CN115100849B - 一种面向综合交通系统的组合式交通分布分析方法 - Google Patents

一种面向综合交通系统的组合式交通分布分析方法 Download PDF

Info

Publication number
CN115100849B
CN115100849B CN202210570842.5A CN202210570842A CN115100849B CN 115100849 B CN115100849 B CN 115100849B CN 202210570842 A CN202210570842 A CN 202210570842A CN 115100849 B CN115100849 B CN 115100849B
Authority
CN
China
Prior art keywords
traffic
city
matrix
traffic demand
rigid
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
Application number
CN202210570842.5A
Other languages
English (en)
Other versions
CN115100849A (zh
Inventor
王炜
周凡
于维杰
华雪东
付少伟
魏雪延
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 CN202210570842.5A priority Critical patent/CN115100849B/zh
Publication of CN115100849A publication Critical patent/CN115100849A/zh
Application granted granted Critical
Publication of CN115100849B publication Critical patent/CN115100849B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06314—Calendaring for a resource
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向综合交通系统的组合式交通分布分析方法，包括以下步骤：（1）采集城市现状交通需求和城市用地属性数据；（2）将现状交通需求划分为现状刚性交通需求和现状弹性交通需求；（3）根据现状刚性交通需求和现状弹性交通需求预测未来年刚性交通需求和未来年弹性交通需求；（4）对未来年刚性交通需求和未来年弹性交通需求分别进行交通分布分析，输出未来年刚性交通需求OD矩阵和未来年弹性交通需求OD矩阵；（5）输出未来年交通需求OD矩阵。本发明结合了两种经典模型各自的优点，对不同类型的交通需求采用不同的交通分布方法，预测结果更合理、更准确，具有较高的推广应用价值。

