[发明专利]新型交通分布与交通流分配组合模型的R语言处理方法

摘要

本发明提出了一种考虑出行者目的地偏好的新型交通分布与交通分配组合模型，提供了求解算法并使用R语言来处理。为了能够在出行分布中充分反映出行者的决策，将在目的地选择中有重要作用的出行者目的地偏好考虑进去，对于给定的交通需求和交通网络信息，本软件可以迅速得到稳定的系统平衡解，该平衡解比传统方法更为接近真实的出行决策行为。主要步骤包括：(1)建立考虑出行者偏好的出行分布模型；(2)建立用户均衡下的出行分配模型；(3)建立带有反馈的简化四阶段模型；(4)采用恒定权重的迭代加权法(MSA)进行模型求解；(5)设计R语言程序实现求解方法；(6)结合交通网络分析中常用的Nguyen‑Dupuis网络描述了具体实施方式。

主权项

1.本发明建立了一种考虑出行者目的地偏好的新型交通分布与交通流分配组合模型，对于输入的交通需求和道路网络数据，可以用R语言快速得到稳定的系统平衡解，新的解比传统的方法更能反映现实，具体包括以下步骤：步骤1：建立考虑出行者偏好的出行分布模型，多项式Logit模型是用于目的地选择的最简单和最流行的离散选择模型，它基于随机效用理论，假设一个居住在区域r的有代表性的出行者从可供选择的目的地s中会获得随机效用Urs，效用组成为：Urs＝Vrs+εrs其中，V_rs表示可以被观测出的效用，ε_rs表示不能被观测出的效用，出行者面对着一些候选项的属性，被定义为因此V_rs可表示为：Vrs＝βs+β1xrs1+β2xrs2+...+βkxrsk其中，βs是一个候选项专用常数，用来表示模型中不包含的所有因素的平均效用，也被称为消费者偏好，k是可观测因素的数量，εrs表示会对效用产生影响却没有包含在Vrs中的因素，由于εrs不能被观测到，所以它的数值是随机的，多项式logit模型假定随机项是服从独立同分布的Gumbel分布的，根据这个假设，对可供选择的目的地s进行选择的概率为：有一些会影响目的地选择行为的重要因素，重力模型中通常采用在起点r和目的地s之间的最短出行时间(t_rs)以及以人口和就业测量的目的地s的吸引力，然而，出行者的特征，尤其是出行者偏好，并而不能由重力模型反映出来，因此会产生严重的偏差，相反，多项式logit模型不仅能反映出行时间t_rs和目的地s的吸引力，还会得到出行者特征的影响，更具体地说，效用可以被表示为：Vrs＝βs+βttrs+βppops+βeemps+...其中，表示出行者对目的地s的偏好，t_rs为区域r与目的地s之间的最短出行时间，pop，和emp，分别为目的地s的人口数量和就业数量，β_p和β_e是相应的系数，要注意还会有其他的影响因素存在；在计算出对目的地s的选择概率p_rs后，就完成了出行分布矩阵的建立，假设出发地r产生的出行量为O_r，那么区域r和目的地s之间的出行需求则表示为：步骤2：建立用户均衡下的出行分配模型，在确定好出行需求的分布后，出行被分配到交通网络以便评估各种政策对机动性指标和交通流量的影响，本发明采用了用户均衡方法进行交通分配，由于交通拥堵的存在，道路出行时间为交通流量的函数，其中，由美国公路局(BPR)开发的BPR函数最为常用，该函数如下：其中，ta为流量是va的给定路段a的行驶时间，t0是路段的自由流行驶时间，ca是路段通行能力，α和β为阻滞系数，BRP公式中一般给α和β分别赋值为0.15和4.0；用户均衡分配方法是找到满足O‑D对间出行需求q的道路流量x，解决以下数学规划问题，所得到的道路流量服从用户平衡条件：其中，定义的约束为：其中，x_a为路段a上的交通流，为区域r与目的地s之间的路径k上的交通流，q_rs为O‑D对rs时间的出行需求，是道路‑路径关系，表示为：通常采用一种名为Frank‑Wolfe算法的凸组合方法来求解该非线性规划问题，最后，可以得到任意路段上的交通量和出行时间，根据Wardrop的第一个路径选择原则，也称为“用户均衡”或者“Wardrop均衡”，在均衡条件下，OD对之间使用的所有路径具有相等的最小成本，而所有未使用的路径有更大或相同的成本，因此起始点r和目的地s之间的最短出行时间，可以通过Dijkstra算法实现；步骤3：将步骤1和步骤2中的模型联立，建立带有反馈的简化四阶段模型，其中出行时间是内生确定的，而不是外部输入的，假设出行的产生是预先确定的并且采用单一的出行模式，带有反馈阶段的四阶段模型可以简化为具有出行分布和出行分配的带有反馈阶段的二阶段模型，在设置了初始出行分布矩阵后，它们被分配到交通网络中以获得出行时间，然后将这些出行时间反馈到目的地选择模型以更新出行分布矩阵，迭代过程继续进行，直到出行分布矩阵在一定程度上不再发生变化为止；步骤4：采用权重固定的迭代加权法(MSA)对带有反馈的简化四阶段模型进行求解：步骤5：设计R语言程序处理模型的求解，得到稳定的平衡解。