033基于随机用户均衡的城市交通流分配优化模型要点解析.docVIP

基于随机用户均衡的城市交通流分配优化模型 纪 魁 王树盛 【摘要】城市“大数据时代”提供了海量的数据信息，为了准确、高效地对城市交通流进行分配以提供合理的参考，文章从提高算法效率和改善分配结果两个方面优化传统的基于Logit的随机用户均衡（SUE）模型。通过对传统的含路径信息的熵项进行分解，使得熵项只含路段信息，从而得到基于路段变量的SUE模型，使得评价函数时可以避开路径信息的列举，优化了移动步长和收敛准则，为设计高效算法提供了一定的空间；通过在基于路段变量的SUE模型中加入容忍容量约束，以消除分配在路段上的流量高于道路设计容量的不合理现象，文章以部分线性化算法结和增强拉格朗日乘子法思想，设计了由内外循环构成的算法。最后，文章以一个简单的算例，进行流量分配，分配的结果满足预期的期望，证明了设计的算法的正确性。 【关键词】大数据时代；随机用户均衡；交通分配；增强拉格朗日乘子法 引言 城市“大数据时代”的到来，意味着有海量的数据供规划决策者参考使用。依据数据库中的居民出行信息，准确的分配OD矩阵，再现道路上的交通运行情况，对于道路网络的现状分析、规划修改有着重要的意义。相对于确定型用户均衡（UE）模型，随机用户均衡（SUE）模型降低了用户对于路段阻抗的敏感性，分配的结果更加接近现实世界的车流分布情况[1]。但是由于传统的SUE模型在进行函数评价时，需要对路径信息进行列举，这就制约了高效算法的设计，同时，传统的SUE模型分配的结果可能会出现高于道路设计容量的情况，这与现实世界中道路网络上的交通运行状况也是不相吻合的。本文以SUE模型为研究对象，从提高算法效率和改善分配结果两个优化方面进行研究。 1．优化一：提高算法效率 1.1 基于路段变量的SUE模型 定义一个路网，其中，N、A分别为节点和路段集合，O、D分别为起点和终点集合， 表示路段的流量，表示起点和终点o、d 传统的基于Logit的SUE模型，含有一个有路径信息的熵项，降低了在算法设计中，对于函数评价以求得最优步长的可行性，算法设计中，通常是自定义步长，通过限制迭代次数的方法，提高运算效率，得到近似的分配结果。Akamatsu对传统的基于Logit的SUE模型的熵项进行了分解，使得熵项只含有路段信息，得到基于路段变量的SUE模型[2]： (1) , (2) (3) , (4) (5) (6) 式中，表示来自起点o的路段流量；为常数，反映用户对于路网的熟悉程度，当用户对路网非常熟悉时，，转化为UE问题，UE问题实际是SUE问题的一个特例；、为开关函数，，否则为0。、分别为熵项的第一、第二项，以为变量；为阻抗函数，一般以BPR形式表示。对于模型的等价性和唯一性，Akamatsu做了相应的证明，证明其等价于基于Logit的SUE模型，详见文献（2）。 1.2 算法流程 对于基于路段变量的SUE模型的求解，在传统的相继平均算法（MSA）的基础上，利用模型的可评价性，以部分线性化算法，对MSA算法的最优步长以及收敛条件进行优化，以提高运算效率[3]。部分线性化算法流程如下： a) 初始化。以自由流时间为阻抗，执行一次流量加载，得到，令迭代次数； b) 计算下降方向。根据上次得到的流量，更新路段阻抗，在新的阻抗基础上，再次进行运量加载，得到新的辅助流量。其下降方向可以采用： (7) c)收敛性判断。如果满足收敛条件，停止；否则转入步骤d)； 收敛判断条件为： (8) d)寻找步长。对以下问题，找出一个满足条件的非负数。 (9) e)移动。求得新的流量： (10) 令，转入步骤b）。 由于模型等价于基于Logit的SUE问题，所以算法中的运量加载，可以采用Dial加载或者Bell第二算法进行加载[4]。根据基于路段变量的SUE模型，设计的算法，相对于传统的求解算法，计算效率可以得到非常明显的提升[5]。 2．优化二：改善分配结果 2.1 带容忍容量约束的模型 在现实世界中，不会出现道路上的车流达到甚至高于道路设计容量的情况，当出现此类情况时，道路是被“过度使用”，相应的其他道路本该分配到的流量会减少，这种情况，对于规划者做出科学合理的分析是不利的[6]。所以需要在模型中加入容量约束，以优化分配结果，考虑到拥堵至一定情形时，用户不会继续驶入，所以加入容忍系数的概念，提出以下带容忍容量约束条件的模型： (11) , (12) (13) , (14) (15) (16)