Description

一种面向综合交通系统的组合式交通分布分析方法
技术领域
本发明属于数据驱动的区域交通系统交通需求分析技术领域，具体涉及一种面向综合交通系统的组合式交通分布分析方法。
背景技术
经过我国多年来大规模交通基础设施建设，各城市已形成颇具规模、特色鲜明的综合交通系统。面向国家新时代重大交通战略发展需求以及交通强国的宏伟目标，交通系统发展重心由增量增长向存量优化转变，这种精细化的综合交通发展模式需要新的交通模型作为工具支撑。国内交通环境与需求愈发复杂，传统的交通分布模型不能完全适用于国内大范围的交通项目分析。
典型的交通量分布方法一般可以分为两类，一类是增长系数法，一类是综合法。增长系数法假定将来OD交通量的分布形式和现有的OD表的分布形式相同，在此假定的基础上预测对象区域目标年的OD交通量，常用的方法包括常增长系数法、平均增长系数法、Detroit法、Fratar法、Furness法等；后者从分布交通量的实际分析中，剖析OD交通量的分布规律，并将此规律用数学模型表现，然后用实测数据标定模型参数，最后用标定的模型预测分布交通量，方法包括重力模型法、介入机会模型法、最大熵模型法等。
虽然当前的交通分布方法已经在工程领域得到了广泛应用，但仍存在以下不足之处：①现有交通分布方法仅依据交通需求的单一特点进行建模。然而，随着土地利用朝着综合化、组合化的方向发展，交通需求也呈现出组成多样、时空差异的特点。现状交通分布方法无法面向多元交通需求实现精细化的交通分布分析；②现有交通分布方法主要聚焦于城市交通系统，但面向综合交通系统的交通分布方法较少，多直接沿用城市交通系统的交通分布方法。此外，综合交通系统的交通出行具有空间跨度大、方式选择多样等特点，交通需求更为多样，导致现有交通分布方法在综合交通系统方向的研究成果存在局限性。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出一种面向综合交通系统的组合式交通分布分析方法。
为了实现上述技术目的，本发明的技术方案为：
一种面向综合交通系统的组合式交通分布分析方法，包括以下步骤：
(1)采集城市现状交通需求和城市用地属性数据；其中，现状交通需求包括现状OD矩阵、现状对外交通发生量和吸引量；
(2)将现状交通需求划分为现状刚性交通需求和现状弹性交通需求；
(3)根据现状刚性交通需求和现状弹性交通需求预测未来年刚性交通需求和未来年弹性交通需求；
(4)对未来年刚性交通需求和未来年弹性交通需求分别进行交通分布分析，输出未来年刚性交通需求OD矩阵和未来年弹性交通需求OD矩阵；
(5)输出未来年交通需求OD矩阵。
优选地，步骤(2)中将出行时间为工作日、出行目的与工作相关的现状交通需求划分为现状刚性交通需求，将出行时间为工作日、出行目的不与工作相关或者出行时间为节假日的现状交通需求划分为现状弹性交通需求。
优选地，所述步骤(3)具体包括以下步骤：
(31)采用原单位法对未来年刚性交通需求进行预测，计算公式如下：
Figure BDA0003659092150000021
Figure BDA0003659092150000022
式中，
Figure BDA0003659092150000023
为城市i的未来年刚性交通发生量，
Figure BDA0003659092150000024
为城市j的未来年刚性交通吸引量，b为工作出行目的的单位出行发生次数，c为工作出行目的的单位出行吸引次数，xi,xj分别为城市i和城市j的工作人口数；
(32)基于城市用地属性数据对未来年弹性交通需求进行预测，计算公式如下：
Figure BDA0003659092150000025
Figure BDA0003659092150000026
式中，
Figure BDA0003659092150000027
代表城市i的未来年弹性交通发生量，
Figure BDA0003659092150000028
代表城市j的未来年弹性交通吸引量；po,i、pd,j分别代表游客的单位出行发生次数和单位出行吸引次数；Si、Sj分别代表城市i和城市j旅游景点的平均每日接待游客数量；qo,i、qd,j分别代表以购物为目的的单位出行发生次数和单位出行吸引次数；Li、Lj分别代表城市i和城市j商场的平均每日接待顾客数量；go,i、gd,j分别代表以餐饮为目的的单位出行发生次数和单位出行吸引次数；Ci、Cj分别代表城市i和城市j餐馆的平均每日接待顾客数量。
优选地，所述步骤(4)中，未来年刚性交通需求的交通分布采用Fartar-Gravity模型逐步迭代，每次迭代均采用重力模型得到的OD矩阵进行修正，直至满足收敛条件，输出未来年刚性交通需求OD矩阵，具体包括以下步骤：
(411)确定刚性交通需求的无约束重力模型，计算公式为：
Figure BDA0003659092150000031
式中，
Figure BDA0003659092150000032
为城市i和城市j之间的现状刚性交通需求OD矩阵，
Figure BDA0003659092150000033
为城市i的现状刚性交通发生量，
Figure BDA0003659092150000034
为城市j的现状刚性交通吸引量，
Figure BDA0003659092150000035
为城市i,j之间的直线距离，lnk1、α1、-γ1为常数；
采用最小二乘法进行标定，令
Figure BDA0003659092150000036
a0＝lnk1，a1＝α1,a2＝-γ1，
Figure BDA0003659092150000037
