第09章基本交通分配模型
基于出行时间预算的SUE交通分配

文 章 编 号 :00—97 (0 7 0 O4 0 10 7 9 2 0 )4一 O4— 6
基 于 出行 时 间预 算 的 S E交通 分 配 U
刘 燕妮 ,吴 义虎 ,郑 颖 杰
(. 1 长沙理工大学 交通运输学院,湖南 长沙 4 07 ; 10 6 2 湖 南交通职业技 术学院 全 国公路 干部培训基地 ,湖南 长沙 4 0 0 ) . 104
研 究项 目( 7 15 0C 0 )
作者简介 : 刘燕妮 (93一) 女 , 17 , 长沙理工大学硕士生.
维普资讯
第 4期
刘燕妮 , : 于 出行 时 间预 算的 S E 交通 分 配 等 基 U
4 5
应选择好路段走行时问函数 , 本研究采用 B R B r uo Pb c od 函数作为路段特性 函数 : P ( ue f ul a) a iR
维普资讯
第2 3卷 第 4期 2 0 年 1 月 07 2
长
沙
交
通
学
院
学
报
Vo . 3 12 No 4 .
J OURNAL OF CHANGS HA CO删
UNI CAT ONS UNI I VERS T I Y
Dc e . 20 o7
式中: 为路段 口 。 的设计容量.
1一
,口 A VE;
( 2 )
( ) 1一 ) 1一 (
- [
『 )
㈩
() 4
为计算方便 , 本研究假定各路段出行时间之间相互独立 , 因此 , 路径 出行 时间可 由相应 的路段 出行
时问 累加获得 J :
摘
要: 基于均匀分布的路段容 量 , 了降级 路 网中路 段和路径 出行时 间的随机变 动 , 分析 假
TransCAD软件在高速公路交通量预测中的应用

TransCAD 软件系统是由美国 Caliper 公司开发的 交通地理信息系统 ( GIS) 软件 ,是第一个专门为交通 规划 、交通管理以及交通特性分析而设计的应用软件. 作为最早具备交通规划地理信息功能的软件 , Tran2 sCAD 可以方便地对各类交通运输及相关数据进行存 储 、提取 、分析和可视化. 在 TransCAD 中 ,包含了各种 形式的出行需求模型 ,如概略规划方法 、四步骤模型 、 先进的非集计建模技术 、多种选择的同步模型 ,以及广 泛应用的各种交通分配模型的组合应用. 应用 Tran2 sCAD 软件的 GIS 环境背景 ,可以进行比较细致而又 合理的交通规划和预测分析.
交通分配交通分配模型用于预测道路网络中的交通流量这些模型将已输入的出行需求od矩阵当作起讫点对之间的交通流量od点对的流量基于所选择的出行方式在某一道路上的出行时间或出行耗费分配在整个路网上transcad软件的交通分配程序应用该软件提供的用户平衡模型进行分配该模型如下式在出发地为之间的od交通为交通量为零时的路段行驶时间路段交通量分配结果见图上的行程时间rs为出发地为transcad软件反映了国内外交通规划和交通工程领域最新理论和研究成果广泛探讨了交通规划建模理论方法与应该软件具有系统性强实用性好等重力模型预测交通分布信号的零点漂移频率变化等因素的影响后测量精度可达0102
收稿日期 : 2005 - 09 - 06 作者简介 : 姚宏伟 (1979 - ) ,男 ,河南驻马店人 ,硕士.
第 1 卷第 4 期
姚宏伟 : TransCAD 软件在高速公路交通量预测中的应用
·6 5 ·
交通运输网络分析. 此功能具有存储交通运输系统的 重要属性 ,如交叉口转向限制和费用 、各种运输方式间 的换乘点和费用函数 、单行道 、交通小区中心与路网的 虚拟线 、道路等级与性能函数 、公共交通出入道与步行 换乘道 、路段旅行函数等. ②矩阵分析. 矩阵用于存放 交通运输系统中的基本数据 ,是交通运输分析的基本 工具. TransCAD 软件可以生成 、维护 、操作矩阵 ,并能 通过生成期望线等功能对矩阵中的数据进行空间分 析 ,使数据比较直观. ③线性参照. 它根据沿着道路与 某一固定点的距离来确定分析对象位置. TransCAD 软件具有动态分段功能 ,以便合并和分析多个线性参 照数据集. 线性参照主要应用于处理基础设施与运营 管理数据 、交通事故位置 、铁路或公路的分级 、道路桩 号 、固定资产投资项目等信息.
第09章基本交通分配模型

计算网络中每个出发地O到目的地D的最短路线;
将该OD交通量全部分配最短路线上;
每分配完一对OD后进行流量迭加,直到最后一对OD 分配完毕。
❖ 0-1分配法的特点 计算简单; 是其它交通分配的基础; 出行量分布不均匀,全部集中在最短路上; 未考虑路段上的容量限制,有时分配到的路段交通量大 于道路的通行能力; 有时某些路段上分配到的交通量为0,与实际情况不符; 随着交通量的增加,未考虑到行程时间的改变。
最短路分配(0-1 分配) 多路径分配
有迭代分配方法
容量限制-最短路分配 容量限制-多路径分配
9.3 非均衡交通分配模型 9.3.1 最短路交通分配法(all or nothing traffic assignment
model)
❖ 分配原理:每一OD对对应的OD量全部分配在连接该OD对 的最短路线上,其它道路上分配不到交通量。
普遍取 1 n 。
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)。
t1
1
2
t2
t1 20 0.01x1 t2 16 0.1x2 q12 100
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:
流量{yan} 。
Step3:计算各路段的当前交通量:
xn1 a
xan
( yan
xan )
,
0
1,
A
。
Step4:如果
xn1 a
与
xan
相差不大,则停止计算,
xn1 a
弹性需求的平衡交通分配问题模型_谌永荣

为边集, Rw 为 OD(O 是指起点,D 是指终点)对 w 间 的 路 径 集 , w W , xa 为 路 段 a 上 的 流 量 ;
ar
x (, xa , ) 为路网中所有路段流量构成的向量, ta ( x) 为路段 a 上的行驶时间,t (, ta ( x), ) ; f rw
零。这恰好与 Wardrop 用户平衡准则相吻合。
3 变分不等式模型
对于非对称的路段相互影响的交通平衡问题 可以表示为如下的变分不等式问题:
c ( f ) T u 价。其中 H ( f , u ) 。 f D (u )
证明: 如果 ( f , u ) 满足(1),(2),(3), 显然它一定是
t ( x)T ( x x) D 1 (q)T (q q) 0 ,
其中 ( x, q) x f , f q, f 0 . 由于 x f , t ( x) c( f ) ,上面的变分不等式 问题也可化为如下形式: 求向量 ( f , q) F ,使得
[1] Wardrop J G. Some theoretical aspects of Roac Traffic Research[J]. Proc. Inst. Civil Engineers,1982, PartⅡ: 278-325. [2] Facchinei F, Pang-S. Finite-Dimensional Variational Inequalities and Complementarity Problems:Vol. I and II [M]. New York:Springer2003.
T
f 0, r Rw , w W ,
w w xa ar f r , a . w r
第九章 基本交通分配模型1

Step0:初始化。将每组OD交通量平分成N等份,即
使
q
n rs
qrs
N。同时令
n
1,x
0 a
0,。a
Step1:更新路段行驶时间
。 t
n a
ta
(
x
n a
1
),a
Step2:增量分配。按Step1计算出的路段时间 ,用最
短路分配法将
q
n rs
q rs
N 分配到网络中去,得到一组附
加交通流量 {yan}。
一、用户平衡分配模型及其求解算法
◦ (1) 模型化
◦ 其中,hkrs:OD对rs间第k条径路的交通量。 tkrs :OD对rs间第k条径路的行驶时间。 trs:OD对rs间最短径路的行驶时间。 qrs :OD对rFra bibliotek的分布交通量。
【例9-3】 如图表示了一对由两条可选路径连接的起终点, t1,t2分别表示路段1,2上的交通时间,用x1, x2表示相应的交通流 量,q表示总的OD流量,则q=x1+x2。
◦ 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。
交通分配模型
均衡模型 非均衡模型
用户均衡模型扩展 标准用户均衡模型 系统优化均衡模型
最短路分配模型 增量分配模型 二次加权分配模型 其它分配模型
弹性需求模型 变分不等式模型
(5)计算 h12与h11,h22与h21,h32与h31 间的相对误差δi2
12
=
|
100
0.1
|
/0.1
999,
2 2
=|100-200|/200=0.5,
高教社旅游资源开发及管理(第三版)教学课件09第九章-旅游资源信息管理

三、现代旅游信息化技术
(五)其他技术(计算机网络技术)在旅游信息化管理中的应用
随着通信技术广泛应用在计算机 和移动设备上,用户可从任何一台与 因特网联网的微机或笔记本电脑、手 机等设备上方便快捷地获取所需旅游 资源的信息和数据,如景点区位、旅 游路线、旅行社、饭店、购物等,以 及与专家的网上交流等。通过网络技 术各旅游企业还能利用各自的管理系 统,对旅游资源实行网络化管理。
三、现代旅游信息化技术
(五)其他技术(多媒体技术)在旅游信息化管理中的应用
多媒体技术是计算机交互式综合处理多 种媒体信息(文本、图形、图像和声音), 使多种信息建立逻辑连接,集成为一个系统 并使其具有交互性的技术。在旅游资源研究 中,多媒体技术主要应用在制作具有图像、 文字、影音、动画等多媒体表达形式的旅游 电子地图上。借助于多媒体技术,将旅游资 源信息形象、生动地展示给旅游者,以增强 旅游资源信息的表达能力,从而提高旅游者 的旅游兴趣。
容量硬盘的支持,同时为了保证系统的良好运行,还需要配备必要的数字化仪器、 扫描仪、打印机、数字通信传输设备等辅助设备。旅游资源信息管理系统的硬件 设备由计算机主机、数据输入设备、数据存储设备和数据输出设备四部分构成。
24
二、旅游资源信息管理系统的结构
(一)系统层
2.操作软件 操作软件一般指由计算机厂家提供,可为 用户和开发者提供方便的程序系统。例如采 用广泛使用的Windows2010作为PC机系统软 件。现代信息技术发展更新较快,而随着旅 游资源信息管理系统功能的完善,对操作软 件的要求也逐渐提高。较高版本的操作软件, 在实现旅游资源信息的管理效率上具有更多 的优势,不仅能够更精细化地管理信息,还 能够丰富信息的展示方式,提高利用效率。
狭义的旅游信息化是把景区、酒店、旅行社、 交通、气候等与地理位置和空间
基于网络对偶均衡的有边约束的交通流分配模型

S d n t a n d Tr f c As i n e tM o e s d o i e Co sr i e a i sg m n d lBa e n
第 1 卷 第2 1 期
21 0 1年 4 月
交 通运 输 系统 工程 与信 息
J u n lo a s o tto se o r a fTr n p ra in Sy tms Engn e i n nfr to c n l g ie rng a d I o mai n Te h o o y
摘 要 : 利 用 网络 对偶 均衡 理论 , 据 “ 依 局部 近 视 ” 户均衡 原 则建 立 了具 有一 般 边 约 用 束 的网络 变通 流 分配模 型.将 变通 网络 中的流 量 与行程 时 间 看作 一 对对儡 的 变量 .从
网络 的 基 本 组 成 元 素入 手 , 先 考 虑 网 络 节 点 的 流 量 守 恒 奈 件 与 节 点 距 起 点 最 小 行 程 首 时 间 对 偶 关 系 , 后 考 虑 路 段 流 量 与 “ 部 近视 ” 户 路 段 行 程 时 间 约 束 条 件 的 对 偶 关 然 局 用 系 , 后 通 过 整 合 上 述 对 偶 关 系 , 增 加 一 般 边 约 束 建 立 了 新 的 交 通 流 分 配 模 型 .分 析 最 并
Vo1 l .1
No 2 .
2O1 l
Aprl i
文章 编 号 :1 0 —7 4( 0 1 2 1 00 0 9 6 4 2 1 )0 - 0 - 0 6
三种交通流量预测模型的建立及其比较

第31卷第4期2006年8月 昆明理工大学学报(理工版)Journal of Kun m ing University of Science and Technol ogy (Science and Technol ogy )Vol .31 No 14 Aug .2006收稿日期:2005-05-09.基金项目:云南省教育厅自然科学基金项目资助(项目编号:02ZY011);云南大学理(工)科校级科研项目资助(项目编号:2002Q019S L );云南省自然科学基金项目资助(项目编号:2003E0086M ).第一作者简介:张朝元(1978-),男,硕士,助教.主要研究方向:神经网络和统计学习理论的应用.E -ma il:zcy_k m @三种交通流量预测模型的建立及其比较张朝元1,胡光华2,徐天泽3(1.大理学院理学院,云南大理671003;2.云南大学数学系,云南昆明650091;3.云南警官学院,云南昆明650223)摘要:针对城市交通“智能运输系统”和交通流的特性,采用先进的支持向量机算法和由它改进的BP 神经网络方法来建立交通流量预测模型,并将它们及多元线性回归模型分别用于实际流量模拟.实验验证了由支持向量机算法和改进的BP 神经网络建立的预测模型具有更高的预测效果和模拟精度.关键词:城市交通;交通流量;多元线性回归;支持向量机;BP 神经网络;预测模型中图分类号:TP183;U491文献标识码:A 文章编号:1007-855X (2006)04-0104-04Est ablish m en t and Com par ison of Three M odelsof Traff i c Flow Pred i cti onZHAN G Chao 2yuan 1,HU Guang 2hua 2,X U Ti an 2ze3(1.Faculty of Science,Dali University,Dali,Yunnan 671003,China;2.Depart m ent ofMathe matics,Yunnan University,Kun ming 650091,China;3.Yunnan Police Officer’s Acade my,Kun ming 650223,China )Abstract:According t o the city I ntelligent trans portati on syste m and the characteristics of traffic fl ow,support vect or and Back Pr opagati on neural net w ork modified by support vect or machines and multi p le linear regressi on are app lied t o establish the model of traffic volu me p redicti on res pectively .Experi m ents show better effect and higher p recisi on of forecast by support vect or machines and modified back p r opagati on neural net w ork .Key words:urban traffic;traffic fl ow;multi p le linear regressi on;support vect or machines;back p r opagati onneural net w ork;f orecast model0引言作为城市智能交通系统(I ntelligent Trans portati on Syste m s )的重要研究方面,交通流诱导系统是目前公认的提高交通效率和机动性的最佳途径,同时交通流诱导系统的实现也将有效地减少交通拥挤和城市环境污染、提高道路通行能力和改善交通安全状况等.而实现城市交通流诱导系统的关键和前提是道路交通状况的预测,也就是如何有效地利用实时交通数据信息去滚动预测未来几分钟内的交通状况.因此,实时准确的交通信息预测便成为此领域中研究的热点.实时动态交通分配是智能运输系统的主要理论基础,而实时地对交通流量进行预测是进行动态交通分配的前提.对交通流量预测效果的好坏直接关系到交通分配的结果,因此,研究实时动态交通分配首先应研究如何准确地实时预测和模拟交通流量.由于交通流量运行的高度复杂性、随机性和不确定性,传统的预测技术方法已经不能满足实践中越来越高的精度要求,经典的数学方法一直未能取得令人满意的预测效果,而且预测精度不高,加上不具备自适应和自学习的能力,因而不能满足实际需要.文章采用常用的多元线性回归[1,2]最新的支持向量机方法[3]和改进的BP 神经网络[4]等方法分别来对交通流量进行预测和模拟,并对此三种方法进行了比较和分析.选择它们的原因是基于交通流量预测问题与函数估计和回归问题是等价的这一事实[5],因此,可以把交通流量预测模拟问题看作函数估计和回归问题来处理.1多元线性回归的数学模型设自变量x1,x2,…,x m与因变量y之间,有下列关系:y=β0+β1x1+…+β1x m+ε(1)其中,β,β1,…,βm是常数,ε~N(0,σ2)是表示误差的随机变量,σ>0.对x1,x2,…x m,y进行n次观测,得到一组观测值:(x i1,x i2,…,x i m,y i)(i=1,2,…,n).即有: y i=β0+β1x i1+…+βm x i m+εi, ε~N(0,σ2),(i=1,2,…,n)(2)其中ε1,ε2,…,εn相互独立.这就是多元线性回归(简写为MLR)的数学模型.令Y=y1y2…y nn×1, X=1x11 (x1)m1x21 (x2)m…………1xn1…xnmn×(m+1), β=ββ1…βm(m+1)×1,ε=ε1ε2…εnn×1则用矩阵表示的多元线性回归模型为:Y=Xβ+ε.式中,Y为观测值,β为参数向量,X为常数矩阵,ε为随机误差向量.因此,我们的目的是要估计总体参数β=(β,β1,…,βm)T,记β的估计量为B=(b0,b1,…,b m)T,因此,Y的估计量为:Y^=XB.要求估计量Y^与原观测向量Y的差异最小.记e=Y-Y^,采用最小二乘的计算方法,因此,要使得‖e‖2=(Y-Y^)T(Y-Y^)ϖm in.对‖e‖2求偏导得到:BLS=(x T x)-1x T Y.故Y的最小二乘估计量为:Y^=X(x T x)-1x T Y.2支持向量机的函数估计模型函数估计问题,即存在未知函数y=f(x),x∈R n,y∈R要求函数f^∶R nϖR,使得f和f^之间的距离: R(f,f ^)=∫L(f,f ^)d x最小,其中L(・)是惩罚函数.由于函数f未知,因而只能根据采样所得的样本(x1, y1),(x2,y2),…,(x l,y l),x i∈R n,y i∈R来求取f^.若f^为线性模型,即f^(x)=〈ω,x〉+b(〈・,・〉表示内积).根据结构风险最小化准则,f^应使得:J=1 2‖ω‖2+C6li=1L(f ^(x i),y i)最小,其中C是平衡因子,‖・‖表示向量模.惩罚函数L(・)选用ε-不灵敏区函数[3],因而用于函数估计的支持向量机可以表示为:m in12‖ω‖2+C6li=1(ξi+ξi3) s.t.y i-〈ω,x i〉-b≤ε+ξi〈ω,xi〉+b-yi≤ε+ξ3iξi,ξ3i≥0在样本数较少时,求解上面的支持向量机一般采用对偶理论,把它转化为二次规划问题.建立Lagrange方程:l(ω,ξ,ξ3)=12‖ω‖2+C6li=1(ξi+ξ3i)-6li=1αi(ε+ξi+y i-〈ω,x i〉-b)-6li=1α3i(ε+ξ3i+y i-〈ω, x i〉-b)-6li=1(ηiξi+η3iξ3i)(3)上式(3)对于参数ω,b,ξi和ξi3的偏导都应等于零,得到其对偶优化问题:m in126li,j=1(αi-α3i)(αj-α3j)〈x i,x j〉+6li=1αi(ε-y i)+6li=1α3i(ε+y i)501第4期 张朝元,胡光华,徐天泽:三种交通流量预测模型的建立及其比较s .t .6lt =1(αi -α3i )=0,αi ,α3i ∈[0,C ].(4)求解上面的二次规划问题,可得:ω=6l i =1(αi -α3i )x i .根据KKT 条件,在最优解处,有αi (ε+ξi -y i +〈ω,x i 〉+b )=0α3i (ε+ε3i +y i -〈ω,x i 〉-b )=0(C -αi )ξi =0(C -α3i )ξ3i=0与αi ≠0和α3i ≠0相对应的样本x i ,即在不灵敏区边界上或外面的样本,称为支持向量(简写为S VM ).从而有ω=6li =1(αi -α3i )x i =6i ∈SV s(αi -α3i )x i ,其中SV s 表示支持向量集.这样我们就得到逼近函数的表达式:f (x )=6i ∈SV s(αi -α3i )〈x i ,x 〉+b .若f ^为非线性模型,则f ^(x )=〈ω,φ(x )〉+b .这样目标函数式就变为126l i,j =1(αi -α3i )(αj -α3j )〈φ(x i ),φ(x j )〉+6l i =1αi (ε-y i )+6li =1α3i (ε+y i )(5)约束条件仍为(3)式.从而得到ω=6li =1(αi -α3i )φ(x i ).在支持向量机中,引入核函数简化非线性估计,令核函数为k (x,x ′)=〈φ(x ),φ(x ′)〉.这样(4)式变为:126l i,j =1(a i -a 3i )(a j -a 3j )k (x i ,x j )+6l i =1αi (ε-y i )+6li =1α3i (ε+y i ).这样估计函数的表达式变为:f (x )=6li =1(αi -α3i )k (x i ,x )+b .3改进的B P 神经网络的估计模型B P 神经网络[6]是一种多层感知机网络,它的学习算法采用误差反向传播.它的模型是将一组样本的I/O 问题转变为一个非线性优化问题,它使用了优化中最普通的梯度下降法,用迭代运算求解相应于学习记忆的问题.通过加入隐层节点,使得优化问题的可调参数增加,从而可得到更精确的解.如果将B P 神经网络看成从输入到输出的映射,则这个映射是高度非线性的,它通过对简单的非线性函数进行有序而复杂的组合来实现最终的复杂函数输出.并且具有这样的性质:任一连续函数或映射均可用一个三层网络加以实现.B P 网络虽然具有重要的函数映射功能,且系统结构简单易于编程实现.但是它也存在着以下问题:①从数学上看,它是一个非线性优化问题,因此不可避免地存在局部极小值问题.②它的学习收敛速度很慢,通常需要几千步迭代或更多.对于B P 神经网络这些缺点,国内外进行了不少的改进,主要有M FB P 算法、MB P 算法和前向网络的自构形学习算法等.针对B P 网络这两个缺点,作者在论文[4]采用最新的支持向量机算法对B P 网络进行了改进.利用支持向量机对网络的隐层到输出层进行了改进得到了改进的B P 神经网络(简写为S VM -NN ),并在预测中取得了理想的效果.在这里就不介绍了,请参考文献[4].统计学习理论是由Vapnik 等人提出的一种小样本统计理论,它有着完备的理论基础和严格的理论体系,其中支持向量机是统计学习理论的核心和重点.支持向量机是结构化风险最小化原理的近似实现,它能够提高学习机的泛化能力,既能够由有限的训练集样本得到小的误差,又能够保证对独立的测试集仍保持小的误差.而且支持向量机算法是一个凸优化问题,因此局部最优解一定是全局最优解[3].这样,由Vap ik 等人提出的新的神经网络———支持向量机就克服了传统神经网络收敛速度慢和局部极小点等缺陷.4预测实例所谓预测就是利用过去和当前的观测值去估计未来值,这实际上是基于这样一个假设,即未来值与过去值存在某种确定的函数关系.所以预测的目的就是试图寻找一个函数以确定未来值与过去值之间的关系,也就是说预测问题与函数逼近和估计问题在本质上是等价的.路段上的交通流量与前几个时段的交通流量有着必然的联系,同时路段是路网中的一个部分,路段的601昆明理工大学学报(理工版) 第31卷交通状况必然受到上下游路段的交通状况的影响,所以路段上的交通流量势必与相连路段前几个时段的交通流量有着内在的联系.这样就可以利用路段前几个时段的交通流量数据列去预测未来时段的交通流量,也可以利用上下游路段前几个时段的交通流量预测路段未来时段的交通流量.设V i (τ)为路段i 上的τ时刻的交通流量向量,V i (τ-1)为路段i 上的τ时刻前一时段的交通流量向量.令V^I (τ)=[V 1(τ),V 2(τ),…,V d (τ)],d 为所考虑路段的总数,若只考虑研究路段的交通流量,则d =1.考虑到路段的长度和交通流的特性,我们采用当前时间段和前s 个时间段的交通流量对未来时间段的交通流量进行预测(通常我们只考虑3个时间段的交通流量的影响,也即s =2).这样,我们将V^i (τ),V ^i (τ-1),…,V^i (τ-s )作为第τ个输入样本,V ^i (τ+1)作为第τ个样本输出值.故我们的目的是要在V ^i (τ+1)与路段i 上前s +1个时间段的交通流量(即V^i (τ),V ^i (τ-1),…,V ^i (τ-s ))之间寻找一个函数关系或者它的一个逼近.令x (τ)=[V^i (τ),V ^i (τ-1),…,V ^i (τ-s )]T ,y (τ)=V ^i (τ+1),则交通流量预测模型为:y (τ)=〈w,φ(x (τ))〉+b,其中w,b 则是我们要寻求的模型参数.表1 预测所得各项误差指标Tab .1 Errors of foreca st result 误差指标平均相对误差/%平均绝对相对误差/%最大绝对相对误差/%相对误差平方和均值平方根/%均等系数MLR 01527135231538194019234S VM -01944171251167141019596S VM -NN 11266109221588160019562昆明市一二一大街是昆明市的主要交通要道,对它的研究和预测具有重要的现实意义.经过对一二一大街(建设路交叉路口至圆通北路交叉路口)由西向东方向机动车(除摩托车外)交通流量的人工统计,我们得到了一系列实际观测数据.下面我们通过上面介绍的三种方法分别对一二一大街的交通流量进行预测和模拟.预测结果如表1和图1所示.5结论目前,现有的交通流量预测方法基本上都是基于传统的统计学原理(如多元线性回归),其研究的是样本数目趋于无穷大的渐进理论,但是当样本数目有限时就难以取得理想的效果,因此,很难适应复杂多变的交通状况.而基于统计学习理论的支持向量机是建立在小样本基础之上的.这一点,从上面的表1和图1以及算法的实现运行情况就可以体现出新的支持向量机算法和改进的BP 神经网络更具有优越性.神经网络是目前比较广泛应用模拟的一种方法,但它具有收敛速度慢和局部极小点等缺陷,而新的方法———支持向量机就能解决神经网络这些不足之处.因此,改进的神经网络也具有较高的预测效果.基于统计学习理论的支持向量机,试图找到一种新的模型来解决交通流量的预测模拟问题,有望在交通流量时间序列预测模拟方面得到广泛的应用.参考文献:[1]王惠文.偏最小二乘回归方法及其应用[M ].北京:国防工业出版社,1999:42-45.[2]刘剑平,陆元鸿.概率论与数理统计方法[M ].上海:华东理工大学出版社,1999:166-172.[3]Vapnik V N.统计学习理论的本质[M ].张学工,译.北京:清华大学出版社,2000:126-130.[4]张朝元,胡光华,徐天泽,等.支持向量机改进的神经网络的函数逼近[J ].昆明理工大学学报(理工版),2004,29(6):148-152.[5]丁爱玲.基于统计学习理论的交通流量时间序列预测[J ].交通与计算机,2002;20(2):27-30.[6]阎平凡,张长水.人工神经网络与模拟进化计算[M ].北京:清华大学出版社,2000:17-20.701第4期 张朝元,胡光华,徐天泽:三种交通流量预测模型的建立及其比较。
- 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)。
❖ 1956年,Backmann提出了均衡交通分配的数学规划模型。20年后 即1975年才由LeBlance等人将Frank-Wolfe算法用于求解Backmann 模型获得成功,从而形成了现在的实用解法。
❖ Wardrop对交通网络均衡的定义为:在考虑拥挤对走行时间影响的 网络中,当网络达到均衡状态时,每对OD间各条被使用的路线具 有相等而且最小的走行时间,其它任何未被使用的路线其走行时间 大于或等于最小走行时间。通常称为Wardrop第一原理或用户优化 均衡原理。
❖ 在具体应用时,视路网的大小选取分配次数k及每次分配的OD量比 例。实际常使用五级分配制,第一次分配OD总量的30%,第二次 25%,第三次的20%,第四次15%,第五次10%。
9.3.3 增量分配法(incremental traffic assignment model)
❖ 增量分配法是容量限制最短路交通分配法的进一步推广,又 称为比例配流方法。
短路线上,其它道路上分配不到交通量。
❖ 分配步骤 计算网络中每个出发地O到目的地D的最短路线; 将该OD交通量全部分配最短路线上; 每分配完一对OD后进行流量迭加,直到最后一对OD分配 完毕。
❖ 0-1分配法的特点 计算简单; 是其它交通分配的基础; 出行量分布不均匀,全部集中在最短路上; 未考虑路段上的容量限制,有时分配到的路段交通量大于道 路的通行能力; 有时某些路段上分配到的交通量为0,与实际情况不符; 随着交通量的增加,未考虑到行程时间的改变。
第09章基本交通分配模型
9.1 交通分配与平衡
❖ 由于连接OD对间的道路有很多条,如何将OD交通量正确合理地分 配O与D之间的各条路线上,是交通分配模型要解决的首要问题。
❖ 如果两点之间有很多条路线,而这两点之间的交通量又很少的话, 这些交通量显然会选择最短的路行走。随着两点间交通量的增加, 选次短路,,最后两点间的所有路线都有可能被利用。
❖ 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;
❖ 分配原则
将原OD矩阵分成 N 等份,对每一个小矩阵用最短路分配 方法分配,完成以后,根据阻抗函数重新计算各条边的阻 抗(时间),然后再对下一个小矩阵进行分配,直到 N 个 矩阵分配完毕。
❖ 算法描述
❖ 增量分配法的特点
当 N = 1 时为0—1分配;当 N → ∞ 时,趋向均衡分配。
该方法简单,精度可以根据 N 的大小来调节,因而在实际中 常被采用。❖ 实例9.2 交通分配模型的分类
举例说明非均衡交通分配、均衡交通分配与随机交通分配。
❖ 均衡模型一般都可以归结为一个维数很大的凸规划问题或非线性 规划问题。理论上说,这类模型结构严谨,思路明确,比较适合 于宏观研究。但是,由于维数太大、约束条件太多,这类模型的 求解比较困难,尽管人们提出了一些近似方法,但计算仍很复杂 ,实际工程中很难应用。
❖ 如果道路用户都能准确知道各路线的行驶时间,并选择时间最短的 路线,最终两点间被使用的各条道路的行驶时间会相等;而没有被 利用的路线的行驶时间更长。这种状态称为:道路网的均衡状态。
❖ 由于在实际的交通分配过程中,有很多对OD,每一OD对间又有很 多条路线,且路线间有许多路段相互交织。由于这种复杂性,1952 年Wardrop提出了网络均衡的概念和定义后,如何求解均衡交通分 配成了运输研究者的重要课题。
❖ 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。
0-1分配算例:
9.3.2 容量限制最短路交通分配法
❖ 为克服最短路交通分配方法的缺陷,可采用容量限制最短路交通分 配方法,这种方法既考虑了路权与交通负荷之间的关系(即随着道 路上交通量的增大,行程时间也发生变化,即增大),同时也考虑 到了交叉口、路段的通行能力限制。
❖ 容量限制最短路交通分配法的原理如下:将原始的OD矩阵(n×n ) 阶分成 k 个同阶的小OD矩阵,然后分 k 次用最短路分配模型分 配OD量,每次分配一个小OD矩阵,每分配完一个小OD矩阵,修正 路权一次(采用路段阻抗函数模型),再分配下一个小OD矩阵, 直到所有的小OD矩阵都分配完为止。
❖ 相比之下,非均衡模型具有结构简单、概念明确、计算简便等优 点,因此在实际工程中得到了广泛的应用。非均衡模型根据其分 配手段可分为无迭代和有迭代2类,就其分配形态可分为单路径 与多路径2类。因此,非均衡模型可分为如下表所示的分类体系 。
非均衡模型的分类体系
9.3 非均衡交通分配模型 9.3.1 最短路交通分配法(all or nothing traffic assignment model) ❖ 分配原理:每一OD对对应的OD量全部分配在连接该OD对的最
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)
❖ 分配思路:该方法是一种介于增量分配法和均衡分配法之间的一 种循环分配方法。基本思路是不断调整已分配到各路段上的交通 流量而逐渐达到或接近均衡分配。在每步循环中,根据已分配到 各路段上的交通量进行一次0—1分配,得到一组各路段的附加流 量,然后用该循环中各路段的分配交通量和附加交通量进行加权 平均,得到下一循环中的分配交通量。当连续两个循环中的分配 交通量十分接近时,即可停止计算。最后一个循环中得到的分配 交通量即是最终结果。