CN115204049A - 一种轨道交通站点周围土地利用多目标双层优化方法 - Google Patents

一种轨道交通站点周围土地利用多目标双层优化方法 Download PDF

Info

Publication number
CN115204049A
CN115204049A CN202210856899.1A CN202210856899A CN115204049A CN 115204049 A CN115204049 A CN 115204049A CN 202210856899 A CN202210856899 A CN 202210856899A CN 115204049 A CN115204049 A CN 115204049A
Authority
CN
China
Prior art keywords
land
traffic
rail transit
layer
land utilization
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
CN202210856899.1A
Other languages
English (en)
Inventor
徐猛
孟亚洋
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong 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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202210856899.1A priority Critical patent/CN115204049A/zh
Publication of CN115204049A publication Critical patent/CN115204049A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Marketing (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)

Abstract

本发明针对轨道交通站点周围的土地优化，基于土地利用规划理论方法、交通流分配理论和帕累托优化理论，建立一种轨道交通站点周围土地利用多目标双层优化方法。具体包括以下步骤：步骤100，输入交通网络和土地利用信息；步骤101，建立上层问题的轨道交通发展导向的站点周围土地利用多目标优化模型；步骤102，建立下层用户均衡条件下的交通分配模型；步骤103，求解多目标双层规划模型；步骤104，模型输出土地利用优化结果。本发明不仅能够对轨道交通站点周围的土地利用布局的实施效用进行理论分析，还可为交通规划者提供如何合理的决策轨道交通站点周围土地利用配置的技术支持。

