交通量分布

交通量分布（共8篇）

交通量分布 篇1

1 重力模型

1.1 基本概念

重力模型, 就是利用已知预测年交通发生量, 计算出交通发生量的增长系数 (阻抗值) 来推算未来交通发生量的一种数学方法。这种方法实际上是增长系数的进一步发展。该模型结构简单, 可操作性强, 使用方便, 对地区或县级公路运输网络规划比较适用。

1.2 重力模型建立理论

假设Tij为区域i到j的交通量;Pi为区域i的交通发生量;Aj为区域j的交通量吸引率;Kij为区域i到j的社会经济调整系数;F为区域i到j的分离系数;Wij为区域i到j的阻抗值, 它可能为时间, 距离和费用, 多用费用表示C-参数pij-区域i交通发生量被区域j吸引的概率。

如果保留区域之间的社会经济调整系数Kij, 重力模型的一般式如下:

(1) 式中:Tij-区域i到j的交通量。

Pi-区域i的交通发生量。

Aj-区域j的交通吸引量。

Kij-区域i到j的社会经济调整系数。

Fij-区域i到j的分离系数。

(2) 式中:Wij-区域i到j的阻抗系数, 它可能为时间、距离和费用。多用费用表示。

C-参数

假设区域i的交通发生量被区域j吸引的概率为Pij则:

2 重力模型的标定。

2.1 理论依据

重力模型的标定实际上是对分离系数Fij的标定, 它是通过相互作用的程序来完成, 重力模型实际上是增长系数法的进一步发展, 该模型结构简单, 使用方便, 对地区或县级公路系统网络规划比较适用。

2.2 标定步骤

该模型共计有四个计算步骤:

(1) 每个区域总的交通发生量乘上该区域的交通发生量增长系数得到预测年总的交通发生量;

(2) 用相应的交通发生量增长系数乘矩阵中的行;

(3) 每个区域预测年总的交通吸引量被该区域基年总的交通吸引量除得到吸引量增长系数。这个模型适用于公路系统网络规划, 在已知基年交通量分布和预测年的交通发生量和吸引量时, 便可以用迭代计算求出预测年的交通量分布, 这个方法把区域内的交通量分布看作是零。

(4) 误差校正。先给定常数C的初始值, 经过校正运算后, 再进一步地标定Fij直到取得满意的结果。

3 实例应用

以五个区域为例, 说明重力模型的标定, 其前提条件如下:

1) 五个区域如图1;

2) 两个区域是交通量发生区 ( (1) 和 (2) ) ;

3) 三个区域是交通量吸引区 ( (3) , (4) 和 (5) ) ;

4) 区域之间的阻抗值是以费用表示;

5) 基年交通量, 吸引率和交通量分配的观察值;

6) 频率的计算。应用基年观察值, 在不同的阻抗值W的条件下计算出基年交通量分布频率f, 应该指出阻抗值W是用5表示其增量值。

3.1 第一次迭代,

假设初始参数C=2, Kij=1, 利用公式 (1) 、 (2) 和 (3) 可以得到第一次迭代的计算结果:

如果把以上三项相加, 可以得第一次迭代总和:

Pij的计算结果:

Tij的计算结果:

利用同样方法, 可以得到:T23=99;T24=592;T25=108根据阻抗值的大小, 将Ti j相加,

然后计算出新的交通量分布频率f。

3.2 第二次迭代

利用∑Tij计算新的交通量频率分布值进行第二次迭代得到如表1、表2。

从表2看出, 新的交通量分布频率值与观察到基年分布频率值非常接近。在这种情况下, 便可以停止迭代, 重力模型标定就算完成了。否则, 将续继应用上述方法进行标定, 直到交通量分布频率值与观察值足够接近为止。

4 模型调整

上述重力模型的标定和应用是在假定Kij=1的条件下进行的, 因此, 交通量分布频率的计算值与观察值总是保持一定的差Z。为了解决这个问题, 采用调整社会经济系数Kij办法进行调整。

式中:

Rij—Tij的观察值与计算值的比率

Xi—基年的Tij与Pi的比值

通常, 应用公式 (4) 在上述例了第二次迭代结束时得到Kij的值, 见表3。

从表3可以看出, Kij不总是保持1.0。在实际情况下, 大多数规划工程师都假定Kij=1.0, 其目的是为了简化计算。所以要进行调整才能决策。

5 结论

重力模型的使用和标定, 在规模较大的公路运输网络规划中, 重力模型应用比较广泛, 效果良好。

交通量分布 篇2

大交通流量条件下分布式空管系统安全性分析

尽管分布式空中交通管理系统相比集中式系统具有容错性好的特点,但是,随着空中交通流量的`增长,由于多米诺效应的影响,系统的稳定性下降,安全性降低.本文建立了大流量条件下分布式系统的安全性计算模型,分析了系统的安全性随空中流量的增长而变化的规律.仿真结果表明在大流量时分布式系统的安全性低于集中式系统.

作 者：孙樊荣 韩松臣 SUN Fan-rong HAN Song-chen  作者单位：南京航空航天大学,民航学院,南京210016 刊 名：交通运输工程与信息学报  ISTIC英文刊名：JOURNAL OF TRANSPORTATION ENGINEERING AND INFORMATION 年，卷(期)： 5(4) 分类号：V355.1 关键词：空中交通管理   分布式   多米诺效应   安全性  

交通量分布 篇3

为了建设智慧交通系统,需要准确预测城市未来的交通分布情况,在通行瓶颈处加强基础设施建设,从而提高未来城市的交通容量。交通分布(Traffic Distribution)指调查区域内各小区之间出行的数量在整个调查区域内出行总数量中所占的比例[1]。分布交通量又称OD表(Ori-gin and Destination Table)是在各交通小区发生与吸引交通量一定的条件下求出交通小区之间的交通量,是交通规划四阶段法的主要步骤之一,成为交通设施规划和交通政策立案不可缺少的资料[2]。分布交通量的预测是利用给定的将来发生与吸引交通量,求出将来的OD交通量。对于分布交通量的预测,目前有多种方法[3],主要有充分利用现状OD表求出将来OD表的增长系数法、重力模型法和概率模型法[4]。概率模型法的计算方法过于复杂,使用较少;在近期预测时,增长系数法的精度通常高于重力模型法,因此规划部门在交通小区、交通方式没有发生变化时,将优先选用增长系数法[5]。本项研究将在ArcGIS平台上,采用增长系数法开发交通分布预测程序[6,7]。

1 佛莱特模型计算过程

增长系数法假定将来OD交通量的分布形式和现有的OD表分布形式相同,在此假定的基础上预测未来年份的OD交通量。增长系数法包括增长函数方法和弗尼斯(Fumess)约束条件方法两大类。增长系数法具体包括常增长系数法、平均增长系数法、底特律(Detroit)法、佛莱特(Fratar)法。其中,常增长系数、平均增长系数法分析方法过于简单,逐渐被底特律法和佛莱特法所取代。佛莱特法收敛速度极快,使用最为广泛,而且该算法作为成熟的交通分布预测方法,极短期预测无需检验精度[8]。

佛莱特法认为,预测年份i小区发生量中被j小区吸引去的出行量为tij,tij应与i小区预测年份的i小区发生量Pi成正比,同时也和j小区的吸引系数bij成正比。得:

再从吸引区j区的角度分析,得:

由于上述t1ij'、t1ij" 表示同一个量t1ij,因而预测值取平均值:

称为第k轮第i区“产生位置系数”。

称为第k轮第j区的“吸引位置系数”。

故佛莱特模型为:

佛莱特模型的计算过程比较复杂,但收敛速度快,具有较好的工程实用价值。

2 佛莱特模型求解

按数学模型的推导过程,确定佛莱特模型的程序流程图(见图1),并应用VFP9.0开发求解程序,实现了公式(3)的迭代求解。

以下是求解程序的迭代过程源码片断。迭代停止条件为上一次计算的交通量和本次计算的交通量相对误差小于万分之一,可以视为再迭代也无法进一步提高计算精度。为了提高收敛效率,设置了“L_D”逻辑型状态符,最新计算结果“Tgm”高于上一次计算结果“Tod”,设置“L_D”为真。进行新的迭代时,上一次迭代的“L_D”设为“L_D_old”,当本次的“L_D”和“L_D_OLD”不相等时,说明本次迭代计算精度不升反降,应当减小搜索步长,并且按相反的方法搜索精度最高的位置。采用此项设计进一步提高了佛莱特模型的收敛速度。

编写的求解程序运行界面如图2所示。

3 程序应用

程序在福建省南平市的“畅通工程”项目中投入了实际应用,交通工程人员先以南平市的ArcGIS地图为依据,将工业、经济、人口条件相似且地理位置相邻的片区划分为同一个交通小区。南平市市郊共被划分为20个交通小区。

统计运输公司和公交车公司的生产日志,通过交警部门对汽车驾驶员进行短信调查,了解各类汽车在市内交通的起点和终点及频次。对数据进行加工整理,把各种型号的车辆交通量都换算为小车交通量,最终获得2014年的南平市交通量OD表。

在ArcGIS地图上分析各交通小区2018年的土地资源利用情况,预测2018年各交通小区的交通产生量和吸收量,结合2014年的OD表,应用本研究开发的佛莱特的求解程序,可以预测2018年小区之间的交通量OD表,从而预见未来的交通瓶颈。

4 结语

本研究应用VFP9,开发了交通分布预测佛莱特模型的求解程序,其界面简单、结构清晰,具有简单易学、操作方便、输入快捷等特点。其适宜交通工程领域基层技术人员使用,可应用于智慧城市、智慧交通前期阶段的交通基础数据处理。

参考文献

[1]卫翀,邵春福.考虑交通量随机波动的随机用户均衡配流模型[J].吉林大学学报:工学版,2015,45(5):1408-1413.

[2]林宇洪,沈嵘枫,邱荣祖,等.南方林区林产品运输监管系统的研发[J].北京林业大学学报,2011,33(5):130-135.

[3]蓝岚,伍炜.基于交通量特性分析的山地城市交通发展策略[J].重庆交通大学学报:社会科学版,2015(1):24-26.

[4]林宇洪,林森,景锐,等.木材运输IC卡读写器的开发[J].福建农林大学学报:自然科学版,2010,39(4):435-438.

[5]肖颖,刘晓建.轨道交通客流预测的扩展反馈四阶段法研究[J].都市快轨交通,2014,27(5):48-51.

[6]曹志成.交通量预测中分布交通量预测的几种计算方法解析[J].建筑工程技术与设计,2015(11):1912-1917.

[7]林宇洪,胡连珍,蒋新华,等.基于二维码的农超对接供应链追溯系统的设计[J].黑龙江八一农垦大学学报,2015,27(6):83-87.

交通量分布 篇4

交通分配问题主要是根据路网的出行成本和OD间的交通分布量计算出各条路段、路径的流量。Daganzo和Sheffi (1977) 提出了第一个随机用户均衡交通流分配模型[1], 之后研究人员基于不同的研究点提出了各种随机均衡分配模型。李志纯和黄海军 (2004) 假设出行方式选择满足随机均衡, 建立多方式换乘交通分配模型[2];lam和吴子啸 (2003) 假设出行方式和路径选择都满足随机均衡, 建立考虑步行与公共交通换乘的交通分配模型[3]。目前大多数满足随机均衡交通分配模型都是以logit模型来刻画出行者路径选择概率并计算相应路径流量, 但是logit模型只考虑到路径通行时间之间的绝对差别, 而不考虑相对差别。虽然利用基于Probit加载分配模型也能够解决这个问题, 但是前提是要知道路径出行时间的协方差矩阵, 而且目前尚无法构建基于Probit加载路径选择概率或路径流量的封闭表达式, 在求解算法上只能通过蒙特卡洛模拟进行求解, 计算量较大[4], 因此未能在交通分配模型中得到广泛使用。Kirchhoff方程不但在一定程度上能够说明路径出行时间相对差对出行者路径选择的变化, 而且不需要知道路径的协方差矩阵, 计算简单。VIS-SUIM交通仿真软件在模拟出行者路径选择时也提出了用Kirchhoff分布方程来计算出行者路径选择概率[5], 但是没有给出具体的模型表达式, 也没有对最后的求解做收敛处理, 并且该算法主要用于交通仿真模型中, 没有在交通分配模型中作推广。本文根据VISSUIM交通仿真软件说明书中的Kirchhoff分布方程表达式建立相应交通分配变分不等式模型, 用连续平均算法求得模型的收敛解, 并与基于logit加载随机均衡交通分配模型对同一个实验路网求得的解作比较。

2 问题描述

2.1 随机平衡交通分配问题

在实际出行中, 出行者对于路网状况以及交通现状不可能完全了解, 即使在ITS环境下, 出行者也只能间隔一段时间收到路况信息, 而路网中往往存在一些难以量化的因素, 因此可以将路径阻抗看成是一个随机变量。假定O-D对i-j之间第K条路径上出行者的实际出行阻抗为ckij, 出行者感知出行阻抗为Ckij, 其中Ckij=ckij+ξkij。ξkij为第K条路径出行阻抗的随机误差项。

每条路径的估计阻抗是随机变量, 具有相应的概率密度, 因此对于某一特定的出行者, 每条路径均有一个被选择的概率。随机均衡交通分配问题就是计算在路径阻抗分布函数的基础上, 有多少出行者选择每一条路径。假定O-D对i-j之间第K条路径被选择的概率是Pkij, 也就是其估计阻抗在i-j之间所有可能路径的估计阻抗中为最小值的概率, 即:

由随机均衡交通分配问题的定义可知, 在这种平衡状态下, 某个OD对之间所有已被选用的路径上不一定具有相同的实际阻抗值, 而满足下述条件:

在交通分配问题中满足式2的就可以认为满足SUE随机路径选择均衡[7]。

2.2 Kirchhoff分布方程与logit随机选择概率表达式比较

基于Kirchhoff分布方程路径选择概率表达如下[5]:

假设OD对i-j之间存在n条路径, ck表示路径k的出行时间, 则出行者对路径k的选择概率满足以下关系:

其中α表示敏感系数, α决定了驾驶员选择不同效用路径的概率分布。如果敏感系数低, 则驾驶员对不同效用路径的选择概率基本一致;如果敏感系数高, 则几乎所有的驾驶员都将只选择最优路径。

目前大多数考虑出行者随机路径选择交通模型都是基于logit随机加载, 其路径选择概率表达式如下[7]:

如图1所示, 假设OD对AB之间存在两条路径P1、P2, 考虑以下两种情况:

情况一:路径P1、P2出行时间分别为5分钟和10分钟, 分别根据Kirchhoff分布方程与logit模型计算出两条路径的选择比例如下表所示:

情况二:路径P1、P2出行时间分别为200分钟和205分, 分别根据Kirchhoff分布方程与logit模型计算出两条路径的选择比例如下表所示:

在情况一的条件下, 大部分出行者会选择路径P1, 因此P1的选择概率及分配流量都会比P2大很多, 而在情况二的条件下, 两条路径的出行时间都增加了195分钟, 这时两条路径的成本对出行者来说别就没有情况一时差别大, 两条路径的选择概率之差应该比情况一时的概率差小, 但是从计算结果可以看出, logit模型在两种情况计算出的概率完全一样;而Kirchhoff分布方程在第二种情况下计算出的路径选择概率差别很小, 而且从模型的表达式中容易看出, 随着路径出行时间的增大, 两条路径通行时间的相对差别逐渐减小, 其概率差还将进一步减少。因此考虑基于Kirchhoff分布方程能够考虑出行时间的绝对值变化对路径选择的影响, 相对logit模型更符合实际情况。

3 基于Kirchhoff分布方程交通分配模型建立

考虑网络G= (N, L) , 其中N表示网络中的节点集合, L表示网络中连接两个节点之间的路段集合。

W表示路网所有OD对集合

R表示起讫点集合。

S表示终点的集合。

fpw表示OD对w之间第p条路径的流量。

Pw表示OD对w之间的路径集合。

Ppw表示OD对w之间第p条路径。

C (fwp) 表示路径Pwp的通行时间, 其表达式如下:

其中xa表示路段a上的流量, , fwp为上的流量, 当路段a在路径p上时δa, p=1, 反之δa, p=0

假设出行者路径选择概率表达形式为Kirchhoff分布方程, 参考文献[5]中Kirchhoff分布方程概率表达式, 构建以下模型:

约束条件如下:

fwp*为模型求得的最优解, 对模型进行K-T条件分析可以得到以下结果[8]:

根据模型的表达式可知fwp>0, 因此根据式 (8) 可得

根据式 (10) 可知

根据式 (6) 可知

根据式 (11) 可知

将式 (13) 带入式 (11) 得到

从式 (14) 可知模型得到的解满足Kirchhoff分布方程形式。

4 求解算法

参考文献[9]第五章中提到的连续平均 (MSA) 求解算法对模型求解, 设计算法具体步骤如下:

步骤1:初始化, 设n=0, 所有路径流量为0, 计算各路径成本C (fwp*) ) (0) , n=n+1。

步骤2:根据式 (11) 计算所有OD对之间各条路径流量 (fwp*) ) (0) 。

步骤3:根据 (fwp*) ) (0) 及路段BPR函数更新所有OD对之间各路径成本C (fwp*) ) (0) 。

步骤4:根据C (fwp*) ) (0) 根据式 (11) 计算路径附加流量 (ywp*) ) (0) 。

步骤5:根据MSA算法对路径流量更新

步骤6:判断是否达到收敛标准: (fwp*) ) (n+1) - (fwp*) ) (0) <ε, 若满足该收敛标准则计算结束, 否则n=n+1返回步骤3。

5 算例分析

通过以下的虚拟路网对所建模型进行算例分析, 路网结构如图2所示, 该路网包括9个节点和12条路段。路段的通行时间函数采用BPR函数, 即

式中:ta (0) 为路段零流量通行时间, ca为路段a的通行能力。各路段自由流通行时间及路段的通行能力如表3所示

设敏感系数α=2, 收敛标准ε=0.05。将文献[10]中基于logit加载随机用户均衡模型 (以下称为模型1) 与本文所建模型 (以下称为模型2) 计算结果做比较, 当各条路段的零流量通行时间均增大50分钟时, 观察两个模型求得的解, 得到以下的结果:

Logit (1) 与k (1) 表示路段零流量通行时间增大前分别用模型1和模型2计算得到的路径选择概率, Logit (2) 与k (2) 则表示零流量时间增大后模型1和模型2计算得的路径选择概率。可以看出当每条路段零流量通行时间都增大50分钟后, 各条路径的零流量通行时间都在200分钟以上, 而各条路径出行时间的差值都在10分钟以内, 这对出行者来说相对差别很小, 因此对出行者来说各条路经的选择概率应该相差不大。观察到模型1计算得到的结果中P1的选择概率仍然要比其他的路径选择概率大很多, 而P6的选择概率仍旧很小, 而且其余几条路径的选择概率分布也很不均匀。而模型2计算出的路径选择概率就比较平均, 大都在16.6%上下, 相较模型1的结果更加符合实际情况。从迭代次数也容易看出模型2在两种情况下的迭代次数都远远小于模型1的迭代次数。这样便使得模型2在求解实际交通规划问题中能够大大减少计算量, 或者在同样计算强度的基础上能够对更大规模的路网进行求解。

6 结语

本文考虑路径出行时间相对差对出行者路径选择行为的影响, 构建了基于Kirchhoff分布交通分配模型, 并用MSA算法进行求解。对同一个实验路网, 将本文所建模型与基于logit随机加载交通分配模型计算结果作对比, 结果显示前者能够考虑路径出行时间相对差别对路径选择概率的影响, 当路经出行时间增大时前者计算结果更加符合实际情况, 而且迭代次数明显少于后者。

摘要：利用变分不等式建立基于Kirchhoff分布交通分配模型, 并证明模型的解满足Kirchhoff分布路径选择概率表达式, 基于K最短路算法和连续平均法, 设计求解模型算法。并与基于logit加载随机用户均衡交通分配模型作比较, 对同一个虚拟路网进行求解, 结果表明基于Kirchhoff分布分配模型不仅能够较好地考虑路径成本相对差对出行者路径选择行为的影响, 并且模型达到收敛标准所需的迭代次数大大减少。

关键词：Kirchhoff分布,随机用户均衡,路径出行时间,相对差

参考文献

[1]DAGANZO C F, SHEFFI Y.On stochastic models of traffic assignment[J].Transportation Science, 1977, 11:253-274

[2]LI ZHI-CHUN, LAM WILLIAM H K, WONG S C, et al.Modeling Park&Ride services in a multi-modal transportation network with elastic demand[C].Transportation Research Board 86th annual meeting, January 21-25, 2007, Washington D.C

[3]WU Z X, LAM W H K.A combined modal split and stochastic assignment model for congested networks with motorized and non-motorized transport modes[C].Transportation Research Board 81st annual meeting, December 13-17, 2002, Washington D.C

[4]PATRIKSSON M.Traffic Assignment Problem—Models and Methods[M].Sweden, Linkoping Institute of Technology, 2002

[5]PTV公司.VISSIUM交通仿真软件用户说明书[M].北京:人民交通出版社, 2003

[6]黄海军.城市交通网络平衡分析理论与实践[M].北京:人民交通出版社, 1994

[7]高自友, 宋一凡, 四兵锋.城市交通连续平衡网络设计理论与方法[M].北京:中国铁道出版社, 2000

[8]陈宝林.最优化理论与算法[M].北京:清华大学出版社, 2005

[9]陆化普, 黄海军.交通规划理论研究前沿[M].北京:清华大学出版社, 2007

交通量分布 篇5

随着国民经济的快速发展, 交通运输日趋发达, 而道路交通基础设施建设的相对落后对高速发展的交通运输造成了一定的阻滞, 交通安全形势日益严峻, 特别是城市交通, 由于城市人口密集, 交通流量大且交通流复杂, 城市现有的道路交通管理设施跟不上日新月异的交通形势, 而改造工作由于投资太大等原因又较难实施。通常而言, 交通运输有五种方式, 即铁路运输、公路运输、水路运输、航空运输和管道运输;有三个基本要素, 即点 (站场、港口) , 线 (路、航道、航线、管道) 和运载工具, 有这三个基本要素, 才有可能实现人流和物流的组织。跟全国许多大中城市一样, 长沙市的道路交通拥堵日益加剧, 因而, 提高交通的通达性是有迫切需要的。本文通过对交通通达性模型的研究进而进行通达性水平分析, 得出现有交通通达现状, 最后提出一些改进措施。

