基于有限理性的弹性需求随机用户均衡交通分配模型
用户平衡与随机用户平衡共存的弹性需求组合模型
用 户 平 衡 与 随 机 用 户 平 衡 共 存 的 弹 性 需 求 组 合 模 型
罗 朝 晖 ’ ２
１ 广 西 大 学 ，数 学 与 信 息 科 学 学 院 ， 南 宁 ５ ０ ０ ． ３ ０４
２ ．百 色 学 院 ， 学 与 计 算 机 信 息 工 程 系 ，广 西 ，百 色 ５ ３ ０ 数 ３０ ０
管理 。
用 户 平 衡 与 随 机 用 户 平衡 共 存 的弹 性 需求 组 合 模 型
罗 朝 晖
Ａｂ ｔｒ ｃ ｓ ａ ｔ： Ｉ ｔ ｉ ａ ｉ １ ， Ｈｓ ｒ ｑ １ｉ ｒｉ ｍ （ ｎ ｈ Ｓ ｒｔ ｃ ｅ ｅ ｅ ｕｉ ｂ ｕ ＵＥ） ａ ｓ ｏ ｈ ｔ Ｃ ｓ ｒ ｑ １ ｂ ｕ （ ＵＥ） ｎｄ ｔ ｃ ａｓ ｉ Ｈ ｅ ｅ Ｕｉ ｉ ｒｉ ｍ Ｓ
摘
要 ：本 文 讨 论 用 户 平衡 （ Ｅ）与 随机 用 户平 衡 （ Ｕ ｕ Ｓ Ｅ）共 存 的情 况 。首 先 将 交通 系统 分 成 遵 循 Ｕ Ｅ
及 Ｓ Ｅ原 则 的 两个 子 系 统 ，在 考 虑 弹 性 需求 及 两 系统 用 户 相 互 影 响 的情 况 下 ， 给 出 了用 户 平 衡 与 随 Ｕ 机 用 户 平衡 共 存 的 弹性 需 求 组 合 模 型 ，并 证 明 了模 型 符 合 Ｕ Ｅ及 Ｓ Ｅ路 径 选 择 条 件 的 一 阶 条 件 ，和 推 Ｕ
Ａ ｍ ｂ ｎ ｔｒａ ｏ ｅ ｆＤ ｅ ａ ａ ｔｃ ｔ Ｃｏ ｉ ａｏ ｉｌ Ｍ ｄ ｌ ｍ ｎｄ Ｅｌ ｓｉ ｉｙ ｏ Ｕｎ ｅ ｅ ｉｔｎ ｅｏ ｓ ｒＥｑ ｌｂｒｕ ｄ ｒＣｏ ｘ ｓｅ ｃ ｆ Ｕ ｅ ｕｉｉ ｉ ｍ ａ ｏｃ ｓ ｉ ｓ ｒＥｑ ｉｉ ｒｕｍ ｎｄ Ｓｔ ｈａ ｔｃ Ｕ ｅ ｕ ｌｂ ｉ
基于演化博弈理论的有限理性交通选择行为模型
2条 选择行为模型， 并基于数学归纳法的思路， 从理论上证明 演 化 方 法 对 交 通 选 择 行 为 分 析 的 适 用 性 ． 经 证 明， 乃至 n 条独立路径条件下， 求得的进化 稳 定 状 态 与 用 交 通 分 配 理 论 和 随 机 效 用 理 论 所 得 到 的 均 衡 状 态 完 全 等 价． 关键词： 路径选择行为； 演化博弈； 稳定状态； 进化稳定策略（ ESS ） 中图分类号： U 491. 1 文献标志码： A 文章编号： 0254 － 0037 （ 2010 ） 08 － 1077 － 07
结束语基于出行者不完全信息和选择行为有限理性假设运用演化博弈理论建立了出行者交通选择行为模型分别分析了2条路径路网的均衡稳定性条件并运用进化稳定的标准找到了各种路网存在惟一的进化稳定状态的条件基于数学归纳法的思路证明了进化稳定状态与用传统的交通分配理论和随机效用理论所得出的均衡状态是完全等价的
第 36 卷 第 8 期 2010 年 8 月
（ 4）
从式（ 4 ） 可以看出， 出行者选择路径 a 的比例随时间的变化率只取决于 P a （ t ） （ 此时刻 出 行 者 选 择 路 径 a 的比例） 和 u a （ t ） － u （ t ） （ 选 择 路 径 a 所 得 效 用 与 平 均 效 用 之 间 的 差 值 ） ． u a （ t ） 与 u （ t ） 之 间 差 值 越 大， 即选择路径 a 的优越性越突出， 则出行者选择此路径的比例增长就越快 ． 另外， 若 d P a （ t） / d t = 0 ， 则意 味着选择路径 a 的出行者的人数不再变化， 路网处于稳定状态（ steady state ） ． 在 2 条路径之间选择时， 出行者群体的平均效用可以表示为 u （ t） = P a （ t） u a （ t） + P b （ t） u b （ t） 将其代入式（ 4 ） 有 d P a （ t） = （ u a （ t） － （ P a （ t） u a （ t） + P b （ t） u b （ t） ） ） P a （ t） = P a （ t） （ u a （ t） － dt P a （ t） u a （ t） － （ 1 － P a （ t） ） u b （ t） ） = P a （ t） （ 1 － P a （ t） ） （ u a （ t） － u b （ t） ） （ 1 ） 可以进一步解出 u a （ t） = u b （ t） （ B a + B b ） Q］ ． 即 A a + B a QP a （ t ） = A b + B b Q （ 1 － P a （ t ） ） ， 则 P a （ t） = （ A b － A a + B b Q ） / ［ P a （ t） = 1 及 P a （ t） = （ A b － A a + B b Q ） / ［ （ B a + B b ） Q］时， 所以， 当 P a （ t） = 0 ， 路网 处 于 稳 定 状 态， 其中 前 2 个稳定状态意味着出行者群体趋向于采用相同的策略（ 选择路径 a 或路径 b ） 而最后一个稳定状态意 味着群体成员以一定比例采用不同策略 ． 1. 2 路网稳定状态的稳定性问题 为了分析路网的稳定性问题， 需要先引入演化博弈理论 定义 1
基于有限理性的出行行为建模与均衡分析
基于有限理性的出行行为建模与均衡分析出行者的决策行为直接影响着城市交通网络中的交通流量分布状态。
对出行者的交通出行行为进行研究,是城市交通规划、交通需求管理和交通网络设计等研究的基础。
本文在出行者有限理性的假设下,分别基于满意决策准则和累积前景理论对出行行为进行分析和建模,研究出行者的选择行为与交通网络流量分布的相互作用规律,探索交通需求管理策略,引导出行者的选择行为以达到缓解城市交通拥堵的目的。
具体来讲,本论文的研究工作主要有以下几个方面：(1)研究了双模式网络中出行者有限理性的方式选择行为,建立了基于有限理性的双模式选择均衡模型,分析了最坏的、最好的和一般的三种情况下的均衡解,基于决策者不同的风险偏好(风险追求、风险中性和风险厌恶)研究了道路收费和公交票价策略,分别建立了优化道路收费水平的最小化最大值、最小化最小值和最小化平均值模型,运用了指南针搜索算法进行求解,通过算例分析了出行者基于有限理性的选择行为特性和决策者基于风险偏好的道路收费策略对系统总成本的影响。
(2)假设双模式网络中交通需求是不确定的,出行者是有限理性的,他们在选择交通方式时会综合考虑出行成本的均值和方差,并且有可能会在一个合理的阈值范围内选择感知出行成本比较高的交通方式,构建了优化公交票价的双层规划模型,上层以系统总成本均值最小为目标,下层为基于风险偏好和有限理性的方式选择均衡模型,运用了灵敏度算法进行求解,给出算例分析了需求的不确定性和出行者的有限理性对交通方式分担、公交票价和系统总成本的影响。
(3)在经典瓶颈模型的基础上,将“最早可接受的到达时间”、“最理想的到达时间”和“工作开始时间”作为三个参考点,同时考虑通勤者行驶时间的绝对负效用和到达时间的相对效用,建立了基于多参考点和出行效用的瓶颈道路收费模型,得到了动态收费策略,提出了两种单阶段收费策略和三种双阶段收费策略,并得出了它们各自的收费水平、收费时间和收费效果,单阶段收费策略最多能减少超过1/2的总排队时间,双阶段收费策略最多能减少超过2/3的总排队时间。
第08章 交通分配(2)
长沙理工大学交通运输工程学院
算法描述
0 n Step0：初始化。将每组 OD 交通量平分成 N 等份， 即使 qrs ，xa 0，a 。 qrs N 。同时令 n 1 n n1 Step1：更新路段行驶时间 t a t a ( xa )，a 。 n n Step2： 增量分配。 按 Step1 计算出的路段时间 t a ， 用最短路分配法将 qrs qrs N 分配到网络中去，
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
t1 20 0.01x1
2
1
t2 16 0.1x2 q12 100
t2
长沙理工大学交通运输工程学院