Description

一种轨道交通站点周围土地利用多目标双层优化方法
技术领域
本发明属于交通规划领域，具体涉及一种轨道交通站点周围土地利用多目标双层优化方法。
背景技术
我国大部分城市人口密度高，土地资源匮乏，交通供不应求的问题突出。这些冲突体现了我国大城市交通需要以轨道交通为基础、大力发展公共交通系统的必要性。为了满足巨大的交通需求，轨道交通已经成为我国大城市普遍采用的交通发展战略。然而，自从轨道交通诞生以来交通问题并没有得到根本性的解决，在缺乏有效交通和土地规划情况下，新建交通设施会诱发新的交通需求，从而导致城市的产业集聚和人口增长，带来更大的交通流量问题。控制城市交通需求首先要管理产生城市交通需求的来源，使土地利用产生的交通需求与道路产生的交通供给相匹配。
因此，进行轨道交通发展导向的站点周围土地利用优化，协调交通系统和土地利用的关系，对于减少城市交通拥堵和环境污染、提高公共交通与周围土地利用的效率以及促进城市可持续发展具有非常重要意义。
最大化轨道交通客流量和最小化路网碳排放总量是一对需要平衡的决策目标，对二者的倾向性与综合优化会产生不同的优化决策，以二者为决策目标来开展土地利用优化具有很好的理论研究意义和现实意义，对轨道交通站点周围可持续性土地利用规划模型的研究仍处于探索阶段。
发明内容
本发明旨在提供一种轨道交通站点周围土地利用多目标双层优化方法，用于解决以上问题。
本发明的技术方案是：
步骤100，输入交通网络和土地利用信息；其中，轨道交通站点影响范围内的交通网络信息，包括车道类型、车道设计交通量、速度和车道长度；土地利用信息，包括土地利用类型和建筑容积率；
步骤101，建立上层轨道交通站点影响范围内产生的轨道交通客流量最大化和车站周边路网上小汽车碳排放量最小化的多目标优化模型；
步骤102，在给定的轨道交通站点周围土地利用布局下，建立下层用户均衡条件下的交通分配模型；
步骤103，求解多目标双层规划模型，上层采用非支配排序遗传算法(NSGA-II)确定各地块的土地利用类型和建筑容积率规划方案，下层采用Frank-Wolfe算法求解交通流量分配的问题，得到Pareto最优解集；
步骤104，模型输出土地利用优化结果。
优选地，步骤101具体包括以下步骤：
步骤200，包括两个目标，目标1：最大化轨道交通客流量，目标2：最小化路网的小汽车碳排放量；
步骤201，建立上层土地利用多目标优化模型的约束。
优选地，步骤200中,
目标1具体为：
Figure BDA0003755490390000021
式中：z1为研究区域轨道交通客流总量；i,j为研究范围内的分区；k为土地使用的种类k∈[1,K]；
Figure BDA0003755490390000022
为k类地块的轨道交通客流产生原单位；
Figure BDA0003755490390000023
为k类地块的轨道交通客流吸引原单位；Si,j为地块(i,j)可开发的土地用地面积；
Figure BDA0003755490390000024
为k类用地地块(i,j)的容积率；
Figure BDA0003755490390000025
为地块(i,j)的土地利用类型，当地块(i,j)的土地利用类型为k时
Figure BDA0003755490390000031
否则
Figure BDA0003755490390000032
KL为轨道交通客流量随距离的折减系数；
目标2具体为：
minz2＝∑ae(ta(Va))
路段a在流量Va下的产生的碳排放量公式可表示为：
Figure BDA0003755490390000033
式中：z2为研究区域路网小汽车碳排放总量；e(ta(Va))为在流量Va下路段a上小汽车产生的碳排放量；la为路段a的长度。
优选地，步骤201中上层问题的约束条件包括关键地块容积率上限约束、规划建筑容积率范围约束、土地紧凑性约束、土地多样性约束以及土地分配类型约束，具体如下：
1)关键地块容积率上限约束
Figure BDA0003755490390000034
式中：
Figure BDA0003755490390000035
为基于OD反推计算得出的地块(i,j)容积率的上限；
Figure BDA0003755490390000036
为OD反推得到的地块(i,j)的最大车流发生量；
Figure BDA0003755490390000037
为OD反推得到的地块(i,j)的最大车流吸引量；pk为k类地块的车流发生原单位；qk为k类地块的车流吸引原单位；
2)规划容积率范围约束
Figure BDA0003755490390000038
式中：
Figure BDA0003755490390000039
分别为土地使用类型k在地块(i,j)的规划的最小和最大建筑容积率；
3)土地紧凑性约束
取
Figure BDA00037554903900000310
Figure BDA00037554903900000311
式中：CCK为土地紧凑性指数，
Figure BDA00037554903900000312
为现状土地紧凑性指数，数值越小表示紧凑性越好；Ck,k'为地块类型k与地块类型k'之间土地利用相似程度的量化值；i',j'为地块(i',j')与地块(i,j)相邻(i,j)≠(i,'j')；
4)土地多样性约束
当LM＞0.8时，区域土地布局适宜居民步行，当LM＜0.5时，区域土地布局不适宜居民步行，取LM＞0.5：
LM＝Σk(Ak/A)ln(Ak/A)/ln(K)
Figure BDA0003755490390000041
A＝∑kAk
