相關(guān)鏈接: 中國(guó)安全網(wǎng) 中國(guó)質(zhì)量網(wǎng) 中國(guó)論文網(wǎng) 中國(guó)資訊網(wǎng)
基于馬爾科夫模型的交通樞紐客流分擔(dān)率預(yù)測(cè)研究*(交通)
張?chǎng)毋?/font>
(同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室上海201804)
摘要為提升綜合交通樞紐運(yùn)營(yíng)效率,加強(qiáng)對(duì)大客流狀況及客流結(jié)構(gòu)波動(dòng)的預(yù)警,對(duì)樞紐內(nèi)部
不同交通方式分擔(dān)率進(jìn)行科學(xué)預(yù)測(cè),運(yùn)用馬爾科夫模型,通過(guò)調(diào)研獲取綜合交通樞紐客流集散方式結(jié)構(gòu)在不同狀態(tài)下的轉(zhuǎn)移矩陣,對(duì)私家車(chē)、出租車(chē)、公共汽車(chē)及軌道交通這4種交通方式的客流分擔(dān)率變化情況進(jìn)行分析,建立樞紐客流分擔(dān)率預(yù)測(cè)模型。以虹橋樞紐為例進(jìn)行實(shí)例驗(yàn)證,為綜合交通樞紐調(diào)度管理策略的建立提供基礎(chǔ)。
關(guān)鍵詞 交通樞紐 客流分擔(dān)率 馬爾科夫模型
為了保證綜合交通樞紐能夠有序高效運(yùn)營(yíng),同時(shí)努力優(yōu)化資源的配置,提高各種交通方式設(shè)備的綜合利用率,對(duì)樞紐內(nèi)部不同交通方式的需求量進(jìn)行科學(xué)地預(yù)測(cè)顯得尤為重要。
目前國(guó)內(nèi)外對(duì)于交通需求的預(yù)測(cè)研究主要是在規(guī)劃階段如何進(jìn)行客流的中長(zhǎng)期預(yù)測(cè),預(yù)測(cè)過(guò)程中采用的研究手段較多,在出行者對(duì)不同交通方式需求的預(yù)測(cè)中,最為常用的方法就是四階段法、非集計(jì)模型、時(shí)間序列分析預(yù)測(cè)法,以及馬爾科夫方法。但現(xiàn)階段的研究結(jié)論主要有如下不足:①客流預(yù)測(cè)精度不足,F(xiàn)有的交通組織和調(diào)度仍依靠實(shí)時(shí)數(shù)據(jù)采集進(jìn)行管理和調(diào)整。對(duì)大面積延誤、自然災(zāi)害、突發(fā)事件等狀態(tài)下的交通組織前瞻準(zhǔn)備不足,此類事件下,實(shí)時(shí)交通組織和調(diào)度壓力較大;②影響客流分擔(dān)率的因素考慮不全。雖然現(xiàn)階段存對(duì)多種交通方式客流分擔(dān)率的研究,甚至是對(duì)交通樞紐的客流分擔(dān)率的研究,但是事實(shí)上,分擔(dān)率研究中,轉(zhuǎn)移概率矩陣的獲得十分困難,因?yàn)橛绊懡煌ǚ绞睫D(zhuǎn)移的因素較多,且具有不確定性。目前的研究結(jié)果僅僅考慮了各時(shí)段下交通分擔(dān)率的變化,但未考慮不同天氣、節(jié)假日、各交通方式服務(wù)水平、突發(fā)事件等因素對(duì)交通分擔(dān)率的影響。
為實(shí)現(xiàn)對(duì)多種因素影響下交通樞紐客流分擔(dān)率的預(yù)測(cè),針對(duì)客流變化與影響因素的多樣性,建立基于馬爾科夫模型的交通樞紐客流需求估計(jì)模型。
1 樞紐客流分擔(dān)率波動(dòng)分析
對(duì)2012年全年及2013年1~3月的以日為最小顆粒度的虹橋綜合交通樞紐客流數(shù)據(jù)及各類交通方式發(fā)車(chē)數(shù)量進(jìn)行分析,結(jié)論如下。
(1)出行方式多樣化。綜合多模式交通樞紐有多種交通方式,用戶的方式選擇多樣性大大增強(qiáng),用戶可以根據(jù)自身出行的目的地和時(shí)間要求,選擇公交、地鐵、磁浮、機(jī)場(chǎng)大巴和出租車(chē)等交通方式離開(kāi)交通樞紐。以虹橋綜合交通樞紐為例,該樞紐2013年2月的各交通方式承擔(dān)比例統(tǒng)計(jì)見(jiàn)表1。
由表1可見(jiàn),旅客在虹橋樞紐可以選擇飛機(jī)、鐵路、出租、公交車(chē)、軌道交通等多種交通方式。旅客出行表現(xiàn)出一定的多樣化特點(diǎn)。
(2)出行選擇的規(guī)律性。不同的工作日各交通方式的客流分擔(dān)量上也有一定的穩(wěn)定性。以虹橋樞紐2012年3月5日~6月10日的軌道交通客流承擔(dān)量分布為例(見(jiàn)圖1),以周為單位的客流分擔(dān)量有一定的穩(wěn)定性,總體上表現(xiàn)為隨著周日到周五,軌道交通分擔(dān)量有所上升,而周六分擔(dān)量較低?梢(jiàn)用戶的出行選擇在一定的時(shí)段顆粒度上存在規(guī)律性。
由此可見(jiàn),不同的外界條件會(huì)影響到用戶對(duì)于出行方式的選擇,實(shí)現(xiàn)對(duì)不同時(shí)段、天氣造成的出行選擇變化的準(zhǔn)確預(yù)估,并根據(jù)預(yù)估結(jié)果進(jìn)行相關(guān)交通方式的調(diào)度管理,則可提升樞紐旅客的疏散效率,提高各類交通方式的服務(wù)水平。
2 建立客流需求估計(jì)模型
2.1 馬爾科夫模型
在隨機(jī)現(xiàn)象中,不僅要考慮某一時(shí)刻下系統(tǒng)的狀態(tài),還要研究系統(tǒng)狀態(tài)隨時(shí)間變化而發(fā)生變化的過(guò)程。馬爾科夫過(guò)程是上述隨機(jī)過(guò)程中的一種,它滿足下面2個(gè)假設(shè):①t+時(shí)刻系統(tǒng)狀態(tài)的概率分布只與t時(shí)刻的狀態(tài)有關(guān),與t時(shí)刻以前的狀態(tài)無(wú)關(guān);②從t時(shí)刻到t+
時(shí)刻的狀態(tài)轉(zhuǎn)移與t的值無(wú)關(guān)。
由于交通樞紐內(nèi)旅客對(duì)交通方式的選擇是一個(gè)動(dòng)態(tài)的隨機(jī)過(guò)程,所以本文采用馬爾科夫模型來(lái)描述這種隨機(jī)波動(dòng)的動(dòng)態(tài)過(guò)程。使用馬爾科夫模型進(jìn)行建模的過(guò)程分為3步:①進(jìn)行資料的收集并明確各交通方式客流分擔(dān)率的初始狀態(tài);②建立狀態(tài)轉(zhuǎn)移概率矩陣,這是整個(gè)分析過(guò)程的重點(diǎn);③由初始分擔(dān)率和狀態(tài)轉(zhuǎn)移概率矩陣推出預(yù)測(cè)的客流分擔(dān)率。
2.2模型建立
2.2.1 客流情況調(diào)研
為了獲取虹橋樞紐旅客的出行選擇影Ⅱ向因素,了解在不同外界條件下旅客在選擇出行方式時(shí)的轉(zhuǎn)移概率,在虹橋樞紐進(jìn)行了大范圍的出行情況調(diào)研。本次調(diào)研采取SP問(wèn)卷調(diào)查的方法。研究?jī)?nèi)容主要包括時(shí)段、天氣和交通擁擠對(duì)旅客出行選擇的影響。
2.2.2建立狀態(tài)轉(zhuǎn)移矩陣
1個(gè)狀態(tài)下預(yù)測(cè)出的該交通方式客流分擔(dān)率,即基于i狀態(tài)的預(yù)測(cè)值。
數(shù)字代表不同的交通方式,1為私家車(chē),2為公交車(chē),3為出租車(chē),4為軌道交通。
不同天氣情況、某交通方式擁擠程度下,其轉(zhuǎn)移矩陣P也不同。
2.3實(shí)證研究