8.2.4 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
8.2.3.2 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。 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%。 长沙理工大学交通运输工程学院
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
弹性需求的平衡交通分配问题模型
Ｕ ＝Ｇ（ ） ０， ｆ ＞ 即由ＭＣ （ Ｌ 也可 Ｕ Ｃ （ 。 Ｐ Ｈ， ） 得至 Ｎ Ｐ Ｈ）
定理 得证 。
‘
则 由互补条件 知 Ｕ＝ 且 ∑ ， ） ｗ ０， ｃ厂＝ （
，Ｅ
甜∑ ｃ ＝ ， 于 ） ｒ都 非 的 ６ 结 束 语 ， ）０ 由 ， ） 是 负 ， （ ｃ ａ
的 小 驶时 ； 若 ＞ ， 最 行 间 且 ０ 则∑ｔ ｏ２ ｏ）＝ （ａ ｘ
口 Ｅ
由前面讨论可知交通平衡 问题 即是寻 找向量
（ ，） ｆ Ｕ 使得（ ，）３成立。 １（ ， ） ）２ （
定 理 若 路 径 费用 函数 Ｃ（ 、 需求 函 数 ｒ 和 ｆ （） 均非负，且对任意 ０） ｗ∈ ，如果 １对 Ｗ
第３ ２卷第 ６期 Ｖ １ ２Ｎｏ６ ｏ． ． ３ ２ １ 年 ｌ 月 Ｎｏ ． ０ １ ０１ １ ｖ ２ １
文章编号 ：１ ７・０ ５２ １）６０ １－ ３ ６４８ ８ （０ １０ － ０ ９ ０
井冈山大学学报（ 自然科学版） Ｊｕｎｌｏ ｉｇ ａｇｈｎＵ ｉｅｓｙ（ ｔｒｌＳｉ ｃ） ｏｒａ ｆＪ ｇｎ ｓａ ｎｖｒｉ Ｎａｕａ ｃｅ ｅ ｎ ｔ ｎ
（） ４
Ｘ＝ ａ ∑∑ ， ． Ｖ ａ
上 述 约束优 化 问题所 对应 的 Ｌ ｇａｇ ａｒｎｅ函数 为
＝
此 ＝ｆ ｆ ｑ ） ＝ Ａ） 处 ｛ｌ ＝ ， ０， ）△ｔ 。 Ａ ／ ｃ （ ｆ
事 实上 ，变 分不 等式（） Ｋ ４的 ＫＴ条件 为 ： ｃｆ） 人 一 ＝０， （ 一
ｃｒ） ｏ ． ｎ
井 冈山大学学报（ 自然科学版）
２ 数学规划模型
当 交 通 网 络 中 每 条 路 段 的 行 驶 时 间 只 与 该 条
033基于随机用户均衡的城市交通流分配优化模型
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(,)G N A =，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，ij x 表示路段(,)i j A ∈的流量，od q 表示起点和终点o 、d 之间的交通需求。
基于有限理性的弹性需求随机用户均衡交通分配模型
基于有限理性的弹性需求随机用户均衡交通分配模型张波;隽志才;林徐勋【期刊名称】《计算机应用研究》【年(卷),期】2011(028)009【摘要】为了同时考虑路网的随机变化特征和出行者的感知误差,在有限理性框架下基于累积前景理论建立了一个弹性需求随机用户均衡模型,给出了等价的变分不等式,设计了求解算法并通过算例进行了验证,结合参数敏感性对均衡状态出行者的认知和心理特征进行了分析.结果表明,OD出行需求和网络均衡态具有显著的参照点依赖效应,出行者对路况满意度越高OD出行需求越大,对路况熟悉程度越高OD 出行需求越小.模型及算法可以加深对出行行为的理解,改进传统模型理论假设及适用性的局限,更加精确描述交通流的实际分布形态.%In order to simultaneously take traffic network' s randomness and travelers * perception error into account, formulated a stochastic user equilibrium model with elastic demand based on bounded rationality framework and cumulative prospect theory. Then presented an equivalent variational inequality, followed by an algorithm and a numerical example to test it. Depicted travelers' cognition and psychological features by means of parameter sensitivity analysis. The results indicate that travel demands and network equilibrium significantly depend on reference point, and travel demands will become lager when travelers are more satisfied with network traffic condition, while it will become fewer when travelers are more familiar with it. The model and algorithm can help to deepen the understanding of travel behavior,improve the theoretic assumptions and a-daptability of traditional traffic assignment model, and demonstrate actual traffic flow pattern more accurately.【总页数】4页(P3268-3271)【作者】张波;隽志才;林徐勋【作者单位】上海交通大学安泰经济与管理学院,上海 200052;上海交通大学安泰经济与管理学院,上海 200052;上海交通大学安泰经济与管理学院,上海 200052【正文语种】中文【中图分类】TP391【相关文献】1.ATIS影响下的混合随机用户均衡交通分配模型研究 [J], 况爱武;王正武2.基于累积前景理论的随机用户均衡交通分配模型 [J], 张波;隽志才;林徐勋3.信息系统下弹性需求随机用户均衡演化模型 [J], 度巍;黄崇超;肖海燕;王先甲4.弹性需求下随机用户均衡分配问题敏感性分析 [J], 王建;吴鼎新;邓卫5.多方式复合城市交通网络弹性需求随机用户平衡分配模型 [J], 陈坚;杨飞;晏启鹏因版权原因，仅展示原文概要，查看原文内容请购买。
用户均衡与系统最优原则下交通分配模型的建立与分析
第十章均衡交通分配模型的扩展-资料
f c
r k
rs k
s
(
c
r k
u
s r
s
u
r
0
s
)
0
q u
rs rs
[u
rs
D
1 rs
D 1 rs
( q rs
( )
q rs
) 0
]
0
f krs
0
q r s 0
◦ 如果 qrs 0，那么ursDr1s(qrs)，即 q rs D r(su r)s ， (r,s) w ，
0 1
0
0
◦ 这时，求满足dZ/d λ =0的λ*：
dZ/d4[2(44)4] 32160
◦ 所以， λ* =0.5
◦ 这时，交通量：
x 1 1 4 4 2 ,x 1 2 4 4 2 ,x 3 1 4 2
◦ 费用（时间）：
◦ 目标函数：
t1 1 2 3 ,t2 2 5 3 ,t3 0
（1）模型公式
◦ 求一组满足 Wardrop 平衡原理的路段交通量和 OD 交通量， 同时 OD 交通量也满足需求函数的问题则是弹性需求下的 平衡分配问题。该问题可表达为下列模型：
式中，Drs-1：需求函数的反函数
与UE问题的差别：目标函数和新变量qrs
【 例题 10-1 】
◦ 网络中只有一条道路。设该道路的行驶时间函数（阻抗函 数）为 t=1+x（ x 是道路上的交通流量）， OD 需求函数 为 x=5-t 。求该网络的平衡解。
更新费用（时间）：
第09章基本交通分配模型
q
n rs
qrs
N 分配到网络中去，
得到一组附加交通流量{yan} 。