Figure BDA0003755490390000042
式中：LM表示土地利用多样性指数；A为所有用地类型总建筑面积；Ak为第k种用地类型的总建筑面积；K为研究区域总用地类型；
5)土地分配类型约束
每个地块分配一种土地利用类型：
Figure BDA0003755490390000043
Figure BDA0003755490390000044
优选地，步骤102具体包括以下步骤：
步骤301，生成小汽车交通量：
QP＝∑iΣjSi,j·Ri,j·pk
QA＝ΣiΣjSi,j·Ri,j·qk
式中：QP为交通发生量；QA为交通吸引量；
步骤302，交通分布；从r通勤到目的地s的车流量为：
Figure BDA0003755490390000045
式中：Qr,s为OD对(r,s)之间的车流量；Or为起始点r小区产生的车流量；Ds为目的地s小区吸引的车流量；S'为目的地的集合s,s*∈S'；P(lr,s)为重力模型的距离因子；
步骤303，用户均衡条件下的交通分配：
Figure BDA0003755490390000051
Figure BDA0003755490390000052
Figure BDA0003755490390000053
Figure BDA0003755490390000054
Figure BDA0003755490390000055
Figure BDA0003755490390000056
Figure BDA0003755490390000057
Figure BDA0003755490390000058
Figure BDA0003755490390000059
式中：ta(Va)为在Va流量下路段a的出行时间函数；fl rs为连接OD对(r,s)的第l条路径上的流量；
Figure BDA00037554903900000510
为OD反推起始点容积率上限值，Rr为起始点的现状的容积率；
Figure BDA00037554903900000511
为OD反推目的地容积率上限值，Rs为目的地的现状容积率；
Figure BDA00037554903900000512
为路径/路段关联关系，如果路段a在连接OD对(r,s)的第l条路径上，则
Figure BDA00037554903900000513
否则
Figure BDA00037554903900000514
优选地，步骤103具体包括以下步骤：
步骤400，采用NSGA-II算法求解上层多目标优化，确定各地块的土地利用类型[x1,x2,...,xn]和建筑容积率[R1,R2,...,Rn]；
具体包括：首先，将土地用地类型和容积率编码转换为二进制变量；其次，加载路网数据，计算每个个体地块生成的交通发生量和交通吸引量，并输入下层模型中；令路段最高限速时速度取自由流速度，采用Frank-Wolfe算法进行UE交通分配，得到路段的平衡流量；最后，返回上层模型中计算研究区域内轨道交通客流量和路网小汽车碳排放量；
步骤401，FW算法求解下层交通分配问题；具体包括：首先，交通方式选择只包括轨道交通出行和机动车出行，给定了两种出行方式的出行原单位，采用土地原单位法进行交通需求的计算，省略了交通方式划分的步骤；其次，交通分布预测采用重力模型；最后，采用Floyd算法求取最短路费用及对应路径，并使用Frank-Wolfe算法调用全有全无分配算法进行UE交通分配。
优选地，步骤104具体包括以下步骤：
首先，构造归一化初始矩阵：Pareto最优解集中第一等级中有n个解，每个解都有2个目标指标，则原始数据矩阵构造为S＝Sn×2；
其次，构造加权归一化矩阵：对Pareto最优解集原始数据中的属性进行归一化，从而将原始数据矩阵的每个列元素除以当前列向量的范数，得到归一化的标准化矩阵T＝Tn×2；
最后，确定最佳方案和最差方案：计算Pareto最优解集中每个解和最优水平之间的接近指数Cn。
本发明的有益效果在于：
本发明不仅能够对轨道交通站点周围的土地利用布局的实施效用进行理论分析，还可为交通规划者提供如何合理的决策轨道交通站点周围土地利用配置的技术支持。
附图说明
图1为本发明实施例提供的一种轨道交通站点周围土地利用多目标双层优化方法的流程图；
图2为本发明实施例提供的一种轨道交通站点周围土地利用多目标双层优化方法所建立的上层轨道交通发展导向的站点周围土地利用多目标优化模型流程图；
图3为本发明实施例提供的一种轨道交通站点周围土地利用多目标双层优化方法的下层用户均衡条件下的交通分配流程图；
图4为本发明实施例提供的一种轨道交通站点周围土地利用多目标双层优化方法的轨道交通站点周围土地优化配置示意图；
图5为本发明实施例提供的一种轨道交通站点周围土地利用多目标双层优化方法的土地利用多目标双层规划NSGA-II求解算法流程图；
图6为本发明实施例提供的一种轨道交通站点周围土地利用多目标双层优化方法的假设现状用地建筑容积率及用地类型分布示意图；
图7为本发明实施例提供的一种轨道交通站点周围土地利用多目标双层优化方法的Pareto最优前沿面图；
图8为本发明实施例提供的一种轨道交通站点周围土地利用多目标双层优化方法的目标1最大值变化趋势图；
图9为本发明实施例提供的一种轨道交通站点周围土地利用多目标双层优化方法的目标2最小值变化趋势图；
图10为本发明实施例提供的一种轨道交通站点周围土地利用多目标双层优化方法的帕累托个数变化趋势图；
图11为本发明实施例提供的一种轨道交通站点周围土地利用多目标双层优化方法的只考虑生态效益土地利用优化分布结果图；
图12为本发明实施例提供的一种轨道交通站点周围土地利用多目标双层优化方法的生态优先土地利用优化分布结果图；
