1、內(nèi)容提要

本文介紹了2017年4月-2019年7月的一個(gè)TransCAD(TransDNA)和TransModeler雙平臺(tái)動(dòng)態(tài)交通分配（DTA）模型。該項(xiàng)目旨在為內(nèi)華達(dá)州南部地區(qū)交通委員會(huì)（RTC）開(kāi)發(fā)動(dòng)態(tài)交通分配工具。DTA模型涵蓋RTC區(qū)域出行需求模型（TDM）的整個(gè)建模范圍，包括拉斯維加斯市、北拉斯維加斯市、亨德森市、拉斯維加斯谷內(nèi)未合并的克拉克縣地區(qū)以及博爾德市的核心區(qū)域。

Caliper公司是構(gòu)建模型的軟件平臺(tái)TransCAD和TransModeler的開(kāi)發(fā)商，為RTC創(chuàng)建了兩個(gè)DTA模型： 一個(gè)DTA模型在TransDNA中實(shí)現(xiàn)，這是一個(gè)建立在TransCAD平臺(tái)上的中觀DTA，利用了建立RTC TransCAD出行需求模型的大部分相同數(shù)據(jù)和地理信息。這種中觀DTA為區(qū)域范圍內(nèi)的應(yīng)用提供了快速DTA。

對(duì)于這些應(yīng)用，為了更快地響應(yīng)更大范圍或更面向規(guī)劃的決策，可能會(huì)犧牲解析度和準(zhǔn)確性。



TransDNA的車(chē)速動(dòng)態(tài)顏色專(zhuān)題 另一個(gè)DTA模型在TransModeler中實(shí)現(xiàn)，并使用高解析度微觀交通仿真來(lái)模擬整個(gè)區(qū)域的交通流。這種微觀DTA更可靠、更準(zhǔn)確地解決了運(yùn)營(yíng)問(wèn)題，預(yù)測(cè)了運(yùn)營(yíng)能力及其對(duì)擁堵模式的影響，進(jìn)而預(yù)測(cè)了路徑選擇。

這兩個(gè)DTA模型都包括RTC規(guī)劃模型中的每個(gè)道路路段，但TransModeler中的微觀DTA中添加了許多其他路段，以反映該地區(qū)所有信號(hào)交叉口的影響，如果沒(méi)有這些影響，各種交通模型都有可能低估主干道上的出行時(shí)間和延誤。針對(duì)上午高峰時(shí)段（上午6:00–上午9:00）和下午高峰時(shí)段（下午1:00–下午6:00）制定了DTA場(chǎng)景/方案。

對(duì)DTA模型進(jìn)行了校準(zhǔn)，以驗(yàn)證該模型的出行特征（例如，出發(fā)時(shí)間的時(shí)間分布）反映了歷史交通流觀測(cè)數(shù)據(jù)，并驗(yàn)證了該模型的模擬出行時(shí)間與觀測(cè)的出行時(shí)間和速度密切匹配。本文詳細(xì)介紹了DTA模型開(kāi)發(fā)過(guò)程中所采取的步驟和假設(shè)，簡(jiǎn)要描述了校準(zhǔn)方法，驗(yàn)證結(jié)果，并說(shuō)明如何使用模型。

2、模型開(kāi)發(fā)

TransModeler中的動(dòng)態(tài)交通分配（DTA）模型是根據(jù)以下描述的輸入數(shù)據(jù)開(kāi)發(fā)的。車(chē)道級(jí)道路網(wǎng)最初幾乎完全從零開(kāi)始開(kāi)發(fā)，使用高分辨率航空?qǐng)D像作為參考。形心和形心連線從區(qū)域出行需求模型（TDM）中導(dǎo)入，以確保交通分析區(qū)（TAZ）中心ID的一致性。形心作為RTC區(qū)域出行需求模型中的產(chǎn)生出行的起點(diǎn)和終點(diǎn)。

共同的TAZ和形心，是出行需求和DTA模型之間的主要關(guān)聯(lián)要素，并允許兩個(gè)模型隨時(shí)共用出行矩陣。隨后導(dǎo)出了高度精確的道路網(wǎng)絡(luò)，以創(chuàng)建TransDNA的線層路網(wǎng)，其中包括描述左轉(zhuǎn)和右轉(zhuǎn)灣島長(zhǎng)度及其車(chē)道數(shù)的字段。TransModeler數(shù)據(jù)庫(kù)的開(kāi)發(fā)將在本節(jié)后續(xù)部分描述。

2.1數(shù)據(jù)來(lái)源

建立DTA模型需要各種數(shù)據(jù)。至少，這些數(shù)據(jù)包括用于構(gòu)建街道網(wǎng)絡(luò)地理和幾何結(jié)構(gòu)的航空影像、用于模擬信號(hào)交叉口運(yùn)行的信號(hào)配時(shí)數(shù)據(jù)，以及用于校準(zhǔn)模型的短時(shí)間間隔的觀測(cè)的交通流量/速度數(shù)據(jù)。通用公交提供規(guī)范（GTFS）數(shù)據(jù)可用于將公交路線信息導(dǎo)入模型。其他類(lèi)型的數(shù)據(jù)，如詳細(xì)的交通流量和出行時(shí)間觀測(cè)，用于驗(yàn)證模型。

RTC的DTA模型是根據(jù)以下數(shù)據(jù)源開(kāi)發(fā)的： 可從谷歌等網(wǎng)絡(luò)地圖服務(wù)免費(fèi)獲得航空影像 RTC提供的信號(hào)配時(shí) RTC提供的流量觀測(cè)數(shù)據(jù) 來(lái)自INRIX的速度數(shù)據(jù) 谷歌出行時(shí)間 GTFS數(shù)據(jù)

2.2模型設(shè)計(jì)