Step3：累加交通流量，即
xan
xn1 a
yan，a。
Step4：判断终止条件。如果 n N ，停止计算，当前路段流量即是最终分配结果；如果 n N ，
令 n n 1，返回 Step1。
长沙理工大学交通运输工程学院
f Rrs rs
k 1 k
长沙理工大学交通运输工程学院
等价最优性条件（Backmann模型）
考察如下的固定需求交通分配模型：
[UE] min z(x)
a
xa 0
t
a
(
)d
s.t.
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。
长沙理工大学交通运输工程学院
输入OD矩阵及网络几何信息
计算路权
计算最短路权矩阵
辩识各OD对之间的最短路线并分配该OD量
累加交叉口、路段流量
最后一OD点对？
否
转入下一 OD点对
是
输出各路段、交叉口总分配交通量 长沙理工大学交通运输工程学院
0-1分配算例：
下图所示的交通网络中，交通节点 1/3/7/9 为 A/B/C/D 四个交通区的作用 点。四个交通区的出行 OD 矩阵如下表所示，试用 0-1 法分配该 OD 矩阵。
短路线上，其它道路上分配不到交通量。 分配步骤
考虑有限理性和认知更新的日变交通分配模型
考虑有限理性和认知更新的日变交通分配模型祝丽菱;杨达;吴丹红;周小霞;赵新朋【摘要】The study on the characteristics of traffic flow evolution is of great importance to alleviating urban traffic congestion.The existing day-to-day traffic assignment models have some con strains,which could not fully describe the behaviors of bounded rationality and perception updating in the actual traffic environment.This paper proposes a day-to day traffic assignment model considering travelers' bounded rationality and perception updating based on the cumulative prospect theory,and does a simulation experiment in a test network.The study finds that in the condition of the travelers' bounded rationality and perception updating,the flow convergence speed to the steady state is faster,in this example,the path from 1 to 6 needs 40 d,40 d,11 d,13 d,22 d and 23 d to the stable state,respectively.The parameter η,which describes travelers' perception sensitivity on the cumulative prospect value of the path,also has significant effects on the evolution convergence rate,the smallerηmeans the longer time to the final equilibrium state.%研究交通流的逐日演化规律对缓解城市交通拥堵有着重要意义.现有日变交通分配模型所考虑的因素具有一定的片面性,不能全面描述实际交通环境下出行者的有限理性和认知更新行为.基于累计前景理论框架,提出考虑出行者有限理性和认知更新的日变交通分配模型,并通过测试网络进行仿真分析.研究发现,在考虑出行者有限理性和认知更新的条件下,路径流量收敛到最终稳定态的速度较快,在本文算例中,路径1～6分别在第40天、40天、11天、13天、22天和23天演化到稳定点;出行者对路径累积前景值认知的敏感性参数η对路径流量的逐日演化收敛速度也有着显著的影响,较小的η值意味着需要更长的时间,使得网络上的流量分布演化到最终平衡态.【期刊名称】《北京交通大学学报》【年(卷),期】2018(042)001【总页数】6页(P75-80)【关键词】交通工程;有限理性;认知更新;逐日动态;交通分配【作者】祝丽菱;杨达;吴丹红;周小霞;赵新朋【作者单位】西南交通大学交通运输与物流学院,成都610031;西南交通大学交通运输与物流学院,成都610031;西南交通大学交通运输与物流学院,成都610031;西南交通大学交通运输与物流学院,成都610031;西南交通大学交通运输与物流学院,成都610031【正文语种】中文【中图分类】U491近年来，经典用户平衡分配理论在拥挤收费、交通规划等领域得到了广泛的应用[1].但该理论认为网络上的交通分布始终是处于平衡状态的，实际上，当外界有相关干扰发生时，交通流不会立即达到平衡态，而是需要数天的演化时间.因此，为了缓解交通拥堵，交通管理者往往需要分析交通流的逐日变化特征来制定合理的交通管理措施.在现有的交通环境中，出行者大多是有限理性的决策者，且会根据日常实际出行经验对先验认知进行更新.如何体现出行者在有限理性条件下的学习行为与判别标准，从而合理地表征流量逐日变化过程就显得尤为重要.现有对日变交通分配模型的研究在出行者有限理性和认知更新方面的考虑大多是孤立的，很少有研究对两种因素作用下的流量演化特征进行分析.在有限理性方面，早期的研究[2-4]主要是在仿真和实验中将出行者的有限理性行为考虑在内进行了一系列地分析或是对有限理性均衡解的数学特性进行研究，这并非对流量的演化过程进行研究.近年来，文献[5-9]考虑有限理性条件下静态交通分配的情况，对日变交通分配模型的关注较少.文献[10]首次将出行者的有限理性考虑在内，建立了日变交通分配模型，并对密西西比河上I-35W大桥坍塌修复前后不可逆转的网络流量变化情况进行了模拟.对有限理性的理解主要体现在对最短路成本的认知上，即在有限理性的用户平衡流量分布下，OD对之间各条路径上的费用都大于最短路费用，但不会超过一个阈值.文献[11]也建立了考虑有限理性的日变交通分配模型，并利用该模型对城市地铁网络中出行者的出行行为进行了分析.实际上模型是在随机用户平衡模型基础上建立起来的，每天的流量分布与基于Logit模型的随机用户平衡分布是一致的.有限理性在他们的模型中主要体现在出行者的路径选择上，即当实际旅行费用与感知费用相对值在一个范围内时，当前路径上的出行者不会进行路径转移，反之则会发生转移，同时对路径的感知费用进行更新.文献[12]对有限理性出行者的逐日演化特征进行了分析，但流量演化只是基于实际出行的累积前景值，模型中并没有考虑出行者的学习机制.在认知更新方面，文献[13]提出加权平均模型，并认为每天出行的感知时间是历史所有出行经验的加权平均值.实际上，该模型要求出行者具有无限的记忆容量，这与实际有一定的差距.此外还有“近视”更新模型[2]和权重模型[14]等.文献[15]将出行者的有限理性和认知更新综合考虑在内，对出行者的逐日路径选择行为进行分析，与文献[11]类似，但出行者对路径行程时间的主观认知并没有体现出来.鉴于此，本文作者在基于累计前景理论的框架下，提出了一个考虑出行者有限理性和认知更新的日变交通分配模型，并在最后通过一个测试网络进行了仿真分析.1 有限理性和认知更新1.1 有限理性有限理性理论认为虽然决策者试图以理性的方式采取行动，但由于决策者对信息加工处理的能力是有限的，从而使得这种理性带有一定的限度，因此，决策者的行动往往是主观作用的结果.累积前景理论[16]作为经济学领域的重要研究成果，它可以描述有限理性人在不确定状态下寻求效益时的一系列主观决策过程.