CN113570418A - 一种城市共享交通的居民出行需求预测方法 - Google Patents

一种城市共享交通的居民出行需求预测方法 Download PDF

Info

Publication number
CN113570418A
CN113570418A CN202110918310.1A CN202110918310A CN113570418A CN 113570418 A CN113570418 A CN 113570418A CN 202110918310 A CN202110918310 A CN 202110918310A CN 113570418 A CN113570418 A CN 113570418A
Authority
CN
China
Prior art keywords
travel
car
network
urban
traffic
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.)
Pending
Application number
CN202110918310.1A
Other languages
English (en)
Inventor
马捷
王牵莲
陈景旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202110918310.1A priority Critical patent/CN113570418A/zh
Publication of CN113570418A publication Critical patent/CN113570418A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种城市共享交通的居民出行需求预测方法，将城市交通网络表示为一个由多种出行模式和多类型用户参与下的复杂交通网络。本发明预测了现代城市交通网络在随机共乘用户均衡状态下的服务水平，并预估了交通网络出行服务水平影响下的城市居民出行需求。本发明充分考虑了出行者对交通出行成本主观感知的随机性和差异性，根据现实情况对交通出行成本进行了精细化的分类，细致探究了网约车出行这一新兴的共享出行方式对于交通网络运行状态的影响，从而为交通运输需求管理政策、共享出行企业经营策略的制定与调整提供有力的支持。

Description

一种城市共享交通的居民出行需求预测方法
技术领域
本发明属于城市交通领域，特别涉及了一种城市共享交通的居民出行需求预测方法。
背景技术
互联网技术的飞速进步，不仅带来了移动出行产业的蓬勃发展，也深刻地改变了人们的出行理念。随着“共享出行”这一理念的深入人心，网约车出行(也称共乘出行，ridesharing)逐渐成为许多城市居民的日常出行选择。由《每日经济新闻》与腾讯汽车联合推出的“2021城市交通出行问卷调查”结果显示，私家车、公共交通和网约车是当下城市居民交通出行的主要方式，三者覆盖了近90％的出行需求。立足于共享出行背景下的现代城市居民出行特征，提出适用于现代城市交通网络的居民出行需求预测方法，可以为交通运输需求管理政策、共享出行企业经营策略的制定与调整提供可靠的依据。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出了一种城市共享交通的居民出行需求预测方法。
为了实现上述技术目的，本发明的技术方案为：
一种城市共享交通的居民出行需求预测方法，包括以下步骤：
(1)建立城市交通网络的拓扑结构，城市交通网络中的出行模式包括私家车出行、网约车出行和公交出行，城市交通网络中的用户类型包括有车用户和无车用户，获取出行者感知参数以及公交公司、网约车平台运营参数；
(2)根据历史数据获得城市居民出行需求与出行服务水平的函数关系，即弹性需求函数；
(3)根据城市交通网络拓扑结构、用户类型和出行模式信息，构建与城市网络相对应的多模式多用户随机共乘用户均衡交通网络，并基于该网络建立共乘匹配约束；
(4)根据城市交通网络中各出行模式的实际特征，结合出行者对出行成本的个体感知差异，构建适用于共享出行环境的广义出行成本；
(5)预估该城市交通网络在多用户随机共乘用户均衡状态下的交通网络出行服务水平；
(6)根据弹性需求函数，结合所得的交通网络出行服务水平以及该服务水平下的广义出行成本，预测该城市交通网络的居民出行需求。
进一步地，在步骤(2)中，所述城市居民出行需求与出行服务水平的函数关系如下：
Figure BDA0003206485100000021
Figure BDA0003206485100000022
上式中，
Figure BDA0003206485100000023
和
Figure BDA0003206485100000024
分别表示OD对w间的有车用户和无车用户的居民出行需求；
Figure BDA0003206485100000025
和
Figure BDA0003206485100000026
表示弹性需求函数；
Figure BDA0003206485100000027
和
Figure BDA0003206485100000028
分别表示OD对w间的有车用户和无车用户的居民出行需求的上限；μ表示指数函数中的参数；
Figure BDA0003206485100000029
和
Figure BDA00032064851000000210
分别表示OD对w间的有车用户和无车用户所感受的出行服务水平，
Figure BDA00032064851000000211
和
Figure BDA00032064851000000212
越大表示出行服务水平越高：
Figure BDA00032064851000000213
Figure BDA00032064851000000214
上式中，i∈C和i∈NC分别表示有车用户和无车用户；
Figure BDA00032064851000000215
表示连接OD对w的路径p上的选择出行模式i的出行者所承担的广义出行成本；θ表示logit选择模型中表示出行者的感知误差的参数。