图13为本发明实施例提供的一种轨道交通站点周围土地利用多目标双层优化方法的生态与经济并重土地利用优化分布结果图；
图14为本发明实施例提供的一种轨道交通站点周围土地利用多目标双层优化方法的经济优先土地利用优化分布结果图；
图15为本发明实施例提供的一种轨道交通站点周围土地利用多目标双层优化方法的只考虑经济效益土地利用优化分布结果图。
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说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，本发明的实施方式不限于此。
图1为本发明实施例中的设计方案流程图。如图1所示，本发明实施例中轨道交通导向的站点周围土地利用多目标双层优化方法包括以下步骤：
步骤100，输入交通网络和土地利用信息。轨道交通站点影响范围内的交通网络信息，包括车道类型、车道设计交通量、速度和车道长度等；土地利用信息，包括土地利用类型和建筑容积率；
步骤101，建立上层轨道交通站点影响范围内产生的轨道交通客流量最大化和车站周边路网上小汽车碳排放量最小化的多目标优化模型；
步骤102，在给定的轨道交通站点周围土地利用布局下，建立下层用户均衡条件下的交通分配模型；
步骤103，求解多目标双层规划模型，上层采用NSGA-II遗传算法确定各地块的土地利用类型和建筑容积率规划方案，下层采用Frank-Wolfe算法求解交通流量分配的问题；
步骤104，模型输出土地利用优化结果。为了得到最佳的方案，最后设置多种权重组合，采用TOPSIS法对Pareto最优解集中的解评估排序，选择最合理的轨道交通发展导向的站点周围土地利用优化方案。
下面，针对上述流程中重要步骤进行详细说明：
1)关于步骤101：图2是本发明实施例中所建立的上层轨道交通发展导向的站点周围土地利用多目标优化模型流程图。具体包括以下步骤：
步骤200，上层问题轨道交通发展导向的土地利用多目标双层规划模型构建。产生的轨道交通需求采用土地原单位法根据每个地块的交通发生率、建筑容积率和轨道交通分担率来估算，
目标1：最大化轨道交通站点影响区域生成的轨道交通客流量
Figure BDA0003755490390000091
式中：z1为研究区域轨道交通客流总量；i,j为研究范围内的分区；k为土地使用的种类k∈[1,K]；
Figure BDA0003755490390000092
为k类地块的轨道交通客流产生原单位；
Figure BDA0003755490390000093
为k类地块的轨道交通客流吸引原单位；Si,j为地块(i,j)可开发的土地用地面积；
Figure BDA0003755490390000094
为k类用地地块(i,j)的容积率；
Figure BDA0003755490390000095
为地块(i,j)的土地利用类型，当地块(i,j)的土地利用类型为k时
Figure BDA0003755490390000096
否则
Figure BDA0003755490390000097
KL为轨道交通客流量随距离的折减系数。
标目2：最小化路网的小汽车碳排放量
minz2＝Σae(ta(Va))
路段a在流量Va下的产生的碳排放量公式可表示为：
Figure BDA0003755490390000098
式中：z2为研究区域路网小汽车碳排放总量；e(ta(Va))为在流量Va下路段a上小汽车产生的碳排放量；la为路段a的长度；
步骤201，建立上层土地利用多目标优化模型的约束。上层问题的约束条件包括关键地块容积率上限约束、规划建筑容积率范围约束、土地紧凑性约束、土地多样性约束以及土地分配类型约束，具体如下：
①关键地块容积率上限约束
Figure BDA0003755490390000099
式中：
Figure BDA00037554903900000910
为基于OD反推计算得出的地块(i,j)容积率的上限；
Figure BDA00037554903900000911
为OD反推得到的地块(i,j)的最大车流发生量；
Figure BDA00037554903900000912
为OD反推得到的地块(i,j)的最大车流吸引量；pk为k类地块的车流发生原单位；qk为k类地块的车流吸引原单位。
②规划容积率范围约束
Figure BDA0003755490390000101
式中：
Figure BDA0003755490390000102
分别为土地使用类型k在地块(i,j)的规划的最小和最大建筑容积率。
③土地紧凑性约束
地块周围分配的单元土地利用越相似，致密性和活动之间的互动便利性就越高。土地利用种类提高了这种便利性，如果所有的单元都发展成相同的用地类型，土地紧凑性最好，同时还需减少相邻单元之间的土地使用冲突程度，以确保居民的生活质量，取
Figure BDA0003755490390000103
Figure BDA0003755490390000104
式中：CCK为土地紧凑性指数，
Figure BDA0003755490390000105
为现状土地紧凑性指数，数值越小表示紧凑性越好；Ck,k'为地块类型k与地块类型k'之间土地利用相似程度的量化值；i',j'为地块(i',j')与地块(i,j)相邻(i,j)≠(i,'j')。
④土地多样性约束
当LM＞0.8时，区域土地布局适宜居民步行，当LM＜0.5时，区域土地布局不适宜居民步行，取LM＞0.5。
LM＝∑k(Ak/A)ln(Ak/A)/ln(K)
Figure BDA0003755490390000106