以虹橋樞紐為例,向虹橋樞紐交通中心調(diào)取2011年~2013年客流量數(shù)據(jù),對(duì)上述模型的預(yù)測(cè)結(jié)果進(jìn)行驗(yàn)證。
不同天氣條件的客流分擔(dān)率估計(jì)主要依據(jù)客流調(diào)研結(jié)果的分析,可確定不同天氣狀態(tài)下的狀態(tài)轉(zhuǎn)移概率矩陣,從而進(jìn)行客流分擔(dān)率預(yù)測(cè)。
其中晴天的各交通方式客流分擔(dān)率為S1=[0.158 2 0.193 0 0.216 3 0.432 5]。
對(duì)不同天氣狀態(tài)進(jìn)行定義見(jiàn)表2。
選取高溫天氣為例,2012年7月2日至6日均為35℃高溫天氣,則有:
其中狀態(tài)轉(zhuǎn)移矩陣由前期虹橋樞紐調(diào)研結(jié)果的分析確定,因此該狀態(tài)轉(zhuǎn)移概率矩陣僅適用于虹橋樞紐客流需求預(yù)測(cè)。
實(shí)際的客流分擔(dān)率對(duì)比見(jiàn)表3。
3預(yù)測(cè)結(jié)果分析
(1)依據(jù)馬爾科夫模型進(jìn)行樞紐交通方式客流分擔(dān)率預(yù)測(cè)結(jié)果較為準(zhǔn)確,誤差最大為1. 8%,最小為0. 4%,均在實(shí)際客流分擔(dān)率上下浮動(dòng)。
(2)同一天氣狀態(tài)下的客流分擔(dān)率存在較大差異,極值差最大達(dá)到2. 1%,可能是因?yàn)橛绊懣土鞣謸?dān)率的因素非常復(fù)雜,包括出行時(shí)段、天氣、交通方式的特性、交通環(huán)境情況、旅客偏好及票價(jià)等因素影響,因此后續(xù)研究中可針對(duì)上述因素進(jìn)行更為全面的考慮,以提升預(yù)測(cè)的準(zhǔn)確度。
(3)由以上實(shí)例驗(yàn)證可看出,由于模型的轉(zhuǎn)移概率矩陣由調(diào)查數(shù)據(jù)直接統(tǒng)計(jì)得到,因此通常情況下,人們對(duì)于特殊條件如天氣、擁擠疏散等因素的顧忌與考慮對(duì)選擇的影響會(huì)被放大,導(dǎo)致部分轉(zhuǎn)移向某交通方式的概率變大,這是造成預(yù)測(cè)誤差的一個(gè)原因。
例如高溫天氣條件下,一般出行者在問(wèn)卷調(diào)查時(shí)往往會(huì)選擇舒適性較好的私家車(chē)或軌道交通而放棄公交車(chē)及出租車(chē),但是若出行者真正在高溫天氣下出行,也許會(huì)延續(xù)其平時(shí)的慣用出行方式,因此會(huì)產(chǎn)生預(yù)測(cè)與實(shí)際的偏差,導(dǎo)致對(duì)地鐵和私家車(chē)分擔(dān)率預(yù)測(cè)結(jié)果偏大,對(duì)公交車(chē)及出租車(chē)的預(yù)測(cè)結(jié)果偏小。對(duì)于這一點(diǎn),可嘗試通過(guò)利用一些隨機(jī)統(tǒng)計(jì)模型進(jìn)行計(jì)算,以排除被調(diào)查者主觀方面的影響,留待后續(xù)研究。
4結(jié)語(yǔ)
運(yùn)用馬爾科夫模型,通過(guò)調(diào)研獲取綜合交通樞紐客流集散方式結(jié)構(gòu)在不同狀態(tài)下的轉(zhuǎn)移矩陣,對(duì)私家車(chē)、出租車(chē)、公共汽車(chē)及軌道交通這4種交通方式的客流分擔(dān)率變化情況進(jìn)行分析和預(yù)測(cè),為綜合交通樞紐調(diào)度管理策略的建立與提出提供了新思路,并通過(guò)實(shí)例研究說(shuō)明了該方法的可行性與可靠性。
上一篇:基于PLC的機(jī)器人手臂位置控制算法研究(自動(dòng)化)
下一篇: 基于TPCM的主動(dòng)動(dòng)態(tài)度量機(jī)制的研究與實(shí)現(xiàn)(網(wǎng)絡(luò))