由于交通系统中的出行者大多都是有限理性的，因此，在路径选择时影响决策的主要因素是实际旅行时间t相对于参考点t0的主观感知变化，而并非真实的旅行时间本身，决策前，出行者自身会根据实际旅行时间t判断自身决策的感知价值.根据参考点t0，出行者的主观价值可以分为收益(t ≤ t0 )和损失(t >t0)两部分，价值函数为(1)式中：α, β为风险态度系数，其取值越大说明决策者越倾向于冒险(0<α, β≤1)；λ为损失规避系数，当λ≥1时，损失部分的价值函数要比收益部分的价值函数更加陡峭，即决策者对损失更加敏感.在决策时，出行者往往会对路径选择概率的判断带有一定的主观性，它是出行者对客观事件的主观判断，体现了出行者自身的经验和期望.这里采用Prelec[17]提出的主观概率函数形式w(p)=exp(-[ln(p)]γ)(2)式中：p为真实的概率值；w(p)为主观概率权重；γ(0<γ<1)为参数.假定路段实际旅行时间t为t=tr+ε(3)式中：确定项tr由真实的交通量来决定，与道路的拥挤效应有关；随机项ε不受道路拥挤效应的影响并服从一定的概率分布，在实际的交通出行中主要由人的出行认知、道路环境等因素决定.这里假定ε服从相关离散型概率分布，因为虽然连续性随机变量分布(即较小的旅行时间间隔)能使计算出的累积前景值更加精确，但在实际中出行者对较小的出行时间间隔并不敏感，难以区分这种时间间隔下旅行时间的差异.因此，对于一个离散型旅行时间的分布结果，其累计前景值为(4)式中：vj为路段j的累计前景值；δa为相应可能结果的主观概率权重值为收益，为损失).w+(pa+1+…+pn)，0≤a≤n-1(5)w+(p-m+…+pa-1)， 1-m≤a≤0(6)对于端点处采用下式计算(7)(8)1.2 认知更新在流量逐日演化的过程中，出行者对道路交通行驶状态的认知存在着一定的学习行为.为了追求效用最大的路径，出行者往往会根据自己出行后的实际经验对出行前获取的先验认知进行更新.因此，由于获取实际经验而产生的认知更新对出行者的路径选择将产生重要的作用.在出行前，根据历史经验以及交通系统提供的相关信息，出行者对路径累计前景的认知存在一个感知值，并根据该感知值进行路径选择，从而产生出行后路径的实际累积前景值.出行者在实际出行累计前景值的基础上对出行前的先验认知进行更新，并作为下一天出行决策的依据，这构成了出行者在流量逐日变化框架下的一系列学习过程.本文提出的认知更新过程如下0<φr,w≤1(9)式中：φr,w为权重系数；为第n天OD对w之间路径r的实际累积前景值；为第n天OD对w之间路径r的感知累积前景值.2 日变交通分配模型基于上述分析，在流量逐日演化过程中，出行者总是由感知累积前景值较低的路径转向较高的路径，经过一段时间的逐日演化，达到最终的平衡态.对于平衡态而言，网络上所有被使用的路径具有相同的最大感知累积前景值，且小于或等于任何未被使用的路径感知累计前景值.实际上，当出行者所处当前路径与其他路径的感知累积前景值在一定范围内时，即使改变路径可以获得更高的感知累计前景值收益，但这种收益是有限的，考虑到出行习惯、出行认知等因素的影响，出行者并不会因此改变当前路径选择.在最终的平衡态，也并非所有被使用的路径具有相同的感知累计前景值，而是在一定范围内，即基于有限理性的用户平衡态.因此，在给出日变交通分配模型之前，首先对路径流量的交换规则进行定义.出行者是路径累积前景值最大化的追寻者，总是倾向于由感知累积前景值较低的路径转向值较高的路径.但由于出行者对路径感知累积前景值的认知存在一定的阈值，即当第t-1天OD对w之间路径r和路径s的感知累积前景相对值η在一定范围内时，第t天OD对w之间的路径s上并不会有流量转向感知累积前景值较高的路径r，如下∀(10)参考Smith模型[18]，本文所提出的考虑有限理性和认知更新的日变交通分配模型如下(11)(12)(13)式中：表示第t天OD对w之间路径r上的流量；表示第t-1天OD对w之间路径s上的流量；k(k > 0)表示流量交换系数；表示第t-1天OD对w之间路径r上的感知累积前景值；表示第t-1天OD对w之间路径s上的感知累积前景值；Pw 表示OD对w之间的所有路径集合.上述日变交通分配模型是一个时间步长为一天的离散型动态演化模型，该模型是从连续性动态演化模型简化得来，如下(14)(15)(16)式中：l表示某一特定时刻；表示OD对w之间路径r上的流量对于时间l的导数；表示l时刻OD对w之间路径s上的流量；表示l时刻OD对w之间路径r上的流量；表示l时刻OD对w之间路径s上的感知累积前景值；表示l时刻OD对w 之间路径r上的感知累积前景值.实际上，可以将式(14)～式(16)进一步转化，从而表征一天内在任意时间步长下路径流量的动态演化规律，因此，该模型也可适用于时变交通演化规律的研究，对交通规划和诱导等实践都具有重要意义.3 仿真实验结果分析3.1 仿真实验设计图1为测试网络.测试网络包括9个节点，12个路段，1个OD对1～9.假定OD对1～9之间的交通需求为固定值600 辆，初始状态各条路径的流量设为100辆，参考文献[12]，设置α、β、λ、γ分别取0.88、0.88、2.25和0.65，φr,w取0.8，k取0.02，参考点设为20 min，路径累积前景认知阈值η1、η2均取0.1，路段阻抗函数采用美国联邦公路局函数.随机项概率分布ε取2 min, 4 min, 6 min, 8 min和10 min时,分别对应概率为0.05,0.2,0.5,0.2和0.05.路段基本数据见表1.图1 测试网络Fig.1 Test network表1 路段基本数据Tab.1 Basic link data路段自由行驶时间/min通行能力/(辆/h)路段自由行驶时间/min通行能力/(辆/h)1→216．05005→613．04502→314．04004→715．04001→415．05005→812．04502→512．04006→912．54003→610．03007→810．03004→513．03008→914．06503.2 不同模型对流量逐日演化的影响分析在出行决策时，出行者的有限理性对路径累积前景值的大小有着重要的影响；而认知更新反映了在逐日演化过程中，出行者根据自己出行前的先验认知以及出行后的实际经验而产生的一系列学习行为，因此，有必要将这两种因素考虑在内，对流量逐日演化过程中所蕴含的内在规律进行仿真与分析.不同模型下流量逐日演化示意如图2所示.图2 不同模型下流量逐日演化示意图Fig.2 Route flow evolution trajectory in different models由图2可知，在考虑出行者有限理性和认知更新条件下，路网上流量的收敛速度较快，即路径流量能更快演化到最终的稳定态.图2 (a)中，路径1～6分别在第40天、40天、11天、13天、22天和23天演化到了稳定点，但若不考虑出行者的有限理性和认知更新特性，图2 (b)中，路径1～6的流量演化到最终稳定点均超过了100 d，显然慢于前者.需要说明的是，网络流量收敛的稳定点并非是传统交通分配模型中的用户平衡点，而是基于有限理性下的用户平衡点.如表2所示，在平衡点，路径之间累积前景相对值均在10%以内，即在出行者对路径累积前景认知的阈值范围内，并非所有路径的累积前景值都相等.对于基于Smith模型的逐日演化动态而言，其稳定点等同于传统交通分配模型的用户平衡点，即所有被使用的路径具有相同的旅行时间.表2 基于不同模型下的路径流量演化最终稳定态Tab.2 Stable states of route flow evolution based on different models路径本文模型Smith模型路径流量/辆累积前景值路径流量/辆旅行时间/min1184．9-3．6244．578．5249．7-4．018．078．5385．9-3．849．978．5493．7-3．942．678．55124．3-3．799．378．5661．5-3．9145．778．53.3 η对流量逐日演化的影响分析η值表征出行者对路径累积前景相对值认知的敏感性，η越大，说明出行者对路径累积前景相对值的认知越不敏感，出行者越倾向于保持现有路径出行；η越小，说明出行者对路径累积前景相对值越敏感，出行者更倾向于改变现有路径出行.