则y1＝a0+a1x1+a2x2，其中a0,a1,a2为待标定的参数；
(412)将步骤(31)中得到的城市i的未来年刚性交通发生量
Figure BDA0003659092150000038
和城市j的未来年刚性交通吸引量
Figure BDA0003659092150000039
代入步骤(411)标定后的无约束重力模型，得到未来年刚性交通需求OD矩阵
Figure BDA00036590921500000310
(413)将步骤(31)中得到的城市i的未来年刚性交通发生量
Figure BDA00036590921500000311
和城市j的未来年刚性交通吸引量
Figure BDA00036590921500000312
代入Fratar模型计算一次，得到未来年刚性交通需求OD矩阵
Figure BDA0003659092150000041
(414)对步骤(412)得到的OD矩阵
Figure BDA0003659092150000042
和步骤(413)中得到的OD矩阵
Figure BDA0003659092150000043
进行修正，修正后的OD矩阵
Figure BDA0003659092150000044
表示为：
Figure BDA0003659092150000045
式中，μ,λ为参数，0≤μ≤1,0≤λ≤1；
(415)根据步骤(414)中得到修正后的OD矩阵
Figure BDA0003659092150000046
得到更新后的城市i的未来年刚性交通发生量
Figure BDA0003659092150000047
和城市j的未来年刚性交通吸引量
Figure BDA0003659092150000048
表达式如下：
Figure BDA0003659092150000049
Figure BDA00036590921500000410
式中，n为城市的数量；
(416)计算城市i和城市j的发生增长系数
Figure BDA00036590921500000411
和吸引增长系数
Figure BDA00036590921500000412
计算公式如下：
Figure BDA00036590921500000413
Figure BDA00036590921500000414
(417)对发生增长系数
Figure BDA00036590921500000415
和吸引增长系数
Figure BDA00036590921500000416
进行敛散性判别，当
Figure BDA00036590921500000417
时，未来年刚性交通需求OD矩阵
Figure BDA00036590921500000418
等于步骤(414)中修正后的OD矩阵
Figure BDA00036590921500000419
即
Figure BDA00036590921500000420
否则令
Figure BDA00036590921500000421
转入步骤(413)重新构建OD矩阵。
优选地，所述步骤(4)中，弹性交通需求的交通分布采用Gravity-Fratar模型，通过标定的无约束重力模型得到OD矩阵，然后将OD矩阵代入Fratar模型逐步迭代；每次迭代都需要通过无约束重力模型重新计算OD矩阵，直至满足收敛条件，输出未来年弹性交通需求OD矩阵，具体包括以下步骤：(511)确定弹性交通需求的无约束重力模型，计算公式为：
Figure BDA0003659092150000051
式中，
Figure BDA0003659092150000052
为城市i和城市j之间的现状弹性交通需求OD矩阵，
Figure BDA0003659092150000053
为城市i的现状弹性交通发生量，
Figure BDA0003659092150000054
为城市j的现状弹性交通吸引量，
Figure BDA0003659092150000055
为城市i,j之间的直线距离，lnk2、α2、-γ2为常数；
采用最小二乘法进行标定，令
Figure BDA0003659092150000056
b0＝lnk2，b1＝α2，b2＝-γ2，
Figure BDA0003659092150000057
则y2＝b0+b1x1+b2x2，其中b0,b1,b2为待标定的参数；
(512)将步骤(32)中得到城市i的未来年弹性交通发生量
Figure BDA0003659092150000058
和城市j的未来年弹性交通吸引量
Figure BDA0003659092150000059
带入步骤(511)中标定后的无约束重力模型，计算未来年弹性交通需求OD矩阵
Figure BDA00036590921500000510
(513)将步骤(512)中得到城市i的弹性交通需求OD矩阵
Figure BDA00036590921500000511
代入Fratar模型计算一次，得到更新后的OD矩阵
Figure BDA00036590921500000512
(514)根据步骤(513)中的未来年弹性交通需求OD矩阵
Figure BDA00036590921500000513
得到更新后的城市i的未来年弹性交通发生量
Figure BDA00036590921500000514
和城市j的未来年弹性交通吸引量
Figure BDA00036590921500000515
表达式如下：
Figure BDA00036590921500000516
Figure BDA00036590921500000517
式中，n为城市的数量；
(515)计算城市i和城市j的发生增长系数