进一步地，步骤(3)的具体过程如下：
(301)输入城市道路网络的拓扑结构、用户类型和出行模式信息，在软件中构建与城市交通网络相对应的多模式多用户城市交通网络结构，该交通网络结构包括路网中节点、路段的连接情况、路段容量和长度信息；
在用户类型方面，根据网络中的出行者是否拥有私家车，分为有车用户和无车用户，分别用i∈C和i∈NC表示；
在出行模式方面，根据出行角色将交通网络中的网约车出行、私家车出行和公交车出行这三种方式进行划分，得到私家车司机、网约车司机、网约车乘客和公交车乘客四种出行模式，依次对应i∈SD、i∈RD、i∈R、i∈PT；再根据是否拥有私家车对上述出行模式进行细分：RD＝RDc∪RDnc、R＝Rc∪Rnc和PT＝PTc∪PTnc；其中，i∈Rc和i∈Rnc分别表示有车的网约车乘客和无车的网约车乘客；i∈RDc表示搭载了网约车乘客i∈Rc的网约车司机，i∈RDnc表示搭载了网约车乘客i∈Rnc的网约车司机；i∈PTc和i∈PTnc分别表示有车的公交乘客和无车的公交乘客；
(302)针对构建的多模式多用户城市交通网络结构，建立共乘匹配约束：
Figure BDA0003206485100000031
上式中，
Figure BDA0003206485100000032
表示连接OD对w的路径p上选择模式i的出行者流量，Γr(i)表示网约车司机i∈RD所对应的网约车乘客i∈R，Ni表示网约车司机i的车内所搭载乘客的数量；
Figure BDA0003206485100000033
Figure BDA0003206485100000041
上式中，
Figure BDA0003206485100000042
表示OD对w间的网约车司机i∈RD的流量，即网约车出行服务的供应量；
Figure BDA0003206485100000043
表示OD对w间网约车乘客Γr(i)∈R的流量，即网约车出行服务的需求量。
进一步地，在步骤(4)中，所述广义出行成本：
Figure BDA0003206485100000044
上式中，
Figure BDA0003206485100000045
表示出行者感知的出行时间：
Figure BDA0003206485100000046
上式中，ρi指选择模式i的出行者的时间价值参数，
Figure BDA0003206485100000047
和
Figure BDA0003206485100000048
分别指路径p和路段a上的小汽车行驶时间，
Figure BDA0003206485100000049
和
Figure BDA00032064851000000410
分别指路径p和路段a上的公交车行驶时间，
Figure BDA00032064851000000411
表示路段—路径转换系数，如果路径p包含路段a，
Figure BDA00032064851000000412
否则，
Figure BDA00032064851000000413
Figure BDA00032064851000000414
表示车内不便体验：
Figure BDA00032064851000000415
上式中，γi是选择模式i的出行者的不便体验参数；
Figure BDA00032064851000000416
表示出行者费用成本：
Figure BDA00032064851000000417
上式中，
Figure BDA00032064851000000418
示OD对w间的路径p的里程，bi、
Figure BDA00032064851000000419
和ri分别是网约车平台所制定的网约车出行时长参数、里程参数和浮动定价参数，τb表示公交公司所制定的公交里程参数，
Figure BDA00032064851000000420
表示由共乘匹配约束生成的拉格朗日乘子，Γrd(i)表示将i∈R的网约车乘客匹配到响应的网约车司机；
cf表示私人小汽车的固定成本，ct表示私人小汽车的使用成本。
进一步地，步骤(5)的具体过程如下：
(501)考虑到出行者对于广义出行成本感知的随机性和差异性，流量分配过程中采用基于logit的出行选择模型，得到路径流量如下：
Figure BDA0003206485100000051
Figure BDA0003206485100000052
Figure BDA0003206485100000053
上式中，
Figure BDA0003206485100000054
表示OD对w间的出行者在路径p上选择模式i的概率；
(502)在可行集Ω内，找到向量f*∈Ω满足：
Figure BDA0003206485100000055
上式中，
Figure BDA0003206485100000056
表示该网络中的路径流量向量，W为城市交通网络中所有OD对的集合，Pw为OD对w间所有路径的集合，I表示所有出行模式的集合；Ω表示满足共乘匹配约束的路径流量向量的集合。向量
Figure BDA0003206485100000057
具体表达形式为：
Figure BDA0003206485100000058
其中，
Figure BDA0003206485100000059
的表达式：
Figure BDA0003206485100000061
Figure BDA0003206485100000062
和
Figure BDA0003206485100000063
分别表示需求函数
Figure BDA0003206485100000064
和
Figure BDA0003206485100000065
的反函数，具体表达形式：
Figure BDA0003206485100000066
Figure BDA0003206485100000067
f*表示变分不等式的解，即该城市交通网络在多用户随机共乘用户均衡状态下的交通流量；基于此得到城市交通网络在多用户随机共乘用户均衡状态下的出行服务水平
Figure BDA0003206485100000068
和
