[發(fā)明專利]考慮出行者目的地偏好的交通分布與交通流分配組合模型

有效

• 申請?zhí)枺?/td>: 201810610795.6
• 申請日: 2018-06-01
• 公開（公告）號: CN108876035B
• 公開（公告）日: 2021-09-03
• 發(fā)明（設(shè)計）人: 林宏志;褚晨予
• 申請（專利權(quán)）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/30;G06F17/18
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種考慮出行者目的地偏好的交通分布與交通流分配組合模型的建模方法，包括以下步驟：

步驟1：建立考慮出行者偏好的出行分布模型，采用了基于隨機效用理論的多項式logit離散選擇模型，假設(shè)一個居住在區(qū)域r的有代表性的出行者從可供選擇的目的地s中會獲得隨機效用U_rs，效用組成為：

U_rs＝V_rs+ε_rs

其中，V_rs表示能夠被觀測出的效用，ε_rs表示不能被觀測出的效用，ε_rs表示會對效用產(chǎn)生影響卻沒有包含在V_rs中的因素，由于ε_rs不能被觀測到，所以它的數(shù)值是隨機的，多項式logit模型假定隨機項是服從獨立同分布的Gumbel分布的，根據(jù)這個假設(shè)，對可供選擇的目的地s進行選擇的概率為：

多項式logit模型不僅能反映出行時間t_rs和目的地s的吸引力，還會得到出行者特征的影響，效用V_rs表示為：

V_rs＝β_s+β_tt_rs+β_ppop_s+β_eemp_s+...

其中，β_s表示出行者對目的地s的偏好，t_rs為區(qū)域r與目的地s之間的最短出行時間，pop_s和emp_s分別為目的地s的人口數(shù)量和就業(yè)數(shù)量，β_t、β_p和β_e是相應(yīng)的系數(shù)，要注意還會有其他的影響因素存在；

在計算出對目的地s的選擇概率p_rs后，就完成了出行分布矩陣的建立，假設(shè)出發(fā)地r產(chǎn)生的出行量為O_r，那么區(qū)域r和目的地s之間的出行需求q_rs則表示為：

步驟2：建立用戶均衡下的出行分配模型，在確定好出行需求的分布后，采用用戶均衡方法將其分配到交通網(wǎng)絡(luò)以便評估各種政策對機動性指標和交通流量的影響，由于交通擁堵的存在，道路出行時間為交通流量的函數(shù)，其中，采用如下的BPR阻抗函數(shù)：

其中，A是所有路段的集合，t_a為流量是v_a的給定路段a的行駛時間，是路段a的自由流行駛時間，c_a是路段a的通行能力，α和β為阻滯系數(shù)，BPR公式中給α和β分別賦值為0.15和4.0；

用戶均衡分配方法是找到滿足O-D對之間出行需求q的道路流量x，解決以下非線性規(guī)劃問題，所得到的道路流量服從用戶平衡條件：

其中，定義的約束為：

其中，x_a為路段a上的交通流，為區(qū)域r與目的地s之間的路徑k上的交通流，q_rs為O-D對rs時間的出行需求，是道路-路徑關(guān)系，表示為：

采用Frank-Wolfe算法求解非線性規(guī)劃問題，最后，得到任意路段上的交通量和出行時間，根據(jù)Wardrop的第一個路徑選擇原則，也稱為“用戶均衡”或者“Wardrop均衡”，在均衡條件下，O-D對之間使用的所有路徑具有相等的最小成本，而所有未使用的路徑有更大或相同的成本，因此通過Dijkstra算法求解起始點r和目的地s之間的最短出行時間；

步驟3：將步驟1和步驟2中的模型采用權(quán)重固定的迭代加權(quán)法MSA建立循環(huán)反饋關(guān)系，其中出行時間是內(nèi)生確定的，而不是外部輸入的，假設(shè)出行的產(chǎn)生是預先確定的并且采用單一的出行模式，帶有反饋階段的四階段模型簡化為具有出行分布和出行分配的帶有反饋階段的二階段模型，在設(shè)置了初始出行分布矩陣后，它們被分配到交通網(wǎng)絡(luò)中以獲得出行時間，然后將這些出行時間反饋到目的地選擇模型以更新出行分布矩陣，迭代過程繼續(xù)進行，直到出行分布矩陣在預定的誤差范圍內(nèi)不再發(fā)生變化為止，詳細的計算過程如下：

步驟3.1：輸入外部數(shù)據(jù)，每個起始地r的出行產(chǎn)生量O_r以及包括網(wǎng)絡(luò)結(jié)構(gòu)、自由流出行時間、道路容量在內(nèi)的道路交通網(wǎng)絡(luò)信息；

步驟3.2：使用平均分布初始化出行分布矩陣令迭代次數(shù)n為0；

步驟3.3：初始化出行分配，出行分布矩陣根據(jù)用戶平衡原理通過Frank-Wolfe算法分配給道路網(wǎng)絡(luò)以計算每條道路a上的交通流量和出行時間，進而起始點r和目的地s之間的最短出行時間即通過Dijkstra算法計算出來；

步驟3.4：交通分布，基于采用目的地選擇模型更新出行分布矩陣

步驟3.5：使用具有固定權(quán)重λ的MSA平均出行矩陣和

步驟3.6：使用相對平方根誤差檢查出行矩陣的收斂性：

如果符合收斂條件，則轉(zhuǎn)到步驟3.8，否則轉(zhuǎn)到步驟3.7；

步驟3.7：交通分配，出行分布矩陣根據(jù)用戶均衡通過Frank-Wolfe算法分配給道路網(wǎng)絡(luò)，以計算出每條道路a上的交通流量和出行時間，因此起始地r和目的地s之間的出行時間便用Dijkstra算法計算出來，然后反饋到步驟3.4；

步驟3.8：輸出結(jié)果，輸出出行分布矩陣道路a上的出行流量x_a以及起始地r和目的地s之間的出行時間