新建模型（共3篇）
新建模型 篇1
随着城市化进程的加快和机动化水平的提高, 道路的交通构成发生巨大的变化, 同时人民生活水平提高, 对道路步行、休闲的功能也有了更高的要求, 而现行的道路横断面已不再适应此种变化。改革开放以来, 我国的城市化进程进一步加快, 随着城市人口的发展, 土地资源的占用, 机动车数量的快速增长, 其带来的交通拥挤问题日益突出, 而本文主要对车道被占用的影响因子进行模型分析。
1 新建模型
(1) 模型准备。以事故发生前后的车辆排队长度表示车道被占用的程度, 观测某事故发生前后的视频, 采集各个时间段车辆排队长度及车辆数。
(2) 模型假设。1假设进出小区的车辆对事故所处横断面实际通行能力的变化没有影响。2假设上游路段和下游路段没有发生交通事故。3假设所有车辆都是随机到达, 其概率服从一定的正态分布。4假设机动车、行人以及非机动车的行为特征具有普遍性, 研究中忽略特殊情况, 例如违章情况、肇事逃逸和紧急救援等。5假设信号通信的管理条件不变。
(3) 模型建立。根据采集某事故发生前后的视频数据, 通过matlab数据工具, 采集数据并分析散点统计结构图1所示, 由图可看出在同一平面上, 满足线性关系, 故可建立多元线性回归模型 (multivariable linear regression model) 。
进行线性回归时, 有4个基本假定:因变量与自变量之间存在线性关系;残差是独立的;残差满足方差奇性;残差满足正态分布, 在假定的前提下可设计回归模型为:
2 影响因子分析
车道被占用的影响因子包括:路段车辆排队长度, 事故持续时间和路段上游车流量。一元线性回归是一个通过主要影响因子作为自变量, 并解析因变量的变化, 在现场实际问题中, 因变量的变化往往受多个重要因子的影响, 所以必须用两个或两个以上的影响因子作为自变量来解释因变量的变化, 这种方法就是本次分析的多元回归亦称多重回归法。因此现场视频数据分析的多个自变量与因变量之间呈现线性关系时, 其进行的回归分析必然采用多元性回归。
设y为因变量X1, X2…Xk为自变量, 当自变量与因变量之间呈现线性关系时, 则多元线性回归模型为:Y=b0+b1X1+…+bkXk+e其中, b0为常数项, b1, b2…bk为回归系数, b1为X1, X2…Xk固定时, X1每增加一个单位对y的效应, 即X1对y的偏回归系数;同理b2为X1, X2…Xk固定时, X2每增加一个单位对y的效应, 即X2对y的偏回归系数。
在matlab软件中做线性多元回归, 通过一般多元回归分析的regeress命令, 对现场视频观测数据进行多元回归分析, 根据运行结果可得回归方程及各个因素的置信区间分别为:
从杠杆图看出, 所有的残差都在0点附近均匀分布, 区间几乎都位于[-150, 150]之间, 并没有发现高杠杆点, 从此可证明数据中没有强影响点和异常观测点。总而言之, 图2残差杠杆的回归结果 (回归函数、拟合曲线) 近乎完美。根据回归方程可分析出交通事故所影响的路段车辆排队长度越长, 事故横断面实际通行能力就越低, 事故持续时间越长, 路段上游车流量就越少。
3 结语
通过车道被占用的现场视频观测数据, 采用多元线性回归方法去建设车道占用模型, 并在matlab软件工具协助下, 完成对路段车辆排队长度, 事故持续时间和路段上游车流量等影响因子分析。
摘要：进入二十一世纪之后, 城市化进程加快, 城市机动化水平迅猛提高, 同时对步行、休闲等功能也有了更高的需求, 而道路横截面已不再适应新世纪的变化。因此提出一种新建多元线性回归模型, 对现场视频的观测数据进行路段车辆排队长度处理, 对事故持续时间和路段上游车流量等影响因子进行分析。
关键词：回归模型,影响因子,残差杠杆
参考文献
[1]周凤耀, 伶俐, 曾菲圆, 邱小平.城市道路通行能力的研究现状及发展趋势[J].公路与汽车, 2013.