Figure BDA0003206485100000069
进一步地，在步骤(6)中，根据步骤(5)所得的出行服务水平
Figure BDA00032064851000000610
和
Figure BDA00032064851000000611
结合步骤(2)所得的弹性需求函数
Figure BDA00032064851000000612
和
Figure BDA00032064851000000613
预测该城市交通网络的居民出行需求：
Figure BDA00032064851000000614
Figure BDA00032064851000000615
采用上述技术方案带来的有益效果：
①本发明立足于共享经济的大背景，以网约车出行、私家车出行和公交出行为主要出行方式，使得出行需求预测方法适用于多种出行方式，提高了预测方法的适用性。
②本发明考虑了交通网络中的服务水平对居民出行需求的影响，并以具有多类型出行者的城市交通网络为基础，以logit行为选择为流量分配原则，出行需求预测过程更符合现代城市居民出行特征，使得预测结果更精准。
③本发明根据网络中出行方式的特征，对广义出行成本进行了精细化的分类，尤其是对网约车出行这一模式进行了深入的探究，使得“共享出行”对现代城市居民出行需求的影响机理更加明确。
附图说明
图1为本发明的方法流程图；
图2是城市交通网络结构示意图；
图3是城市交通网络出行需求图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本发明提供一种城市共享交通的居民出行需求预测方法，如图1所示，具体过程如下：
1)通过阅读地图、查询资料，了解目标城市或区域的道路网络现状，根据现状建立城市交通网络的拓扑结构。
根据城市中人口密度、交通设施、土地利用和行政区划的分布，将所要研究的城市区域划分为适当数量的交通小区(一般来说，中等城市的分区数量不超过50个，大城市的分区数量最多不超过100-150个)。交通出行的发生与吸引，本质上是各交通小区的交通发生与吸引量。交通小区作为交通出行的发生源时称为交通出行的O点或起点，作为交通出行的吸引源时称为交通出行的D点或讫点。每次交通出行都是发生在一对起讫点之间的，因此出行起讫点也称为OD对，用w表示。W＝{w}表示交通网络中所有OD对的集合。
各交通小区之间由多条城市道路连接，在城市交通网络的拓扑结构中这些连接道路被称为路段，用a表示。A＝{a}表示交通网络中所有路段的集合。通过查阅地图、走访设计或施工单位，获得道路的线形、长度和容量等重要参数。
OD对w间一般有多条路线可供选择，每条路线都由多条路段首尾相接组成。在交通网络中这些路线被称为路径，用p表示。Pw＝{p}表示OD对w间所有路径的集合。P＝∪wPw表示交通网络中所有路径的集合。
此外，交通网络中每个出行模式都由相应的编号i表示。I＝{i}表示交通网络中所有的出行模式的集合。网络中的出行者按照是否拥有小汽车，分为有车用户和无车用户。C表示有车用户能够选择的出行模式的集合，NC表示无车用户能够选择的出行模式的集合。各集合之间存在关系I＝C∪NC。
经过确定，所要研究的实例网络的拓扑结构如图2所示。该交通网络中存在4个交通小区，标注为1～4；5条路段，均为单向通行，标注为①～⑤。以OD对(1，2)为例，该交通网络中共有三条路径：路径1.①→④；路径2.②→③；路径3.①→③→⑤。
2)通过统计历史数据或查阅相关案例，获得目标城市或区域的居民出行需求与出行服务水平之间的数学关系。
Figure BDA0003206485100000081
Figure BDA0003206485100000082
Figure BDA0003206485100000083
和
Figure BDA0003206485100000084
分别表示OD对w间的有车用户和无车用户所感受的出行服务水平，
Figure BDA0003206485100000085
和
Figure BDA0003206485100000086
越大表示出行服务水平越高。式中，i∈C和i∈NC分别表示有车用户和无车用户；
Figure BDA0003206485100000087
表示连接OD对w的路径p上的选择出行模式i的出行者所承担的广义出行成本；θ表示logit选择模型中表示出行者的感知误差的参数。
Figure BDA0003206485100000088
Figure BDA0003206485100000091
Figure BDA0003206485100000092
和
Figure BDA0003206485100000093
分别表示OD对w间的有车用户和无车用户的居民出行需求。
Figure BDA0003206485100000094
和
Figure BDA0003206485100000095
表示弹性需求函数，分别是关于出行服务水平
Figure BDA0003206485100000096
和
Figure BDA0003206485100000097
单调递增的函数。
Figure BDA0003206485100000098
Figure BDA0003206485100000099
通过查询文献，将目标城市交通网络的弹性需求函数确定为指数函数形式。该弹性需求函数中，
Figure BDA00032064851000000910
和
Figure BDA00032064851000000911
分别表示OD对w间的有车用户和无车用户的居民出行需求的上限；μ表示指数函数中的参数，可由交通调查或者通过数据拟合得到。如图3，目标城市交通网络中仅有一个OD对(1，2)存在出行需求。该OD对的有车用户出行需求的上限为
Figure BDA00032064851000000912
无车用户出行需求的上限为
Figure BDA00032064851000000913
目标城市交通网络的弹性需求函数中的参数为μ＝0.5。
3)根据用户类型和模式信息，确定目标城市交通网络中存在的出行模式。