開(kāi)發(fā)DTA模型的TransModeler和構(gòu)建區(qū)域TDM的TransCAD共享以TAZ ID的形式表示出行的起點(diǎn)和終點(diǎn)。這種對(duì)出行起點(diǎn)和終點(diǎn)的共用允許將TDM生成的出行矩陣用作DTA模型的輸入并進(jìn)行模擬。 DTA模型包括區(qū)域TDM規(guī)劃模型網(wǎng)絡(luò)中的每一條道路路段。增加了許多其他路段，以便包括所有信號(hào)燈和其他主要路口，這些路口可以從航空影像中識(shí)別出來(lái)。

除了將其用作交通影響評(píng)估的可靠交通模型外，DTA模型還有其他值得一提的重大好處。DTA模型的地理信息系統(tǒng)（GIS）和關(guān)系數(shù)據(jù)庫(kù)平臺(tái)使該模型成為一個(gè)強(qiáng)大的車(chē)道級(jí)交通數(shù)據(jù)存儲(chǔ)庫(kù)。具體來(lái)說(shuō)，該模型可以用作數(shù)據(jù)庫(kù)來(lái)存儲(chǔ)和更新地理和幾何信息。

此外，該模型還可以作為RTC地區(qū)的信號(hào)配時(shí)清單，以補(bǔ)充高速公路和干線運(yùn)輸系統(tǒng)（FAST）維護(hù)的工具。最后，該平臺(tái)還提供了一個(gè)集成的GIS-3D建模環(huán)境，可用于可視化場(chǎng)景并促進(jìn)公眾和利益相關(guān)者參與項(xiàng)目評(píng)估過(guò)程。

2.3路網(wǎng)開(kāi)發(fā)

在任何規(guī)劃軟件平臺(tái)中，表示TDM中道路網(wǎng)絡(luò)的地理線圖層可用于在TransModeler中生成初步仿真數(shù)據(jù)庫(kù)。因此，TransCAD中RTC模型的規(guī)劃網(wǎng)絡(luò)是創(chuàng)建DTA模型仿數(shù)據(jù)庫(kù)的潛在資源。然而，TransModeler中的道路編輯和網(wǎng)絡(luò)開(kāi)發(fā)工具使得通過(guò)高分辨率航空影像圖為整個(gè)大都市地區(qū)開(kāi)發(fā)網(wǎng)絡(luò)變得更具成本效益，這一過(guò)程有助于其他重要的網(wǎng)絡(luò)開(kāi)發(fā)任務(wù)，例如識(shí)別可能不在規(guī)劃網(wǎng)絡(luò)中的公共汽車(chē)和HOV車(chē)道以及信號(hào)交叉口。RTC規(guī)劃區(qū)域的仿真數(shù)據(jù)庫(kù)因此得以開(kāi)發(fā)，并增加了額外的路段，以覆蓋影像圖中可識(shí)別的所有信號(hào)交叉口。

其他工具，如谷歌地球和谷歌街景，被用于確認(rèn)重要的幾何細(xì)節(jié)，如車(chē)道利用率和交叉口禁止轉(zhuǎn)向。 TransModeler提供了對(duì)web地圖服務(wù)的內(nèi)置訪問(wèn)，這些服務(wù)允許將地圖內(nèi)容（如谷歌地圖、谷歌衛(wèi)星、OpenStreetMap和USGS地形圖）自動(dòng)下載到地圖窗口。

來(lái)自這些網(wǎng)絡(luò)來(lái)源的航空?qǐng)D像被用于確定道路、交叉口和立交的幾何結(jié)構(gòu)。如果在圖像中可以看到施工情況，或者已知或懷疑近年來(lái)發(fā)生了道路項(xiàng)目，則使用歷史圖像或其他基于網(wǎng)絡(luò)的來(lái)源來(lái)確定模型基礎(chǔ)年（2015年）的幾何結(jié)構(gòu)。 在路網(wǎng)開(kāi)發(fā)結(jié)束時(shí)，TransModeler中的錯(cuò)誤檢查程序用于掃描數(shù)據(jù)庫(kù)中常見(jiàn)的編碼錯(cuò)誤。

這確保了不存在缺失的車(chē)道連線、不必要的短路段或交叉口或道路幾何結(jié)構(gòu)錯(cuò)誤。在模型開(kāi)發(fā)和模型校準(zhǔn)過(guò)程中，還遇到了其他編碼錯(cuò)誤并進(jìn)行了糾正。

2.3.1幾何細(xì)節(jié)

DTA模型中幾乎包含了所有幾何細(xì)節(jié)。模型開(kāi)發(fā)的重點(diǎn)是實(shí)現(xiàn)交叉口形狀和尺寸的高度精確表示，這在很大程度上決定了交叉口或互通式立交的運(yùn)營(yíng)能力。除了交叉道路的幾何形狀（例如，水平曲率）外，還努力準(zhǔn)確表示轉(zhuǎn)向島長(zhǎng)度、車(chē)道寬度、轉(zhuǎn)向車(chē)道渠化、通過(guò)交叉口的車(chē)輛軌跡和其他幾何元素。下圖顯示了RTC區(qū)域中兩個(gè)地方模型的詳細(xì)程度。



I-15和W. Flamingo路立交



N. Town Center Drive的一對(duì)環(huán)形交叉口

2.3.2道路功能類(lèi)別

在TransModeler中確定并將適當(dāng)?shù)牡缆饭δ茴?lèi)別應(yīng)用于路段對(duì)模型中的駕駛員行為和路徑選擇具有重要影響。速度限制是微觀仿真模型中最重要的道路等級(jí)屬性。駕駛員的期望速度，即駕駛員在沒(méi)有交通信號(hào)或其他車(chē)輛影響的情況下行駛的速度，是速度限制的函數(shù)，更保守的駕駛員嚴(yán)格遵守速度限制，更激進(jìn)的駕駛員行駛速度更快。