A＝∑kAk
Figure BDA0003755490390000107
式中：LM表示土地利用多样性指数；A为所有用地类型总建筑面积；Ak为第k种用地类型的总建筑面积；K为研究区域总用地类型。
⑤土地分配类型约束
研究区域内的每个地块只能分配一种土地利用类型。
Figure BDA0003755490390000108
Figure BDA0003755490390000111
2)关于步骤102：图3是本发明实施例中在给定的轨道交通站点周围土地利用布局下，所建立的下层用户均衡条件下的交通分配流程图。图4是轨道交通站点周围土地优化配置示意图。具体包括以下步骤：
步骤301，生成小汽车交通量。
QP＝∑i∑jSi,j·Ri,j·pk
QA＝∑i∑jSi,j·Ri,j·qk
式中：QP为交通发生量；QA为交通吸引量。
步骤302，交通分布。假设：1)从起点区域r到目的地区域s的通勤者的流量与目的地的交通量成正比；2)通勤者的流量取决于起点和目的地之间的距离lr,s，并由一个距离因子P(lr,s)给出。利用这些假设，从r通勤到目的地s的车流量为：
Figure BDA0003755490390000112
式中：Qr,s为OD对(r,s)之间的车流量；Or为起始点r小区产生的车流量；Ds为目的地s小区吸引的车流量；S'为目的地的集合s,s*∈S'；P(lr,s)为重力模型的距离因子。
步骤303，用户均衡条件下的交通分配。
Figure BDA0003755490390000121
Figure BDA0003755490390000122
Figure BDA0003755490390000123
Figure BDA0003755490390000124
Figure BDA0003755490390000125
Figure BDA0003755490390000126
Figure BDA0003755490390000127
Figure BDA0003755490390000128
Figure BDA0003755490390000129
式中：ta(Va)为在Va流量下路段a的出行时间函数；fl rs为连接OD对(r,s)的第l条路径上的流量；
Figure BDA00037554903900001210
为OD反推起始点容积率上限值，Rr为起始点的现状的容积率；
Figure BDA00037554903900001211
为OD反推目的地容积率上限值，Rs为目的地的现状容积率；
Figure BDA00037554903900001212
为路径/路段关联关系，如果路段a在连接OD对(r,s)的第l条路径上，则
Figure BDA00037554903900001213
否则
Figure BDA00037554903900001214
3)关于步骤103，求解多目标双层规划模型。图5是土地利用多目标双层规划NSGA-II求解算法流程图。具体包括以下步骤：
步骤400，首先，上层问题为土地利用多目标优化问题，采用NSGA-II算法求解上层多目标优化，确定各地块的土地利用类型[x1,x2,...,xn]和建筑容积率[R1,R2,...,Rn]。将土地用地类型和容积率编码转换为二进制变量。其次，加载路网数据，计算每个个体地块生成的交通发生量和交通吸引量，并输入下层模型中。令路段最高限速时速度取自由流速度，采用Frank-Wolfe算法进行UE交通分配，得到路段的平衡流量。最后，返回上层模型中计算研究区域内轨道交通客流量和路网小汽车碳排放量，找到优化问题的Pareto最优解集，并生成多种规划方案。采用TOPSIS法对土地利用优化结果中的Pareto最优解集中的解评估排序，确定最佳土地利用配置方案。
步骤401，采用Frank-Wolfe算法求解下层交通分配问题。首先，交通方式选择只包括轨道交通出行和机动车出行，给定了两种出行方式的出行原单位，采用土地原单位法进行交通需求的计算，因此省略了交通方式划分的步骤。其次，交通分布预测采用重力模型。最后，采用Floyd算法求取最短路费用及对应路径，并使用Frank-Wolfe算法调用全有全无分配算法进行UE交通分配。用Frank-Wolfe算法解决Beckmann模型，对于Beckmann模型已知迭代的起点
Figure BDA0003755490390000131
下一个迭代方向是：
Figure BDA0003755490390000132
可以看出
Figure BDA0003755490390000133
式(2-9)的目标函数可以转变为
Figure BDA0003755490390000134
因此，线性规划问题可以表示为：
Figure BDA0003755490390000135
Figure BDA0003755490390000136
Figure BDA0003755490390000137
Figure BDA0003755490390000138
其中，ya是第n次迭代时的可行路段流量；
Figure BDA0003755490390000139
为第n次迭代时的可行路径流。根据全有或全无分布方法求解ya，目标函数的最快下降方向为(Xn-Yn)。下一个问题是确定第n次迭代中沿最速下降方向的最佳迭代步长λ：
Figure BDA00037554903900001310
令
Figure BDA00037554903900001311
得到
Figure BDA00037554903900001312
方程中只有一个变量λ，该变量通过二分法计算。因此，可以由
Figure BDA00037554903900001313
计算下一次迭代的起点
Figure BDA00037554903900001314
4)关于步骤104，模型输出土地利用优化结果。为了得到最佳的方案，最后设置多种权重组合，采用TOPSIS法对Pareto最优解集中的解评估排序，选择最合理的轨道交通发展导向的站点周围土地利用优化方案。具体包括以下步骤：
首先，构造归一化初始矩阵。Pareto最优解集中第一等级中有n个解，每个解都有2个目标指标，则原始数据矩阵构造为S＝Sn×2。使用
Figure BDA0003755490390000141
其次，构造加权归一化矩阵对Pareto最优解集原始数据中的属性进行归一化，从而将原始数据矩阵的每个列元素除以当前列向量的范数，得到归一化的标准化矩阵T＝Tn×2。最后，确定最佳方案和最差方案：最优方案T+由T中每行元素中的最大值组成
Figure BDA0003755490390000142
最差的方案T-由T中每列元素的最大值组成
Figure BDA0003755490390000143
计算Pareto最优解集中每个解和最优水平之间的接近指数
Figure BDA0003755490390000144
0≤Cn≤1，Cn指数越大，越接近最佳水平。
Figure BDA0003755490390000145
Figure BDA0003755490390000146
为第n个解与最差方案之间的接近指数，
Figure BDA0003755490390000147
Figure BDA0003755490390000148
为第n个解与最优方案之间的接近指数，wj为第j个目标的权重。
下面以一个数值实验为例对本发明作进一步的说明：
假设研究区域内设置每个地块的边长为200米，地块编号13固定为轨道交通站点开发区域，假设现状用地建筑容积率及用地类型分布如图6所示。假设研究区域内40％用地为道路等公共设施用地比例，剩余60％的用地其中20％为小区内部绿化用地比例。相关参数设置：①不同土地利用类型下的早高峰车流生成率，如表1所示，早高峰轨道交通客流生成率，如表2所示；②轨道交通分担率随距离变化的折减系数，如表3所示；③各种用地类型及圈层容积率的上下限取值，如表4所示；④道路通行能力如表5所示；⑤出行分布重力模型参数如表6所示；⑥假设两种用地类型之间的冲突程度如表7所示。使用MATLAB编写NSGA-Ⅱ算法，在本实验中选取种群规模为200，最大进化代数为1000，交叉概率设为0.7，变异概率为0.05。求解出的Pareto解集，解集中的每一个解都对应一种土地利用优化方案。为了得到最佳的方案，最后设置多种权重组合，采用TOPSIS法对Pareto最优解集中的解评估排序。
表1早高峰各土地利用类型单位开发强度下的车流生成率与吸引率
Figure BDA0003755490390000151
表2早高峰各土地利用类型单位开发强度下的轨道交通客流生成率
Figure BDA0003755490390000152
表3轨道交通分担率随距离的折减系数
Figure BDA0003755490390000153
表4用地类型及圈层容积率取值范围
Figure BDA0003755490390000154
表5道路通行能力
Figure BDA0003755490390000155
表6出行分布重力模型参数
Figure BDA0003755490390000161
表7用地类型之间的冲突程度表
Figure BDA0003755490390000162
为探究现状交通网络不变的情况下，寻找研究区域内地块的最佳用地类型和建筑容积率，设置了数值实验。采用NSGA-II对土地利用多目标双层模式求解生成了Pareto前沿面，如图7所示。Pareto解集中每一个解都对应一种土地利用方案，生成的部分Pareto最优解集如表8所示。
表8生成的部分Pareto最优解集
Figure BDA0003755490390000163
对轨道交通运营效益和区域碳排放的生态效益目标函数进行处理，使不同的目标函数尽量在各自方向上均得到优化。从轨道交通客流量最大值的迭代趋势、路网碳排放量最小值的迭代趋势以及帕累托个数迭代趋势可以看出本文使用的算法是可以收敛，每个目标每次迭代的最小值可以通过增加迭代次数来减小最后达到稳定状态，如图8、图9和图10所示。由于最终的优化结果需要根据决策者的偏好选取，为了避免权重选择过于主观，本文采用TOPSIS法对多目标优化解集进行决策分析，土地利用优化情景模式如表9所示。不同场景下Pareto最优解集中次序1的解和现状解如表10所示。
情景1：只考虑生态效益，土地利用优化分布结果如图11所示；
情景2：生态优先，土地利用优化分布结果如图12所示；
情景3：生态与经济并重，土地利用优化分布结果如图13所示；
情景4：经济优先，土地利用优化分布结果如图14所示；
情景5：只考虑经济效益，土地利用优化分布结果如图15所示。
表9土地利用优化情景模式
Figure BDA0003755490390000171
表10不同场景下Pareto最优解集中次序1的解和现状解
Figure BDA0003755490390000172
以上数值算例结果表明了本发明所构模型有效性和实用性，说明本文中考虑对交通与土地利用整合优化模型中的建筑容积率和土地利用分配类型优化后，能够找到提升轨道交通客流量，并降低路网中小汽车的碳排放总量的土地利用优化方案。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的变化与修饰，皆应属本发明的涵盖范围。

