2:件杂货普通卡车的空载率;e3:散货普通卡车的空载率;r1:集装箱卡车周不均匀系数;k1:集装箱卡车高峰小时占用系数;k2:件杂货普通货车高峰小时占用系数;k3:散货普通货车高峰小时占用系数。
3.规划年交通生成量预测
综合考虑远景因素的变化,着重考虑物流作业系统的变化趋势、港区未来道路状况对各项交通特征参数的影响,对现状的各货类交通特征参数进行修正,得到规划年的交通特征参数。由港区规划资料提供的规划年各货类公路集疏运量,结合规划年的交通特征参数,参考现状基于货类反推交通量的方法完成规划年交通生成量的预测。
下面以天津港为实施例进一步说明本发明的实施过程,本发明实施例选取天津港得理由是:天津港是环渤海地区规模最大的综合性港口,其业务涵盖了集装箱、件杂货、干散货和液体散货、滚装汽车等各个方面,其交通生成量主要由集装箱卡车、普通货车和客车的出行产生,交通方式全面,适合综合分析,其分析过程同样也适合于单一业务的港口。
1.通过物流系统调研制作各货类吞吐量引发交通量的流程图
集装箱吞吐量引发交通量流程图如图3所示,通过对集装箱集疏运物流系统调研发现,整个集疏运系统的交通量是由集装箱码头的集装箱吞吐量引起的,集装箱吞吐量引发了集疏运的集装箱卡车交通流,这部分交通流主要分为两部分:一部分发生在堆场和码头之间,一部分发生在码头和外部路网之间。堆场完成的集装箱集港量又分为产地装箱和堆场装箱两部分,产地装箱的部分主要的交通特征参数有产地装箱平均装载率、空车取箱比例和二次装箱比例,货车到堆场装箱会引发客车流和货车流,这部分主要的交通特征参数有单位TEU吸引货车量和单位TEU吸引客车量。
散货、件杂货吞吐量引发交通量流程图如图5所示,散货、件杂货吞吐量引发了普通货车的交通流,散货、件杂货的集港全部由后方堆场完成,件杂货和散货很少有直接集港的情况发生,货物一般先运入件杂货和散货堆场然后再集港,因此会产生外部路网到件杂货和散货堆场的普通货车交通流,货主来堆场联系业务还会引发一定的客车交通流。
2.通过交通调查和物流系统调研确定部分交通特征参数
按照前面的公式(1)-(4)分别计算各车型的月不均匀系数、周不均匀系数、高峰小时占用系数、方向不均匀系数,等。
对于一些不易标定的参数确定其取值范围,如各堆场的堆场内拼箱的比例、单位TEU吸引普通货车的数量、普通货车的平均载重等。
3.现状交通生成量预测
按照前面的公式(5)-(11)分别计算港区年集装箱卡车总吸引和发生量、高峰小时单向集装箱卡车交通量、港区普通货车总吸引和发生量、高峰小时单向普通货车交通量、堆场装箱吸引普通货车交通量,集装箱物流作业区客车吸引量、件杂货和散货物流作业区客车吸引量、通勤交通客车吸引量,等等。
本实施例港口现状只能确定取值范围的交通特征参数及其取值范围如表1所示,该港口现状可以确定取值的交通特征参数如表2所示。
4.建立合理的数学规划模型,并应用特定的遗传算法对该规划问题进行求解
将优化问题简单表示成如下述公式(12)形式的优化问题:
min f(S),
(12)
S=[s1,s2,…,sl]T,si∈[ai,bi],i=1,2,…,l.