因此，本节在固定其他参数取值的基础上，对不同η取值下各条路径流量的逐日演化情况进行仿真分析，见图3.图3中，不同η值对路径流量的逐日演化收敛速度有着显著的影响.在本文的算例中，以路径1为例，当η取不同值时，路径流量演化到最终平衡态分别需要93 d、59 d、40 d和24 d.其中η取值为0意味着，在流量逐日演化过程中，路径流量完全从累积前景值较小的路径流向较大的路径，出行者对路径累积前景值的认知并不存在阈值.图3 不同η取值下路径流量逐日演化Fig.3 Route flow evolution trajectory under different η出现上述实验结果的根本原因在于出行者对路径累积前景相对值认知敏感性的不同，使得流量演化到平衡态的时间不同.即当网络上的出行者对路径之间累积前景相对值认知较敏感时(如η=0时)，由于出行者都是累积前景最大化的追随者，其在下一天的出行中越倾向于改变当天出行的路径选择，使得在平衡态时路径之间累积前景相对值较小，从而流量由非平衡态演化到平衡态需要较长的时间.而当网络上的出行者对路径之间的累积前景相对值认知不敏感时(如η=0.15时)，出行者虽然在下一天的出行中改变当前天出行的路径选择可以获得更高的累积前景值收益，但这种改变可能使出行者付出其他更大的代价，因此，出行者越倾向于保持当前天的路径选择，使得在最终平衡态路径之间累积前景相对值较大，流量也就能快速演化到平衡状态.4 结论1)在考虑出行者有限理性和认知更新的条件下，路网上流量演化到最终稳定态的速度较快.本文算例中，路径1～6分别在第40天、40天、11天、13天、22天和23天就演化到稳定态；但若不考虑出行者的有限理性和认知更新，路径1～6的流量达到稳定状态的天数均超过了100 d，显然明显慢于前者.2)η值对路径流量的演化收敛速度有着重要的影响，η值越大，流量分布收敛到稳定点的速度越快；反之速度越慢.在本文的算例中，当η分别取0、0.05、0.1和0.15时，对于路径1而言，流量演化到稳定点分别需要93 d、59 d、40 d和24d.3)在实际中，由于城市道路交通网络规模较大，结构复杂，不同城市的交通出行习惯也有较大差异，因此，不同城市的交通管理者应通过对相应城市的出行调查来确定模型中参数，从而确定网络上路径流量的演化轨迹.特别是对于η而言，交通管理者可以通过发布相关信息或实行相关政策来改变出行者对认知的敏感性，从而引导网络上流量的演化速度，以更好地为城市交通规划和管理服务.由于研究的局限性，本文假定所有出行者具有相同的参数取值，且出行者能清楚掌握整个网络的拓扑结构.实际上，网络上大多都是异质性的交通出行者，当网络规模较大时，出行者并不可能了解所有可行的出行路径，这些因素都可能影响路径流量逐日演化，今后的研究也将围绕这些方面展开.参考文献(References)：[1] 鲍月, 徐猛, 高自友. 次优拥挤收费的随机双目标模型[J]. 北京交通大学学报, 2013, 37(2): 129-133.BAO Yue, XU Meng, GAO Ziyou. Stochastic bi-objective model of second-best congestion pricing[J].Journal of Beijing Jiaotong University, 2013,37(2): 129-133. (in Chinese)[2] MAHMASSANI H S, CHANG G L. Experiments with departure time choice dynamics of urban commuters[J]. Transportation Research Part B: Methodological, 1986, 20(4): 297-320.[3] MAHMASSANI H S, LIU Yuhsin. Dynamics of commuting decision behaviour under advanced traveller information systems[J]. Transportation Research Part C: Emerging Technologies, 1999, 7(2): 91-107.[4] LOU Yingyan, YIN Yafeng, LAWPHONGPANICH S. Robust congestion pricing under boundedly rational user equilibrium[J]. Transportation Research Part B: Methodological, 2010, 44(1): 15-28.[5] 潘晓锋. 基于有限理性的方式划分和交通分配组合模型[D]. 大连：大连理工大学, 2015.PAN bined problem of modal split and traffic assignment based on bounded rationality[D].Dalian ：Dalian University of Technology, 2015. (in Chinese)[6] 李青. 考虑有限理性的活动——出行配流模型研究[D]. 南京：南京大学, 2017. LI Qing. Research on modeling the activity—travel assignment problem with bounded rationality[D]. Nanjing：Nanjing University,2017. (in Chinese) [7] 左志, 潘晓锋. 基于有限理性的交通方式划分模型[J]. 大连理工大学学报, 2014, 54(5): 531-536.ZUO Zhi, PAN Xiaofeng.Traffic modal split modal based on bounded rationality[J].Journal of Dalian University of Technology, 2014, 54(5): 531-536. (in Chinese)[8] 潘晓锋, 左志, 赵胜川. 基于前景理论的改进多路径交通分配模型[J]. 交通运输系统工程与信息, 2013, 14(2): 162-167.PAN Xiaofeng, ZUO Zhi, ZHAO Shengchuan. Improved multi-path assignment model based on the prospect theory[J]. Journal of Transportation Systems Engineering and Information Technology, 2013, 14(2): 162-167. (in Chinese)[9] 赵传林, 黄海军. 基于满意准则的有限理性用户均衡流量分配性质研究[J]. 系统工程理论与实践, 2014,34(12):3073-3078.ZHAO Chuanlin, HUANG Haijun. Properties of boundedly rational user equilibrium under satisficing rule in traffic assignment problem[J]. Systems Engineering-Theory & Practice, 2014,34(12):3073-3078. (in Chinese) [10] GUO X L, LIU H X. Bounded rationality and irreversible network change[J]. Transportation Research Part B: Methodological, 2011, 45(10): 1606-1618.[11] WU J J, SUN H J, WANG D Z W, et al. Bounded-rationality based day-to-day evolution model for travel behavior analysis of urban railway network[J]. Transportation Research Part C: Emerging Technologies, 2013, 31: 73-82.[12] 张玺, 蒲云, 刘海旭. 基于累积前景理论的日变交通配流模型[J]. 华南理工大学学报(自然科学版), 2014, 42(12): 58-63.ZHANG Xi, PU Yun, LIU Haixu. Day-to-day traffic assignment model based on cumulative prospect theory[J]. Journal of South China University of Technology(Natural Science Edition), 2014, 42(12): 58-63. (in Chinese) [13] HOROWITZ J L. The stability of stochastic equilibrium in a two-link transportation network[J]. Transportation Research Part B: Methodological, 1984, 18(1): 13-28.[14] BEN A M, DE P A, ISAM K. Dynamic network models and driver information systems[J]. Transportation Research Part A: General, 1991,25(5): 251-266.[15] 刘诗序, 关宏志. 出行者有限理性下的逐日路径选择行为和网络交通流演化[J]. 土木工程学报, 2013, 46(12): 136-144.LIU Shixu, GUAN Hongzhi. Travelers’ day-to-day route choice behavior and evolution of network traffic flow based on bounded rationality[J]. China Civil Engineering Journal, 2013, 46(12): 136-144. (in Chinese) [16] TVERSKY A, KAHNEMAN D. Advances in prospect theory: cumulative representation of uncertainty[J]. Journal of Risk and Uncertainty, 1992, 5(4): 297-323.[17] PRELEC D. The probability weighting function[J]. Econometrica, 1998, 66(3): 497-527.[18] SMITH M J. The stability of a dynamic model of traffic assignment—an application of a method of Lyapunov[J]. Transportation Science, 1984,18(3): 245-252.。
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
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【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.【期刊名称】《科技与创新》【年(卷),期】2019(000)003【总页数】2页(P40-41)【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【作者】王晓璠【作者单位】[1]中铁第四勘察设计院集团有限公司,湖北武汉430063【正文语种】中文【中图分类】U491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。
交通分配之用户均衡分配模型
tt =[0 0 0 ];xx= [0 0 0]t1 = 10 * (1 + 0.15 *(xx(1,1)/2)^4);t2 = 20 * (1+ 0.15 * (xx(1,2)/4)^4) ;t3 = 25 * (1 + 0.15 * (xx(1,3)/3)^4);%一个OD对，起点到终点的三条路段的走行时间函数Q = 10;N=8 ; % 迭代次数，本例只设置最大迭代次数。
也可另外设置收敛条件tt(1,1)= t1 ;tt(1,2) = t2;tt(1,3) = t3 ;y = [0 0 0]; %置初值Min = 50000;for j = 1 : 3if tt(1 ,j) <Min %计算最小走行时间的路段，用全有全无法分配流量Min = tt(1,j);index = j;endendxx(1,index) =Q;for i =1 :Ny = [0 0 0];t1 = 10 * (1 + 0.15 *(xx(1,1)/2)^4);t2 = 20 * (1+ 0.15 * (xx(1,2)/4)^4) ;t3 = 25 * (1 + 0.15 * (xx(1,3)/3)^4);tt(1,1)= t1 ;tt(1,2) = t2;tt(1,3 ) = t3 ;fprintf('第%d 次迭代的路径时间值：' , i);ttMin = 50000;for j = 1 : 3if tt(1 ,j) <Min %计算最小走行时间的路段，用全有全无法分配流量Min = tt(1,j);index = j;endendy(1,index) = Q; % 分配流量给辅助流fprintf('第%d 次迭代的辅助流量值是：' , i);yzz = xx + lambda * (y-xx); % 按方向(y-xx)进行一维搜索,步长为lamda t1 = 10 * (1 + 0.15 *(zz(1,1)/2)^4);t2 = 20 * (1+ 0.15 * (zz(1,2)/4)^4) ;t3 = 25 * (1 + 0.15 * (zz(1,3)/3)^4);f =( y(1,1) -xx(1,1)) * t1 + (y(1,2) -xx(1,2))* t2 +(y(1,3) -xx(1,3))* t3 ;lambda1 =double( solve(f)) ; %求解方程，确定步长。
交通需求预测中均衡配流与方式划分组合模型
交通需求预测中均衡配流与方式划分组合模型陈义华 黎 伟(重庆大学 重庆 400044)摘 要 在用户平衡(U E )和系统最优前提下,借助于Share 需求模型,提出了基于四阶段法的交通需求预测组合模型,克服了传统四阶段法中由于各个阶段相对分割和独立,造成的人力物力耗费巨大,预测工作量大的弊端。
对于交通预测的实际工作具有指导性作用。
关键词 组合模型;阻抗函数;用户平衡中图法分类号:U 491.1 文献标识码:A收稿日期:20062092120 引 言交通需求预测是根据历史的、现状的、未来的经济发展水平和交通状况与特征,预测未来的交通流量。
在目前的城市交通规划工作中,除对规划方案进行定性分析外,还必须借助定量的分析计算,从而保证交通规划的科学性和严密性。
在规划的多方案比较中,如无法直接用定性分析的方法判断方案的优劣,就必须借助于定量分析的方法。
因此,预测定量化分析是科学决策的重要依据之一,在城市交通规划中起着举足轻重的作用。
现代决策理论也必须借助于大量的数据分析,交通需求预测就是将决策理论应用于交通规划建设的实践。
城市交通需求预测的好坏直接影响城市交通规划的科学性和合理性。
城市交通预测发展至今,主要有集计模型(ag 2gregate m odel )和非集计模型(disaggregate m o 2del )[1]。