Claims (7)

1.一种轨道交通站点周围土地利用多目标双层优化方法，其特征在于，包括以下步骤：
步骤100，输入交通网络和土地利用信息；其中，轨道交通站点影响范围内的交通网络信息，包括车道类型、车道设计交通量、速度和车道长度；土地利用信息，包括土地利用类型和建筑容积率；
步骤101，建立上层轨道交通站点影响范围内产生的轨道交通客流量最大化和车站周边路网上小汽车碳排放量最小化的多目标优化模型；
步骤102，在给定的轨道交通站点周围土地利用布局下，建立下层用户均衡条件下的交通分配模型；
步骤103，求解多目标双层规划模型，上层采用非支配排序遗传算法(NSGA-II)确定各地块的土地利用类型和建筑容积率规划方案，下层采用Frank-Wolfe算法求解交通流量分配的问题，得到Pareto最优解集；
步骤104，模型输出土地利用优化结果。
2.根据权利要求1所述的一种轨道交通站点周围土地利用多目标双层优化方法，其特征在于，步骤101具体包括以下步骤：
步骤200，包括两个目标，目标1：最大化轨道交通客流量，目标2：最小化路网的小汽车碳排放量；
步骤201，建立上层土地利用多目标优化模型的约束。
3.根据权利要求2所述的一种轨道交通站点周围土地利用多目标双层优化方法，其特征在于，步骤200中,
目标1具体为：
Figure FDA0003755490380000011
式中：z1为研究区域轨道交通客流总量；i,j为研究范围内的分区；k为土地使用的种类k∈[1,K]；
Figure FDA0003755490380000021
为k类地块的轨道交通客流产生原单位；
Figure FDA0003755490380000022
为k类地块的轨道交通客流吸引原单位；Si,j为地块(i,j)可开发的土地用地面积；
Figure FDA0003755490380000023
为k类用地地块(i,j)的容积率；
Figure FDA0003755490380000024
为地块(i,j)的土地利用类型，当地块(i,j)的土地利用类型为k时
Figure FDA0003755490380000025
否则
Figure FDA0003755490380000026
KL为轨道交通客流量随距离的折减系数；
目标2具体为：
minz2＝Σae(ta(Va))
路段a在流量Va下的产生的碳排放量公式可表示为：
Figure FDA0003755490380000027
式中：z2为研究区域路网小汽车碳排放总量；e(ta(Va))为在流量Va下路段a上小汽车产生的碳排放量；la为路段a的长度。
4.根据权利要求2所述的一种轨道交通站点周围土地利用多目标双层优化方法，其特征在于，步骤201中上层问题的约束条件包括关键地块容积率上限约束、规划建筑容积率范围约束、土地紧凑性约束、土地多样性约束以及土地分配类型约束，具体如下：
1)关键地块容积率上限约束
Figure FDA0003755490380000028
式中：
Figure FDA0003755490380000029
为基于OD反推计算得出的地块(i,j)容积率的上限；
Figure FDA00037554903800000210
为OD反推得到的地块(i,j)的最大车流发生量；
Figure FDA00037554903800000211
为OD反推得到的地块(i,j)的最大车流吸引量；pk为k类地块的车流发生原单位；qk为k类地块的车流吸引原单位；
2)规划容积率范围约束
Figure FDA00037554903800000212
式中：
Figure FDA00037554903800000213
分别为土地使用类型k在地块(i,j)的规划的最小和最大建筑容积率；
3)土地紧凑性约束
取
Figure FDA0003755490380000031
Figure FDA0003755490380000032
式中：CCK为土地紧凑性指数，
Figure FDA0003755490380000033
为现状土地紧凑性指数，数值越小表示紧凑性越好；Ck,k'为地块类型k与地块类型k'之间土地利用相似程度的量化值；i',j'为地块(i',j')与地块(i,j)相邻(i,j)≠(i,'j')；
4)土地多样性约束
当LM＞0.8时，区域土地布局适宜居民步行，当LM＜0.5时，区域土地布局不适宜居民步行，取LM＞0.5：
LM＝Σk(Ak/A)ln(Ak/A)/ln(K)
Figure FDA0003755490380000034
A＝ΣkAk
Figure FDA0003755490380000035
式中：LM表示土地利用多样性指数；A为所有用地类型总建筑面积；Ak为第k种用地类型的总建筑面积；K为研究区域总用地类型；
5)土地分配类型约束
每个地块分配一种土地利用类型：
Figure FDA0003755490380000036
Figure FDA0003755490380000037
5.根据权利要求1所述的一种轨道交通站点周围土地利用多目标双层优化方法，其特征在于，步骤102具体包括以下步骤：
步骤301，生成小汽车交通量：
QP＝∑iΣjSi,j·Ri,j·pk
QA＝ΣiΣjSi,j·Ri,j·qk
式中：QP为交通发生量；QA为交通吸引量；
步骤302，交通分布；从r通勤到目的地s的车流量为：
Figure FDA0003755490380000038
式中：Qr,s为OD对(r,s)之间的车流量；Or为起始点r小区产生的车流量；Ds为目的地s小区吸引的车流量；S'为目的地的集合s,s*∈S'；P(lr,s)为重力模型的距离因子；
步骤303，用户均衡条件下的交通分配：
Figure FDA0003755490380000041
式中：ta(Va)为在Va流量下路段a的出行时间函数；
Figure FDA0003755490380000042
为连接OD对(r,s)的第l条路径上的流量；
Figure FDA0003755490380000043
为OD反推起始点容积率上限值，Rr为起始点的现状的容积率；
Figure FDA0003755490380000044
为OD反推目的地容积率上限值，Rs为目的地的现状容积率；
Figure FDA0003755490380000045
为路径/路段关联关系，如果路段a在连接OD对(r,s)的第l条路径上，则
Figure FDA0003755490380000046
否则
Figure FDA0003755490380000047
6.根据权利要求1所述的一种轨道交通站点周围土地利用多目标双层优化方法，其特征在于，步骤103具体包括以下步骤：
步骤400，采用NSGA-II算法求解上层多目标优化，确定各地块的土地利用类型[x1,x2,...,xn]和建筑容积率[R1,R2,...,Rn]；
具体包括：首先，将土地用地类型和容积率编码转换为二进制变量；其次，加载路网数据，计算每个个体地块生成的交通发生量和交通吸引量，并输入下层模型中；令路段最高限速时速度取自由流速度，采用Frank-Wolfe算法进行UE交通分配，得到路段的平衡流量；最后，返回上层模型中计算研究区域内轨道交通客流量和路网小汽车碳排放量；
步骤401，FW算法求解下层交通分配问题；具体包括：首先，交通方式选择只包括轨道交通出行和机动车出行，给定了两种出行方式的出行原单位，采用土地原单位法进行交通需求的计算，省略了交通方式划分的步骤；其次，交通分布预测采用重力模型；最后，采用Floyd算法求取最短路费用及对应路径，并使用Frank-Wolfe算法调用全有全无分配算法进行UE交通分配。
7.根据权利要求1所述的一种轨道交通站点周围土地利用多目标双层优化方法，其特征在于，步骤104具体包括以下步骤：
首先，构造归一化初始矩阵：Pareto最优解集中第一等级中有n个解，每个解都有2个目标指标，则原始数据矩阵构造为S＝Sn×2；
其次，构造加权归一化矩阵：对Pareto最优解集原始数据中的属性进行归一化，从而将原始数据矩阵的每个列元素除以当前列向量的范数，得到归一化的标准化矩阵T＝Tn×2；
最后，确定最佳方案和最差方案：计算Pareto最优解集中每个解和最优水平之间的接近指数Cn。
CN202210856899.1A 2022-07-20 2022-07-20 一种轨道交通站点周围土地利用多目标双层优化方法 Pending CN115204049A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210856899.1A CN115204049A (zh) 2022-07-20 2022-07-20 一种轨道交通站点周围土地利用多目标双层优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210856899.1A CN115204049A (zh) 2022-07-20 2022-07-20 一种轨道交通站点周围土地利用多目标双层优化方法