以目标城市的居民交通出行特征为参考，其对应的城市交通网络中的出行方式包括网约车出行、私家车出行和公交出行。通过角色(即私家车司机、网约车司机、网约车乘客、公交车乘客)对出行方式进行划分后，该城市交通网络中包含4种主要出行模式：私家车司机、网约车司机、网约车乘客和公交车乘客，分别对应i∈SD、i∈RD、i∈R和i∈PT。根据出行者类型(有车用户、无车用户)对部分主要出行模式再做细分，得到RD＝RDc∪RDnc、R＝Rc∪Rnc和PT＝PTc∪PTnc。其中，i∈Rc和i∈Rnc分别表示有车的网约车乘客和无车的网约车乘客；相应地，i∈RDc表示搭载了网约车乘客i∈Rc的网约车司机，i∈RDnc表示搭载了网约车乘客i∈Rnc的网约车司机；i∈PTc和i∈PTnc分别表示有车的公交乘客和无车的公交乘客。
目标城市交通网络的有车用户能够选择的出行模式的集合为C＝SD∪RD∪Rc∪PTc，无车用户能够选择的出行模式的集合为NC＝Rnc∪PTnc。具体的出行模式如表1：
表1
Figure BDA0003206485100000101
4)获取城市交通网络的广义出行成本参数。
通过问卷调查、数据分析等方法获得交通网络中与出行者主观感受相关的参数，例如出行者的时间感知参数和不便体验参数。通过采访小汽车车主，获得有车用户需要考虑的固定成本参数和运行成本参数。通过线上浏览查询或线下走访调研，获得与公交公司、网约车平台运营机制相关的参数，具体为：公交公司制定的公交里程参数，网约车平台制定的网约车出行时长参数、里程参数和浮动定价参数。
将所得数据进行汇总，得到表2：
表2
Figure BDA0003206485100000102
Figure BDA0003206485100000111
5)根据网络拓扑结构、用户类型和模式信息，构建与目标城市网络相对应的多模式多用户随机共乘用户均衡交通网络，并基于该网络建立共乘匹配约束。其具体流程如下：
Step 1：在规划软件或程序中，输入由步骤1)所得的网络拓扑结构，对各个OD对w、各条路段a、各条路径p进行标注；输入由步骤2)所得的弹性需求函数
Figure BDA0003206485100000112
和
Figure BDA0003206485100000113
以及弹性需求函数中涉及的参数
Figure BDA0003206485100000114
和μ；输入由步骤3)获得的所有的出行模式的编号i。
在目标城市交通网络中，xa，i表示路段a上的模式i的交通流量，
Figure BDA0003206485100000115
表示连接OD对w的路径p上的模式i的交通流量。路径和路段的交通流量存在如下关系：
Figure BDA0003206485100000116
Figure BDA0003206485100000117
Figure BDA0003206485100000118
表示路段—路径转换系数，当路径p包含路段a时，
Figure BDA0003206485100000119
反之
Figure BDA00032064851000001110
Figure BDA0003206485100000121
网约车出行服务的供给和需求是基于OD对的。
Figure BDA0003206485100000122
表示OD对w间的网约车司机i∈RD的流量，即网约车出行服务的供应量；
Figure BDA0003206485100000123
表示OD对w间网约车乘客Γr(i)∈R的流量，即网约车出行服务的需求量。Γr(i)表示网约车司机i∈RD所对应的网约车乘客i∈R。
Step 2：针对目标城市的交通网络模型，建立共乘匹配约束：
Figure BDA0003206485100000124
Figure BDA0003206485100000125
Ni是整数，表示网约车司机i∈RD的车内所搭载乘客的数量。式中i的数字取值代表目标城市交通网络中的特定出行模式，具体情况可查询表1。
6)根据目标城市交通网络中各出行方式的实际特征，结合出行者对出行成本的个体感知差异，以及前期调查获得的一系列重要参数，构建适用于当前城市共享经济环境的广义出行成本。具体流程如下：
Step 1：通过交通调查获得目标城市道路网中各路段上多日的车辆行驶数据，推算出路段的出行时间计算函数。当无法获取有效数据或数据存在严重缺陷时，也可以使用BPR函数等通用的经验公式计算目标城市道路网中的出行时间。将所得的路段出行时间计算函数统计在表3中。
表3
Figure BDA0003206485100000126
Figure BDA0003206485100000131
Step 2：将步骤4)获得的各广义出行成本参数输入，结合出行者对出行成本的个体感知差异，从时间感知、不便体验、实际费用等角度对广义出行成本进行精细化的分类。
Figure BDA0003206485100000132
表示OD对w的路径p上选择模式i的出行者的广义出行成本，其具体计算如下：
Figure BDA0003206485100000133
广义出行成本
Figure BDA0003206485100000134
以网络中的路径为基础。计算公式中的符号说明如下：
①出行时间感知
Figure BDA0003206485100000135
Figure BDA0003206485100000136
表示出行者感知的出行时间。
Figure BDA0003206485100000137
和
Figure BDA0003206485100000138
分别指路径p和路段a上的小汽车出行时间，
Figure BDA0003206485100000139
和
Figure BDA00032064851000001310
分别指路径p和路段a上的公交车出行时间。
②车内不便体验
Figure BDA0003206485100000141
Figure BDA0003206485100000142
表示网约车司机和乘客在共乘过程中体验到的不便程度。
③实际出行费用
Figure BDA0003206485100000143