Figure BDA0003659092150000061
和吸引增长系数
Figure BDA0003659092150000062
计算公式如下：
Figure BDA0003659092150000063
Figure BDA0003659092150000064
(516)对发生增长系数
Figure BDA0003659092150000065
和吸引增长系数
Figure BDA0003659092150000066
进行敛散性判别，当
Figure BDA0003659092150000067
的误差均在5％的范围内，即
Figure BDA0003659092150000068
时，未来年弹性交通需求OD矩阵
Figure BDA0003659092150000069
等于步骤(513)中更新后的OD矩阵
Figure BDA00036590921500000610
即
Figure BDA00036590921500000611
否则令
Figure BDA00036590921500000612
转入步骤(512)。
优选地，所述步骤(5)中未来年交通需求OD矩阵Qij通过将步骤(416)得到的未来年刚性交通需求OD矩阵
Figure BDA00036590921500000613
和步骤(516)得到的未来年弹性交通需求OD矩阵
Figure BDA00036590921500000614
相加得到，即
Figure BDA00036590921500000615
采用上述技术方案带来的有益效果：
与现有的交通需求分布方法相比，本发明具有以下明显优势：首先，本发明采用的是组合式的交通分布方法对交通需求进行交通分布，能够充分利用各个模型的优势，能够快速得到准确的交通分布结果；其次，对不同的交通需求类型分别建模进行交通分布，能够准确把握每种交通需求类型的特征，找到最合适的交通分布模型。
附图说明
图1是本发明面向综合交通系统的组合式交通分布分析方法的流程图。
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。
本发明介绍了一种面向综合交通系统的组合式交通分布分析方法。下面结合实例和附图对本发明的技术方案作进一步详细说明。方法流程图见附图1，包括以下几个步骤：
(1)数据采集：采集城市现状交通需求和城市用地属性数据，如表1、表2所示；其中，现状交通需求包括现状OD矩阵、现状对外交通发生量和吸引量；
表1.现状OD矩阵
1 2 3 合计
1 17.0 7.0 4.0 38.6
2 7.0 38.0 6.0 51.0
3 4.0 5.0 17.0 26.0
合计 28.0 50.0 27.0 105.0
表2.城市用地属性数据
城市用地属性数据 城市1 城市2 城市3
城市工作人口数(人) 26.2 43.0 20.5
工作出行目的的单位出行发生次数(次/日*人) 1.5 2.1 1.8
工作出行目的的单位出行吸引次数(次/日*人) 1.47 2.14 1.76
单位游客出行发生次数(次/日*人) 0.5 0.6 0.4
单位游客出行吸引次数(次/日*人) 0.5 0.6 0.4
旅游景点平均每日接待游客数量(人) 41.6 53.0 45
以购物为目的的单位出行发生次数(次/日*人) 0.65 0.65 0.55
以购物为目的的单位出行吸引次数(次/日*人) 0.6 0.65 0.55
商场平均每日接待顾客数量(人) 12.0 62.0 16
以餐饮为目的的单位出行发生次数(次/日*人) 0.63 0.49 0.57
以餐饮为目的的单位出行吸引次数(次/日*人) 0.63 0.52 0.52
餐馆平均每日接待顾客的数量(人) 17.0 49.0 17.7
(2)交通需求类型划分：将出行时间为工作日、出行目的与工作相关的现状交通需求划分为现状刚性交通需求，将出行时间为工作日、出行目的不与工作相关或者出行时间为节假日的现状交通需求划分为现状弹性交通需求。
城市内部现状出行距离、预测未来出行距离分别如表3和表4所示。
表3.现状出行距离(公里)
1 2 3
1 7.0 17.0 22.0
2 17.0 15.0 23.0
3 22.0 23.0 7.0
表4.未来出行距离(公里)
1 2 3
1 4.0 9.0 11.0
2 9.0 8.0 12.0
3 11.0 12.0 4.0
(3)预测各城市未来年交通需求量，包括以下步骤：
(31)未来年刚性交通需求预测：采用原单位法对未来年刚性交通需求进行预测，预测结果如表5所示。
表5.未来年刚性交通需求预测结果
Figure BDA0003659092150000081
(32)未来年弹性交通需求预测：基于POI数据对未来年弹性交通需求进行预测，预测结果如表6所示。
表6.未来年弹性交通需求预测结果
Figure BDA0003659092150000082
Figure BDA0003659092150000091
41)刚性交通需求的交通分布，采用Fartar-Gravity模型，包含以下步骤：
(411)无约束重力模型参数标定：
首先确定无约束重力模型的形式，
Figure BDA0003659092150000092
然后两边取自然对数得
Figure BDA0003659092150000093
其中
Figure BDA0003659092150000094
为城市i和城市j之间的刚性交通需求现状OD矩阵，
Figure BDA0003659092150000095
为城市i的现状刚性交通发生量，
Figure BDA0003659092150000096
