论文部分内容阅读
当今的交通拥堵问题已经从“以供养需”转为“以供定需”的交通需求管理(Traffic Demand Management,TDM),由于TDM对社会、经济影响很大,需要科学的论证和量化的评估。面向TDM的路网运行评价模型和方法长期依赖传统的宏观静态交通模型,难以反映交通运行的动态时变特征,无法体现交通拥堵随时间的累积效应,且建模复杂、精度难以保证,而动态交通模型需要基于路段精细建模,难以满足大规模运行的要求。本论文针对现有模型和方法的问题和局限性,以基于大数据的交通需求与路网运行规律挖掘为突破点,研究不同需求调控下的路网运行动态迭代递归的建模难题,形成以数据驱动为主的高可靠、快反馈的评价模型和方法,并通过实际案例进行应用验证。
论文主要研究工作如下:
(1)从TDM措施分类入手,构建了面向不同类别TDM措施的多维度建模思路和框架。针对总量控制、时间调控、空间调控、出行结构约束、承载力约束5类TDM措施,分别对OD总量、OD分布、出发时间分布、路径选择等需求要素的影响进行分析,识别出三种模型方法,区分数据直接能解决的方法以及数据结合其他交通模型解决的方法分别进行建模。
(2)第一种模型方法是面向总量控制和时间调控类TDM措施的数据驱动型模型。假设路径选择等需求要素不变,仅对OD总量和出发时间的调控,构建了基于需求双层分解的路网运行递归评价模型并基于多源数据进行了参数标定和验证。模型将出行需求分为不受拥堵影响的自由流状态的基本需求和受拥堵影响的实际需求两个层次,基本需求用于对需求的总量和出发时间的调控,实际需求用于路网运行状况随时间的递归,递归过程以在途小汽车样本量(实际需求)与路网平均速度的关系函数作为传导函数,实现对不同需求模式在不同TDM方案下24小时的路网运行状态估计。模型相对简单,能够反映交通运行的动态性,反映拥堵随时间的累积影响,可以对机动车总量控制、错峰上下班等TDM措施进行快速、准确评价。经过实际数据验证,该模型对于路网平均速度的估计精度达到90%以上。
(3)第二种模型方法是面向空间调控类TDM措施的数据驱动与模型驱动相融合的模型方法。以职住平衡和拥堵收费为代表的空间调控则对OD分布和路径选择产生影响,单纯的数据驱动无法解决,需要数据驱动与模型驱动相融合进行估计。本论文将多源交通大数据融入四阶段交通模型,提出了基于计算图学习网络的交通出行需求估计方法,构建了基于计算图的TDM效益评价模型。该模型基于计算图的前向和反向传播优化交通需求估计和传播过程,实现TDM成本效益分析。
(4)第三种模型方法是基于数据相关性的小汽车出行比例、路网容量估计方法。该方法是在数据驱动模型基础上,结合数据相关性进行极限值或边界值求解。求得路网运行边界速度下的路网容量和多种出行方式综合效率最优条件下的小汽车出行比例,解决了TDM约束目标和求解的难题。
(5)以大数据为支撑,基于手机信令数据、小汽车出行数据等,提出了面向TDM的路网运行评价模型的出行特征数据提取方法,包括出行OD、出发时间、出行距离、出行时耗、出行路径等特征要素,为基于数据驱动的调控提供了良好数据条件。进一步针对小汽车出行特征数据提出了基于聚类分析的模式识别方法,为不同交通需求模式下的TDM路网运行影响评价奠定了基础。
(6)以北京为例,分别对三种模型方法进行了实证分析,分析了对机动车总量调控、尾号限行、错峰上下班、职住平衡等应用场景下的不同TDM措施方案效果,并基于单双号限行模型仿真结果与浮动车监测结果的对比,验证了模型的可靠性。实现了对北京市中心城区范围路网容量和最优小汽车出行比例的估计。
论文主要研究工作如下:
(1)从TDM措施分类入手,构建了面向不同类别TDM措施的多维度建模思路和框架。针对总量控制、时间调控、空间调控、出行结构约束、承载力约束5类TDM措施,分别对OD总量、OD分布、出发时间分布、路径选择等需求要素的影响进行分析,识别出三种模型方法,区分数据直接能解决的方法以及数据结合其他交通模型解决的方法分别进行建模。
(2)第一种模型方法是面向总量控制和时间调控类TDM措施的数据驱动型模型。假设路径选择等需求要素不变,仅对OD总量和出发时间的调控,构建了基于需求双层分解的路网运行递归评价模型并基于多源数据进行了参数标定和验证。模型将出行需求分为不受拥堵影响的自由流状态的基本需求和受拥堵影响的实际需求两个层次,基本需求用于对需求的总量和出发时间的调控,实际需求用于路网运行状况随时间的递归,递归过程以在途小汽车样本量(实际需求)与路网平均速度的关系函数作为传导函数,实现对不同需求模式在不同TDM方案下24小时的路网运行状态估计。模型相对简单,能够反映交通运行的动态性,反映拥堵随时间的累积影响,可以对机动车总量控制、错峰上下班等TDM措施进行快速、准确评价。经过实际数据验证,该模型对于路网平均速度的估计精度达到90%以上。
(3)第二种模型方法是面向空间调控类TDM措施的数据驱动与模型驱动相融合的模型方法。以职住平衡和拥堵收费为代表的空间调控则对OD分布和路径选择产生影响,单纯的数据驱动无法解决,需要数据驱动与模型驱动相融合进行估计。本论文将多源交通大数据融入四阶段交通模型,提出了基于计算图学习网络的交通出行需求估计方法,构建了基于计算图的TDM效益评价模型。该模型基于计算图的前向和反向传播优化交通需求估计和传播过程,实现TDM成本效益分析。
(4)第三种模型方法是基于数据相关性的小汽车出行比例、路网容量估计方法。该方法是在数据驱动模型基础上,结合数据相关性进行极限值或边界值求解。求得路网运行边界速度下的路网容量和多种出行方式综合效率最优条件下的小汽车出行比例,解决了TDM约束目标和求解的难题。
(5)以大数据为支撑,基于手机信令数据、小汽车出行数据等,提出了面向TDM的路网运行评价模型的出行特征数据提取方法,包括出行OD、出发时间、出行距离、出行时耗、出行路径等特征要素,为基于数据驱动的调控提供了良好数据条件。进一步针对小汽车出行特征数据提出了基于聚类分析的模式识别方法,为不同交通需求模式下的TDM路网运行影响评价奠定了基础。
(6)以北京为例,分别对三种模型方法进行了实证分析,分析了对机动车总量调控、尾号限行、错峰上下班、职住平衡等应用场景下的不同TDM措施方案效果,并基于单双号限行模型仿真结果与浮动车监测结果的对比,验证了模型的可靠性。实现了对北京市中心城区范围路网容量和最优小汽车出行比例的估计。