[2]倪艳明.城市道路交通通告能力影响因素分析及研究[D].华南理工大学, 2012.
[3]李文川, 王旭, 王志勇.汽车制造企业的RFID应用标准体系研究[J].中国机械工程, 2011, 22 (5) :513-517.
[4]何伟, 曾隽芳, 魏书楷.RFID生产线监控及调度管理系统[J].自动化仪表, 2010, 31 (3) :35-37.
[5]韩中庚.数学建模方法及应用[M].北京:高等教育出版社, 2005.
[6]张亚平, 汪建鸽.基于流量一车道占有率模型的高速公路路段通行能力分析[J].中南公路工程, 2000.
新建模型 篇2
然而, 由于经济技术开发区通常是在一片空地上进行开发, 没有背景交通量可以作为参考, 因此, 对未来年的交通需求的预测就难以使用通过对现状的调查来进行分析, 需要考虑新的交通需求预测的方法和手段, 从影响交通需求的根源入手, 提出用于交通需求预测的技术手段及模型。下面将新建开发区交通需求预测模型在辽宁 (营口) 沿海产业基地综合交通规划应用情况说明如下:
1 交通需求预测框架
城市土地利用是城市交通需求的根源, 通常不同的土地利用布局、不同的土地利用性质和不同的土地利用强度将形成不同的交通需求。因此, 建立新建开发区交通需求预测的模型将为新建开发区交通规划提供良好的支撑。
而对于城市的新开发区域而言, 由于不存在该区域的历史居民出行调查数据, 因此在交通需求预测过程中如有可能, 需参考国内其他类似城市交通需求预测的成果, 该类城市的选取需考虑与规划地区的地域相近性、经济水平相近性以及城市规模相近性等, 同时需利用规划地区老城区的居民出行特征对部分参数进行校正, 从而建立起新建开发区交通生成预测方法, 其体系框架如图1所示。
(1) 出行产生预测
根据新建开发区总体规划和控制性详细规划等土地利用相关规划中所确定的社会经济状况以及土地利用状况, 分析研究新建开发区的土地利用空间分布形态、面积、容积率、人口规模和分布情况, 在此基础上分别对未来规划年进行居民交通出行产生预测。
(2) 出行分布预测
在出行分布预测阶段采用重力模型方法, 参考案例城市居民出行调查的人口出行分布状况, 分别标定居民出行的重力分布模型参数, 并预测未来规划年居民全方式出行OD表。
(3) 交通方式划分
居民出行方式预测采用距离竞争曲线法, 同样参考案例城市居民出行距离方式分担信息, 同时参考老城区居民出行方式特征, 最终预测出新建开发区未来规划年全天分方式、高峰小时步行OD、自行车OD、公共交通OD、小汽车OD、摩托车OD及其它交通方式OD。
(4) 交通分配
将获取的未来特征年的各分方式交通需求量, 运用用户均衡模型在未来规划特征年的交通规划线网方案上进行分配, 并对交通规划方案进行效果分析和评价。
2 交通需求预测模型
在本部分主要确定以下三种模型:出行生成 (吸引) 预测模型、交通分布预测模型、方式分担预测模型。
2.1 居民出行生成预测模型
出行发生、吸引量的预测一般考虑到交通发生源的空间布局关系和土地利用状况, 按区域进行预测。其预测方法可分为增长率法、原单位法、函数法三类。其中原单位法有用居住人口或就业人口 (就学人口) 每人平均的交通发生量来进行推算的个人原单位法, 和以不同用途的土地或工作单位面积发生的交通量来预测的面积原单位法。在此交通生成 (吸引) 预测采用原单位法。
根据新建开发区的用地规划计算生成各交通小区内部各类土地利用类型的面积, 运用函数法进行新建开发区居民出行的发生吸引量预测。将各小区的发生量和吸引量作为因变量, 小区的居住用地面积、商业行政用地面积、工业用地面积、文化娱乐用地面积、教育科研用地面积和交通用地作为自变量, 来进行变量选择和参数标定。即初始的出行产生模型为:
Gi (Ai) =C1S1i+C2S2i+C3S3i+C4S4i+C5S5i+C6S6i (1)
其中:Gi—第i个小区的发生量;
Ai—第i个小区的吸引量;
C1、C2、C3、C4、C5、C6—参数;
C1i—第i个小区的居住用地面积;
S3i—第i个小区的商业金融用地面积;
S4i—第i个小区的工业用地面积;
……
模型标定:首先使用SPSS软件运用向后回归法对案例城市进行了变量选择和参数标定。向后回归法 (Backward Regression) 的基本思路是:先将所有可能对因变量产生影响的自变量都纳入模型, 然后逐个地从中剔除认为最没有价值的变量, 直至所留在模型中的变量都不能被剔除, 或者模型中没有任何变量为止。在逐步的剔除过程中, 每次都对当前模型中的所有变量计算评估附加影响的F统计量, 并找到其中最小的。如果最小F统计量超过指定的临界值, 当前模型中的所有变量都保留, 将当前模型作为最终模型, 程序终止。反之, 如果最小F统计量达不到临界值, 就将相应的变量加以剔除, 得到一个较小的模型。在新的模型下重复以上做法。以上步骤不断进行, 直至没有变量可以剔除, 或者模型中没有任何变量为止。最终的模型就是所选定的“最优”模型。将新建开发区的各种土地利用的面积和发生量、吸引量输入SPSS, 可以得到发生、吸引量函数法标定结果。
2.2 居民出行分布预测模型
出行分布预测的任务是将各交通小区的出行发生量和出行吸引量联系起来, 形成城市交通出行的空间结构。出行分布预测模型主要包括增长率法、重力模型法、概率模型法。重力模型法不仅能适用于城市结构及土地利用的变化, 而且也能将因新的交通工具的引入而产生的所需时间的变化考虑进去。在此选择重力模型法。
标准重力模型成立的前提是出行的主体在出发地及到达地的选择上有足够的可选择性和随机性, 居民可根据自身的经济能力和偏好, 在交通允许的条件下, 选择合适的就业地点和居住地点。重力模型表达见公式2。
式中:Tij—交通小区i至j的居民出行量;
Pi—交通小区i的出行产生量;
Aj—交通小区j的出行吸引量;
f (tij) —交通小区i至j的出行阻抗函数;
Kij—交通小区i至j的布局调整系数。
一般认为阻抗函数Kij=f (tij) 是出行时间或出行距离的函数, 本研究采用的阻抗函数如下:
Fij=f (tij) =a·c
式中:cij—交通小区i至j的出行距离;
a、b、c—常系数。
布局系数是在剔除空间距离因素后, 各小区间联系的相对紧密程度。它反映了除空间距离以外的其它社会经济要素对居民出行分布量的影响。
2.3 居民出行方式划分预测
目前常用的交通方式划分预测方法有“吸引系数法”、“效用比模型”、“转移曲线法”、“二次双项转移”。但这些方法在定量化程度、模型参数标定、思路的条理性方面存在着或多或少的不足。在本研究中采用了实用性更好的距离竞争曲线法, 其基本原理是根据居民出行距离的长短, 获得不同出行距离区间内各种交通方式的分担比率。新建开发区的交通方式分担预测需借鉴案例城市交通出行方式的距离竞争特征, 以及老城区居民出行距离分担数据。
3 交通需求预测模型应用
辽宁省营口市沿海产业基地是以高新技术产业、先进制造业、现代服务业为主的滨海生态文化科技新城, 规划面积40km2, 现状为滩涂, 无任何现有居民出行资料可以利用, 因此, 在进行产业基地的综合交通规划中应用了基于土地利用的交通需求预测模型。