为城市j的现状刚性交通吸引量，
Figure BDA0003659092150000097
为城市i,j之间的直线距离，lnk1，α1，-γ1为常数。采用最小二乘法进行标定，令
Figure BDA0003659092150000098
a0＝lnk1，a1＝α1,a2＝-γ1，
Figure BDA0003659092150000099
则y1＝a0+a1x1+a2x2，其中a0,a1,a2为待标定的参数。重力模型标定样本数据如表7所示。
表7.重力模型标定样本数据
Figure BDA00036590921500000910
解得a0＝-2.084，a1＝1.173，a2＝-1.455，进一步得到k1＝0.124，α1＝1.173，γ1＝1.455，标定后的重力模型为
Figure BDA0003659092150000101
(412)将步骤(31)中得到城市i的刚性交通发生量
Figure BDA0003659092150000102
和城市j的刚性交通吸引量
Figure BDA0003659092150000103
代入步骤(411)标定后的无约束重力模型，得到未来年刚性交通需求OD矩阵
Figure BDA0003659092150000104
如表8所示。
表8.未来年刚性交通需求OD矩阵
Figure BDA0003659092150000105
1 2 3
1 88.862 72.458 18.940
2 75.542 237.912 46.164
3 18.791 43.932 76.048
(413)将步骤(31)中得到城市i的刚性交通发生量
Figure BDA0003659092150000106
和城市j的刚性交通吸引量
Figure BDA0003659092150000107
代入Fratar模型计算一次，得到未来年刚性交通需求OD矩阵
Figure BDA0003659092150000108
如表9所示。
表9.未来年刚性交通需求OD矩阵
Figure BDA0003659092150000109
1 2 3
1 22.039 10.936 5.064
2 11.171 72.777 9.353
3 5.282 7.964 21.923
(414)通过步骤(412)得到的OD矩阵
Figure BDA00036590921500001010
对步骤(413)中得到的OD矩阵
Figure BDA00036590921500001011
进行修正，修正后的OD矩阵为
Figure BDA00036590921500001012
取μ＝0.99,λ＝0.01得到修正后的刚性交通需求OD矩阵如表10所示。
表10.修正后的刚性交通需求OD矩阵
Figure BDA00036590921500001013
1 2 3
1 22.707 11.551 5.203
2 11.815 74.428 9.721
3 5.417 8.324 22.464
(415)敛散性判别：包括刚性交通需求更新，增长系数计算和敛散性判别三个步骤：
①刚性交通需求更新：根据步骤(414)中得到修正后的OD矩阵
Figure BDA0003659092150000111
可以得到更新后的城市i的刚性交通发生量
Figure BDA0003659092150000112
和城市j的刚性交通吸引量
Figure BDA0003659092150000113
Figure BDA0003659092150000114
如表11所示。
表11.更新后的城市i的刚性交通发生量
Figure BDA0003659092150000115
和城市j的刚性交通吸引量
Figure BDA0003659092150000116
Figure BDA0003659092150000117
②增长系数计算：计算城市i和城市j的发生增长系数
Figure BDA0003659092150000118
和吸引增长系数
Figure BDA0003659092150000119
计算公式如下：
Figure BDA00036590921500001110
如表12所示。
表12.城市i和城市j的发生增长系数
Figure BDA00036590921500001111
和吸引增长系数
Figure BDA00036590921500001112
Figure BDA00036590921500001113
Figure BDA0003659092150000121
(416)各城市的刚性交通发生量和刚性交通吸引量均满足收敛条件，结束循环，输出未来年刚性交通需求OD矩阵
Figure BDA0003659092150000122
如表13所示。
表13.未来年刚性交通需求OD矩阵
Figure BDA0003659092150000123
1 2 3 Dj
1 22.707 11.551 5.203 39.461
2 11.815 74.428 9.721 95.946
3 5.417 8.324 22.464 36.205
Oi 39.939 94.303 37.388 171.6
42)刚性交通需求的交通分布，采用Fartar-Gravity模型，包含以下步骤：
(421)无约束重力模型参数标定：
首先确定无约束重力模型的形式，
Figure BDA0003659092150000124
然后两边取自然对数得
Figure BDA0003659092150000125
其中
Figure BDA0003659092150000126