Figure BDA0003206485100000144
表示出行者乘坐公交车、网约车产生的费用成本。该项成本由公交公司和网约车平台的运营机制决定，可在相应的客户端上查询和保存。
Figure BDA0003206485100000145
表示OD对w间的路径p的里程。
Figure BDA0003206485100000146
表示由共乘匹配约束生成的拉格朗日乘子。Γrd(i)表示网约车乘客i∈R所匹配的网约车司机i′∈RD。
此外，小汽车的车主们还将额外承担一些成本。cf表示拥有私人小汽车的固定成本参数。ct表示使用私人小汽车的运行成本参数。
7)预估目标城市的交通网络在多用户随机共乘用户均衡状态下的出行服务水平。
Step 1：为了体现网络中出行者对于广义出行成本感知的随机性和差异性，流量分配过程中采用基于logit的出行选择模型。令logit离散选择模型中的参数θ＝1，目标城市交通网络中的路径流量遵循：
Figure BDA0003206485100000151
Figure BDA0003206485100000152
Figure BDA0003206485100000153
Step 2：对以下变分不等式进行求解，得到网络中的路径流量：
在可行集Ω内，找到向量f*∈Ω满足公式：
Figure BDA0003206485100000154
上式中，
Figure BDA0003206485100000155
表示该网络中的路径流量向量；Ω表示f的可行集，即满足共乘匹配约束的路径流量向量的集合。向量
Figure BDA0003206485100000156
Figure BDA0003206485100000157
具体表达形式为：
Figure BDA0003206485100000158
其中，
Figure BDA0003206485100000159
的表达式为：
Figure BDA00032064851000001510
Figure BDA0003206485100000161
和
Figure BDA0003206485100000162
分别表示需求函数
Figure BDA0003206485100000163
和
Figure BDA0003206485100000164
的反函数，其在目标城市的交通网络中的表达形式为：
Figure BDA0003206485100000165
Figure BDA0003206485100000166
代入参数取值后，弹性需求函数的反函数的具体计算表达式为：
Figure BDA0003206485100000167
Figure BDA0003206485100000168
f*表示变分不等式的解，即该城市交通网络在多用户随机共乘用户均衡状态下的交通流量。求解过程可以使用GAMS软件的PATH求解器，也可以运用合适的收敛算法。目标城市的交通网络中的流量分配情况如表4。根据出行服务水平计算式，可以求得目标城市交通网络的出行服务水平。
表4
Figure BDA0003206485100000169
Figure BDA0003206485100000171
Figure BDA0003206485100000172
Figure BDA0003206485100000173
8)根据弹性需求函数，结合所得的出行服务水平，预测目标城市复杂交通网络的居民出行需求。具体计算为：
Figure BDA0003206485100000174
Figure BDA0003206485100000175
由此可得，在目标城市的交通网络中，有车用户的居民出行需求为1.010，无车用户的居民出行需求为1.803。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.一种城市共享交通的居民出行需求预测方法，其特征在于，包括以下步骤：
(1)建立城市交通网络的拓扑结构，城市交通网络中的出行模式包括私家车出行、网约车出行和公交出行，城市交通网络中的用户类型包括有车用户和无车用户，获取出行者感知参数以及公交公司、网约车平台运营参数；
(2)根据历史数据获得城市居民出行需求与出行服务水平的函数关系，即弹性需求函数；
(3)根据城市交通网络拓扑结构、用户类型和出行模式信息，构建与城市网络相对应的多模式多用户随机共乘用户均衡交通网络，并基于该网络建立共乘匹配约束；
(4)根据城市交通网络中各出行模式的实际特征，结合出行者对出行成本的个体感知差异，构建适用于共享出行环境的广义出行成本；
(5)预估该城市交通网络在多用户随机共乘用户均衡状态下的交通网络出行服务水平；
(6)根据弹性需求函数，结合所得的交通网络出行服务水平以及该服务水平下的广义出行成本，预测该城市交通网络的居民出行需求。
2.根据权利要求1所述城市共享交通的居民出行需求预测方法，其特征在于，在步骤(2)中，所述城市居民出行需求与出行服务水平的函数关系如下：
Figure FDA0003206485090000011
Figure FDA0003206485090000012
上式中，
Figure FDA0003206485090000013
和
Figure FDA0003206485090000014
分别表示OD对w间的有车用户和无车用户的居民出行需求；
Figure FDA0003206485090000015
和
Figure FDA0003206485090000016
表示弹性需求函数；
Figure FDA0003206485090000017
和
Figure FDA0003206485090000018
分别表示OD对w间的有车用户和无车用户的居民出行需求的上限；μ表示指数函数中的参数；
Figure FDA0003206485090000019
和
Figure FDA00032064850900000110
分别表示OD对w间的有车用户和无车用户所感受的出行服务水平，
Figure FDA0003206485090000021
和
Figure FDA0003206485090000022
越大表示出行服务水平越高：