其中:l为变量个数;[ai,bi]为各变量取值范围;f(S)为特定的目标函数。
用特定的遗传算法求解此优化问题得到一组最优的参数值,从而完成现状的相关交通特征参数标定工作。算法的步骤如图6中的601-606所示,具体为:
步骤4-1:置k=0,确定群体规模N,交叉概率pc,变异概率pm及目标函数的适应值Fitness。第j个个体的目标函数适应值采用Fitnessj=fmax-fij的形式,其中fmax为第i代中目标函数的最大值,fij为第i代中第j个个体的目标函数值。随机生成N个初始种群;
步骤4-2:进行遗传算法的交叉、变异算子操作,得到N个新的个体,分别计算其适应值;
步骤4-3:采用了最优保存策略方法进行遗传算法的选择算子操作;
步骤4-4:若达到最大迭代次数K或得到满意解,则结束寻优过程;否则令k=k+1,返回步骤4-2。
算法参数中,种群数为N=30,交叉概率pc=0.6,变异概率pm=0.1,迭代次数K=200。在Matlab7.0环境下编程实现,用以上算法步骤求得优化问题的近似最优解。
另外对于不同港区所需要标定的参数可能不同,对能够给定的交通特征参数在模型中取为常值,而需要标定的参数设置为数学规划模型中的决策变量即可。
本实施例中现状集装箱卡车各主要小区高峰小时交通量的交通调查结果如表3-1所示,现状普通货车各主要小区高峰小时交通量的交通调查结果如表3-2所示,现状客车各主要小区高峰小时交通量的交通调查结果如表3-3所示,标定后的交通特征参数如表4所示。
5.规划年交通特征参数的获取
根据标定的现状的相关交通特征参数,综合考虑规划年物流作业系统的成长趋势,完成规划年交通特征参数的确定工作。
例如:随着物流作业流程的逐步优化,集港卡车返程配载率的提高,规划年的空载率较之基年将逐渐减少;随着“异地口岸直通”工程等大通关项目的实施,未来港区集装箱直接集港的比例将会提高;考虑到未来港区道路承载力,规划年港区内的车型不会有太大变化,预测规划年普通货车平均载重不会发生太大变化。以天津港为例目前天津港主要集装箱码头的直接集港比例为27%,空载率为30%,根据相关的规划资料及参考国际上技术较为先进的港口资料,判断随着物流作业流程的逐步优化,集港卡车返程配载率的提高,到2010年天津港集装箱码头的空载率在20%左右;综合考虑对天津港影响比较太的“异地口岸直通”工程的完工期,判断到2010年天津港集装箱码头的直接集港比例为40%左右。
本实施例拟订的规划年为2030年,其各项交通特征参数取值如表5所示。
6.根据确定的规划年交通特征参数以及各车型的交通量参数分析模型,完成规划年交通生成量的分析预测。
本实施例规划年(2030年)集装箱卡车各主要交通小区的高峰小时交通量如表6-1所示,规划年普通货车各主要交通小区的高峰小时交通量如表6-2所示,规划年客车各主要交通小区的高峰小时交通量如表6-3所示。
上述举例只是示意性的,本发明系统普遍适用于从事集装箱、件杂货和散杂货运输的海港的交通生成量的分析预测,而且对于内河港口的交通生成量的分析预测也有一定的借鉴意义。图4和图5的货物集疏运引发交通流的流程图适用于大部分的海港,对于不同的海港各项交通参数获取的难易不同,需要标定的参数也不一样,在本方法的基础上根据所研究海港的实际情况进行适当的修改,将相应的参数替换为待标定的参数即可。因此本方法普遍适用于从事集装箱、件杂货和散杂货运输的港区,具有产业上的再现性。
尽管结合附图对本发明进行了上述描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以做出很多变形,这些均属于本发明的保护之列。
Claims (3)
1.一种基于货类反推的海港规划年交通生成量预测方法,其特征在于,包括以下步骤:
步骤一:构建交通生成量与各交通特征参数的关系图及各货类吞吐量引发交通量流程图,采集所需要的现状交通特征参数,即:现状集装箱的交通特征参数、现状货车的交通特征参数和现状港区货物堆场的交通特征参数;
所述现状集装箱的交通特征参数包括:现状集装箱集疏量、月不均匀系数、周不均匀系数、高峰小时占用系数、方向不均匀系数;需要进行标定的交通特征参数包括:集装箱码头直接集港比例q、集装箱卡车高峰小时占用系数k1,集装箱卡车方向不均匀系数d1,单位为TEU/车的集装箱卡车平均装载率p1和集装箱卡车空载率e1;
所述现状货车的交通特征参数包括:现状的散货和件杂货集疏运量、普通货车的周不均匀系数、普通货车的空载率;需要进行标定的交通特征参数有:单位为吨/车的运输杂货的普通货车平均载重p2和件杂货普通卡车的空载率e2、运输散货的普通货车平均载重p3和散货普通卡车的空载率e3、件杂货普通货车高峰小时占用系数k2、散货普通货车高峰小时占用系数k3、件杂货普通货车方向不均匀系数d2、散货普通货车方向不均匀系数d3;
所述现状港区货物堆场的交通特征参数包括;集装箱的集与疏、空车取箱的交通流、堆场拼箱的普通货车交通流、和与堆场拼箱量是成正比的客车流;需要进行标定的交通特征参数有:单位为TEU/车的产地装箱平均装载率p4、产地装箱二次装箱比例g1、集装箱卡车空车取箱比例g2、集装箱堆场内拼箱单位TEU吸引客车量h1、件杂货堆场单位普通货车吸引客车量h2、散货物流中心单位普通货车吸引客车量h3、集装箱堆场拼箱单位TEU吸引货车量h4;
月不均匀系数αi=月日均交通量/年日均交通量; (1)
周不均匀系数ri=单日交通量/周日均交通量; (2)
高峰小时占用系数ki=各个小时交通流量/全天交通流量; (3)
方向不均匀系数di=主要行车方向交通量/双向交通量; (4)
步骤二:现状集装箱卡车、普通货车、客车交通生成量预测:
(2-1)现状集装箱卡车、普通货车交通生成量预测,主要计算:
年集装箱卡车总吸引和发生量=(1+集装箱卡车空载率e1)×规划年集装箱吞吐量/集装箱卡车平均装载率p1; (5)
高峰小时单向集装箱卡车交通量=集装箱卡车月不均匀系数α1×集装箱卡车周不均匀系数r1×集装箱卡车高峰小时占用系数k1×集装箱卡车方向不均匀系数d1×年集装箱卡车总吸引和发生量/年工作天数 (6)
杂货普通货车总吸引和发生量=(1+件杂货普通货车空载率e2)×规划年件杂货公路承运量/运输件杂货的普通货车平均载重p2; (7)
高峰小时单向件杂货普通货车交通量=件杂货普通货车周不均匀系数r2×件杂货普通货车高峰小时占用系数k2×件杂货普通货车方向不均匀系数d2×件杂货普通货车总吸引和发生量/年工作天数; (8)
(2-2)现状客车交通生成量预测包括以下三种情形:
(2-2-1)进出集装箱物流作业区的客运交通同货物堆场的拆拼箱量成正比关系,集装箱卡车与客车交通流量关系参数模型为:
(2-2-2)件杂货和散货物流作业区的普通货车与客车交通量关系参数模型为:
(2-2-3)港区内工作人员的编制规模与通勤交通流量关系参数模型为:
α1i=βi×γ; α2i=βi×(1-γ)/δ (11)
公式(11)中:α1i,α2i分别为第i个办公地点的小汽车和客车出行生成量;
βi为人员编制规模;
γ为私家车拥有率;
δ为通勤客车平均载客量;
步骤三:根据上述预测的现状交通生成量与基于现状交通调查得到的交通生成量进行比较;
步骤四:应用特定的遗传算法对上述需要进行标定的交通特性参数进行标定以得到一组最优的参数值;
步骤五:综合考虑远景因素,对现状的各货类交通特征参数进行修正,得出规划年的交通特征参数;
步骤六:考虑建设区规划年各货类公路集疏运量、规划年的交通特征参数和现状,基于货类反推交通量的方法完成规划年交通生成量的预测。
2.根据权利要求1所述的基于货类反推的海港规划年交通生成量预测方法,其特征在于:应用特定的遗传算法对需要进行标定的交通特性参数进行标定时,首先,建立合理的数学规划模型,将优化问题简单表示成如下形式的优化问题:
min f(S),
(12)
S=[s1,s2,…,sl]T,si∈[ai,bi],i=1,2,…,l.
公式(12)中:l为变量个数;[ai,bi]为各变量取值范围;f(S)为特定的目标函数;应用特定的遗传算法对该规划问题进行求解的步骤包括:
步骤4-1:置k=0,确定群体规模N,交叉概率pc,变异概率pm及目标函数的适应值Fitness;第j个个体的目标函数适应值采用Fitnessj=fmax-fij的形式,其中fmax为第i代中目标函数的最大值,fij为第i代中第j个个体的目标函数值;随机生成N个初始种群;
步骤4-2:进行遗传算法的交叉、变异算子操作,得到N个新的个体,分别计算其适应值;
步骤4-3:采用最优保存策略方法进行遗传算法的选择算子操作;
步骤4-4:若达到最大迭代次数K或得到满意解,则结束寻优过程;否则令k=k+1,返回上述步骤4-2。
3.根据权利要求2所述的基于货类反推的海港规划年交通生成量预测方法,其特征在于:所述特定的遗传算法参数中,种群数为N=30,交叉概率pc=0.6,变异概率pm=0.1,迭代次数K=200。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101512209A CN101350138B (zh) | 2008-09-02 | 2008-09-02 | 基于货类反推的海港规划年交通生成量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101512209A CN101350138B (zh) | 2008-09-02 | 2008-09-02 | 基于货类反推的海港规划年交通生成量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101350138A CN101350138A (zh) | 2009-01-21 |
CN101350138B true CN101350138B (zh) | 2011-11-30 |
Family
ID=40268914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101512209A Active CN101350138B (zh) | 2008-09-02 | 2008-09-02 | 基于货类反推的海港规划年交通生成量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101350138B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789176B (zh) * | 2010-01-22 | 2013-09-04 | 天津市市政工程设计研究院 | 预约集港模式下的港区短时交通流预测方法 |
US9061843B2 (en) * | 2013-10-17 | 2015-06-23 | Navis Llc | System and method for integral planning and control of container flow operations in container terminals |
CN103606267B (zh) * | 2013-11-20 | 2016-02-10 | 天津市市政工程设计研究院 | 基于产生点-吸引点的港口道路网络交通量智能预判方法 |
CN104965952B (zh) * | 2015-07-13 | 2018-01-16 | 钟德钰 | 以通航梯级枢纽为核心的水陆耦合集散交通系统构建方法 |
CN105740982B (zh) * | 2016-02-01 | 2019-06-07 | 南昌航空大学 | 一种基于分担率函数的货运方式优势运距的量化计算方法 |
CN108269399B (zh) * | 2018-01-24 | 2020-12-25 | 哈尔滨工业大学 | 一种基于公路网客流od反推技术的高铁客流需求预测方法 |
CN108600697B (zh) * | 2018-04-23 | 2021-05-18 | 深圳市粤能环保科技有限公司 | 一种基于物联网的环卫系统 |
CN109858687B (zh) * | 2019-01-14 | 2022-07-22 | 河海大学 | 一种基于物流需求的大尺度条件下物流通道规划方法 |
CN110599765A (zh) * | 2019-08-16 | 2019-12-20 | 华南理工大学 | 一种基于多源数据融合的公路客货运输量指标统计方法 |
US11379765B2 (en) * | 2020-11-25 | 2022-07-05 | Bank Of America Corporation | Occupancy prediction using real-time information |
CN113593243B (zh) * | 2021-09-28 | 2021-12-07 | 中铁第五勘察设计院集团有限公司 | 收费公路运营期收费车型交通量的预测方法及装置 |
-
2008
- 2008-09-02 CN CN2008101512209A patent/CN101350138B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN101350138A (zh) | 2009-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101350138B (zh) | 基于货类反推的海港规划年交通生成量预测方法 | |
CN101436345B (zh) | 基于TransCAD宏观仿真平台的港区道路交通需求预测系统 | |