2. 网络通达性

2.1 长沙交通网络

长沙交通网的骨架为“四横四纵”, “四横”分别是中山路——八一路、五一路、解放路、人民路;“四纵”分别是黄兴路、蔡锷路、芙蓉路、韶山路。其中, 五一路、芙蓉路、人民路又是全市目前最主要的交通性主干路。同时, 长沙交通网络又有独特的外环线、中环线、内环线三个环线。内环线为原有的湘江一桥到银盆路到湘江二桥到芙蓉中路到五一大道再回到湘江一桥;中环线相当于环城公路;外环线是高速公路, 也称长沙绕城高速公路, 共90公里长, 其中东外环26公里是利用京珠高速公路长沙段。

2.2 通达性

可达性的概念本身并不难理解, 杜能的农业区位论以及韦伯的工业区位论中都隐含了可达性的涵义。但是, 由于研究的侧重点和对可达性认识深度的不同, 可达性的概念一直比较模糊, 可达性的定义也多种多样。在不同的研究侧面上, 可达性所研究的具体对象也不相同。

交通网络的可通达性很大程度决定着城市交通的空间分布, 本文主要研究长沙市区的道路交通网络的可通达性。把长沙交通网分由链与结点组成, 并带有环路。通达性评价, 是通过对网络两点之间、点与链之间空间分析得出其交通便利程度, 其便利程度的高低可以通过出行费用 (时间、距离、运输成本、经济成本、网络面积等) 来反映, 具有社会和经济价值。较高水平的通达性与高质量的生活、满意度、吸引力等相关联。

长沙网络通达性的评价过程指标有:道路长度、区域面积、网络密度、网络连接度、道路网密度、道路等级、网络关键路段和可达性等。

3. 计算网络密度

利用道路网络数据层 (公路交通网络数据层与铁路网数据) 分别与长沙行政区划数据层在Arc GIS进行识别叠加处理, 由叠加结果图层的属性表对每个区的不同等级道路的长度求和, 此长度乘以对应的道路通行能力权重 (表1) , 得出道路的权重长度, 再分别除以各个区的面积, 就可计算出每个区的加权道路密度, 计算结果在ARCMAP中显示, 并对其模型进行了改进, 求出长沙各区的网络密度 (表2) , 得出的长沙交通网络密度分布图 (图1) 。

其模型为:

式中:Ai为各区网络密度, Li各等级公路长度, Mi为对应道路的通行能力权重, Si各个区的面积。

4. 计算网络通达性

4.1 网络路径分析

计算网络通达性首先要建立长沙市交通几何网络, 在ArcCatalog中建立Geodatabase, 导入交通矢量图层, 建立几何网络, 同时定义网络规则。然后在Arc Map中利用Utility Network Analyst网络分析模块, 计算网络中各区结点数目及结点到结点的路径条数, 复合在一起, 形成长沙交通网络路径表 (表3) 。

4.2 计算网络通达性

分别计算交通网络中某一区的链端结点与另一区中所有的链端结点的最短路径数目, 然后求和, 并除以这一区所有的链端结点, 得出该区与另一区的连接数。通过这种方法, 建立起区与区之间最短路径连接数矩阵, 即长沙交通网络通达性矩阵 (表4) , 从而得出各区的网络通达性。如图2为在芙蓉区选择一端点, 选中雨花区中所有端点, 运用网络分析找出最短路径, 统计链接数目。

5. 结论

长沙五区中, 铁路尚未通过岳麓区。芙蓉区的交通网络密度明显高于天心区、雨花区、岳麓区、开福区。网络密度, 除了与道路长度和道路面积等关键指标有关外, 在很大程度上还决定于城市快速路、主干路、次干路和支路之间合理的比例关系, 及其网络的连通性等条件。由于长沙市缺乏快速道路系统, 东西向五一大道、中山路、八一路、城南路、解放路、人民路基本都拉通了, 而主城区缺少南北向的主干道, 只有湘江大道、芙蓉路、车站路三条南北向主要主干道。长沙市南北交通压力相对东西而言压力较大, 造成城市中心地带道路T型交叉过多, 或错位交叉, 致使许多方向交通流汇集芙蓉区, 造成芙蓉区相对拥塞。

长沙湘江将长江分为河东河西两部分, 河西为岳麓区, 目前只有四座桥通向桥东, 过桥后其连通道路明显增加, 但岳麓区处发展阶段, 区内主干路较少, 而河流明显阻碍了其区与区之间的连通性。

对区与区之间的连通性矩阵分析得出, 相邻的区之间的连通性好于相隔的区。芙蓉区与天心区虽然网络密度高, 但由于其区内道路网建设相对完备, 其通达性还是高于长沙其他区域。

参考文献

[1]李小建, 李国平, 曾刚.经济地理学[M].北京:高等教育出版社.2001.52-75.

[2]盖春英, 裴玉龙.公路网络可达性研究[J].公路交通科技.2006, 23 (6) :104-107.

交通量分布 篇6

城市轨道交通供电系统是城市交通供电系统中的重要组成部分,主要是由中压环网系统、牵引供电系统和动力照明供电系统共同来构成的,对促进城市交通发展具有重要作用。城市电网对城市交通轨道供电系统的发展起决定性作用,是城市轨道交通供电系统的核心,承载着为交通车辆提供电能的重要使命,具有降压、整流和传输电能的重要作用,提升了电网系统运行的质量和可靠性。

1.城市轨道交通牵引供电系统谐波分析

1.1谐波产生的原因

谐波产生的主要原因是由于电力系统中存在非线性元件及负载,能够作为储能元件或者变流设备来使用。但是在实际的运用过程中,电压和电流波形会发生畸变,影响城市轨道交通牵引供电系统的合理使用。城市轨道交通供电系统中的谐波与城市轨道交通牵引有密切的联系,产生谐波的主要原因是由整流机组产生的。24脉波整流方式是最理想的整流方式,网侧电流中含有23和25次及以上特征的谐波,受非理想因素影响,非特征次数的谐波会不可避免的产生。24脉整流方式中包含5、7、11、13、23、25次谐波,为了确保机组的正常使用,需要按照相关的要求,结合质量检测报告中提供的数据,对电气设备进行质量检测。城市轨道交通供电系统是由大量的电力电子设备组成的,在实际的运用过程中,会消耗大量的无功功率,产生大量的谐波,会影响周围的其它设备,对电网的正常运行造成较大的影响。

1.2谐波的模拟计算

在对谐波进行模拟计算时,首先,需要进行计算条件的科学假设,将保守假设定为110k V,将系统短路容量设置为2000MVA,需要将城区内的110k V变电站的变压器安装容量设置为150MVA,短路阻抗率设置为10.5%。中压环网电缆主要是采用35k V单芯95mm2、120mm2电缆参数,各牵引变电所整流的机组为高次谐波电流源。相对于110kv侧国家电网系统而言,主变电所会被当成一个单独的谐波源,由于每个主变电所产生的容量不同,导致国家电网的贡献率存在较大的差异。影响系统谐波的主要指标有:总谐波畸变率和第n次谐波的HRIn,在理想情况下,HRIn(Harmonic Radio For In)=Ih/Il,THDi(Total Harmonic Distortion)=Ih/Il,其中Il最基波的有效值,对于每个谐波源,公共节点处的最小短路容量与基准容量不同,需要按照以下公式对谐波电流进行修正。公式为:In=SKL/SK2×Iph。

2.谐波影响的分析和建议

通常,各牵引变电所主要是采用24脉波整流机组,需要在远期高峰小时或者是嗲是电力系统最小运行方式的条件下,来进行谐波电流计算,需要将谐波的标准值控制在国际允许的范围内,通过设置或者预留设置滤波装置的形式来实现。谐波影响因素主要有:第一,需要确保计算出来的谐波电流值不超过国际标准允许的范围内,需要在假设系统条件下对估算结果进行计算。第二,对轨道线路向外延伸,提升系统容量,由于地铁内部的系统参数会发生变化,导致系统谐波数值也随之发生变化。第三,需要确保谐波影响计算在理想化的状态下进行,由于轨道交通的牵引负荷变化较大,导致负荷发生变化,造成谐波进一步增加。

3.城市轨道交通牵引供电系统谐波治理及改善措施

3.1高脉波数的整流脊柱和Y/△或△/Y接线三项整流变压器

采用Y/△或△/Y接线方式,能够消除3的整数倍的高次谐波,能够确保电网中的谐波电流保持在奇次谐波。整流机组产生的谐波次数与整流机组输出的脉波数有直接的关系,能够放映出整流机组产生的谐波电流次数,通常会用n=K×P±1来表示,整流机组的脉波数越高,产生的谐波越少,对系统的影响也越小。通过24脉波整流机组的运用,大大减少了11.13次谐波的含量,由于整流机组产生的谐波次数较高,要想确保谐波传输路径,需要对供电网络的基本情况进行计算和评估。

3.2安装有源谐波调节器

有源谐波调节器在城市轨道交通供电系统中被广泛应用,在安装过程中,需要固定在某些谐波频段上,通过对非线性负载产生的谐波进行采样和分析,能够实现对电网车侧送一个与非线性负载产生的谐波相反的谐波,对加强对谐波的有效抑制具有重要作用。需要结合电网的实际运行情况,对电压和电流波形的相位角节能型调整,对修正电流波形和提高功率因数具有重要作用。在对城市轨道交通供电系统,进行谐波分析时,需要考虑到整流机组对110k V侧的国家电力系统的影响。同时还需要分析牵引供电系统对35k V环网系统和动力照明系统带来的影响,确保电力系统运行的稳定性。

4.结论

本文对城市轨道交通系统在运行过程中的谐波分布情况做出了系统的介绍,通过介绍分析,能够明确谐波产生的主要原因,并总结出了治理方案。通过加强对变压器和整流器组合的形式,对谐波的源头进行治理,解决了重点区域的堵防和疏导处理,通过对系统谐波进行动态监控和处理的过程,有效的降低了各谐波的素质,对减少特征谐波的含量,确保电力系统的正常运行具有重要作用,充分展现出了在城市轨道交通中的重要作用。

参考文献

[1]陶乃彬,李建民,徐彦.城市轨道交通供电系统网侧谐波研究[J].郑州铁路职业技术学院学报,2010,02:3-6.

[2]朱明星,钱辰辰,段晓波,胡文平,戎士洋.基于城市轨道交通运行图的供配电系统谐波预评估仿真[J].城市轨道交通研究,2015,06:56-61.

[3]全恒立,张钢,阮白水,刘志刚,余龙.城市轨道交通混合型能馈式牵引供电装置[J].北京交通大学学报,2013,02:92-98.

交通量分布 篇7

国内学者也做了大量关于城市道路交通噪声方面的分析和研究工作。刘涛[9]、徐洪波[10]、卢喜林等[11]主要分析了车速、车流量和道路宽度等参数对城市交通噪声的影响。周敬宣等[12]、袁玲[13]、丁亚超等[14]、王玮璐等[15]、胡喜生等[16]论述了绿化带的植物结构、行道树的疏透度等因素对道路交通噪声的衰减效果极其影响因素。唐松林[17]、俞悟周[18]、陈继浩等[19]分别研究了声屏障对道路交通噪声的降噪作用,以及相应的改进措施。李本纲[20]、罗鹏等[21]、陈刚等[22]、分别对城市交通噪声进行总体评价,并提出了相应的防治和减噪措施。李洪亮等[23]、王昊涵等[24]深入分析了汽车噪声源的产生和影响汽车噪声的主要因素,并且提出了改进汽车噪声的措施。

但是,目前国内对外交通噪声的研究主要集中在平原城市道路,对山地城市交通噪声缺乏一定的关注。相比于平原城市,山地城市道路为了契合起伏的地形和地貌,大都具有特殊的几何线形和运行环境;比如存在大量的长大纵坡路段(长上坡或是长下坡路段)、曲线路段(弯道)、弯坡组合路段、道路狭窄,以及交叉口间距长,汽车运行时路侧干扰少等特点,这些特点使得它的交通噪声问题较平原地区的城市道路更为严重;比如大型车辆上坡时和通过曲线路段时的发动机加速噪音,以及下坡时的制动噪音,而这几类噪音在平原城市道路的幅值水平远低于山地城市道路,因此山地城市的居民尤其是居住于道路沿线的居民受到的噪音困扰问题更突出。

山区地形占我国整个国土面积的60%以上,山地城市的数量众多,尤其是西南地区,比如重庆(指主城区)、奉节、万州、贵阳、攀枝花等,由于平原地区城市用地的紧张,城市用地会进一步向山区扩展,因此未来很长时间内山地城市(城镇)的数量会进一步增加。基于此,对山地城市道路交通噪声进行实测和分析尤为重要。为此,本文以重庆市为研究对象,在市区内选择了不同道路类型进行上坡路段不同车型的行驶噪声测量,得到了日间和夜间交通噪声的幅值水平,为山地城市道路建设和噪声控制提供了相应的理论依据和数据支持。

1 实验方案

1.1 实验道路

在重庆市主城区内共选择了8条具有代表性的长大纵坡路段,分别为:①学府大道二塘路段,双向6车道,有中央分隔带,主干路;②海峡路,双向六车道,中间分隔带,快速路;③兰花路(重庆工商大学段),双向四车道,次干路;④南坪江南大道,双向八车道,有中间分隔带,主干路;⑤建新南路,双向六车道,主干路;⑥南区公园路,双车道,支路;⑦四海大道,双向4车道,次干路;⑧朝天门北区路,双向四车道,次干路。在噪声数据采集的时间段,这些道路都是在正常的交通条件下运行。

1.2 实验仪器

实验用到了各样仪器,分别为HT—305激光测距仪、HT—850A噪音计、数显坡度计以及对讲机。其中测距仪用于测量测试点与道路路缘线之间的横向距离;噪声计用于记录交通噪声的实时值;对讲机用于不同测试断面记录人员之间的语音通讯。

1.3 采集方法和观测断面

噪声的测量方法是采用远场测量法。依据各路段的实际情况将试验道路沿行驶方向划分为3~6个测试断面,如图1。同时,对于每一个观测断面,测量不同横向距离的噪声值,以得到交通噪声沿横向距离的衰减情况,根据道路路侧建筑的实际情况,横向一般最多可测取3个点位,分别为0 m、5 m和10 m,如图2所示。其中0 m是一个近似值,实际上的测点距离道路边线20 cm,则5 m和10 m处是依次往后推5 m。在每个位置采集20~30个有效数据。

1.4 观测时间

本次实验的测量时间从四月中下旬开始到五月初结束,测量时避开了降雨天气,日间的测量时间段为:9:00~12:00;夜间测量时间段为:21:00~24:00。之所以避开早高峰和晚高峰,是想得到车流量非拥堵条件下汽车在上坡路段充分加速时的交通噪声值,而拥堵条件下车行缓慢,加速不充分,交通噪声的幅值水平较低。

2 交通噪声值整体特性分析

2.1 日间/夜间的交通噪声分布

图3(a)和(b)分别为兰花路日间和夜间汽车行驶噪声测量值在各个断面的横向分布散点图,在4个测试断面,路侧5 m实测值的整体分布区间都是低于0 m,即噪声的传播出现了衰减。目前我国的道路交通噪声质量等级划分标准是重度污染74d B,中度污染72 d B,轻度污染70 d B,如图中的标注。从图中能看到路侧0 m点位的日间/夜间实测值都有很多超过了重度污染水平,超过轻度污染的比例更多,尤其是夜间实测值几乎都在轻度污染阈值之上。但让人庆幸的是,尽管是上坡路段,路侧5m测点的实测值大部分都是在重度污染之下,由于居民楼、商铺、写字楼很多都是距离路侧5 m或是5m多一点,因此,数据表明道路交通噪声对人们工作和生活的干扰尚未达到重度的水平。

日间该路段的车流量大于夜间,按常理会直接判断出白天的噪声值大于夜间。图3(c)是日间和夜间交通噪声的均值,从图中我们能发现不管是0m还是5 m位置,都是夜间的噪声均值总体上高于日间。这表明城市道路上坡路段的噪声水平是由多个因素决定,即车流量小并不意味着噪声小。其原因为:夜晚时,车流量小,通过该道路的汽车运行速度普遍偏高,驾驶员的加速意愿和高速行驶意愿非常强烈,由于汽车上坡时需要增加扭矩,尤其是加速冲坡时,发动机的噪声值会迅速变大,同时轮胎噪声也增加。这两者因素共同导致了该路段夜间较大的噪声值。由此,可看出山地城市的交通噪声特点和平原城市有所不同。

2.2 噪声值的横向衰减

图4是二塘路段和海峡路各断面的汽车行驶噪声分布散点图,这两条试验路段都被划分了四个测试断面,每个断面都有三个观测点,分别在距离路缘线0 m,5 m和10 m位置。从图中能看到相同道路的同一断面,都是横向距离0 m处的噪声值分布范围最大,5 m处次之,10 m处最小。

图5为二塘路段和海峡路汽车行驶噪声均值,可以观察到路侧横向距离导致噪声衰减的情况。在不同的测试断面,横向距离增加导致的衰减幅值有所区别,但总的来说每增加5 m的横向距离,噪声均值会降低2~4 d B左右,平均降低约3 d B(每5 m)。在10 m位置发现噪声均值已经降到了中度污染水平之下,这表明为了更好地保证工作和生活质量,路侧建筑与路缘线之间的最小横向距离值应该为10 m。

由于重庆市特殊的地形特征,路侧建筑物大都紧靠道路,测点距路缘线的最大横向距离很难超过10 m,因此无法采集更远的横向位置测点噪声值数据。

2.3 不同车型噪声值差异性

图6为建新南路和江南大道路段各测试断面不同车型的噪声分布折线图(横向距离0 m测点),这两个路段都测得了小轿车和公交车的分车型行驶噪声值。其中小轿车测试结果是路段上仅有小轿车通过并靠近测试人员时的噪声值;而公交车结果是公交车朝测试人员驶来时噪声连续测量值的峰值。

从图中能看到小轿车的噪声实测值都是远远低于公交车,分析其原因主要是因为它们的车身质量和载荷不同所造成的,由于汽车上坡行驶时主要是克服滚动阻力和坡度阻力,而汽车质量越大就需要更大的牵引力来使车辆行驶,并且发动机噪声是汽车的主要噪声源,公交车发动机的体积和功率更大,因此公交车上坡时加油门产生的噪声更大。尤其是公交车起步时,噪声值普遍会达到80 d B以上,这显然会对道路沿线环境以及人的身心健康带来比较严重的影响甚至损害。

图7是不同车型在不同测试断面上行驶噪声的均值分布图,能看到两条实验道路小轿车的噪声均值要比公交车低10 d B左右,这显然是一个非常显著的差异。因此,可认为公交车是山地城市道路交通噪声的主要贡献者。

3 交通噪声对道路坡度的敏感性

表1是6条试验路段的各个测试断面的坡度值,表中除了学府大道二塘路段(重庆交通大学门口)之外,其余的平均坡度值都是超过了5%,其中南区公园路和建新南路都是超过或是接近8%,这即使在山区公路中也算是一个明显的陡坡。同时南区公园路在线形特征上也与山区双车道公路极为类似,即线形曲率变化极大,线形组合复杂[见图1(f)]。

图8是以上6条试验路段的汽车行驶噪声均值(不区分车型),其中学府大道二塘路段和四海大道的噪声变化幅度最大,是因为最后一个测试断面的坡度迅速增加。在图8中,坡度最大的南区公园路的交通噪声值最低,是因为该道路车流稀少,尤其是夜间,同时该道路少有公交车通过,而公交车是上坡路段行驶噪声的主要贡献者。相比之下,二塘路段的坡度值最低,但交通噪声幅值水平却比较高,这是因为该道路是主干路,公交车线路多达20条,几乎每一时刻有大量的公交车进站和出站,尤其是出站时,在上坡路段起步加速的噪声值非常大。

因此,上坡路段的交通噪声值是由多方面因素综合形成的,比较显著的因素是道路纵坡的坡度值和大型车数量(公交车和大货车,但大货车仅在夜间可以进城),在公交车数量比较接近的情况下,是道路纵坡度值越大,噪声值越高。

4 交通噪声对道路坡长的敏感性

为了得到汽车行驶噪声沿上坡行驶里程的变化规律,本文在上坡路段设置了多个观测断面。图9是4条试验路段各测试断面的汽车行驶噪声分布图(横向距离0 m处),图中每条路段的汽车行驶噪声值都随着断面的增加而呈现出一定变化规律。比如北区路是一个先升高再降低最后再升高的一个过程,但两次升高都是发生在坡低和坡顶的单个断面上,而中间的4个断面是连续降低,这是由于一些驾驶员驾驶汽车时在坡低时有一个加速冲坡的行为,然后行驶速度随着里程的增加而降低,快要达到坡顶时驾驶员再次加速。在兰花路上可以看到类似的变化趋势。

而图9(c)和(d)则是另一种变化趋势,即噪声值在最后一个区段(两观测断面之间的路段范围)内上升,而在此之前都是一直降低。这表明此类驾驶员在上坡时没有加速冲坡的行为。但在快要到达坡顶位置时,都是再次加速驶过坡顶,因此噪声的变化趋势与图9(a)和(b)类似。基于此,我们认为汽车在坡道上的行驶噪声在很大程度上取决于驾驶员的驾驶行为习惯。

5 结论与研究展望

山地城市道路由于坡度值大、坡道长、弯道多等特点,汽车尤其是大型车辆的加速工况多,行驶噪声一直是一个主要的交通公害。本文在重庆市主城区选择了8条不同类型的长大上坡路段,采集了多个测试断面的汽车行驶噪声,得到了如下的结论。

(1)夜间的交通噪声水平与日间相比并没有出现大幅度的衰减。

(2)距离路缘线越远,汽车行驶噪声逐渐衰减,根据试验结果,每增加5 m,噪声均值衰减约3 d B左右。

(3)路缘线位置的噪声实测数据很多超过了重度污染水平,但距离路侧5 m时,噪声值会降到该阈值以下;距路侧10 m时则会进一步降到中度污染水平以下。

(4)小轿车(三厢、两厢、SUV、面包等)的噪声值远小于公交车和大货车,前者的噪声均值要比公交车低10 d B。

(5)大型车驾驶员的驾驶行为对噪声值及其沿坡长的变化趋势有显著影响,驾驶员有冲坡习惯时坡底第二个测试断面的噪声值会显著增加,优于驾驶员在到达坡顶之前会再次加速冲坡,因此噪声值会显著增加。

(6)在大型车数量相当的情况下,路段的坡度值越高,噪声值越大。

交通量分布 篇8

交通拥堵现象的频发,导致机动车在怠速、低速、急加速和急减速等非稳定行驶状态下的时间增加,使机动车排放物大量增加。为量化城市交通网络中机动车的污染物排放量,文献[1]的学者对应用排放因子展开了广泛研究。排放因子(emission factor,EF)是指机动车行驶单位距离后产生的不同排放物的质量,g/km,不仅可以反映某类型车的微观排放特征,也可反映区域内不同交通状况下的宏观排放特征[1]。因此,选择排放因子作为量化机动车尾气控制对策研究的依据。

同时,随着科学技术的发展,依托智能化的交通信息采集技术,实时的道路交通运行状态评估成为热门研究方向。国内外交通管理部门和研究机构展开了大量的交通拥堵评价相关研究,如拥堵指数(congestion index)[2,3]、道路拥堵指数(roadway congestion index,RCI)[4]、出行率指数(travel rate index,TRI)[5]、出行时间指数(travel time index,TTI)[6]、LKDIF(lane kilometer duration index under LOS F)[7]、Tomtom congestion index(CI)[8],交通运行指数(traffic performance index,TPI)[9]等。目前,交通运行指数(以下简称交通指数)在世界各大城市具有广泛的应用,且随着智能交通技术的发展,将来的应用会更加普遍。

在交通与环境的双重压力下,城市交通管理部门和环境保护部门已经开始联合行动,旨在通过采取治污与治堵一体化的措施,在改善交通拥堵的同时也取得节能减排的改善效果,因此,对交通规划、交通政策乃至交通项目节能减排效果进行科学评价的需求日益迫切。但是,由于研究角度的差异,目前尚缺少城市路网拥堵强度和机动车排放的定量关系的研究,尽管部分研究从城市路网着手,但是并没有开展交通拥堵评价指标与城市路网机动车排放强度的关系研究,《道路交通信息服务、交通状况描述》[10]中的交通拥堵评价指标———道路交通运行指数为例进行具体研究。

1 交通指数与机动车排放因子定量关系的分析方法

为构建交通运行指数与排放因子的关系量化模型,以浮动车数据为基础,设计交通运行指数下的速度分布算法。从微观角度,建立单车的速度与排放因子的定量关系模型,从宏观角度,利用不同交通运行指数下的速度分布,结合速度与排放因子的定量关系,以速度为衔接点,建立交通指数与排放因子的关系模型。研究框架见图1。

1.1 交通指数下的速度分布测算方法

依托北京市浮动车交通信息采集系统,可实时获取浮动车平均运行速度数据,以此为基础,利用北京市交通指数测算模型,后台数据处理中心便可测算同一时间粒度下的交通指数TPI[11]。利用已有数据库中的路段速度和交通指数的数据,以时间字段为中间变量进行相关联。考虑到不同道路等级上车辆的运行特性存在显著差异,笔者分道路等级,将同一时间粒度下的路段速度数据和交通指数数据相关联,测算不同速度区间的路段VKT之和占路网VKT总量的比例,建立某一指数条件下速度分布规律计算模型,见式(1)。车辆行驶里程(vehicle kilometers traveled,VKT)是衡量机动车行驶量多少的基本单位,表示的是特定路网中所有车辆的行驶里程之和)。由于在现有的技术条件下,不可能得到每辆车行驶里程的精确值,因此,选用交通量和路段长度的乘积来估算VKT,具体如式(2)所示。由于车辆在次干路和支路上的交通运行状态相似,作为一类分析,统称为“次支路”。

式中:PTPI,RC,v,VKTTPI,RC,v为某一时刻,速度区间v所占的百分比、机动车行驶里程,对于特定的交通指数TPI和道路等级RC;v为速度区间。以5km/h为步长划分速度区间,快速路速度大于等于80km/h的为一个速度区间,主干路和次支路速度大于等于75km/h的为一个速度区间;RC为道路等级,包括快速路、主干路、次支路;nv为速度区间的数量;l为某一时刻,平均速度位于速度区间v的路段编号;Ql为路段l的流量;Ll为路段l的长度;nl为路段的数量。

基于北京市浮动车交通信息采集系统,共获得2013年1月—2014年10月约800万条有效记录,数据以5min为间隔,数据示例见表1。

1.2 速度与排放因子的关系量化模型

在分析交通指数与机动车排放因子关系时,排放因子是一个关键参数。利用基于VSP的排放因子测算方法,分析速度与排放因子的关系[12]。利用车载测试、台架测试和手持式GPS设备,采集机动车排放数据和工况数据。由式(3)可得按照排放标准、道路等级、排放物类型、速度分类的排放因子。

式中:k为以1km/h为步长划分的速度区间;EFES,RC,i,k为排放因子,对于特定的排放标准ES,道路等级RC,排放物类型i,速度区间k;ERES,RC,i,j为第j个VSP bin的平均排放率;VSP binES,RC,j,k为第j个VSP bin的分布值;nj为VSP bin的数目;vk为平均速度区间k的中值。

考虑到交通指数下的速度分布是对路网上各种车型的统计结果,因此,有必要结合实际交通流中各排放标准车辆的构成比例,综合反映道路上速度与排放因子的量化关系。其中速度与CO2综合排放因子的关系曲线见图2。

1.3 交通运行指数与排放因子的关系量化模型

1)基于交通运行指数的排放因子模型。基于对交通指数和机动车排放因子的产生机理的分析,选择速度为衔接变量,将交通指数和排放因子相结合,建立交通指数与机动车排放因子的关系量化模型,见式(4)。

式中,EFTPI,RC,i为交通指数TPI的排放因子,对于特定的道路等级RC,排放物类型i;EFRC,i,v为速度区间v的排放因子;PTPI,RC,v为速度区间v的分布概率,由公式(1)所得;nv为速度区间的数量。

2)交通运行指数与排放因子的不确定性关系。交通指数是从路段到路网不断积聚而形成的综合性评价指标,因此,用交通指数下的速度分布来反映复杂多变的路网交通拥堵状况,存在一定的不确定性。进而导致交通指数与排放因子间关系存在一定的不确定性。为此,在90%的置信度下,统计各交通指数排放因子的置信上限、置信下限,即某一指数的排放因子分布带,使得排放因子处在分布带之中的概率达到90%。并统计了排放因子偏差率,即测算得到的排放因子平均值在其上下浮动值范围的百分比,来量化交通指数与排放因子之间的不确定关系,计算方法如式(5)所示。