2015年修正的TDM模型網(wǎng)絡(luò)中的道路等級(jí)和速度數(shù)據(jù)用于為仿真模型中的所有適用指派道路等級(jí)。對(duì)DTA模型中未包含在TDM模型中的道路功能等級(jí)進(jìn)行了評(píng)估。下圖顯示了DTA模型中按道路類(lèi)別進(jìn)行顏色編碼的道路網(wǎng)絡(luò)的線圖層表示。



道路網(wǎng)絡(luò)功能類(lèi)別顏色編碼地圖

2.4交通控制輸入開(kāi)發(fā)

交通信號(hào)對(duì)地面道路的交通運(yùn)行至關(guān)重要，DTA模型對(duì)交通信號(hào)配時(shí)的詳細(xì)表示足夠準(zhǔn)確，以支持具有高度運(yùn)營(yíng)敏感性的假設(shè)情景評(píng)估。該模型可以支持公交信號(hào)優(yōu)先、列車(chē)優(yōu)先和各種其他交通信號(hào)配時(shí)策略的分析。 FAST提供信號(hào)配時(shí)數(shù)據(jù)，包括匝道信號(hào)配時(shí)數(shù)據(jù)。RTC工作人員還協(xié)助提供了許多信號(hào)配時(shí)電子表格中沒(méi)有的相位分配的額外數(shù)據(jù)（例如，相位1服務(wù)于EBL轉(zhuǎn)向）。

在研究區(qū)域內(nèi)的1437個(gè)信號(hào)交叉口中，1414個(gè)為FAST信號(hào)，1060個(gè)為導(dǎo)入的可用信號(hào)配時(shí)數(shù)據(jù)。剩余377個(gè)信號(hào)的信號(hào)配時(shí)是根據(jù)預(yù)計(jì)的2015年高峰時(shí)段轉(zhuǎn)向需求、該區(qū)域的通用信號(hào)配時(shí)參數(shù)和工程判斷進(jìn)行估計(jì)的。在整個(gè)網(wǎng)絡(luò)中，假設(shè)了感應(yīng)信號(hào)操作，并應(yīng)用了簡(jiǎn)單的檢測(cè)器幾何結(jié)構(gòu)，包括停車(chē)呼叫和延時(shí)檢測(cè)。

研究區(qū)域內(nèi)有68個(gè)匝道信號(hào)。獲得了其中38個(gè)地點(diǎn)的時(shí)間參數(shù)，并對(duì)其余地點(diǎn)進(jìn)行了假設(shè)。在沒(méi)有可用數(shù)據(jù)的匝道信號(hào)，假設(shè)交通響應(yīng)操作在一天中最常見(jiàn)的時(shí)間（6:00 AM–9:00 AM和3:00 PM–6:00 PM）運(yùn)行，RTC向我們提供了典型的占用率和費(fèi)率。隊(duì)列檢測(cè)器也被假定為可運(yùn)行，如果超過(guò)隊(duì)列占用率，則假定匝道流量統(tǒng)計(jì)被關(guān)閉。

下圖提供了匝道信號(hào)位置示意圖，圖2-5提供了模型中信號(hào)交叉口位置示意圖。



DTA模型中的匝道信號(hào)分布圖



DTA模型中的信號(hào)交叉口位置圖

2.5流量觀測(cè)數(shù)據(jù)

整個(gè)研究區(qū)域的交通流量數(shù)據(jù)來(lái)自五個(gè)來(lái)源： (1)內(nèi)華達(dá)州交通部（NDOT）短期15分鐘流量 (2)快車(chē)道流量 (3)ATR流量 (4)內(nèi)華達(dá)州南部交通研究（SNTS）對(duì)三個(gè)地點(diǎn)的15分鐘間隔流量（包括I-15、I-215和Summerlin Parkway） (5)FAST探測(cè)器數(shù)據(jù)（流量和速度），15分鐘間隔 仿真數(shù)據(jù)庫(kù)是一個(gè)地理關(guān)系數(shù)據(jù)庫(kù)，存儲(chǔ)了道路網(wǎng)絡(luò)的地理和幾何結(jié)構(gòu)，其中包括了這些流量數(shù)據(jù)，我們的校準(zhǔn)分析側(cè)重于這些數(shù)據(jù)以及下面討論的速度數(shù)據(jù)。

不幸的是，快速車(chē)道流量無(wú)法用于校準(zhǔn)，因?yàn)闆](méi)有按車(chē)道區(qū)分交通量。

相互沖突的流量也會(huì)被丟棄，因?yàn)樗鼈儠?huì)對(duì)校準(zhǔn)過(guò)程產(chǎn)生不利影響。 例如，在I-515 NB沿線的這個(gè)位置，我們有四個(gè)流量觀測(cè)位置，總PM高峰期（2:00 PM–6:00 PM）的交通量如下所示。

東向西方向，19390–2047+4446 =21809。然而，橙色的數(shù)字只有17407。其他相鄰計(jì)數(shù)與19390計(jì)數(shù)一致，因此我們使用零權(quán)重對(duì)流量17407進(jìn)行加權(quán)。



權(quán)重為0的流量觀測(cè)斷面例子 總的來(lái)說(shuō)，AM期間有效流量觀測(cè)點(diǎn)為939個(gè)，PM期間有效數(shù)為954個(gè)，分布在整個(gè)區(qū)域。下圖說(shuō)明了整個(gè)網(wǎng)絡(luò)中流量觀測(cè)點(diǎn)的位置。流量觀測(cè)與模型中的路段（片段）相關(guān)聯(lián)。圖中呈現(xiàn)了整個(gè)網(wǎng)絡(luò)中觀測(cè)點(diǎn)大致均勻分布。



流量觀測(cè)斷面



Strip和空港附近的流量觀測(cè)斷面

2.6速度數(shù)據(jù)

速度數(shù)據(jù)對(duì)于了解網(wǎng)絡(luò)中瓶頸的位置至關(guān)重要。INRIX是一家全球軟件即服務(wù)（SaaS）和數(shù)據(jù)即服務(wù)（DaaS）公司，提供移動(dòng)電話(huà)、聯(lián)網(wǎng)車(chē)輛、卡車(chē)和配備GPS設(shè)備的車(chē)隊(duì)車(chē)輛的道路速度數(shù)據(jù)。獲取2016年3月1日至2016年5月31日之間的周三INRIX速度數(shù)據(jù)，并將其平均值用于校準(zhǔn)過(guò)程。