Figure FDA0003206485090000023
Figure FDA0003206485090000024
上式中，i∈C和i∈NC分别表示有车用户和无车用户；
Figure FDA0003206485090000025
表示连接OD对w的路径p上的选择出行模式i的出行者所承担的广义出行成本；θ表示logit选择模型中表示出行者的感知误差的参数。
3.根据权利要求2所述城市共享交通的居民出行需求预测方法，其特征在于，步骤(3)的具体过程如下：
(301)输入城市道路网络的拓扑结构、用户类型和出行模式信息，在软件中构建与城市交通网络相对应的多模式多用户城市交通网络结构，该交通网络结构包括路网中节点、路段的连接情况、路段容量和长度信息；
在用户类型方面，根据网络中的出行者是否拥有私家车，分为有车用户和无车用户，分别用i∈C和i∈NC表示；
在出行模式方面，根据出行角色将交通网络中的网约车出行、私家车出行和公交车出行这三种方式进行划分，得到私家车司机、网约车司机、网约车乘客和公交车乘客四种出行模式，依次对应i∈SD、i∈RD、i∈R、i∈PT；再根据是否拥有私家车对上述出行模式进行细分：RD＝RDc∪RDnc、R＝Rc∪Rnc和PT＝PTc∪PTnc；其中，i∈Rc和i∈Rnc分别表示有车的网约车乘客和无车的网约车乘客；i∈RDc表示搭载了网约车乘客i∈Rc的网约车司机，i∈RDnc表示搭载了网约车乘客i∈Rnc的网约车司机；i∈PTc和i∈PTnc分别表示有车的公交乘客和无车的公交乘客；
(302)针对构建的多模式多用户城市交通网络结构，建立共乘匹配约束：
Figure FDA0003206485090000031
上式中，
Figure FDA0003206485090000032
表示连接OD对w的路径p上选择模式i的出行者流量，Γr(i)表示网约车司机i∈RD所对应的网约车乘客i∈R，Ni表示网约车司机i的车内所搭载乘客的数量；
Figure FDA0003206485090000033
Figure FDA0003206485090000034
上式中，
Figure FDA0003206485090000035
表示OD对w间的网约车司机i∈RD的流量，即网约车出行服务的供应量；
Figure FDA0003206485090000036
表示OD对w间网约车乘客Γr(i)∈R的流量，即网约车出行服务的需求量。
4.根据权利要求3所述城市共享交通的居民出行需求预测方法，其特征在于，在步骤(4)中，所述广义出行成本：
Figure FDA0003206485090000037
上式中，
Figure FDA0003206485090000038
表示出行者感知的出行时间：
Figure FDA0003206485090000039
上式中，ρi指选择模式i的出行者的时间价值参数，
Figure FDA00032064850900000310
和
Figure FDA00032064850900000311
分别指路径p和路段a上的小汽车行驶时间，
Figure FDA00032064850900000312
和
Figure FDA00032064850900000313
分别指路径p和路段a上的公交车行驶时间，
Figure FDA00032064850900000314
表示路段-路径转换系数，如果路径p包含路段a，
Figure FDA00032064850900000315
否则，
Figure FDA00032064850900000316
Figure FDA00032064850900000317
表示车内不便体验：
Figure FDA00032064850900000318
上式中，γi是选择模式i的出行者的不便体验参数；
Figure FDA0003206485090000041
表示出行者费用成本：
Figure FDA0003206485090000042
上式中，
Figure FDA0003206485090000043
表示OD对w间的路径p的里程，bi、
Figure FDA0003206485090000044
和ri分别是网约车平台所制定的网约车出行时长参数、里程参数和浮动定价参数，τb表示公交公司所制定的公交里程参数，
Figure FDA0003206485090000045
表示由共乘匹配约束生成的拉格朗日乘子，Γrd(i)表示将i∈R的网约车乘客匹配到响应的网约车司机；
cf表示私人小汽车的固定成本，ct表示私人小汽车的使用成本。
5.根据权利要求4所述城市共享交通的居民出行需求预测方法，其特征在于，步骤(5)的具体过程如下：
(501)考虑到出行者对于广义出行成本感知的随机性和差异性，流量分配过程中采用基于logit的出行选择模型，得到路径流量如下：
Figure FDA0003206485090000046
Figure FDA0003206485090000047
Figure FDA0003206485090000048
上式中，
Figure FDA0003206485090000049
表示OD对w间的出行者在路径p上选择模式i的概率；
(502)在可行集Ω内，找到向量f*∈Ω满足：
<Ψ(f*)，f-f*>≥0，
Figure FDA00032064850900000410
上式中，
Figure FDA00032064850900000411
表示该网络中的路径流量向量，W为城市交通网络中所有OD对的集合，Pw为OD对w间所有路径的集合，I表示所有出行模式的集合；Ω表示满足共乘匹配约束的路径流量向量的集合。向量
Figure FDA0003206485090000051
具体表达形式为：
Figure FDA0003206485090000052
其中，
Figure FDA0003206485090000053
的表达式：
Figure FDA0003206485090000054
Figure FDA0003206485090000055
和