为城市i和城市j之间的弹性交通需求现状OD矩阵，
Figure BDA0003659092150000127
为城市i的现状弹性交通发生量，
Figure BDA0003659092150000128
为城市j的现状弹性交通吸引量，
Figure BDA0003659092150000129
为城市i,j之间的直线距离。lnk2，α2，-γ2为常数。采用最小二乘法进行标定，令
Figure BDA00036590921500001210
b0＝lnk2，b1＝α2，b2＝-γ2，
Figure BDA00036590921500001211
则y2＝b0+b1x1+b2x2，其中b0,b1,b2为待标定的参数。重力模型标定样本数据如表14所示：
表14.重力模型标定样本数据
Figure BDA00036590921500001212
Figure BDA0003659092150000131
解得b0＝-2.084，b1＝1.173，b2＝-1.455，进一步得到k2＝0.124，α2＝1.173，γ2＝1.455，标定后的重力模型为
Figure BDA0003659092150000132
(422)将步骤(32)中得到城市i的弹性交通发生量
Figure BDA0003659092150000133
和城市j的弹性交通吸引量
Figure BDA0003659092150000134
带入步骤(421)中标定后的无约束重力模型，计算弹性交通需求OD矩阵
Figure BDA0003659092150000135
如表15所示。
表15.弹性交通需求OD矩阵
Figure BDA0003659092150000136
1 2 3
1 88.862 72.458 18.940
2 75.542 237.912 46.164
3 18.791 43.932 76.048
(423)以步骤(422)中得到城市i的弹性交通需求OD矩阵
Figure BDA0003659092150000137
代入Fratar模型计算一次，得到更新后的弹性交通需求OD矩阵
Figure BDA0003659092150000138
如表16所示。
表16.弹性交通需求OD矩阵
Figure BDA0003659092150000139
Figure BDA00036590921500001310
Figure BDA0003659092150000141
(424)敛散性判别：包括弹性交通需求更新，增长系数计算和敛散性判别三个步骤：
①弹性交通需求更新：根据步骤(423)中的弹性交通需求OD矩阵
Figure BDA0003659092150000142
得到更新后的城市i的弹性交通发生量
Figure BDA0003659092150000143
和城市j的弹性交通吸引量
Figure BDA0003659092150000144
Figure BDA0003659092150000145
如表17所示。
表17.更新后的城市i的弹性交通发生量
Figure BDA0003659092150000146
和城市j的弹性交通吸引量
Figure BDA0003659092150000147
Figure BDA0003659092150000148
②增长系数计算：计算城市i和城市j的发生增长系数
Figure BDA0003659092150000149
和吸引增长系数
Figure BDA00036590921500001410
计算公式如下：
Figure BDA00036590921500001411
如表18所示。
表18.城市i和城市j的发生增长系数
Figure BDA00036590921500001412
和吸引增长系数
Figure BDA00036590921500001413
Figure BDA00036590921500001414
③敛散性判别：不满足收敛条件，
Figure BDA0003659092150000151
转入步骤(422)循环8次后，得到表19。
表19.迭代8次后得到的弹性交通需求OD矩阵
Figure BDA0003659092150000152
此时，发生增长系数和吸引增长系数如表20。
表20.城市i和城市j的发生增长系数
Figure BDA0003659092150000153
和吸引增长系数
Figure BDA0003659092150000154
Figure BDA0003659092150000155
(425)各城市的弹性交通发生量和弹性交通吸引量均满足收敛条件，结束循环，输出弹性交通需求OD矩阵
Figure BDA0003659092150000156
如表21所示。
表21.弹性交通需求OD矩阵
Figure BDA0003659092150000157
Figure BDA0003659092150000158
(5)将步骤(416)得到的刚性交通需求OD矩阵和步骤(425)得到的弹性交通需求OD矩阵相加得到总的交通需求OD矩阵Qij，即
Figure BDA0003659092150000161
如表22所示。
表22.总的交通需求OD矩阵Qij
1 2 3 Dj
1 38.002 27.210 9.340 74.552
2 28.158 139.033 22.328 189.564
3 9.585 20.553 43.859 73.996
Oi 75.745 186.795 75.590 338.1
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 (1)

1.一种面向综合交通系统的组合式交通分布分析方法，其特征在于，包括以下步骤：
(1)采集城市现状交通需求和城市用地属性数据；其中，现状交通需求包括现状OD矩阵、现状对外交通发生量和吸引量；
(2)将现状交通需求划分为现状刚性交通需求和现状弹性交通需求；将出行时间为工作日、出行目的与工作相关的现状交通需求划分为现状刚性交通需求，将出行时间为工作日、出行目的不与工作相关或者出行时间为节假日的现状交通需求划分为现状弹性交通需求；
(3)根据现状刚性交通需求和现状弹性交通需求预测未来年刚性交通需求和未来年弹性交通需求；具体包括以下步骤：
(31)采用原单位法对未来年刚性交通需求进行预测，计算公式如下：
Figure QLYQS_1
Figure QLYQS_2
式中，
Figure QLYQS_3
为城市i的未来年刚性交通发生量，
Figure QLYQS_4
为城市j的未来年刚性交通吸引量，b为工作出行目的的单位出行发生次数，c为工作出行目的的单位出行吸引次数，xi,xj分别为城市i和城市j的工作人口数；
(32)基于城市用地属性数据对未来年弹性交通需求进行预测，计算公式如下：
Figure QLYQS_5
Figure QLYQS_6
式中，
Figure QLYQS_7
代表城市i的未来年弹性交通发生量，
Figure QLYQS_8
代表城市j的未来年弹性交通吸引量；po,i、pd,j分别代表游客的单位出行发生次数和单位出行吸引次数；Si、Sj分别代表城市i和城市j旅游景点的平均每日接待游客数量；qo,i、qd,j分别代表以购物为目的的单位出行发生次数和单位出行吸引次数；Li、Lj分别代表城市i和城市j商场的平均每日接待顾客数量；go,i、gd,j分别代表以餐饮为目的的单位出行发生次数和单位出行吸引次数；Ci、Cj分别代表城市i和城市j餐馆的平均每日接待顾客数量；
(4)对未来年刚性交通需求和未来年弹性交通需求分别进行交通分布分析，输出未来年刚性交通需求OD矩阵和未来年弹性交通需求OD矩阵；其中，未来年刚性交通需求的交通分布采用Fartar-Gravity模型逐步迭代，每次迭代均采用重力模型得到的OD矩阵进行修正，直至满足收敛条件，输出未来年刚性交通需求OD矩阵，具体包括以下步骤：
(411)确定刚性交通需求的无约束重力模型，计算公式为：
Figure QLYQS_9
式中，
Figure QLYQS_10
为城市i和城市j之间的现状刚性交通需求OD矩阵，
Figure QLYQS_11
为城市i的现状刚性交通发生量，
Figure QLYQS_12
为城市j的现状刚性交通吸引量，
Figure QLYQS_13
为城市i,j之间的直线距离，lnk1、α1、-γ1为常数；
采用最小二乘法进行标定，令
Figure QLYQS_14
a0＝ln k1，a1＝α1,a2＝-γ1，
Figure QLYQS_15
则y1＝a0+a1x1+a2x2，其中a0,a1,a2为待标定的参数；
(412)将步骤(31)中得到的城市i的未来年刚性交通发生量
Figure QLYQS_16
和城市j的未来年刚性交通吸引量
Figure QLYQS_17
代入步骤(411)标定后的无约束重力模型，得到未来年刚性交通需求OD矩阵
Figure QLYQS_18
(413)将步骤(31)中得到的城市i的未来年刚性交通发生量
Figure QLYQS_19
和城市j的未来年刚性交通吸引量
Figure QLYQS_20
代入Fratar模型计算一次，得到未来年刚性交通需求OD矩阵
Figure QLYQS_21
(414)对步骤(412)得到的OD矩阵
Figure QLYQS_22
和步骤(413)中得到的OD矩阵
Figure QLYQS_23
进行修正，修正后的OD矩阵
Figure QLYQS_24
表示为：
Figure QLYQS_25
式中，μ,λ为参数，0≤μ≤1,0≤λ≤1；
(415)根据步骤(414)中得到修正后的OD矩阵
Figure QLYQS_26
得到更新后的城市i的未来年刚性交通发生量
Figure QLYQS_27
和城市j的未来年刚性交通吸引量
Figure QLYQS_28
表达式如下：
Figure QLYQS_29
Figure QLYQS_30
式中，n为城市的数量；
(416)计算城市i和城市j的发生增长系数
Figure QLYQS_31
和吸引增长系数
Figure QLYQS_32
计算公式如下：
Figure QLYQS_33
Figure QLYQS_34
(417)对发生增长系数
Figure QLYQS_35
和吸引增长系数
Figure QLYQS_36
进行敛散性判别，当
Figure QLYQS_37
时，未来年刚性交通需求OD矩阵
Figure QLYQS_38
等于步骤(414)中修正后的OD矩阵
Figure QLYQS_39
即
Figure QLYQS_40
否则令
Figure QLYQS_41
转入步骤(413)重新构建OD矩阵；
其中，弹性交通需求的交通分布采用Gravity-Fratar模型，通过标定的无约束重力模型得到OD矩阵，然后将OD矩阵代入Fratar模型逐步迭代；每次迭代都需要通过无约束重力模型重新计算OD矩阵，直至满足收敛条件，输出未来年弹性交通需求OD矩阵，具体包括以下步骤：
(511)确定弹性交通需求的无约束重力模型，计算公式为：
Figure QLYQS_42
式中，
Figure QLYQS_43
为城市i和城市j之间的现状弹性交通需求OD矩阵，
Figure QLYQS_44
为城市i的现状弹性交通发生量，
Figure QLYQS_45
为城市j的现状弹性交通吸引量，
Figure QLYQS_46
为城市i,j之间的直线距离，lnk2、α2、-γ2为常数；
采用最小二乘法进行标定，令
Figure QLYQS_47
b0＝lnk2，b1＝α2，b2＝-γ2，
Figure QLYQS_48
则y2＝b0+b1x1+b2x2，其中b0,b1,b2为待标定的参数；
(512)将步骤(32)中得到城市i的未来年弹性交通发生量
Figure QLYQS_49
和城市j的未来年弹性交通吸引量
Figure QLYQS_50
带入步骤(511)中标定后的无约束重力模型，计算未来年弹性交通需求OD矩阵
Figure QLYQS_51
(513)将步骤(512)中得到城市i的弹性交通需求OD矩阵
Figure QLYQS_52
代入Fratar模型计算一次，得到更新后的OD矩阵
Figure QLYQS_53
(514)根据步骤(513)中的未来年弹性交通需求OD矩阵
Figure QLYQS_54
得到更新后的城市i的未来年弹性交通发生量
Figure QLYQS_55
和城市j的未来年弹性交通吸引量
Figure QLYQS_56
表达式如下：
Figure QLYQS_57
Figure QLYQS_58
式中，n为城市的数量；
(515)计算城市i和城市j的发生增长系数
Figure QLYQS_59
和吸引增长系数
Figure QLYQS_60
计算公式如下：
Figure QLYQS_61
Figure QLYQS_62
(516)对发生增长系数
Figure QLYQS_65
和吸引增长系数
Figure QLYQS_66
进行敛散性判别，当
Figure QLYQS_68
的误差均在5％的范围内，即
Figure QLYQS_64
时，未来年弹性交通需求OD矩阵
Figure QLYQS_67
等于步骤(513)中更新后的OD矩阵
Figure QLYQS_69
即
Figure QLYQS_70
否则令
Figure QLYQS_63
转入步骤(512)；
(5)输出未来年交通需求OD矩阵；其中未来年交通需求OD矩阵Qij通过将步骤(416)得到的未来年刚性交通需求OD矩阵
Figure QLYQS_71
和步骤(516)得到的未来年弹性交通需求OD矩阵
Figure QLYQS_72
相加得到，即
Figure QLYQS_73
CN202210570842.5A 2022-05-24 2022-05-24 一种面向综合交通系统的组合式交通分布分析方法 Active CN115100849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210570842.5A CN115100849B (zh) 2022-05-24 2022-05-24 一种面向综合交通系统的组合式交通分布分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210570842.5A CN115100849B (zh) 2022-05-24 2022-05-24 一种面向综合交通系统的组合式交通分布分析方法