2.7出行時(shí)間數(shù)據(jù)

為了驗(yàn)證該模型，我們使用Google的Directions API（應(yīng)用程序編程接口）獲得了示例出行時(shí)間數(shù)據(jù)，這是通過(guò)Google地圖平臺(tái)提供的各種web服務(wù)之一。

使用的Directions API許可證限制了每天可以提交的查詢(xún)數(shù)。我們選擇了分布在整個(gè)網(wǎng)絡(luò)中的59個(gè)TAZ的形心，確保每個(gè)大區(qū)（K-District）至少選擇兩個(gè)TAZ。59個(gè)原始TAZ形心的位置如下圖所示。



谷歌出行時(shí)間抽樣的TAZ形心分布 然后，我們?cè)贏M和PM模型期間每半小時(shí)查詢(xún)一次出行時(shí)間，其中59個(gè)形心作為起點(diǎn)，1658個(gè)形心作為終點(diǎn)（97822個(gè)OD對(duì)）。

因此，查詢(xún)了97822個(gè)OD對(duì)的8個(gè)出發(fā)時(shí)間：7:00 AM、7:30 AM、8:00AM、8:30 AM、2:00 PM、2:30 PM、3:00 PM、3:30PM、4:00 PM、4:30 PM、5:00 PM和5:30 PM。

由于無(wú)法查詢(xún)過(guò)往的數(shù)據(jù)，我們查詢(xún)了一個(gè)典型的春天的日期，2019年4月10日，星期三。 我們還查詢(xún)了2019年7月17日（星期三）的一些數(shù)據(jù)（7:30AM、8:00 AM、4:00 PM、4:30 PM、5:00 PM、5:30PM），以查看全年出行時(shí)間是否波動(dòng)。

我們發(fā)現(xiàn)，出行距離在68-75%的時(shí)間內(nèi)保持完全相同，這表明谷歌在這兩個(gè)月內(nèi)可能采用了相同的路徑。當(dāng)出行距離相同時(shí)，4月和7月的出行時(shí)間非常相似，如下圖中的散點(diǎn)圖所示。



谷歌相同出行距離下不同日期出行時(shí)間散點(diǎn)圖 即使在出行距離不同，出行時(shí)間仍然非常相似，只有少數(shù)出行時(shí)間明顯不同。



谷歌不同出行距離下不同日期出行時(shí)間散點(diǎn)圖 谷歌出行時(shí)間的樣本被縮小到內(nèi)部之間（I-I）OD對(duì)，根據(jù)谷歌和模型，這些OD對(duì)的整個(gè)路徑都將穿過(guò)模型內(nèi)的路段。

考慮到這一點(diǎn)，在各自的15分鐘出發(fā)間隔內(nèi)，88%的AM仿真OD對(duì)和87%的PM仿真OD對(duì)具有相應(yīng)的Google出行時(shí)間可供比較。所得散點(diǎn)圖見(jiàn)第4節(jié)模型驗(yàn)證。

2.8 GTFS數(shù)據(jù)

為了代表2015年的公交服務(wù)，并導(dǎo)入了公交服務(wù)ID4_merged_35727228，該公交服務(wù)從2015年2月份22日運(yùn)行到2015年11月7日。這導(dǎo)致212條公交線路被添加到網(wǎng)絡(luò)中，如下圖所示。



GTFS數(shù)據(jù)導(dǎo)入的公交線路

2.9 TransDNA模型開(kāi)發(fā)

對(duì)于TransDNA中的中觀DTA，從TransModeler中為DTA開(kāi)發(fā)的仿真網(wǎng)絡(luò)中導(dǎo)出了一個(gè)線圖層，如第2.3節(jié)所述。因此，線圖層包含TransCAD規(guī)劃模型中的所有路段，但添加了支持仿真和DTA所需的相同路段和形心連線細(xì)節(jié)。換句話(huà)說(shuō)，對(duì)TransModeler網(wǎng)絡(luò)所做的所有幾何增強(qiáng)都反映在TransDNA線圖層中。

這些增強(qiáng)功能包括在線圖層中添加字段，以表示左、右轉(zhuǎn)向島的存在、轉(zhuǎn)向島車(chē)道的數(shù)量和轉(zhuǎn)向島長(zhǎng)度。這些字段是TransDNA的重要輸入，在這些字段中，當(dāng)車(chē)道配置發(fā)生變化時(shí)，無(wú)需拆分路段，就可以合理地捕捉到轉(zhuǎn)向島對(duì)交通流的影響。

將交叉口幾何圖形表示為線圖層屬性還具有最小化網(wǎng)絡(luò)中路段數(shù)量的優(yōu)點(diǎn)，從而實(shí)現(xiàn)了低運(yùn)行時(shí)間的仿真。更多的路段會(huì)增加運(yùn)行時(shí)間，因?yàn)樗鼈儠?huì)降低最短路徑計(jì)算的速度，隨著經(jīng)過(guò)的節(jié)點(diǎn)數(shù)量的增加，最短路徑的計(jì)算需要更長(zhǎng)的時(shí)間，并且在DTA過(guò)程中會(huì)執(zhí)行多次，以便隨著擁堵模式的演變更新路徑選擇。

3、模型校準(zhǔn)

TransModeler DTA模型的校準(zhǔn)和驗(yàn)證旨在實(shí)現(xiàn)：（1）DTA模型及其基礎(chǔ)交通流模型能夠反映2015年?duì)顩r，包括區(qū)域交通模式和瓶頸位置，以及（2）確認(rèn)模型編碼正確，信號(hào)配時(shí)估計(jì)和形心連通性合理。這項(xiàng)工作的關(guān)鍵結(jié)果，如隨時(shí)間變化的起點(diǎn)-終點(diǎn)（OD）流量，被用作TransDNADTA模型的輸入。

3.1駕駛員行為調(diào)整

3.1.1車(chē)輛類(lèi)別分布

車(chē)輛類(lèi)別分布定義了要仿真的車(chē)輛類(lèi)型（例如，汽車(chē)、SUV/皮卡、卡車(chē)等）的組合。2013年道路車(chē)輛類(lèi)別研究的數(shù)據(jù)用于計(jì)算AM和PM高峰期車(chē)輛類(lèi)別分布。

3.1.2高速公路出入口處罰

TransModeler具有路徑選擇參數(shù)，可為進(jìn)出高速公路的車(chē)輛指定懲罰。這些參數(shù)旨在阻止可能在出口匝道離開(kāi)高速公路并立即返回入口匝道的路徑。然而，這些懲罰也可以阻止合理的路徑選擇，例如進(jìn)入高速公路的路徑在下一個(gè)出口匝道離開(kāi)之前只能在高速公路上行駛很短的距離。在我們的校準(zhǔn)工作中，我們發(fā)現(xiàn)主干道與高速公路相比利用不足。為了平衡對(duì)利用高速公路和當(dāng)?shù)芈肪W(wǎng)的道路的需求，高速公路罰款增加到出口60秒，入口120秒。

3.1.3形心連線出行時(shí)間誤差

與所有區(qū)域模型一樣，微觀仿真模型不模擬TAZ內(nèi)的交通，因此可能無(wú)法準(zhǔn)確描述起點(diǎn)形心處的出行起點(diǎn)，也無(wú)法準(zhǔn)確描述終點(diǎn)形心處的出行終點(diǎn)。在某些TAZ中，存在大量形心連線。起點(diǎn)和終點(diǎn)處的形心連線必須根據(jù)權(quán)重隨機(jī)分配，該方法存在各種問(wèn)題（例如，在某些情況下可能會(huì)導(dǎo)致不可行或不合理的路徑），或選擇作為路徑選擇計(jì)算的一部分。

與路段上的出行時(shí)間和延誤一樣，出行時(shí)間可以分配給形心連線，并且這些出行時(shí)間可以類(lèi)似地隨機(jī)擾動(dòng)。隨機(jī)誤差越大，該TAZ周?chē)虞d（或卸載）點(diǎn)的交通分布越廣。隨機(jī)誤差越低，路徑選擇將有利于TAZ中的少量形心連線，從而使一些形心連線未使用的可能性越大。

為了鼓勵(lì)在一個(gè)TAZ內(nèi)的加載點(diǎn)之間更廣泛地分布交通，一般情況下，形心連線的出行時(shí)間為5分鐘。特定形心連線有時(shí)被分配的出行時(shí)間大于或小于該出行時(shí)間，以鼓勵(lì)或阻止使用。 特定形心連線相對(duì)于服務(wù)于相同形心的其他連線。此外，形心連線出行時(shí)間誤差（定義為形心連線行駛時(shí)間的百分比）設(shè)置為50%。

這意味著，例如，模型中的任何給定駕駛員可以感知形心連線上的行駛時(shí)間，5分鐘的行駛時(shí)間在2.5到7.5分鐘之間。高誤差意味著允許足夠的變化，以克服在緊鄰形心連線的加載點(diǎn)下游的交通信號(hào)處可能經(jīng)歷的延誤。這樣，形心連線的選擇不會(huì)完全受形心附近路段上延誤的影響。

3.1.4 I-15快車(chē)道的用戶(hù)A

I-15快車(chē)道是沿I-15高速公路的平行車(chē)道，從撒哈拉大道延伸至Silverado牧場(chǎng)大道。駕駛員只能在特定位置進(jìn)出快車(chē)道。使用快車(chē)道的選擇被建模為尋求最小化出行時(shí)間的隨機(jī)最短路徑模型。當(dāng)存在平行路線且出行時(shí)間相似時(shí)，例如使用快車(chē)道或不使用快車(chē)道所代表的時(shí)間，模型很難以現(xiàn)實(shí)的方式在兩條路徑之間分配車(chē)輛。

為了解決這個(gè)問(wèn)題，我們將所有車(chē)輛中的75%指定為用戶(hù)A車(chē)輛，并為用戶(hù)A的車(chē)輛保留I-15快車(chē)道。用戶(hù)A車(chē)輛有資格使用快車(chē)道，但也可以選擇使用通用車(chē)道。這確保了快車(chē)道的需求不會(huì)超過(guò)車(chē)道的容量，但也保留了路徑選擇模型為車(chē)輛選擇路徑的能力。

3.2基于仿真的動(dòng)態(tài)交通分配

與傳統(tǒng)靜態(tài)分配相比，DTA的主要優(yōu)勢(shì)在于詳細(xì)處理了不同時(shí)間和不同地點(diǎn)擁堵的形成和緩解方式。擁堵發(fā)生的時(shí)間和地點(diǎn)在很大程度上取決于出行出發(fā)時(shí)段和分布方式。 路徑選擇行為是DTA模型的核心，因此也是模型校準(zhǔn)的核心。在考慮根據(jù)DTA的模型流量與現(xiàn)場(chǎng)觀察到的流量之間的擬合之前，重要的是考慮如何確定DTA中的模型體。

DTA模型交通量最終取決于駕駛員做出的路徑選擇決定，這是發(fā)車(chē)時(shí)間和網(wǎng)絡(luò)中預(yù)期出行條件的函數(shù)。預(yù)期的出行條件來(lái)自于模型中所有出行者的路徑選擇以及由此產(chǎn)生的擁堵模式。為了模擬合理的路徑選擇，駕駛員必須了解他們?cè)诔鲂兄蓄A(yù)計(jì)經(jīng)歷的擁堵出行時(shí)間。

這些出行時(shí)間不是先驗(yàn)已知的，因此是根據(jù)感興趣時(shí)段（例如AM、PM）的微觀交通仿真來(lái)估計(jì)的。 因此，整個(gè)周期的微觀仿真是迭代執(zhí)行的，連續(xù)平均（MSA）方法應(yīng)用于輸出出行時(shí)間和迭代之間的轉(zhuǎn)向延誤。每次運(yùn)行的路徑選擇是上一次仿真和平均出行時(shí)間的函數(shù)。

該迭代DTA框架的主要目標(biāo)是平衡路徑選擇，以使駕駛員在模型充分收斂時(shí)無(wú)法切換到替代路徑并改善其出行時(shí)間，這是用戶(hù)平衡（UE）的一種形式。 出行時(shí)間被平均化，以便在迭代中平滑它們，以防止從一個(gè)迭代到下一個(gè)迭代在好的和壞的路徑之間來(lái)回切換效率低下。

DTA一直運(yùn)行，直到它收斂到目標(biāo)間隙，定義為上一次迭代的出行時(shí)間和延誤與當(dāng)前迭代的出行和延誤之間的均方根誤差（RMSE）百分比，或者直到達(dá)到最大迭代次數(shù)。 然而，在基于仿真的DTA應(yīng)用中，通常依賴(lài)最大迭代次數(shù)而不是目標(biāo)間隙作為停止運(yùn)行標(biāo)準(zhǔn)。

因?yàn)榉抡婺Ｐ褪请S機(jī)蒙特卡羅模擬（即，每個(gè)仿真都是用不同的隨機(jī)種子啟動(dòng)的，并且會(huì)產(chǎn)生不同的結(jié)果），并且因?yàn)檐?chē)輛出行是整數(shù)（即，它們不能像靜態(tài)交通分配方法那樣被分成很小的部分），可能無(wú)法實(shí)現(xiàn)高質(zhì)量靜態(tài)交通分配所期望的數(shù)量級(jí)的目標(biāo)間隙。

考慮到在基于仿真的環(huán)境中，目標(biāo)間隙的相關(guān)只是趨勢(shì)，而不是絕對(duì)值，唯一相關(guān)的問(wèn)題是運(yùn)行DTA，直到目標(biāo)間隙無(wú)法進(jìn)一步縮小。在基于仿真的DTA應(yīng)用中，通常認(rèn)為在大約50次迭代中收斂是足夠的。 執(zhí)行DTA后，可以輕松瀏覽、查看和檢查模型中使用的路徑是否合理。在OD對(duì)之間目視觀察到的路徑以及通過(guò)選定關(guān)鍵路段的路徑都滿(mǎn)足先驗(yàn)預(yù)期。通過(guò)DTA迭代，從路徑選擇集合中篩選出不合理的路徑。 DTA中不僅消除了糟糕的路徑選擇，而且路徑選擇也因出發(fā)時(shí)間而異。

路徑選擇是隨機(jī)的、動(dòng)態(tài)的路徑選擇，使得每個(gè)駕駛員對(duì)出行時(shí)間的感知不同于其他駕駛員，并且駕駛員在給定路段上期望的平均出行時(shí)間取決于沿著路徑到達(dá)路段的時(shí)間。在模型中，從一個(gè)時(shí)間間隔的中點(diǎn)到下一時(shí)間間隔的出行時(shí)間以分段線性方式表示。因此，路段上的預(yù)期出行時(shí)間在時(shí)間上連續(xù)變化，而不是像直方圖中那樣不連續(xù)變化。

3.3動(dòng)態(tài)OD矩陣估計(jì)（DODME）

運(yùn)行DTA并估計(jì)行駛時(shí)間和轉(zhuǎn)向延誤后，可以進(jìn)行模擬，以確定研究區(qū)域內(nèi)路段的模擬交通量和速度與每15分鐘間隔內(nèi)的觀測(cè)流量和速度的匹配程度。DTA之后是動(dòng)態(tài)OD矩陣估計(jì)（DODME）的應(yīng)用，該過(guò)程模擬全峰值周期，計(jì)算15分鐘間隔內(nèi)整個(gè)觀測(cè)流量和速度位置的相對(duì)均方根誤差（RMSE），在15分鐘內(nèi)通過(guò)的流量觀測(cè)和速度位置，對(duì)每一次觀測(cè)流量與速度匹配程度進(jìn)行評(píng)分，并在得分最差的出行中執(zhí)行以下方式之一： (1)出行移除 (2)出行克隆 (3)出發(fā)時(shí)間提前15分鐘 (4)出發(fā)時(shí)間調(diào)整15分鐘后 可以對(duì)移除、克隆或轉(zhuǎn)移的出行類(lèi)型設(shè)置條件，以限制DODME并將人工智能應(yīng)用于自動(dòng)化程序。

DODME迭代過(guò)程 在DODME的每個(gè)應(yīng)用程序中，都會(huì)進(jìn)行多次迭代，并以可能提高觀測(cè)流量匹配性的方式調(diào)整需求。當(dāng)判斷需求發(fā)生重大變化時(shí)，再次運(yùn)行DTA，以更新預(yù)期的出行時(shí)間和轉(zhuǎn)向延誤，并實(shí)現(xiàn)需求變化與路徑選擇所依據(jù)的擁堵模式之間的一致性。 因此，重復(fù)應(yīng)用DTA和DODME，直到總體相對(duì)RMSE沒(méi)有進(jìn)一步改善。

3.4校準(zhǔn)結(jié)果

將模型中15分鐘間隔內(nèi)的路段交通量和速度與可用交通數(shù)據(jù)（如第2.5節(jié)交通流量觀測(cè)數(shù)據(jù)和第2.6節(jié)速度數(shù)據(jù)所述）進(jìn)行比較，以評(píng)估模型的擬合程度。 百分比均方根誤差（%RMSE）通常用于統(tǒng)計(jì)分析，以將模擬交通量與實(shí)際交通量進(jìn)行比較。%RMSE反映了單個(gè)路段上的模型流量和觀測(cè)流量計(jì)數(shù)之間的差異（與總和的差異），還提供了與觀測(cè)流量相關(guān)的誤差大小的信息。