Figure FDA0003206485090000056
分别表示需求函数
Figure FDA0003206485090000057
和
Figure FDA0003206485090000058
的反函数，具体表达形式：
Figure FDA0003206485090000059
Figure FDA00032064850900000510
f*表示变分不等式的解，即该城市交通网络在多用户随机共乘用户均衡状态下的交通流量；基于此得到城市交通网络在多用户随机共乘用户均衡状态下的出行服务水平
Figure FDA00032064850900000511
和
Figure FDA00032064850900000512
6.根据权利要求5所述城市共享交通的居民出行需求预测方法，其特征在于，在步骤(6)中，根据步骤(5)所得的出行服务水平
Figure FDA00032064850900000513
和
Figure FDA00032064850900000514
结合步骤(2)所得的弹性需求函数
Figure FDA00032064850900000515
和
Figure FDA00032064850900000516
预测该城市交通网络的居民出行需求：
Figure FDA00032064850900000517
Figure FDA00032064850900000518
CN202110918310.1A 2021-08-11 2021-08-11 一种城市共享交通的居民出行需求预测方法 Pending CN113570418A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110918310.1A CN113570418A (zh) 2021-08-11 2021-08-11 一种城市共享交通的居民出行需求预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110918310.1A CN113570418A (zh) 2021-08-11 2021-08-11 一种城市共享交通的居民出行需求预测方法

Publications (1)

Publication Number Publication Date
CN113570418A true CN113570418A (zh) 2021-10-29

Family

ID=78171227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110918310.1A Pending CN113570418A (zh) 2021-08-11 2021-08-11 一种城市共享交通的居民出行需求预测方法

Country Status (1)

Country Link
CN (1) CN113570418A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020198694A1 (en) * 2001-06-22 2002-12-26 Qi Yang Traffic data management and simulation system
CN110414833A (zh) * 2019-07-26 2019-11-05 东南大学 一种城市多模式交通网络运能协调评价方法
CN110415013A (zh) * 2019-06-12 2019-11-05 河海大学 一种网约车短时出行需求的组合预测方法
CN110580404A (zh) * 2019-07-26 2019-12-17 东南大学 一种基于城市多模式交通网络的网络运能确定方法
CN111366160A (zh) * 2020-05-25 2020-07-03 深圳市城市交通规划设计研究中心股份有限公司 路径规划方法、路径规划装置及终端设备
CN112488400A (zh) * 2020-12-04 2021-03-12 南通大学 基于区块链技术与出行计划共享的交通出行行为调控方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020198694A1 (en) * 2001-06-22 2002-12-26 Qi Yang Traffic data management and simulation system
CN110415013A (zh) * 2019-06-12 2019-11-05 河海大学 一种网约车短时出行需求的组合预测方法
CN110414833A (zh) * 2019-07-26 2019-11-05 东南大学 一种城市多模式交通网络运能协调评价方法
CN110580404A (zh) * 2019-07-26 2019-12-17 东南大学 一种基于城市多模式交通网络的网络运能确定方法
CN111366160A (zh) * 2020-05-25 2020-07-03 深圳市城市交通规划设计研究中心股份有限公司 路径规划方法、路径规划装置及终端设备
CN112488400A (zh) * 2020-12-04 2021-03-12 南通大学 基于区块链技术与出行计划共享的交通出行行为调控方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周玮腾;韩宝明;冯超;: "城市轨道交通网络客流分配模型和算法综述", 系统工程理论与实践, no. 02, 25 February 2017 (2017-02-25) *

Similar Documents

Publication Publication Date Title
Perrine et al. Anticipating long-distance travel shifts due to self-driving vehicles