Publications (2)

Publication Number Publication Date
CN115100849A CN115100849A (zh) 2022-09-23
CN115100849B true CN115100849B (zh) 2023-04-18

Family

ID=83289392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210570842.5A Active CN115100849B (zh) 2022-05-24 2022-05-24 一种面向综合交通系统的组合式交通分布分析方法

Country Status (1)

Country Link
CN (1) CN115100849B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708283A (zh) * 2012-04-23 2012-10-03 东南大学 基于出行链的居民出行次数建模与仿真方法
CN106504535A (zh) * 2016-11-30 2017-03-15 东南大学 一种结合重力模型与Fratar模型的交通分布预测方法
CN108133613A (zh) * 2017-12-19 2018-06-08 深圳先进技术研究院 一种实时发布路内停车服务指数方法及系统
US10074283B1 (en) * 2017-03-09 2018-09-11 The Boeing Company Resilient enhancement of trajectory-based operations in aviation
CN111859736A (zh) * 2020-06-29 2020-10-30 郑州大学 一种管道多病害复杂环境下服役性能评估方法
CN113327424A (zh) * 2021-08-02 2021-08-31 深圳市城市交通规划设计研究中心股份有限公司 交通需求的预测方法、预测装置及电子设备
CN113611105A (zh) * 2021-07-09 2021-11-05 东南大学 一种城市交通出行需求总量预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708283A (zh) * 2012-04-23 2012-10-03 东南大学 基于出行链的居民出行次数建模与仿真方法
CN106504535A (zh) * 2016-11-30 2017-03-15 东南大学 一种结合重力模型与Fratar模型的交通分布预测方法
US10074283B1 (en) * 2017-03-09 2018-09-11 The Boeing Company Resilient enhancement of trajectory-based operations in aviation
CN108133613A (zh) * 2017-12-19 2018-06-08 深圳先进技术研究院 一种实时发布路内停车服务指数方法及系统
CN111859736A (zh) * 2020-06-29 2020-10-30 郑州大学 一种管道多病害复杂环境下服役性能评估方法
CN113611105A (zh) * 2021-07-09 2021-11-05 东南大学 一种城市交通出行需求总量预测方法
CN113327424A (zh) * 2021-08-02 2021-08-31 深圳市城市交通规划设计研究中心股份有限公司 交通需求的预测方法、预测装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
成艳 ; 叶霞飞 ; 王治 ; 周利锋 ; .城市轨道交通高峰时段站间起讫点矩阵预测模型.同济大学学报(自然科学版).2018,(03),全文. *
程坦 ; 周涛 ; .基于交通出行需求多样化的职住平衡分析.城市建设理论研究(电子版).2018,(12),全文. *

Also Published As

Publication number Publication date
CN115100849A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN111210082B (zh) 一种基于优化的bp神经网络算法的降水量预测方法
CN106599520B (zh) 一种基于lstm-rnn模型的空气污染物浓度预报方法
CN106649960B (zh) 大气多污染物环境容量三维迭代计算方法
Kolokotroni et al. A validated methodology for the prediction of heating and cooling energy demand for buildings within the Urban Heat Island: Case-study of London
CN112926795B (zh) 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统
CN109584552B (zh) 一种基于网络向量自回归模型的公交到站时间预测方法
CN111563610A (zh) 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统
CN108537383A (zh) 一种基于模型融合的室内空气预测方法
CN108256590B (zh) 一种基于复合元路径的相似出行者识别方法
CN111310257A (zh) 一种bim环境下的区域建筑能耗预测方法
Zhan et al. Factors and mechanism driving the land-use conversion in Jiangxi Province
CN112100718A (zh) 一种基于智能算法及能耗综合优化的城市建筑群设计方法
US20230057564A1 (en) Methods for managing cleaning routes in smart cities, internet of things systems, and storage mediums
CN111539109A (zh) 实时高精度全球多维对流层天顶延迟格网模型构建方法
CN109933901B (zh) 一种生态系统服务价值最优化的mcr城市扩张模拟方法
CN107315722A (zh) 基于克里金和信息熵理论相结合的水文站网优化模型
CN114418174A (zh) 电动汽车充电负荷预测方法
CN109086951A (zh) 一种计及城市发展程度的多阶段空间负荷预测方法
CN112419131A (zh) 交通起讫点需求估算方法
CN113505999A (zh) 应用于城市空间质量评估的指标计算方法
CN113779113B (zh) 基于雨洪时空过程相似性挖掘的洪水动态预估方法及系统
CN114626586A (zh) 基于prophet-LightGBM混合模型的大规模建筑能耗预测方法
CN115329425A (zh) 一种空气质量驱动下的建筑群体形态优化设计方法及系统
CN115100849B (zh) 一种面向综合交通系统的组合式交通分布分析方法
CN113641749B (zh) 一种基于二部图的人口流动网络估计方法及系统

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
GR01 Patent grant
GR01 Patent grant