在比較模型流量和觀測(cè)流量時(shí)，%RMSE值通常在10%和100%之間。低%RMSE值通常反映與交通量非常相似的模型交通量，而高%RMSE則反映相反的情況。完整的%RMSE結(jié)果匯總?cè)缦卤硭尽?/p>

為了進(jìn)一步支持DTA模型與觀測(cè)流量數(shù)據(jù)的擬合度，將DTA模型的交通量與所有道路的觀測(cè)流量進(jìn)行了比較。在這些散點(diǎn)圖中，每個(gè)點(diǎn)的x值表示15分鐘的觀測(cè)流量，y值表示15小時(shí)的模型流量。如果模型流量始終等于觀測(cè)流量，則所有點(diǎn)將直接位于對(duì)角虛線上。位于對(duì)角線下方的點(diǎn)是模型流量低于觀測(cè)流量。

位于對(duì)角線上方的點(diǎn)是模型流量高于觀測(cè)流量。散點(diǎn)圖顯示，模型分配的流量和觀測(cè)流量之間有相當(dāng)好的一致性，模型流量總體略低于觀測(cè)流量。



早高峰所有路段DTA模型和觀測(cè)流量散點(diǎn)圖

晚高峰干道DTA模型和觀測(cè)流量散點(diǎn)圖



早高峰高速公路DTA模型和觀測(cè)流量散點(diǎn)圖

3.5 TransDNA模型校準(zhǔn)

TransDNA是一種基于中觀仿真的DTA模型，它與TransModeler DTA等微觀模型共享時(shí)變需求輸入需求。此外，中觀DTA模型的校準(zhǔn)涉及供給側(cè)輸入和速度密度參數(shù)的估計(jì)/調(diào)整。中觀仿真模型的供給校準(zhǔn)涉及按路段等級(jí)指定速度密度函數(shù)和通行能力。

拉斯維加斯的OD需求是從TransModeler開(kāi)發(fā)的校準(zhǔn)微觀仿真模型中獲得的。路徑選擇系數(shù)、速度密度函數(shù)和通行能力采用了TransDNA中提供的默認(rèn)值。這些參數(shù)是根據(jù)我們的文獻(xiàn)綜述以及基于現(xiàn)場(chǎng)傳感器數(shù)據(jù)的校準(zhǔn)。 下圖顯示了AM峰值（700）模型與觀測(cè)交通量數(shù)據(jù)的擬合示例。

每個(gè)圖表將觀測(cè)觀測(cè)觀測(cè)到的流量（在水平軸上）與模型的相應(yīng)輸出（在垂直軸上）在該峰值內(nèi)的15分鐘時(shí)間間隔進(jìn)行比較。紅色虛線表示完美擬合目標(biāo)，而藍(lán)色虛線表示實(shí)際數(shù)據(jù)的線性回歸。雖然這些代表了一個(gè)合理準(zhǔn)確的模型，但應(yīng)注意的是，進(jìn)一步校準(zhǔn)（尤其是OD需求側(cè)）將對(duì)模型有益。



早高峰DTA模型和觀測(cè)流量散點(diǎn)圖

4、模型驗(yàn)證

校準(zhǔn)過(guò)程完成后，通過(guò)將仿真出行時(shí)間與Google出行時(shí)間進(jìn)行比較，驗(yàn)證TransModeler DTA模型。驗(yàn)證的目的是建立模型中的仿真出行時(shí)間與谷歌為分布在整個(gè)地區(qū)的OD對(duì)的大樣本估計(jì)的出行時(shí)間之間的擬合度。 如第2.7節(jié)所述，查詢(xún)了2019年4月10日（星期三）典型春季的谷歌出行時(shí)間數(shù)據(jù)。

理想情況下，將獲得2015年（模型的校準(zhǔn)年）的出行時(shí)間數(shù)據(jù)，以進(jìn)行驗(yàn)證。然而，歷史出行時(shí)間數(shù)據(jù)不可獲取，谷歌的Directions API只能查詢(xún)未來(lái)日期，盡管其結(jié)果基于歷史數(shù)據(jù)。 通過(guò)生成整個(gè)網(wǎng)絡(luò)的動(dòng)態(tài)Skim矩陣來(lái)獲得仿真出行時(shí)間，該矩陣按每個(gè)OD對(duì)的出發(fā)間隔匯總仿真出行時(shí)間。

在上午高峰時(shí)段，獲得了四個(gè)15分鐘出發(fā)時(shí)段的Google出行時(shí)間：7:00 AM、7:30AM、8:00 AM和8:30 AM。Google出行時(shí)間與仿真出行時(shí)間進(jìn)行了比較。 在下午高峰時(shí)段，谷歌獲得了8個(gè)15分鐘出發(fā)時(shí)間：下午2:00、下午2:30、下午3:00、下午3:30、下午4:00、下午4:30、下午5:00、下午5:30。谷歌出行時(shí)間與仿真出行時(shí)間進(jìn)行了比較。



晚高峰谷歌出行時(shí)間和仿真出行時(shí)間散點(diǎn)圖 上面只給出一個(gè)樣例圖表。完整的每個(gè)圖表都顯示了最適合數(shù)據(jù)的回歸線方程以及確定系數(shù)R2，這是數(shù)據(jù)與回歸線擬合程度的統(tǒng)計(jì)度量。與第3.4節(jié)中的圖表類(lèi)似，如果仿真出行時(shí)間始終等于谷歌出行時(shí)間，則所有點(diǎn)都將直接位于對(duì)角虛線上，該線的斜率將為1.0，R2值將為1.0。