Martinez et al. Assessing the impacts of deploying a shared self-driving urban mobility system: An agent-based model applied to the city of Lisbon, Portugal
Lu et al. Multiagent spatial simulation of autonomous taxis for urban commute: Travel economics and environmental impacts
Sayarshad et al. Non-myopic dynamic routing of electric taxis with battery swapping stations
Chen et al. Customized bus route design with pickup and delivery and time windows: Model, case study and comparative analysis
Durán-Micco et al. A survey on the transit network design and frequency setting problem
Yao et al. Hybrid operations of human driving vehicles and automated vehicles with data-driven agent-based simulation
CN112561249B (zh) 面向实时需求的城市定制公交调度方法
Hamadneh et al. Potential travel time reduction with autonomous vehicles for different types of travellers
Hou et al. A combined modal split and traffic assignment model with capacity constraints for siting remote park-and-ride facilities
Ayala et al. Spatio-temporal matching for urban transportation applications
Santos et al. A flow-based integer programming approach to design an interurban shared automated vehicle system and assess its financial viability
Kamel et al. A modelling platform for optimizing time-dependent transit fares in large-scale multimodal networks
Miao et al. Highly Automated Electric Vehicle (HAEV)-based mobility-on-demand system modeling and optimization framework in restricted geographical areas
Luo et al. Multimodal mobility systems: joint optimization of transit network design and pricing
Mepparambath et al. A novel modelling approach of integrated taxi and transit mode and route choice using city-scale emerging mobility data
Bischoff Mobility as a Service and the transition to driverless systems
Hasnine et al. Mode shift impacts of optimal time-dependent congestion pricing in large networks: A simulation-based case study in the greater toronto area
Najmi et al. Ridesharing in the era of Mobility as a Service (MaaS): An Activity-based Approach with Multimodality and Intermodality
CN113570418A (zh) 一种城市共享交通的居民出行需求预测方法
Mei et al. Assessment and optimization of parking reservation strategy for Park-and-Ride system emissions reduction
Taheri et al. A fair assignment of drivers to parking lots
Gavalas et al. Renewable mobility in smart cities: theMOVESMART Approach
Rifki et al. Design of an Autonomous Ride-sharing Service through a Graph Embedding Integrated Dial-a-ride Problem: Application to the Last-mile Transit in Lyon City
Bruchon Analyzing and Optimizing Shared Mobility Fleet Impacts

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination