第8章交通量分配.pptVIP

* * 1 ４ ２ 3 ３ 1 ４ ２ 1 ４ ２ 3 ３ 1 ４ ５ ２ 径路3 径路1 D 径路2 o * * 第6节 系统最优化分配(System Optimum Assignment) 系统最优化分配按照Wardrop第二法则，即使得路网中总行驶时间最小进行交通量分配。 该方法适用于最大限度地使用现有道路系统的场合。从径路选择角度，该分配方法与用户均衡分配法中用户一直选择时间上的最短径路不同，它有必要让用户选择最短径路以外的径路。从此种意义上说，是道路规划者或道路管理者所希望的分配原则，尤其在智能交通系统获得广泛应用之后。 第7节 随机用户均衡分配(Stochastic User Equilibrium Assignment) 在用户均衡分配中，假设了所有的用户都完全掌握路网上的全部信息，并选择最短径路从出发地到目的地。然而，这种假设在实际的用户径路选择行动过程中难以实现。 这里，从用户对路网的交通信息的认识角度出发，应用效用理论假设用户对路网交通信息的遵照随机效用理论，即研究交通信息的不确定条件下的径路选择和路网的交通均衡问题。 １．【模型】 　　 该模型可以变换成下示与用户均衡分配模型相同的形式。 这样，系统最优化分配可以完全用用户均衡分配的解法计算。 ２．Braess奇论（Paradox） ＯＤ交通量：辆 路阻函数： （分） （分） 解：利用用户均衡分配法和系统均衡分配法得， 径路１（路段１＋路段２），径路２（路段３＋路段４）的交通量： （辆） 径路１（路段１＋路段２），径路２（路段３＋路段４）的旅行时间： （分） 目标函数值： 用户均衡分配法　（辆分），系统最优分配法　 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。 现在道路规划部门计划提高该地区道路的服务水平(减少总行驶时间)，计划新建一条道路（路段５）。假设路段３、路段５和路段２形成径路３，这时，使用用户均衡分配法求出的径路交通量和行驶时间分别为： （辆） （分） 目标函数值： 用户均衡分配法　（辆分），系统最优分配法　（辆分） 用户均衡分配法：在新路规划之前，目标函数值为399，之后为386。目标函数值向着最佳方向变动，径路行驶时间在新路规划前83分，之后变成了92分。系统最优分配：目标函数值由新路规划前的498变成552。 结论： 因路网的结构不同，新线道路的建设反而恶化道路原有的服务水平，这种现象在实际道路规划中很有可能出现。 【作业】设图示交通网络的OD交通需求量为辆，各径路的交通费用函数分别为： ，， 试用F-W算法求均衡分配法和系统最优分配法的分配结果，并对结果进行讨论。 【随机用户均衡问题的建模】 ＯＤ对径路的效用函数: 这里，为径路的费用，其值为径路经过路段的费用和。 径路的选择概率： 径路交通量的期望值： 径路选择概率守恒条件：， 径路交通量－ＯＤ交通量守恒原则：, 径路交通量－路段交通量守恒原则：， 径路交通量的方差： 径路交通量的协方差： 2.随机用户均衡分配及其等价最优化问题 (1)最大熵费用调和模型 其中， 可以证明，该模型与Logit model 等价（证明略）。由以上模型可以看出，该种随机用户均衡模型为Wardrop均衡分配的一般情况。这是因为在该问题中，当时，表示熵的项（目标函数中第二项）消失，与Wardrop均衡分配的等价最优化问题一致。相反，时，与费用项相比，代表熵的项目大。这时，与径路的费用无关，各条径路将以相同的概率获得分配交通量。 (2)最大熵模型 　　 其中，为用实测交通量推测出的路网总行驶费用值。 (3)费用积分最小模型 其中，为由实测交通量推算出的径路熵值。 径路交通量由Logit模型决定： 3.随机用户均衡分配的等价最优化问题解法 由上述可知，随机用户均衡问题为非线性规划问题，直接求解困难。与用户均衡问题相同，通过求解其等价最优化问题计算均衡交通量，并且求解方法因模型的性质不同而异。其方法有：（1）逐次平均法；（2）部分线性化法；（3）Simplicial decomposition法等。具体的分配算法有Dail法、马尔科夫链法（Markov chain assignment）和Monte Carlo simulation。以下介绍逐次平均法，其余方法参阅有关材料。 【逐次平均法（method of successive averages）】 逐次平均法是一种收敛计算方法求解最大熵费用调和模型的方法，与Frank-Wolfe法类似，不同的是搜索步长的决定方法。该方法不进行求解最佳搜索步长的一维搜索，而是实现给定步长。原因是最大熵费用调和模型中包含径路交通量变量。 【计算步骤】