交通量分配(三)

交通量分配（三）理论框架、经典模型与现代方法Contents本讲内容概览交通量分配理论与方法的系统梳理，从基础概念到工程实践。01交通分配的基本概念与前提02静态交通分配理论模型03经典分配方法详解04动态交通分配理论05现代交通需求模型方法对比06工程应用与实践案例CHAPTER01交通分配的基本概念与前提理解交通分配在规划流程中的定位与核心任务CHAPTER03·TRAFFICASSIGNMENT交通分配的定义与定位交通分配是交通规划四阶段法的终端环节，将OD出行分布矩阵加载到路网上，求解各路段交通流量，是评估路网性能、指导基础设施投资决策的核心技术支撑。城市道路交叉口车流实景01OD矩阵加载：将调查得到的起讫点出行分布按现有或规划路网分配到各条道路上，推测各道路的交通量02四阶段终端：作为生成→分布→方式划分→分配的末端，输出直接决定路网拥堵评估与通行能力分析结果03输入输出框架：已知OD矩阵、路网拓扑、阻抗函数为输入，各路段与路径流量分布方案为输出04决策量化依据：道路改扩建、新建项目可行性论证以及交通管理政策制定的核心数据支撑STATICTRAFFICASSIGNMENT静态交通分配的前提条件静态交通分配基于五项核心假设构建理论框架：路网结构与特性已知、交通需求确定且不随时变、出行者具有完全信息且选择准则一致，这些假设使问题可数学化求解但也限定了模型的适用边界。01路网拓扑结构与路段特性已知所有节点、路段及其连接关系明确，路段旅行时间函数（路阻函数）已完成标定02OD交通需求确定且静态出行分布矩阵为静态常量，不考虑交通需求的时变特征与动态波动03出行者具有完全信息假设所有出行者对路网结构及实时交通状况拥有完整认知，能够持续做出最优路径选择04路线选择准则相同所有出行者采用一致的最优性标准（如最短时间、最小费用），不存在异质性偏好差异TrafficAssignment交通分配的核心问题与求解目标交通分配的本质是在路网供给与出行需求的交互中求解均衡流量分布：通过路阻函数刻画拥堵反馈效应，以路径流量与路段流量为求解变量，最终为路网性能评价提供完整的流量分布方案。路径流量求解核心问题是求解路网中各路径与路段的交通流量分布，使得分配结果反映出行者的路径选择行为与路网拥堵的交互效应路径选择路阻函数建模路阻函数刻画流量与阻抗的非线性关系：流量增大导致通行时间上升，反过来影响后续出行者的路径选择决策拥堵反馈量化评价体系评价维度涵盖路段流量与饱和度、路径出行时间、路网整体运行效率，为道路改扩建与交通管理提供量化决策依据运行效率Chapter02静态交通分配理论模型Wardrop原理、用户均衡与系统最优的数学框架USEREQUILIBRIUMWardrop第一原理：用户均衡（UE）Wardrop第一原理描述了个体理性出行者的路径选择均衡状态：当所有被使用路径的出行时间相等且不大于任何未使用路径时，系统达到用户均衡，任何个体都无法通过单方面改变路径来缩短自身出行时间。均衡条件同一OD对之间所有被使用路径的出行时间相等，且不大于任何未被使用路径的出行时间。这一条件确保了交通流在路网中的稳定分布。OD路径等时行为含义每个出行者独立追求自身出行成本最小化，当无人能通过单方面换路获益时即达到均衡态。反映了现实中驾驶人的路径选择行为。个体理性最优数学意义UE问题可表述为凸规划问题，具有唯一的路段流量解（在路阻函数严格单调递增条件下）。为交通分配模型提供了坚实的数学基础。凸规划唯一解SystemOptimumWardrop第二原理：系统最优（SO）Wardrop第二原理追求路网系统总出行成本最小化，其解通常不同于用户均衡解。系统最优可能要求部分出行者放弃个体最短路径以换取全局效率，两者差异体现了个体理性与集体理性的根本冲突。01均衡条件路网中所有出行者的总出行时间（或总费用）达到最小，系统整体效率最大化总出行时间最小02与UE的核心差异SO解中部分出行者可能被迫选择非最短路径，个体利益服从系统整体最优个体服从全局03Braess悖论新增道路在UE下可能增大所有人出行时间，而在SO下可避免此现象，揭示两者本质冲突UE与SO的本质冲突04实际应用SO模型常用于评估路网理论容量上限、拥堵收费定价以及交通需求管理策略的系统效益拥堵收费定价MATHEMATICALFORMULATION用户均衡模型的数学规划表达Beckmann（1956）将Wardrop第一原理转化为等价的凸规划问题，以路段路阻函数积分之和为目标函数，其最优性条件严格等价于用户均衡条件，为交通分配提供了严格的数学求解框架。01目标函数所有路段路阻函数ta(x)对流量x的积分之和，最小化该目标等价于满足Wardrop第一原理。CONVEXOBJECTIVE02约束条件流量守恒（各OD对路径流量之和等于OD需求量）与路径流量非负性约束。FLOWCONSERVATION03最优性条件KKT条件严格等价于Wardrop均衡：被使用路径阻抗相等，未使用路径阻抗不小于该值。KKTCONDITIONS04求解方法Frank-Wolfe算法为主，每步迭代求解一个全有全无分配子问题并沿下降方向更新流量。FRANK-WOLFETrafficAssignment·ComparisonUE与SO模型的对比分析UE与SO两大模型分别刻画个体理性与系统理性两种最优状态。两者差异的根源在于出行者是否考虑自身出行对他人造成的拥堵外部性，拥堵收费等政策工具正是通过内部化外部成本来缩小UE-SO差距。IndividualRationality用户均衡（UE）01目标函数为路段路阻函数积分之和minΣ∫t_a(x)dx，出行者仅考虑自身出行成本02均衡状态下各路径出行时间相等，但系统总成本通常高于SO解，存在效率损失03适用于描述无干预条件下出行者自发路径选择行为，反映自由市场的均衡结果Wardrop第一原理个体最优SystemRationality系统最优（SO）01目标函数为流量与路阻乘积之和minΣx_a·t_a(x_a)，考虑每单位流量的边际社会成本02系统总成本达到全局最小，但部分出行者个体出行时间可能大于UE下的时间03拥堵收费、路径诱导等政策可缩小UE-SO差距，使个体决策逼近系统最优Wardrop第二原理全局最优BureauofPublicRoads路阻函数（BPR函数）详解BPR路阻函数以幂函数形式刻画路段通行时间与流量的非线性关系：低流量时阻抗近似恒定，接近通行能力时阻抗急剧上升。该函数是交通分配模型的核心组件，其参数标定精度直接决定分配结果的可靠性。标准形式t=t₀×[1+α(V/C)^β]，t₀为自由流时间，V为交通量，C为通行能力t₀·V·C经典参数α=0.15、β=4，反映流量接近通行能力时阻抗的非线性急剧增长特征α=0.15β=4单调凸性函数严格单调递增且凸性良好，保证UE模型凸规划性质与解的唯一性UE唯一解参数标定需基于实测流量-时间数据，不同道路等级与交通条件下α、β值存在显著差异实测数据CHAPTER03经典分配方法详解全有全无、增量分配、容量限制与连续平均法ASSIGNMENTMETHOD全有全无分配法（AON）全有全无分配法将每个OD对的全部出行量加载到当前最短路径上，不考虑拥堵反馈效应。该方法逻辑简洁但精度有限，是增量分配、Frank-Wolfe等复杂算法的子步骤基础。最短路径加载示意·全有全无分配法01核心逻辑：对每个OD对搜索当前阻抗下的最短路径，将全部OD出行量一次性加载至该路径所经路段最短路径02不考虑拥堵反馈：路阻函数在分配过程中保持不变，路段阻抗不随加载流量增大而上升阻抗恒定03优缺点：计算简单、速度极快；但忽略拥堵效应导致分配结果偏离实际，仅适用于低流量或作为迭代子步骤迭代基础IncrementalAssignment增量分配法（IncrementalAssignment）增量分配法将OD交通量分成若干份额逐次加载到路网，每次加载后更新路阻函数以反映拥堵反馈。该方法在计算效率与精度之间取得平衡，分配比例设计（先大后小）是保证逼近均衡解的关键技巧。