交通分配之用户均衡分配模型之三(matlab源码)
第09章 基本交通分配模型
该方法仍然是近似算法，有时会将过多的流量分配到容量小 的路段。
N 越大，配流结果越接近均衡解，但计算工作量相应增加。 另外，非常大的 N 值也不能完全保证配流结果一定满足用户 均衡条件。
算例：
9.3.4 二次加权平均分配法 (method of successive averages)
分配步骤
分配算例：
试用二次加权平均分配法（MSA方法）求解下面的固定需求交 通分配问题（迭代2次）。
9.4 用户优化均衡交通分配模型（User Equilibrium Model） UE（用户均衡）的概念最早由Wardrop于1952年提出。User Equilibrium的基本假设有：
假设出行者都力图选择阻抗最小的路径；
假设出行者能随时掌握整个网络的状态，即能精确计算每条 路径的阻抗从而做出完全正确的路径选择决策；
假设出行者的计算能力和计算水平是相同的。
User Equilibrium的定义：当不存在出行者能单方面改变其出 行路径并能降低其阻抗时，达到了UE状态。
9.4.1 均衡分配模型的建立 Wardrop第一原理的数学描述 变量说明：
在实际应用中，对于大规模网络，通常4至6次迭代就够了。确定 迭代次数时，要综合考虑原始数据的准确性、财力约束和具体的 网络结构。
UE分配算例： 网络模型如下，试用F-W算法求两边的交通量。
9.5 系统优化均衡交通分配模型（SO Model）
9.5.1 SO模型的基本思想
Wardrop第一原理有时也称为用户均衡（UE）原理、或用户最优原理 。UE模型就是建立在UE原理上的数学模型。
Wardrop第二原理反映的是一种系统目标，即按什么样的分配是最 好的，为规划管理人员提供了一种决策方法，在实际中难以实现， 除非所有的道路使用者都相互协作为系统最优而努力。
第八章_交通分配
在交通分配理论中，以 Wardrop第一原理为基本 指导思想的分配方法比较多。国际上通常将交通 分配方法分为平衡分配和非平衡分配两大类。
对于完全满足Wardrop原理定义的平衡状态，则称 为平衡分配方法；
对于采用启发式方法或其他近似方法的分配模型 ，则称为非平衡分配方法。
【例题】
设OD之间交通量为q=2000辆，有两条径路a与b。径 路a行驶时间短，但是通过通行能力小，径路b行驶 时间长，但通行能力大。假设各自的行驶时间（ min）与流量的关系：
ta t0[1 (Va / ca ) ]
零流阻抗
实际通行能力
2.节点处的阻抗
节点处的阻抗是指车辆在交通网络节点处主要指在交叉口处的 阻抗。交叉口阻抗与交叉口的形式、信号控制系统的配时、交 叉口的通过能力等因素有关。在城市交通网络的实际出行时间 中，除路段行驶时间外，交叉口延误占有较大的比重，特别是 在高峰期间，交叉口拥挤比较严重时，交叉口延误可能会超过 路段行驶时间。
1、交通小区划分 交通调查和规划前，需要先将规划区域划
分成若干交通小区。是进行现状OD调查和 未来OD预测的基础。 2、交通网络的组成 在城市交通规划中，主要对快速路、主干 道、次干转换
交通小区和网络确定后，需要将小区间OD量作用点转移到与该 小区质心比较靠近的交通网络节点上。
当饱和度较大 x>0.67 时，该公式不再适用
已有的城市道路交通分配理论一直忽略节 点阻抗这个问题，借用从城市间公路上获 得的行驶时间的BPR函数作为城市道路网上 的阻抗，只计算路段上的阻抗。
三、路径与最短径路
1.路段 交通网络上相邻两个节点之间的交通线路称作“路段”。
2.路径 交通网络上任意一OD点对之间，从发生点到吸引点一串连 通的路段的有序排列叫做这一OD点对之间的路径。一个OD 点对点之间可以有多条路径。
基于有限理性的弹性需求随机用户均衡交通分配模型
Ｔ ｅ ｍｏ ｅ ｎ ｌｏ ｔ ｍ ａ ｅｐ ｔ ｅ ｐ ｎ ｔ ｅ ｕ ｄ ｒｔｎ ｉ ｇ ｏ ａ ｅ ｂ ｈ ｖｏ ，ｉ ｒ ｖ ｈ ｈ ｏｅ ｉ ａ ｓ ｍｐ ｉ ｎ ｎ — ｈ ｄ ｌ ｄ ａｇ ｒ ｈ ｃ ｎ ｈ ｌ ｏ ｄ ｅ ｅ ｈ ｎ ｅ ｓａ ｄｎ ｆｔ ｖ ｌ ｅ ａ ｉｒ ｍｐ ｏ ｅ ｔ ｅ ｔ ｅ ｒｔ ｓｕ ｔ ｓ ａ ｄ ａ ａ ｉ ｒ ｃ ｏ ｄ ｐａ ｉ ｔ ｆｔ ｄｔ ｎ ｌｔ ｆ ｃ ａ ｓ ｎ ｎ ｄ ｌ ｎ ｅ ｎ ｔ ｔ ｃｕ ｌｔ ｆ ｃ ｆ ｗ ｐ ｔ ｒ ｒ ｃ ｕ ａ ｅｙ ａ ｔｂ ｌ ｙ ｏ ａ ｉ ｏ ａ ｒ ｆ ｓ ｉ ｍｅ ｔ ｉ ｒ ｉ ａｉ ｇ ｍｏ ｅ ，ａ ｄ ｄ ｍｏ ｓｒ ｅ ａ ｔ ａ ｒ ｆ ｏ ａｔ ｎ ｍｏｅ ａ ｃ ｒ ｔｌ ． ａ ａｉｌ ｅ Ｋｅ ｏ ｄ ： ｂ ｕ ｄ ｄ ｒｔ ｎ ｌ ｙ；ｃ ｍｕ ａｉｅ ｐ ｏ ｐ ｃ ｈ ｏｙ；ｅａ ｔ ｅ ｎ ；ｓｏ ｈ ｓｉ ｕ ｅ ｑ ｉ ｂ ｕ ｙｗ ｒｓ ｏ ｎ ｅ ａ ｉ ａ ｉ ｏ ｔ ｕ ｌｔ ｒｓｅ ｔ ｅ ｒ ｖ ｔ ｌｓｉ ｄ ｍａ ｄ ｔｃ ａ ｔ ｓ ｒｅ ｕｌ ｒ ｍ ｃ ｃ ｉｉ
ｂ ｓ ｄ ｏ ｏ ｎ ｅ ａ ｉ ｎ ｌｔ ａ ｅ ｎ ｂ ｕ ｄ ｄ ｒ ｔ ａｉ ｏ ｙ
Ｚ ＮＧ ｏ，Ｊ ＨＡ Ｂ ＵＡＮ Ｚ ｉｃ ｉ Ｉ — ｕ ｈ —ａ ，Ｌ Ｎ Ｘｕ ｘ ｎ
（ ｎａ ｏｌ ｅｆＥｏｏ ｃ Ｍａａ ｅ ｎ， ｈ ｎ ｈｉ ｉ ｔ ｇＵ ｉ ｒｔ， ｈ ｎｈ ｉ ０ ０ ２ ｈｎ ） Ａ ｔｉ ｌｇ ｃｎｍｉ Ｃ ｅ ｏ ｓ＆ ｎｇｍｅｔ Ｓ ａ ｇａ ａ ｏ ｎｖ ｓｙ Ｓ ａｇ ａ ０ ５ ，Ｃ ｉａ Ｊｏｎ ｅｉ ２
ｔ ｅ ｒ ．Ｔｈ ｎ ｐ ｅ ｅ ｔ ｄ ａ ｑ ｉ ａｅ ｔｖ ｒ ｔ ｎ ｌ ｎ ｑ ａｉ ．ｆｌ ｗ ｄ ｂ ｎ ａｇ ｒ ｈ ａ ｄ ａ ｎ ｍｅ ｃ ｌ ｘ ｍｐ ｅ ｔ ｓ ．Ｄｅ ｈ ｏｙ ｅ ｒ ｓ ｎ ｅ ｎ ｅ ｕ ｖ ｌ ｎ ａ ｉ ｉ ａ ｅ ｕ ｔ ａｏ ｉ ｌ ｙ ｏｌ ｅ ｙ ａ ｌ ｏ ｔ ｍ ｎ ｕ ｒ ａ ａ ｌ ｏ ｔ ｔｉ ｏ ｉ ｉ ｅ ｅ ｔ — ｐ ｃｅ ｒ ｖ ｌｒ ’ｃ ｇ ｉ ｏ ｎ ｓ ｃ ｏｏ ｉａ ｅ ｔ ｒ ｓｂ ａ ｓｏ ａ ａ ｔｒｓ ｎ ｉ ｖ ｔ ｎ ｙ ｉ．Ｔ ｅ ｒｓ ｌ ｄｃ ｔ ａ ａ ・ ｉｔ ｄ ｔａ ｅ ｅ ｓ ｏ ｎ ｔ ｎ ａ ｄ ｐ ｙ ｈ ｌｇ ｃ ｆａ ｕ ｅ ｙ ｍｅ ｎ ｆｐ ｒ ｍｅｅ ｅ ｓｔ ｉ ａ ａ ｓｓ ｈ ｅ ｕｔ ｉ ｉａｅ ｔ ｔ ｒｙ ｉ ｌ ｉ ｙ ｌ ｓｎ ｈ ｔ
用户均衡模型（UE）与随机用户均衡模型（SUE）在交通流分配阶段的适用性分析
科技与创新┃Science and Technology&Innovation ·40·2019年第03期文章编号：2095－6835（2019）03－0040－02用户均衡模型（UE）与随机用户均衡模型（SUE）在交通流分配阶段的适用性分析王晓璠（中铁第四勘察设计院集团有限公司，湖北武汉430063）摘要：“交通流分配”作为交通规划“四阶段法”的最后一个阶段，对公路项目交通量分析与预测的准确性起到至关重要的作用。
针对交通流分配的不同模型与实际交通量观测数据存在精度不高的问题，结合具体实例，在交通补充调查的基础上，比较了用户均衡模型（UE）与随机用户均衡模型（SUE）的分配精度。
从TransCAD软件的交通规划建模结果来看，应用后者的模型在基础路网上进行交通流分配较前者的模型在不同路段的分配精度上均有不同程度的上升。
这说明了随机用户均衡模型（SUE）更加具有适用性，也为今后相关报告的编制提供了实例验证和数据支撑。
关键词：交通规划建模；交通流分配；用户均衡模型；随机用户均衡模型中图分类号：U491文献标识码：A DOI：10.15913/ki.kjycx.2019.03.040作为国内外道路工程交通预测通行的方法，“四阶段法”已被国内公路项目“工程可行性研究”及“交通影响评价”等报告的编制广泛应用。
而“交通流分配”作为交通规划“四阶段法”的最后一个阶段，对公路项目交通量分析与预测的准确性起到至关重要的作用。
目前，国内大多公路项目工程可行性研究报告将用户均衡模型（UE）和随机用户均衡模型（SUE）作为“交通流分配”阶段的主要应用模型，将各交通小区间的OD数据分配到已知的道路网模型上。