R2值是數(shù)據(jù)與給定斜率的回歸線擬合程度的統(tǒng)計(jì)度量。對(duì)角線下方的點(diǎn)是仿真出行時(shí)間比谷歌預(yù)測(cè)的出行時(shí)間短的出行。對(duì)角線上方的點(diǎn)是仿真出行時(shí)間大于谷歌出行時(shí)間的出行。圖表表明，在幾乎所有時(shí)段，仿真時(shí)間都非常接近對(duì)角線，R2值非常高，斜率接近1.0。

5、模型應(yīng)用說(shuō)明

5.1選擇正確的DTA進(jìn)行分析

當(dāng)您希望使用DTA分析項(xiàng)目或方案時(shí)，選擇正確的DTA非常重要：TransModeler中基于微觀仿真的DTA或TransDNA中基于中觀仿真的DTA。選擇將在很大程度上取決于兩個(gè)廣泛的問(wèn)題，理想情況下按以下優(yōu)先順序提出： 有效執(zhí)行分析需要什么樣的敏感性？什么時(shí)間和資源可用于執(zhí)行分析？

首先，如果項(xiàng)目涉及交通控制（即交通信號(hào)或匝道信號(hào)控制i）、智能交通系統(tǒng)（ITS）或先進(jìn)的交通需求管理策略（ATMS），那么基于微觀仿真的DTA將提供更好的運(yùn)行條件處理，從而提供更好的分析工具。同樣，如果該項(xiàng)目需要對(duì)高速公路進(jìn)行重大改進(jìn)，從而改變合流或交織運(yùn)行，那么微觀仿真也將提供更準(zhǔn)確的效益量化，因?yàn)橹杏^模型采用了更集計(jì)的方法來(lái)分析對(duì)高速公路設(shè)施交通流至關(guān)重要的合流和交織相互作用。

其次，如果分析只要求快速得到接近項(xiàng)目的效益，例如測(cè)試可行性或?qū)⒑芏鄠溥x方案排除為少量備選方案，以便隨后進(jìn)行更詳細(xì)的研究，那么TransDNA中的中觀DTA是推薦的選擇，因?yàn)橄鄬?duì)于TransModeler中的微觀DTA，其設(shè)置和運(yùn)行時(shí)間較少。

5.2 TransModeler中小子區(qū)域的微觀仿真

值得注意的是，如果特定分析涉及相對(duì)本地化的項(xiàng)目——例如，互通式立交或交叉口幾何設(shè)計(jì)，甚至是走廊沿線的加寬項(xiàng)目——那么基于微觀仿真的分析可能具有成本效益，并將提供更好（即更準(zhǔn)確）的分析。然而，運(yùn)行區(qū)域DTA可能不合適。

相反，建議從區(qū)域模型中提取一個(gè)較小的研究區(qū)域并用于分析。可以在“路段”圖層中選擇路段并將其導(dǎo)出到新的仿真數(shù)據(jù)庫(kù)。執(zhí)行此操作時(shí)，TransModeler將提示您在此時(shí)導(dǎo)出子區(qū)域的信號(hào)配時(shí)。要提取對(duì)同一選擇集路段的需求估計(jì)，請(qǐng)選擇“仿真”>“選項(xiàng)”并選中“報(bào)告子區(qū)域O-D和動(dòng)態(tài)Skim數(shù)據(jù)”，然后從“選擇”下拉列表中選擇選擇集。

然后，運(yùn)行仿真以生成子區(qū)域OD矩陣。如果需要對(duì)分析有高度的信心（即，分析將支持投資決策或工程設(shè)計(jì)，而不是簡(jiǎn)單地回答規(guī)劃問(wèn)題），子區(qū)域模型應(yīng)進(jìn)行校準(zhǔn)和驗(yàn)證，以細(xì)化為子區(qū)域?qū)С龅臄?shù)據(jù)，以改善子區(qū)域模型與觀察值的匹配，就像任何微觀仿真研究一樣。

5.3未來(lái)年情景OD矩陣創(chuàng)建

對(duì)于未來(lái)幾年的交通需求估計(jì)，尚無(wú)既定的實(shí)踐，但研究文獻(xiàn)中已經(jīng)提出了幾種方法并在實(shí)踐中使用。這些方法通常被稱(chēng)為pivot-point方法，校準(zhǔn)的基準(zhǔn)年矩陣用于從預(yù)測(cè)年出行需求模型產(chǎn)生的未經(jīng)調(diào)整的出行表Vf，pivot到預(yù)測(cè)年經(jīng)調(diào)整的出行表Vf,adj。

最簡(jiǎn)單的pivot-point模型基于基準(zhǔn)年模擬需求Vb,sim與未調(diào)整基準(zhǔn)年需求Vb之比，對(duì)未調(diào)整預(yù)測(cè)需求Vf進(jìn)行修正：



TransCAD和TransModeler中的標(biāo)準(zhǔn)矩陣操作可以使用矩陣菜單中的命令執(zhí)行，以計(jì)算調(diào)整后的預(yù)測(cè)出行表。在TransModeler和TransDNA DTA模型中，Vb,sim表示輸入到這些模型的校準(zhǔn)出行表，Vb表示TransCAD中RTC出行需求模型產(chǎn)生的基準(zhǔn)年（即2015年）出矩陣，Vf表示出行需求模型也產(chǎn)生的預(yù)測(cè)年出行矩陣。

此外，由于出行需求模型產(chǎn)生的預(yù)測(cè)交通量Vf將是靜態(tài)的單時(shí)段需求，因此可以假設(shè)DTA模型中的動(dòng)態(tài)（即15分鐘）出行矩陣中反映的時(shí)間分布相同。 由于沒(méi)有制定區(qū)域DTA模型動(dòng)態(tài)預(yù)測(cè)出行表的標(biāo)準(zhǔn)實(shí)踐，建議RTC考慮進(jìn)一步的研究，以確定哪種pivot方法最有效，和/或探索應(yīng)用DTA的項(xiàng)目中的各種pivot方法，以獲得替代方法的直接項(xiàng)目經(jīng)驗(yàn)。






審核編輯：劉清