根据沿海产业基地总体规划所确定的土地利用布局, 将规划范围划分为153个交通小区及六个大区。规划年度为2010年、2015年及2020年, 在此主要结合2010年的预测数据进行说明。选择的四个参考的案例城市为大连、沈阳、廊坊、临沂, 前二者地理区位与营口接近, 后两者在城市规模、发展水平与营口接近。营口市老城区的居民出行数据使用2003年的居民出行调查数据。
3.1 发生吸引量预测
为了控制土地利用原单位法预测量的精度, 根据产业基地2010年的预测人口规模以及人均出行次数, 对2010年的出行总量进行控制和验证, 其中人均出行次数是在比较分析国内若干城市居民平均出行次数和老城区人均出行次数的基础上进行预测的。产业基地2010年居民人均出行次数为2.31次。营口沿海产业基地2010年各交通小区的交通发生吸引空间分布情况如图2所示。
3.2 居民出行分布预测
首先进行重力模型的标定, 主要是指出行阻抗函数Fij及布局系数Kij的标定。运用交通规划软件TRANSCAD进行重力模型的标定得到a、b、c的标定值和布局系数K矩阵。其中a、b、c的标定结果为 a=352、b=1.38、c=0.017。
下面给出产业基地6个交通大区2010年的出行期望路线图, 其中最上面的大区是营口市老城区。
图3结果标明:2010年老城区与产业基地的交通交换量比较大, 说明在产业基地建设初期阶段, 各种基础设施相比较而言明显劣于老城区, 所以大部分的出行集中在老城区与产业基地一期之间。
3.3 居民出行方式分担预测
根据2003年的营口市老城区居民出行调查数据, 将交通方式分为六类:步行、自行车、公共汽车、小汽车、摩托车和其他, 其中小汽车包括出租车、私人小汽车和政府小汽车三类, 其他包含单位班车。
根据上述案例城市经验与已有老城区交通调查数据, 对营口产业基地2010年各交通小区间的各种交通方式的出行量进行了预测, 表1为2010年营口产业基地居民出行交通方式划分的预测结果。
4 结论
城市土地利用规划是城市交通规划的基本依据之一。脱离土地利用的交通规划是难以满足城市社会经济发展需求的。尤其是对于新建开发区等新建城区的交通规划, 由于缺乏历史居民出行资料, 其交通规划更加不能脱离土地利用规划。因此需要针对该类型区域交通需求预测模型及方法。
本文对用于新建开发区交通需求预测模型及方法进行了初步的探讨, 提出了交通发生、吸引预测模型以及基于重力模型的交通分布预测方法和基于距离竞争曲线的交通方式分担预测方法, 并提出了利用案例城市数据及老城区居民出行调查数据进行辅助量化的思路和方法。将本文的方法应用于辽宁 (营口) 沿海产业基地的交通规划中, 有力地支持了交通规划的进行。
摘要：提出新建开发区交通需求预测模型并将其应用于实际规划工作。提出交通需求预测的体系框架, 建立居民出行生成预测模型, 将所建立的模型应用于营口沿海产业基地的综合交通规划中。
关键词：土地利用,交通需求预测,重力模型,距离竞争曲线
参考文献
[1]清华大学交通研究所, 辽宁 (营口) 沿海产业基地.辽宁 (营口) 沿海产业基地一期综合交通规划.2007.5.
[2]陆化普.城市土地利用与交通系统的一体化规划[J].清华大学学报 (自然科学版) , 2006, 46 (9) :1499-1504.
[3]陆化普.交通规划理论与方法[M].北京:清华人学出版社, 1998.
[4]石飞, 江薇, 王炜, 陆建.基于土地利用形态的交通生成预测理论方法研究[J].土木工程学报, 2005, 38 (3) :115-119.
[5]郑洁, 陆化普.城市土地利用对交通需求特性影响研究[J].中南公路工程, 2007, 32 (2) :175-179.
新建模型 篇3
改革开放以来, 在中国经济快速发展的同时, 房地产行业迅速崛起, 并成为国民经济的重要组成部分。房地产业的健康良好发展对社会稳定和国民经济繁荣都具有积极的促进作用。近年来, 房地产价格持续走高, 尤其是商品住宅价格持续上涨。房价问题已经成为一个引起广泛关注的重要社会问题和经济问题。因此, 准确预测商品房市场的发展规律, 客观认识房地产价格的运行规则, 对购房者购买投资和房地产企业的投资销售具有指导意义, 以及对促进房地产市场的持续健康发展具有重要意义。
相对于房地产价格, 房地产指数更能直接及时反映市场行情波动, 当前反映我国房地产价格的指标为房地产价格指数, 其可分为房屋销售价格指数、房屋租赁价格指数和土地交易价格指数[1]。房屋销售价格指数中的新建住宅价格指数是综合反映新建住宅商品价格水平总体变化趋势和变化幅度的相对数。本文利用2009年1月~2012年12月的历史数据, 基于ARIMA模型对西安市新建住宅价格指数进行分析并对该市2013年上半年房地产的发展作出短期预测。
1 理论基础
A R I M A模型全称为差分自回归移动平均模型 (Autoregressive Integrated Moving Average Model, 简记ARIMA) 。ARIMA (p, d, q) 模型常用来对一个国家或地区经济和商业进行预测, 它不必事先假定数据存在着一定的关系, 而是从数据本身出发来寻找可以拟合数据的模型。其结构为:
式中:, 差分运算;
, 为平稳可逆ARIMA (p, d, q) 模型的移动平滑系数多项式。
由此可以看出, ARIMA (p, d, q) 模型的实际上是差分运算和ARMA (p, q) 模型的组合。因此, 任何非平稳序列通过适当阶数的差分实现差分后平稳, 就可以对差分后的序列用ARMA模型拟合了[2]。
2 西安市新建住宅价格指数的实证分析
2.1 数据分析
本文选取2009年1月至2012年12月西安市新建住宅价格指数的月度数据进行分析, 总计48个数据, 数据来源中国统计局网站。由于原数据为环比数据, 没有可比性, 因此对其转化为以2009年1月为基础的序列, 记为Xt, 序列时序图如图1。
从时序图中可以看出, 该序列蕴含着曲线趋势, 对原序列进行三阶差分, 消除趋势变动, 差分后序列图如图2所示, 时序图2显示出差分后序列在均值附近比较稳定的波动, 所以可以认为差分后序列基本平稳了。为了进一步确定其平稳性, 考察差分后序列的自相关图, 如图3所示, 从自相关图中可以看出序列具有较强的短期相关性, 因此, 3阶差分后的序列平稳。由于在5%的显著水平下, 延迟6阶的χ2统计量的P值为0.001, 小于0.05, 所以差分后的序列非随机序列, 可以对建立ARMA模型。
2.2 模型识别和定阶
从差分后序列的自相关函数图和偏自相关函数图中可以看到, 它们都是拖尾的, 因此可设定其为ARMA过程。自相关函数1阶显著, 从第2阶开始迅速下降, 于是先设定q值为1。偏自相关函数1~2阶都很显著, 从第3阶开始很快下降, 由此可设定p的值为2, 所以对于差分后序列, 初步建立ARMA (2, 1) 模型。为了得到更精确的模型, 考虑p, q的不同组合, p=0, 1, 2, q=0, 1;根据最小信息准则函数法, 选择使AIC准则函数值达到最小的那组p, q值作为阶数。当p=2, q=1时, AIC准则函数值为2.10, 达到最小。
2.3 参数估计