Abad et al. | A bi-objective model for pickup and delivery pollution-routing problem with integration and consolidation shipments in cross-docking system | |
Bektaş et al. | Green vehicle routing | |
Wang et al. | Estimation of bus emission models for different fuel types of buses under real conditions | |
Tajik et al. | A robust optimization approach for pollution routing problem with pickup and delivery under uncertainty | |
Jacyna-Gołda et al. | Assessment of efficiency of assignment of vehicles to tasks in supply chains: a case study of a municipal company | |
Gan et al. | The identification of truck-related greenhouse gas emissions and critical impact factors in an urban logistics network | |
Scora et al. | Value of eco-friendly route choice for heavy-duty trucks | |
CN107239844A (zh) | 一种基于Hadoop的石油运输车辆油耗预测方法 | |
Perez-Martinez et al. | Freight road transport analysis in the metro São Paulo: Logistical activities and CO2 emissions | |
Jachimowski et al. | Implementation of the model of proecological transport system | |
Demin et al. | Determination of performance criteria for organizing the operation of terminal and warehouse complexes | |
Saukenova et al. | Optimization of schedules for early garbage collection and disposal in the megapolis | |
Al-Deek | Which method is better for developing freight planning models at seaports—Neural networks or multiple regression? | |
Nieoczym et al. | Autonomous vans-the planning process of transport tasks | |
CN104331746A (zh) | 一种分离式的动态路径优化系统及其方法 | |
Wang et al. | Risk analysis and route optimization of dangerous goods transportation based on the empirical path set | |
Hussain et al. | Smart city solutions: Comparative analysis of waste management models in IoT-enabled environments using multiagent simulation | |
Liu et al. | Evaluating sustainability of truck weight regulations: A system dynamics view | |
Tadić et al. | Sustainability of the city logistics initiatives | |
Hosseini-Motlagh et al. | A multi-path traffic-covering pollution routing model with simultaneous pickup and delivery | |
Vitvitsky et al. | Optimization of the Schedule for Road Transportation of" Tails" Recycling of Solid Municipal Waste | |
Kupalova et al. | Information and Analytical Support for Organizing Commodity Flows on the Environmental and Economic Basis | |
Sherif et al. | Bi-objective optimisation model with societal constraints for green closed loop supply chain network-a case of battery industry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 300051 No. 239, Yingkou Road, Heping District, Tianjin Patentee after: Tianjin municipal engineering design and Research Institute Co.,Ltd. Address before: 300051 No. 239, Yingkou Road, Heping District, Tianjin Patentee before: TIANJIN MUNICIPAL ENGINEERING DESIGN & Research Institute |
|
CP01 | Change in the name or title of a patent holder |