01将OD矩阵分成N份（如5或10份），逐次执行AON分配并在每步后更新路段阻抗值分步加载策略02分配比例通常采用递减设计（如5份时为30%→25%→20%→15%→10%），先大后小以更逼近均衡解递减比例设计03每步更新路阻函数反映已加载流量对阻抗的影响，部分纳入拥堵反馈效应，精度优于单次AON动态阻抗更新04缺点是分配结果依赖于加载顺序和份数，不能严格保证收敛到UE解，但工程实用性较强实用性与局限交通量分配方法容量限制分配法容量限制分配法在增量加载过程中引入路段通行能力上限约束，当路段流量达到容量后停止加载，迫使剩余流量转向其他路径。该方法直观反映道路容量约束，常与增量分配法配合使用。容量约束机制在增量分配基础上增加容量约束：路段流量达到通行能力上限后不再加载，剩余流量自动分配到次短路径。CapacityConstraint双重更新步骤每步加载后同时更新路阻函数和检查容量约束，使分配结果更接近道路实际承载极限。DualUpdate非均衡局限容量达到后的流量突变转移可能导致结果不够平滑，分配结果仍非严格意义上的均衡解。Non-equilibriumTrafficAssignment连续平均法（MSA）连续平均法（MSA）通过迭代执行AON分配并按递减步长加权平均历史流量来逼近UE解。该算法理论基础扎实、已被证明收敛，但收敛速度较慢，是Frank-Wolfe算法的简化变体。迭代步骤初始化→更新路阻→执行AON得到辅助流量→按步长加权平均更新路段流量→检查收敛IterationLoop步长设计步长λₙ=1/n，历史信息权重逐渐积累，新信息权重递减以保证序列收敛λ=1/n收敛性证明已由数学理论严格证明，但收敛速度慢于Frank-Wolfe，大规模路网需数百次迭代Sheffi,1985算法优势每次迭代仅需一次AON分配，不需计算目标函数导数，实现简单且内存需求低LowMemoryAlgorithmFrank-Wolfe算法Frank-Wolfe算法通过在每次迭代中对目标函数线性化并执行一维线搜索确定最优步长，是求解UE凸规划问题的标准方法。目标函数线性化每步将凸规划目标函数在当前流量点线性化，子问题等价于一次AON分配，得到搜索方向AON一维线搜索沿搜索方向确定最优步长λ*，使目标函数在该方向上降至最低，步长精度决定收敛效率λ*收敛特性收敛速度优于MSA，但在接近最优解时收敛变慢，存在典型的"拖尾"现象拖尾改进变体共轭方向法、Partan加速等变体可显著减少大规模路网的迭代次数PartanCHAPTER04动态交通分配理论时变需求下的流量分布模型与控制诱导策略DynamicTrafficAssignment动态交通分配的概念与意义动态交通分配（DTA）在时空维度上分析时变交通需求的最优流量分布模式，为交通信号控制和动态路线诱导提供科学依据，是智能交通系统的核心理论支撑。城市路口动态交通控制场景01DTA在供给与需求已知条件下，分析时变交通需求在路网中的最优流量分布模式与动态演化过程02交通控制通过改变信号配时方案调整车流时间分布，动态路线诱导通过信息推送改变车流空间分布03DTA为交通流管理与控制、动态路线诱导提供决策依据，控制与诱导则是DTA方案的实施手段04与静态分配的核心差异：DTA需同时建模出发时间选择、路径选择和交通流在路段上的传播过程DynamicTrafficAssignment动态交通分配模型的分类体系DTA模型可从两个维度分类：按交通流描述方法分为仿真模型与分析模型；按数学手段分为数学规划、最优控制和变分不等式模型。仿真模型用仿真网络运行代替交通流过程，路段特性通过计算机模拟动态网络加载获得，能够直观呈现交通流的时空演化规律。便于集成各种控制策略并分析其效用，无需显式路阻函数和参数辨识，工程适用性强，是智能交通系统开发的核心工具。分析能力有限，无法从模型本身分析解的收敛性、精度和灵敏度，结果质量高度依赖仿真参数设置与标定水平。工程导向分析模型通过数学函数关系描述路网动态特性，结构严谨、逻辑严密，理论分析能力强，为交通流理论提供坚实的数学基础。按数学手段进一步分为数学规划模型、最优控制模型和变分不等式（VI）模型，三类模型各具特色，适用于不同研究场景。目前仍缺乏高效算法，且对复杂交通系统的简化假设过多，主要停留在学术研究阶段，大规模实际应用尚待突破。理论导向Chapter22·TrafficFlowPropagation动态交通流传播模型交通流传播模型是DTA的核心技术组件，决定了模型对拥堵形成、排队传播和消散过程的刻画精度。Link-based模型以路段为整体描述出入流量关系，Cell-based模型（CTM）将路段细分为元胞模拟流传播，后者能更精细地捕捉拥堵时空演化。Link-based模型以路段为基本单元，通过入口流量与出口流量的时滞关系描述交通流传播，计算效率高。时滞关系CellTransmissionModelDaganzo（1994）提出，将路段细分为等长元胞，基于三角型基本图模拟车流在元胞间的传递。Daganzo1994CTM应用能力能精确捕捉排队形成、回溢和消散的动态过程，广泛用于信号控制优化和DTA仿真系统。DTA仿真APPLICATIONDTA与交通管控的结合应用动态交通分配为交通信号控制（时间维度调控）和动态路线诱导（空间维度调控）提供理论依据。两者的协同优化——即"控制-诱导一体化"——是当前智慧交通领域的前沿方向，可显著提升路网整体运行效率。信号控制优化时间维度基于DTA模型预测各时段交通流分布，动态调整信号配时方案以匹配时变交通需求动态路线诱导空间维度通过车载导航和路侧可变信息标志向出行者推送实时路径建议，引导车流在空间上均衡分布控制-诱导协同优化双层规划将信号配时与路径诱导作为联合决策变量，构建双层规划模型实现路网效率全局最优路侧可变信息标志（VMS）——动态路线诱导的核心设施CHAPTER05现代交通需求模型方法对比四阶段法、出行链模型与基于活动模型的优劣分析ANALYSIS四阶段法：经典框架的优势与局限四阶段法（1962年芝加哥首创）以交通生成→分布→方式划分→分配的四步流程构建了交通规划的系统化框架。其结构化、模块化的优势使其至今仍是行业主流，但静态性和忽略出行关联性的局限促使学界发展出出行链和活动模型等改进方法。核心优势结构化框架四个阶段逻辑清晰、相对独立，可根据具体情况分别调整和优化各模块广泛适用性适用于大范围城市交通系统的中长期预测，在高速公路和轨道交通客流预测中表现稳定主要局限静态性缺陷无法捕捉出行者行为的动态变化，忽略了出行之间的时序关联性忽略个体差异假设同类人群行为一致，无法反映出行链复杂性和个体异质性偏好Chapter26·Tour-BasedApproach基于出行链的方法（Tour-basedModel）基于出行链的方法将连续的多次出行锚定到同一人群，整体考虑出行目的、方式、时间等要素，解决了四阶段法中出行不一致性问题。01核心概念出行链（Tour）由连续的多个出行环节构成（如HWH），将多次出行统一建模以保证行为一致性02优势能模拟出行链中的多次出行关联，对费用敏感性好，适用于交通需求管理措施的精细化评估03局限模型复杂度高，需要详细的出行链数据支持，数据采集和处理难度显著大于四阶段法TourStructure·HWHH去程W回程H多次出行统一建模，保证行为一致性ACTIVITY-BASEDMODEL基于活动的方法（Activity-basedModel）基于活动的方法（ABM）从活动需求源头研究出行行为，预测精度最高，但计算复杂度和数据需求也最大，适用于精细化政策评估场景。CONCEPT出行源于活动需求，将个体的上班、购物、娱乐等日常活动与出行行为统一建模STRENGTH高度精细化模拟个体层面行为，捕捉不同时段和情境下的复杂决策模式，模型解释力和预测精度最高LIMITATION计算资源需求极大，需海量个体出行与行为数据，数据收集和处理成本高，大规模应用受限于硬件条件城市居民日常活动场景—购物、通勤、休闲MODELCOMPARISON三种交通需求模型方法的系统对比四阶段法、出行链模型和活动模型在建模单元、行为真实性、数据需求和计算复杂度上形成递进关系。选择方法需权衡精度需求与资源约束：四阶段法适合快速宏观预测，出行链法适合政策评估，ABM适合精细化个体行为模拟。三种交通需求模型方法对比对比维度四阶段法出行链模型活动模型(ABM)建模单元单次出行出行链（Tour）个体活动行为一致性低（出行独立建模）中（链内一致）高（全日行为一致）