而现有文献缺乏对上述两个模型对于路网真实交通流量情况模拟的准确性以及对未来年道路网交通量分析和预测的适用性分析。
本报告在对大量公路项目交通量观测和OD调查和数据分析的基础上，利用宏观交通规划和需求预测软件TransCAD建立路网模型，并分别利用上述两个模型进行交通流分配，将分配结果与道路网真实交通量数据进行对比分析，为公路项目交通量分析和预测所利用的模型比选提供参考。
4-2 交通规划平衡分配方法
ta
(
xa
)
rs a,k
ckrs
rs
❖ 其中：xa----路段a上的交通流量；
ta----路段a的交通阻抗或行驶时间；
ta(xa)----路段a的阻抗函数(以流量为自变量)；
fkrs----起点r到终点s之间第k条径路上的流量；
cars----OD间的第k条径路阻抗；
urs----OD间的最短径路阻抗；
❖ 基本思路：就是根据一组线性规划的最优解来确定 下一步的迭代方向，然后根据目标函数的极值问题 求最优迭代步长。
Beckmann模型的解法（Frank-Wolfe算法）：
❖ 步骤1：初始化：按照ta0=ta(0) ，进行0-1交通分 配交通流分配，得到各路段的流量{xa1}；令n=1。
❖ 步骤2：更新各路段的阻抗：tan=ta(xan)。 ❖ 步骤3：寻找下一步迭代方向：按照更新后的{tan}，
❖ Beckmann模型是一组非线性规划模型，对非线 性规划模型现在还没有普遍通用的解法，只是对 某些特殊的模型才有可靠的解法，Beckmann模 型就是一种特殊的非线性规划模型。
Beckmann模型的解法：
❖ F-W方法是用线性规划逐步逼近非线性规划的一种 迭代法。在每步迭代中先找到一个最快速下降方向， 然后再找到一个最优步长，在最快速下降方向上截 取最优步长得到下一步迭代的起点，重复迭代直到 最优解为止。
❖ 容量限制法－minimum path with capacity restraints method
❖ 多路径概率交通分配法 (probability of multi-path method) ❖ 容量限制－多路径分配
❖ 本节主要介绍描述Wardrop平衡分配原 理的数学模型及求解算法。
whm-交通网络中的用户均衡UE与系统最优SO
表示交通网络所有路段的集合；
表示交通网络所有OD对的集合。
由[1, 2]可知， 一般使用BPR函数来表示：
（3）
式中：
表示路段 自由流速度下路段通行时间；
表示路段 的通行能力。
2 UE
2.1
对式（1）、（2）、数学规划模型及均衡条件进行等价性证明，分别得到两种分配原则的最优化条件：
根据所学交通网络基础知识[1, 2]，可知，以路段费用函数为基础，这两种分配原则下的目标函数可用如下的数学模型来表达：
（1）
（2）
且约束条件为：
式中：
表示路段 上的流量；
表示OD点对 上第 条路径上的流量；
表示路段旅行费用函数；
表示OD点对 上的分布交通量；
为连接关系变量，当路径 包含路段 时， ，否则 ；
在ue原则中出行者总是尽量选择起讫点间阻抗最小的路径出行者在选择路径时只考虑了自身的情况并没有考虑其对整个交通网络的影响当交通网络达到平衡状态时不存在出行者通过单方面改变路径而减少其阻抗的情可知以路段费用函数为基础这两种分配原则下的目标函数可用如下的数学模型来表达
交通网络中的用户均衡UE与系统最优SO
140
150
160
162.1
162.2
162.5
163.2
164.6
166.7
169.6
173.0
x2
0
0
0
0
0
7.9
17.8
27.5
36.8
45.4
53.3
60.5
67.0
SO
x1
0~120
128.9
第八章 交通流分配(Wardrop平衡原理)
第八章 交通流分配
Wardrop平衡原理
交通平衡
【思考】Q小——车辆沿最短路径——随着Q增加——拥
堵——车辆选择最短、次短——Q继续增加——所有路径 都有被选择的可能。
考虑拥挤对路网的影响 能够解决一些实际分配问题
Wardrop平衡原理也存在缺陷
用户很难确切知道路网的交通状态 用户通过估计时间选择最短路径 某些用户在路径选择上存在偏好
思考习题
Braess悖论
1
qod 6
o 1 : t1(x1) 50 x1
o
2 d : t2(x2 ) 50 x2
Wardrop第一平衡原理
Wardrop第一平衡原理
如果道路使用者都确切知道网络的交通状态并试图选 择最短路径时，网络将会达到平衡状态。
用户均衡(User Equilibrium, UE)
所有被使用的道路的行驶时间相等且等于最小行驶时间 其他未被使用的道路的行驶时间大于或等于最小行驶时间
（2）求解用户均衡条件下的各路段流量及出行成本， 并与（1）的结果进行比较并试说明之。
２．Braess 奇论（Paradox） 奇论：为提高路网的服务水平而制定的交通政策，在用
户均衡状态下反而导致服务水平的下降。
２
1
２
1 ３
3 ４
４
ＯＤ交通量：t13 600 辆
路阻函数：
t1 ( x1 ) 50 0.01x1 （分） t2 ( x2 ) 0.1x2 （分）
三方演化博弈模型matlab代码
三方演化博弈模型matlab代码1. 简介在现实生活和学术研究中，博弈论是一种重要的分析工具，用于研究各种决策者之间的交互行为和策略选择。
而三方演化博弈模型是博弈论中的一种重要研究对象，它涉及到三个决策者之间的博弈过程，通常是在一个动态的演化过程中进行模拟和分析。
2. 模型构建对于三方演化博弈模型的构建，可以使用matlab来编写相关的代码。
在该模型中，可以考虑三个决策者分别选择不同的策略，并根据策略的效果来更新自身的策略，从而形成一个动态的博弈过程。
在matlab 中，可以利用矩阵运算和迭代算法来模拟这一过程，并通过可视化的方式展现不同策略的演化趋势。
3. 模型代码以下是一个简单的三方演化博弈模型的matlab代码示例：```matlab设置初始策略strategy_A = rand(1, 100);strategy_B = rand(1, 100);strategy_C = rand(1, 100);设置参数iterations = 1000;payoff_matrix = [1 -1 -1; -1 1 -1; -1 -1 1];演化过程for i = 1:iterations计算每个决策者的收益payoff_A = strategy_B * payoff_matrix(1, 2) + strategy_C * payoff_matrix(1, 3);payoff_B = strategy_A * payoff_matrix(2, 1) + strategy_C * payoff_matrix(2, 3);payoff_C = strategy_A * payoff_matrix(3, 1) + strategy_B * payoff_matrix(3, 2);更新策略new_strategy_A = strategy_A + 0.1 * (payoff_A -mean(payoff_A));new_strategy_B = strategy_B + 0.1 * (payoff_B -mean(payoff_B));new_strategy_C = strategy_C + 0.1 * (payoff_C -mean(payoff_C));归一化strategy_A = new_strategy_A / sum(new_strategy_A);strategy_B = new_strategy_B / sum(new_strategy_B);strategy_C = new_strategy_C / sum(new_strategy_C);end结果展示plot(strategy_A, 'r');hold on;plot(strategy_B, 'g');hold on;plot(strategy_C, 'b');legend('策略A', '策略B', '策略C');xlabel('迭代次数');ylabel('策略选择概率');```4. 模型分析通过以上的matlab代码，我们可以模拟三方演化博弈模型的演化过程，并观察不同策略在演化过程中的变化。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
例
总流量为100,走行函数为：
⎪⎭⎫ ⎝⎛+=40)(6.04)(111t x x c ⎪⎭
⎫ ⎝⎛+=40)(9.06)(222t x x c ⎪⎭
⎫ ⎝⎛+=60)(3.02)(333t x x c ⎪⎭⎫ ⎝⎛+=40)(75.05)(444t x x c ⎪⎭
⎫ ⎝⎛+=40)(45.03)(555t x x c 模型求解的Matlab 源码：
syms lambda ;
numf = 3; %路径总数
numx = 5;%路段总数
Q=100;%总流量
fid=fopen('D:\Program Files\MATLAB\R2011b\bin\我的matlab\traffic\UECOM.txt','w'); %设置运行结果输出文件
T = [4 6 2 5 3 ]; %路段走行时间函数参数
cap = [(0.6/40) (0.9/40) (0.3/60) (0.75/40) (0.45/40) ]; %路段走行时间函数参数 Mxf = [1 0 0 1 0;
0 1 0 0 1 ;
1 0 1 0 1]; % 路段转路径矩阵
% Mfx = Mxf'; % 路径转路段矩阵
%========================================================== %以上为程序需要输入的变量
xx= zeros(1,numx);
t = zeros(1,numx);
t = T + cap .* xx ;%路段走行时间函数
ft = (Mxf * t')'; %三条路径的走行时间初值。
路径1为路段1,4 ，路径2为路段2,5 ，路径3为路段1,3,5
N= 15; %最大迭代次数，也可使用其他收敛条件
[Min,index] = min(ft) ;
xx = Mxf(index,:).*Q ; % 全有全无法为最短路径上的路段分配流量
for i =1 :N
y = zeros(numx); %辅助路段流
t = T + cap .* xx ;%路段时间
ft = (Mxf * t')' ; %路径时间
fprintf(fid,'\n========================================================== =================\n' );
fprintf(fid,'\n\n第%2d 次迭代的路径时间值：\n' , i );
for (ii = 1: numf)
fprintf(fid,'%11.4f ：' ,ft(1,ii) );
end
[Min,index] = min(ft) ;
y = Mxf(index,:).*Q ; % 全有全无法为最短路径上的路段分配流量
fprintf(fid,'\n第%d 次迭代的辅助流量值是：\n' , i);
for (ii = 1: numx)
fprintf(fid,'%11.4f: ' ,y(1,ii) );
end
zz = xx + lambda * (y-xx); % 按方向(y-xx)进行一维搜索,步长为lamda
t = T + cap .* zz ;
f = sum( (y -xx).* t ,2);
lambda1 =double( solve(f)) ; %求解方程，确定步长。
k = length(lambda1); % 如步长lambda1的解不唯一，取实数，且大于0 小于1；
for m=1: k
if lambda1(m,1) > 0 && lambda1(m,1) < 1 && isreal(lambda1(m,1))
lambda2 =lambda1(m,1);
end
end
xx = xx + lambda2*(y - xx ); % 得到下一步的流量值，且进行下一次迭代
fprintf(fid,'\n第%2d 次迭代后的路段流量值是：\n' , i);
for (ii = 1: numx)
fprintf(fid,'%11.4f: ' ,xx(1,ii) );
end
end
status = fclose('all')
ft。