Publications (1)

Publication Number Publication Date
CN115204049A true CN115204049A (zh) 2022-10-18

Family

ID=83582737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210856899.1A Pending CN115204049A (zh) 2022-07-20 2022-07-20 一种轨道交通站点周围土地利用多目标双层优化方法

Country Status (1)

Country Link
CN (1) CN115204049A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721545A (zh) * 2023-06-28 2023-09-08 东南大学 一种基于交通碳减排的网联车时变路径控制方法
CN116738702A (zh) * 2023-06-05 2023-09-12 广州地铁设计研究院股份有限公司 基于tod模式下站区土地利用结构的多目标优化方法
CN117273212A (zh) * 2023-09-17 2023-12-22 广州市交通规划研究院有限公司 一种基于客流效益和土地价值的站点功能级配优化方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738702A (zh) * 2023-06-05 2023-09-12 广州地铁设计研究院股份有限公司 基于tod模式下站区土地利用结构的多目标优化方法
CN116721545A (zh) * 2023-06-28 2023-09-08 东南大学 一种基于交通碳减排的网联车时变路径控制方法
CN116721545B (zh) * 2023-06-28 2024-05-28 东南大学 一种基于交通碳减排的网联车时变路径控制方法
CN117273212A (zh) * 2023-09-17 2023-12-22 广州市交通规划研究院有限公司 一种基于客流效益和土地价值的站点功能级配优化方法

Similar Documents

Publication Publication Date Title
CN115204049A (zh) 一种轨道交通站点周围土地利用多目标双层优化方法
Bagloee et al. Transit-network design methodology for actual-size road networks
Yu et al. Parallel genetic algorithm in bus route headway optimization
CN105808877B (zh) 一种基于站点停靠能力的公交线网布设方法
Ma et al. A model for the stop planning and timetables of customized buses
Zhao et al. A line planning approach for high-speed railway network with time-varying demand
CN114912736A (zh) 一种电动公交协调优化调度方法
Król et al. Application of a genetic algorithm with a fuzzy objective function for optimized siting of electric vehicle charging devices in urban road networks
Shen et al. Real-time customized bus routes design with optimal passenger and vehicle matching based on column generation algorithm
Li et al. Impact of UAV delivery on sustainability and costs under traffic restrictions
CN117077985B (zh) 根据充电需求的电动车充电桩规划方法及系统
CN113887782A (zh) 一种面向维修资源配送调度的遗传-烟花混合方法及系统
Zhang et al. Combining affinity propagation with differential evolution for three-echelon logistics distribution optimization
Huang et al. A bi-level model and hybrid heuristic algorithm for the optimal location of prefabricated building industrial park
Zhan et al. Multi-objective optimization for through train service integrating train operation plan and type selection
Yu et al. An optimization method for planning the lines and the operational strategies of waterbuses: the case of Zhoushan city
Wang et al. Bi-level programming model for post-disaster emergency supplies scheduling with time windows and its algorithm
Ye et al. Multi-objective optimisation for taxi ridesharing route based on non-dominated sorting genetic algorithm
Ke et al. Optimization of China’s freight transportation structure based on adaptive genetic algorithm under the background of carbon peak
Azarkish et al. A fuzzy bi-objective mathematical model for multi-depot electric vehicle location routing problem with time windows and simultaneous delivery and pick-up
CN114329783A (zh) 一种多目标电动汽车充电网络规划方法
Zhou et al. A multi-objective optimization approach to package delivery by the crowd of occupied taxis
CN112329347B (zh) 一种高速铁路列车停站方案优化方法
Jinyu et al. Locating control stations for mobile monitoring of overloaded trucks on rural highways
li et al. Comprehensive transportation network planning method based on energy conservation concept

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