下面运用最小二乘法对初步建立的ARMA (2, 1) 模型的参数进行估计。对于所建立模型中的AR (2) 系数估计值不显著, 因此将其剔除, 用ARMA (1, 1) 模型拟合3阶差分后序列, 就是用ARIMA (1, 3, 1) 模型拟合原序列。具体模型结构为
2.4 适应性检验
(1) 参数检验
模型参数估计值的t统计量的P值为0.0039, 参数θ1估计值的t统计量的P值为0.0000, 均小于0.05, 因此在5%的显著水平下都是显著的, 参数都通过显著性检验。
(2) 残差序列检验
模型的适应性检验为一个时间序列模型解释序列相关性的程度。一个时间序列的适合模型应该完全或基本上解释序列的相关性。从而模型中的残差序列{αt}应该是白噪声序列。模型的适应性检验实质上就是检验{αt}是否为白噪声序列[3]。
对残差序列进行Q检验, 结果如图4。显然, 拟合检验统计量的P值都大于显著水平0.05, 同时相关系数都在二倍标准差范围内, 因此可以认为残差序列为白噪声序列。
2.5 预测
下面对2013年1月~2013年6月西安市新建住宅价格指数的预测值与实际值进行比较, 对比结果见表1。
由表1可知, 以上月份的预测相对误差均在1%以内, 这说明用ARIMA (1, 3, 1) 对西安市新建住宅价格指数进行模拟是适合的, 并且预测的精度还是比较高的。
3 结语
本文利用ARIMA模型对西安市新建住宅价格指数进行分析预测。从预测结果来看, 平均相对误差不超过1%, 说明了该模型的拟合程度是比较高的, 预测精度也是比较精确的。从这些方面来看该模型能较好地反映西安市商品房销售市场的发展规律, 说明时间序列模型对房地产的预测有着重要的应用。
从预测结果来看, 西安新建商品房价格将维持继续上涨的趋势, 本次分析采用新建住宅价格指数的月度数据, 并转换成定基数据, 西安市新建房价格将保持在每个月0.3%的浮动水平, 增长速度呈温和增长态势。
房地产价格主要影响因素有政策、需求、供给、成本等。相关部门已对房价进行了多方面的调控和政策上倾向。2013年3月1日, 国务院办公厅发布新国五条细则, 坚持执行限购、限贷为核心的调控政策, 对二手房交易征收差额20%个税。2013年3月31日, 西安落实新国五条细则出台, 明确2013年房价增长幅度明显低于城镇居民人均可支配收入实际增幅。除了出台房价调控目标, 西安市政府还增加住宅用地供应量, 力图通过调整供需关系的方式对房价起到抑制作用。与此同时, 我市保障性安居工程新开工62597套, 完成全年任务60.77%。由此可见, 调控政策的出台, 以及大量保障性住房逐步面世, 西安市的新建住宅价格总体将呈稳定小幅增长局面。
目前刚性需求和投资需求并存。近年来, 购房者的刚性需求逐步释放。上世纪80、90年代出生的庞大人群, 已到了结婚生育年龄, 无疑成为购房主力军。而随着人们收入水平的提高, 将会有越来越多的高收入者逐渐加入改善型购房者队伍。从模型预测结果来看, 未来西安新建住宅价格将呈现温和增长趋势, 因此建议购房者应该根据需求入市置业。对于投资者, 从预测结果来看, 近期投资的升值空间不如早期投资的收益高, 需合理考虑投资成本。
综上所述, 从模型预测结果来看, 未来几个月西安市新建住宅价格将呈稳定小幅的增长, 这一点也是比较符合西安当前快速发展的现状。相关部门的调控政策和保障性住房的涌入, 西安市的房价将控制在一定的合理范围内, 这将促进西安房地产市场的健康有序发展, 有利于城市的稳步长久发展。
参考文献
[1]欧廷皓.基于ARMA模型的房地产价格指数预测.统计与决策, 2007 (14)
[2]王燕.应用时间序列分析[M].中国人民大学出版社, 2005
[3]王振龙.应用时间序列分析[M].中国统计出版社, 2010