由于传统“四阶段”法的局限性,尤其对于我国交通机非混合的现象,出现了诸多不合实际的情况;且传统“四阶段”法中由于各个阶段相对分割和独立,造成的人力物力耗费巨大。
基于上述情况,许多学者提出了城市交通预测的组合模型[2]。
笔者在前人的基础上提出了交通需求预测的组合模型,文中将“四阶段”中的交通方式划分和交通路网分配进行组合,克服了传统四阶段法中的弊病,对于提高预测工作效率和预测精度具有一定的帮助和指导作用。
1 模型背景重庆由于其特殊的地形地貌,在构成城市交通的元素中非机动车辆的比例微乎其微,而取而代之的是摩托车。
基于终点的用户均衡交通分配模型求解算法
基于终点的用户均衡交通分配模型求解算法刘炳全;王明军【摘要】用户均衡分配模型是更接近实际交通状态的分配模型,它是建立在出行者总选择起迄点间交通时间最短的路径作为出行路线的行为假设基础上的.分析基于终点的用户均衡交通分配模型,指出该模型与基于路径均衡配流模型是等价的,在选择美国BPR路阻函数后,模型可以转化为带线性约束的非线性规划问题,并给出模型的矩阵表示.对这类问题,采用简便实用的仿射尺度算法求解,给出算法的基本思想及详细的实现过程.仿真结果显示,所得最优解满足wardrop第一准则,表明该算法是有效的,可用于大型路网的配流计算.【期刊名称】《现代电子技术》【年(卷),期】2008(031)022【总页数】4页(P145-147,154)【关键词】交通分配;wardrop准则;基于终点模型;仿射尺度算法【作者】刘炳全;王明军【作者单位】渭南师范学院,陕西,渭南,714000;渭南师范学院,陕西,渭南,714000【正文语种】中文【中图分类】U491;TP274交通分配就是把各种出行方式的空间OD量分配到具体的交通路网上,它是城市交通规划的一个重要环节。
依据Wardrop第一、第二准则,通常把交通分配划分为均衡分配与非均衡分配。
Beckman最早提出了满足Wardrop第一准则的用户均衡交通分配模型,常采用Frank-wolfe算法进行求解[1-3]。
由于该模型以各OD对之间的路径流量为变量,需要枚举OD对间的所有路径,因此对大型路网,模型求解相对比较困难。
近年来,许多学者对这类问题进行了多方面研究[4-6],提出许多新的模型与算法,如基于路段模型与算法[7],基于起点和终点的模型与算法[8,9]等。
这些模型与算法都是以路段流量为变量,并发现基于路段的交通分配模型同样满足Wardrop第一准则。
选择路段流量为变量,避免路径枚举,减少计算的复杂程度。
基于终点的用户均衡交通分配模型可以归结为一个具有线性约束的非线性规划问题，本文采用简单实用的仿射尺度算法[10]求解这类问题。
多方式复合城市交通网络弹性需求随机用户平衡分配模型
多方式复合城市交通网络弹性需求随机用户平衡分配模型陈坚;杨飞;晏启鹏【期刊名称】《计算机应用研究》【年(卷),期】2012(29)10【摘要】To solve the traffic distribution model was limited to some traffic mode inside and lack of consideration influence between traffic mode choice and traffic distribution, this paper described the multimodal composite urban transportation network. Network covered the buses and cars two subsystem. Total travel quantity was met demand elasticity. And according to two subsystem utility function to a stochastic user equilibrium assignment. The traffic flow split of subsystem route also satisfied stochastic user equilibrium assignment, so that it presented the model of two levels and three stochastic user equilibrium assignment of multimodal composite urban transportation network with elastic demand, it proved the equivalent and uniqueness of model. It provided an iterative algorithm based on diagonalization and MSA for the solution of this model. Finally it gave a simple numeral example. The calculation results are: bus travel quantity is 814. 1 people/hour, 20. 36% of the total amount travel 3997. 8 people/hours, the car travel is 79. 64%. Results indicates that the model in the calculation of the amount of link network flow rate distribution in the foundation also can draw the proportion of the mode of transportation structure.%为解决目前交通分配模型仅限于某种方式内,并缺少考虑方式划分与交通分配相互影响的问题,描述了多方式复合城市交通网络.网络中涵盖了公交车和小汽车两个子系统,出行总量满足弹性需求,并根据两个子系统效用函数进行随机用户平衡分配,同时子系统内各路径流量分配也满足随机用户平衡,从而建立了两层次三随机用户平衡的多方式复合城市交通网络弹性需求随机用户平衡分配模型.证明了模型解的等价性及唯一性；提出了综合对角化算法和MSA算法的组合求解算法.最后,设计了一个算例以验证模型有效性,计算结果为:公交车出行量为814.1人次/h,占总出行量3997.8人次/h的20.36％,小汽车出行量占79.64％.表明该模型在计算网络中各路段流量的同时,也可得出各交通方式的比重.【总页数】4页(P3693-3696)【作者】陈坚;杨飞;晏启鹏【作者单位】重庆交通大学交通运输学院,重庆400074;西南交通大学交通运输与物流学院,成都610031;西南交通大学交通运输与物流学院,成都610031【正文语种】中文【中图分类】U491.1【相关文献】1.弹性需求条件下城市交通网络设计问题的求解 [J], 陈秋香2.弹性需求下多方式交通网络中地铁线路规划问题研究 [J], 范文博;李志纯;张殿业3.城市交通网络综合平衡交通分配模型研究 [J], 王炜;曲大义;朱中4.多模式城市交通网络随机用户平衡配流模型 [J], 李学全;刘美娇5.弹性需求随机用户平衡分配模型及其应用 [J], 周晶;徐晏因版权原因，仅展示原文概要，查看原文内容请购买。
基于风险价值理论的多用户类弹性需求随机分配
基于风险价值理论的多用户类弹性需求随机分配
况爱武;黄中祥
【期刊名称】《中南大学学报（自然科学版）》
【年(卷),期】2013(044)012
【摘要】为合理刻画随机路网出行路径选择行为,基于均匀分布的路段容量分析降级路网中路段和路径出行时间的随机变化,依据时间价值将出行者划分为多个用户类,假定不同的用户类对出行时间可靠度有不同的需求,同时出行者能根据以往的出行经验获取路径出行时间的可变性并依据出行时间预算做出路径选择决策.以此为基础建立全局需求弹性下基于出行时间预算的多用户类随机交通分配变分不等式模型,设计求解模型的启发式算法.小型测试路网的数值分析结果表明:该模型能合理反映容量降级程度、出行时间可靠度需求及出行者感知误差对路径流量和全局需求的影响.
【总页数】8页(P5139-5146)
【作者】况爱武;黄中祥
【作者单位】长沙理工大学交通运输工程学院,湖南长沙,410004;长沙理工大学交通运输工程学院,湖南长沙,410004
【正文语种】中文
【中图分类】U491
【相关文献】
1.农业类上市公司权益融资的道德风险解释——基于代理成本理论的企业经营者行为分析 [J], 孔娜;罗宜成
2.基于模糊综合评估理论的磁铁类玩具风险评估方法研究 [J], 孙思衡;谢婷;谢志利;黄国忠;姜莉文
3.基于模糊-灰类理论的研发项目财务风险评价方法研究 [J], 赵志敏
4.基于动机的人类基础价值观理论研究——Schwartz价值观理论和研究述评 [J], 张敏;邓希文
5.大数据环境下企业内部审计风险控制与价值增值的路径研究——基于价值链理论视角 [J], 沈琦敏;王素梅
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
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
第２ ８卷 第 ９期
２１ ０ １年 ９ 月
计 算 机 应 用 研 究
Ａｐ ｌ ａ ｉ ｎ Ｒｅ ｅ ｒ ｈ ｏ ｏ ｕ ｅ ｓ ｐ ｉ ｔ ｓ ａ ｃ ｆＣ ｍｐ ｔｒ ｃ ｏ
Ｖｏ ． ８ Ｎｏ ９ １２ ． Ｓｐ ２ １ ｅ ． ０１
基 于 有 限理 性 的 弹 性 需 求 随 机 用 户 均 衡 交 通 分 配模 型 米
ｄ ｉ１ ．９ ９ ｊｉ ｎ １０ —６ ５ ２ １ ．９ ０ ７ ｏ：０ ３ ６ ／．ｓ ．０ １ ９ ． ０ ０ ． １ ｓ ３ １
Ｓ ｏ ｈ ｓｉ ｓ ｒｅ ｕｌ ｒｕ ｍｏ ｅ ｔ ｌｓｉ ｅ ｎ ｔｃ ａ ｔ ｕ ｅ ｑ ｉｂ ｉ ｍ ｄ ｌｗｉ ｅａ ｔｃ ｄ ｍａ ｄ ｃ ｉ ｈ
ｅ ｍａ ｄ ｎ ｎ ｔ ｒ ｅ ｕｉ ｂ ｕｍ ｉ ｎｆｃ ｎｌ ｅ ｎｄ ｏ ｒｆ ｒｎｃ ｉ ， ａ ｒｖ ｌ ｅ ｎ ｗｉｌ ｅ ｏ ａ ｅ ｌｄｅ ｎ ｓ ａ ｄ ｅｗｏｋ ｑ ｌ ｒ ｉｉ ｓｇ ｉ ａ ｔｙ ｄ ｐｅ ｎ ｅｅｅ ｅ ｐｏｎｔ ｎｄ ｔａ ｅ ｄ ｍａ ｄｓ ｌ ｉ ｂ ｃ ｍｅ ｌｇ ｒ ｗｈｅ ｎ ｔａ ｅｅ ｓａ ｅ ｍｏ ｅ ｓ ｔｓ ｅ ｔ ｅｗｏｋ ｔａｆｃ ｃ ｎ ｉｉ ｎ．ｗｈｌ ｔｗｉｌｂ ｃ ｍｅ ｆｗｅ ｅ ｒｖ ｌｒ ｒ ｒ ａ ｌ ｒｗｉｈ ｉ． ｒ ｖ ｌ ｒ ｌ ｒ ａｉｆ ｄ ｗｉ ｎ ｔ ｒ ｒｆ ｏ ｄ ｔｏ ｉ ｈ ｉ ｉｅ ｉ ｌ ｅ ｏ ｅ ｒｗｈ ｎ ｔａ ｅｅ ｓａ ｅ ｍｏ ｅｆ ｍｉｉ ｔ ｔ ａ
敏 感性对 均衡 状 态 出行 者 的认 知和 心理特征进 行 了分析 。结果 表 明 ， Ｄ 出行 需求 和 网络 均衡 态具 有 显著 的参 Ｏ
照点 依赖 效应 ， 出行 者对路 况满意度 越 高 Ｏ 出行 需求越 大， Ｄ 对路 况 熟悉程度越 高 Ｏ 出行 需求越 小。模 型及 算 Ｄ
法 可以加深 对 出行行 为 的理解 ， 改进 传统模 型理论假 设及 适用性 的局 限 ， 更加精确描 述 交通流 的 实际分布形 态。 关键词 ：有 限理性 ；累积前景 理论 ；弹性 需求 ；随机 用户 均衡 中图分类 号 ：Ｔ ３ １ Ｐ ９ 文 献标志 码 ：Ａ 文章编 号 ：１ ０ — ６５（０ １ ０ — ２ ８ ０ ０ １３ ９ ２ １ ） ９ ３ ６ —４
Ａｂｓｒ ｃ ｔ ａ ｔ： Ｉ ｒ ｒｔ ｉ ｔｎｅ ｕｓｙ ｔｋｅｔａｆ ｅｗｏ ｋ’Ｓｒｎｄ ｍｎ ｓ ｎ ｒ ｖ ｌ ｒ ’ ｐ ｒ ｅ ｔｏ ｒ ｒｉｔ ｃ ｏ ｎ ，ｆｒ ｌ — ｎ ｏｄｅ ｏ ｓｍｕｌ ａ ｏ ｌ ａ ｒ ｆ ｃ ｎ ｔ ｒ ａ ｏ ｅ ｓａ ｄ ｔａ ｅｅ ｓ ｅ ｃ ｐｉ ｎｅｒｏ ｎ ｏａ ｃ ｕ ｔ ｏ ｍｕ ａ ｉ ｔｄ ａ ｓｏ ｈ ｓｉ ｅ ｑ ｉｉ ｉｕ ｍｏ ｅ ｔ ｌ ｓｉ ｅ ｎｄ ｂａｅ ｎ ｂ ｕ ｅ ａ ｉｎ ｌｔ ￣ａ ｗｏ ｋ ａ ｕｍｕａ ｉｅ ｐ ｏ ｐｅ ｔ ｅ ｔｃ ａ ｔｃ ｕｓ ｒｅ ｕ ｌ ｂｒ ｍ ｄ ｌｗｉｈ ｅａ ｔｃ ｄ ｍａ ｓ ｄ ｏ ｏ ｎｄ ｄ ｒ ｔｏ ａ ｉ ｙ ｍｅ ｒ ｎｄ ｃ ｌｔｖ ｒ ｓ ｃ
张 波 ， 志 才 ， 徐 勋 隽 林
（ 海交通 大学 安泰 经济 与管理 学院 ，上海 ２ቤተ መጻሕፍቲ ባይዱ０ ５ ） 上 ０ ０ ２ 摘
一
要 ：为 了同时考虑路 网的随机 变化特征 和 出行 者的 感知误 差 ， 有限理 性框 架下基 于 累积 前景 理论 建立 了 在
个 弹性 需 求随机用 户均衡模 型 ， 出 了等价 的 变分 不等 式 ， 给 设计 了求解算 法并通过 算例进行 了验证 ， 参数 结合