式中,为排放因子的平均值;σTPI,RC,i,φTPI,RC,i为排放因子的标准差、偏差率。

2 交通指数下的速度分布聚类

交通指数是从路段到路网不断积聚而形成的综合性评价指标,因此,用交通指数下的速度分布来反映复杂多变的路网交通拥堵状况,存在一定的不确定性。由于交通出行在不同日期、时间段具有规律性、重复性,若根据交通特性相似的日期或时间段对城市交通运行指数的速度分布数据聚类分析,有可能降低交通指数的速度分布不确定性,进而降低机动车排放强度与交通指数关系的不确定性,故拟对各交通指数下的速度分布数据聚类分析。

2.1 影响城市交通网络速度分布的因素

从空间维度和时间维度,分析影响城市交通网络速度分布的因素,主要包括以下几个方面:(1)道路等级。由于物理特征的差异,导致车辆在各道路等级上的交通流特性不同。(2)交通需求。北京从2008年实施机动车按车牌尾号限行的交通管理措施,导致每天出行的车辆存在差异,交通状态存在不同。笔者对全路网在各工作日和周末速度随时间的变化规律进行分析,具体结果见图3。由图3可知,工作日的变化趋势大致相同,周末的变化趋势基本一致。其中星期二、星期三、星期四的变化趋势一致性较高,星期六比星期日更拥堵,同时,在全天24h的行驶速度特性也存在差异。在工作日07:00-09:00时出现早高峰。由于到达目的地为工作单位,目标单一且明确,是刚性需求;在17:00-19:00时出现晚高峰,出行目的多样化,是柔性需求;在周末,10:00-12:00时出现早高峰,16:00-18:00时出现晚高峰。(3)恶劣天气。研究表明雨雪等不利天气对交通流速度及流量有显著的影响[13,14]。(4)开学周。入学、接送孩子等行为导致出行车辆增加,交通需求增加。(5)节假日。在国家法定假日,各工作单位放假,路网中出行的车辆不集中,没有早高峰和晚高峰出行特征。同时,探亲访友、出行郊游、朋友聚会等活动增加,导致额外的交通需求。所以,节假日交通运行状态差别于非节假日。图3为全路网速度随时间变化曲线。

2.2 聚类方案评价指标

为评价各方案的聚类效果,借助于变异系数(标准差与其平均数的比值)的概念,笔者设计了速度分布变异系数(coefficient of variation of speed distribution,CVSD)和排放因子变异系数(coefficient of variation of emission factor,CVEF)2个评价指标,分别用来衡量交通指数与速度分布、交通指数和机动车排放因子关系的不确定性。通过测算各方案的CVSD和CVEF,从而选择不确定性最低、聚类效果最好的方案,对交通指数与速度分布数据聚类分析,为交通指数与排放因子间的关系研究提供数据支撑。

假设满足聚类方案c,对于特定的交通指数TPI和道路等级RC,存在多个速度分布样本。速度区间v的平均概率为μc,TPI,RC,v、标准差为σc,TPI,RC,v,则利用式(6)计算得到速度区间v的变异系数CVc,TPI,RC,v。通过加权集计可得TPI的变异系数,计算方法见式(7)。

式中,

为速度区间v的变异系数、标准差、平均概率值、权重,对于特定的TPI和RC;CVc,TPI,RC为交通指数TPI的变异系数。

1)速度分布变异系数(CVSD)。权重取值为各个速度区间的概率平均值。意指该速度区间概率越大,其重要性越高,见式(8)。

2)排放因子变异系数(CVEF)。权重取值为各个速度区间CO2排放因子所占比率,意指该速度区间CO2排放因子越大,其重要性越高,见式(9)。考虑到低碳已发展成为城市环境和交通管理者的共识,近年来对碳排放的日益关注,笔者选用CO2排放因子为例。

式中:为速度区间v的CO2排放因子,对于特定的RC。

2.3 聚类对速度分布不确定性与排放因子不确定性的影响

结合城市交通网络速度分布的影响因素,针对交通需求稳定的特征,剔除节假日、开学周、恶劣天气数据。为排除夜间及凌晨噪声点数据的干扰,采用06:00-22:00时共16h,以15min为时间粒度的全路网速度数据作为聚类指标,则1d拥有64个指标,可被看作64维欧氏空间中的点。借助Matlab软件开发平台编写程序,利用K-Means聚类方法,结合基于Silhouette测度的最佳聚类数函数[15],对数据进行聚类分析,从而分析不同日期数据的潜在相似规律。

通过聚类分析发现,根据相似性特征数据被分为6组,分别为星期日、星期一、普通工作日(星期二、星期三和星期四)、49限行工作日(车牌尾号为4和9的车辆限制行驶)、星期五、星期六。星期一是工作日的第1d,交通状态区别于其他工作日,早高峰较拥堵;星期五为工作日的最后1d,其晚高峰较拥堵;49限行工作日为较拥堵的工作日。而且由于星期六是双休日的第1d,出行集中,交通状况比星期日更拥堵。

考虑到交通出行的时间特征,在对城市交通指数的速度分布数据按照日期分类的基础上,拟对其再按时间段进行更细致粒度的分类。为此,提出了2个时段聚类方案,方案一为(00:00-12:00时)和(12:00-24:00时),方案二为(06:00-12:00时)、(12:00-22:00时)和(22:00-06:00时)。

通过研究发现,按道路等级、交通规律相似的工作日、周末和时间段(06:00-12:00时、12:00-22:00时、22:00-06:00时)交叉组合分类,快速路、主干路、次支路速度分布不确定性降低了10.1%,13.6%,14.6%,排放因子不确定性降低了10.1%,13.4%,14.2%,降低效果最显著,具体如图4和图5所示。故被选为本研究的聚类方案。

3 交通指数与机动车排放因子间的定量关系及其不确定性

利用交通指数与排放因子的关系量化模型,对不同聚类条件下交通指数与排放因子的关系进行测算(分道路等级、日期、时间段、排放物类型等)。由于篇幅的限制,笔者仅列举了普通工作日交通指数与CO2排放因子的量化关系。在其他日期和时间段交通指数与排放因子的关系变化趋势与普通工作日大体一致,仅相邻指数排放因子的增长率存在差异。

由图6可知,交通指数在(2.0,8.0]时,随着指数的增加,CO2排放因子随之增长,增长速度较为平缓;当交通指数在(0.6,2.0]和大于8.0时,随着指数的增加,排放因子增长趋势变大。

从道路等级来看,同一交通指数,在次支路上机动车排放因子最高,主干路次之,快速路上最低。此外,考虑到实际应用,通过拟合得交通指数与CO2综合排放因子的函数关系式,拟合度均达到99%以上,可靠性较高。

同时,笔者测算了聚类前后交通指数与CO2排放因子偏差率,见如图7。由图7可知,通过所提出的聚类方案,快速路、主干路、次支路的CO2排放因子偏差率均显著降低,分别降低74.0%,80.5%,75.9%。验证所提出的聚类方案的聚类效果。

4 结束语

1)将交通运行指数与速度分布数据,按道路等级、上午/下午/夜间、交通规律相似的工作日/周末交叉组合分类分析,与不分类相比,可使速度分布不确定性和排放因子不确定性显著降低;

2)从道路等级来看,次支路CO2排放因子最大,主干路次之,快速路最小。随着指数的增加,排放因子均随之增长。当交通指数位于(2.0,8.0]时,增长趋势较平缓;当交通指数在(0.6,2.0]和大于8.0时,排放因子快速增加;

3)交通指数数据按道路等级、交通规律相似的工作日、周末和时间段(06:00-12:00时,12:00-22:00时,22:00-06:00时)交叉组合分类,快速路、主干路、次支路的CO2排放因子偏差率均显著降低,分别降低74.0%,80.5%,75.9%。