活動—出行決策混合仿真方法研究綜述
2008-12-31 00:00:00張偉華雋志才高林杰
計算機應用研究 2008年7期
摘 要：總結了出行行為混合仿真模型的主要特征，綜述了活動—出行混合仿真模型的發(fā)展及該領域的一些主要研究成果，最后討論了該領域的有關新技術及進一步發(fā)展趨勢。
關鍵詞：出行需求；活動；混合仿真中圖分類號：TP391．9 文獻標志碼：A
文章編號：1001-3695(2008)07-1928-04
Overview of activity/travel decision mixed simulation
ZHANG Weihua，JUAN Zhicai，GAO Linjie
(Institute of Transportation Studies， Antai College of Economics Management， Shanghai Jiaotong University， Shanghai 200052， China)
Abstract:This paper summarized the key features of mixed simulation models of travel behavior， and reviewed the development of activity/travel simulation models and research fruits. Lastly，it discussed emerging methods and new trends.
Key words:travel demand;activity;mixed simulation
交通仿真是計算機技術在交通工程領域的一個重要應用，它可以復現(xiàn)交通流的時空變化，對各種參數進行比較和評價，為交通方案的規(guī)劃和設計提供依據[1]。根據對交通系統(tǒng)描述的細節(jié)程度不同，傳統(tǒng)的交通仿真模型可分為微觀交通仿真、中觀交通仿真和宏觀交通仿真三類。它們對交通流的描述分別以單個車輛、車輛隊列和速度—密度關系為基本單元。近年來，交通規(guī)劃的重點逐漸從大規(guī)模交通基礎設施建設轉移到對交通需求的有效管理。交通需求管理（transportation demand management，TDM）的前提是進行居民出行行為分析。然而適用于大規(guī)模交通基礎設施建設評價的傳統(tǒng)四階段模型在評價TDM策略方面卻顯得無能為力。針對四階段方法上的局限性，牛津大學的研究人員提出了基于活動的出行需求預測方法。基于活動的出行需求預測方法有計量經濟學模型和混合仿真模型兩種。計量經濟學模型是以微觀經濟學中的效用最大化假設為模型框架。然而，在現(xiàn)實生活中，由于選擇集的復雜性，這一點受到了很多行為科學家和交通研究者的質疑。另外，計量經濟學模型只能反映影響最終選擇的因素，而不能說明活動—出行的決策過程。相對計量經濟學模型，混合仿真模型更為詳細地描述了居民的選擇過程。因此，為研究居民的活動—出行決策過程，越來越多的交通研究者開始轉向對混合仿真模型的研究。
1 模型主要特征
混合仿真的基本觀點是模擬人們的決策過程，它假設活動計劃是一個有順序的由連續(xù)步驟組成的過程，每一步都看做是一次初步的活動計劃。另外，還通過限制決策范圍、省略活動和出行計劃決策中次要的影響因素來簡化模型。混合仿真大多基于計算過程模型。計算過程模型最早由Newell和Simon提出并用于心理學方面的研究，是計算機程式化生成模型。這種模型試圖通過一系列決策規(guī)則來仿真決策過程。計算過程模型考慮了決策過程中個人處理信息能力的限制。其主要優(yōu)點是允許個人視情況而采取不同的規(guī)則進行決策，非常適用于對日常活動安排過程的仿真分析[2]。盡管混合仿真模型隨理論和運作特征的變化而變化，它們的應用有很多相似之處：a）當建立活動—出行計劃時，仿真居民的思考過程[3]。在模型結構中通常包含一些學習機制，那些產生積極影響的行為將會得到加強，并逐漸轉換為特定情況下的啟發(fā)式規(guī)則。在進行選擇時只考慮特定的選擇集，相對基于活動的計量經濟學模型，混合仿真模型的選擇集要小得多。b）仿真輸出結果通常是居民的活動選擇模式（包括出行目的、出行時間、出行方式等），而不是對某項選擇肢的選擇概率。仿真模型通常不能進行統(tǒng)計意義上的檢驗。c）仿真模型結構中通?？紤]時間、位置、預算約束。新活動的計劃依賴于先前的活動（活動時間、模式、目的地），同時，新活動計劃也能導致以前活動計劃的變化。因此，選擇集和選擇肢的定義通常是以迭代方式進行。但通常沒有考慮較長時間滯后影響，如日活動安排未考慮前幾個星期活動的影響。d）活動類型和活動優(yōu)先級之間存在著一定的關系，生計相關的活動（上班、上學等）通常比自由安排的活動（社交、娛樂、餐飲等）具有較高的優(yōu)先級。e）模型仿真居民日活動安排及交通政策變化時作出相應反應的短期決策過程，但通常不考慮多日和星期活動安排決策。f）仿真模型中，時間通常是連續(xù)的變量。
2 活動—出行仿真研究進展
近二十年，一方面，計算機軟硬件技術得到了高速發(fā)展，使得存儲和處理海量數據變得相對容易，開發(fā)仿真軟件也變得更加有效率；另一方面，交通擁堵、交通污染、能源消耗等負面影響日益加劇，迫使交通管理人員加強對出行行為的分析以實施有效的TDM政策。這些都極大地推動了活動—出行仿真研究的進展。2．1 計算過程模型
Kuipers開發(fā)了第一個基于出行的出行選擇計算過程模型TOUR[4]，該模型仿真出行者的認知圖、信息獲取及在路徑選擇中的應用。盡管該模型在很多方面是成功的，但是它不是基于對認知地圖、空間定位、路徑尋找等詳細實證研究的基礎上。隨后出現(xiàn)的這類比較有代表性的模型有NAVIGATOR、TRAVELLER、ELMER[5]。隨著TDM策略的廣泛應用，傳統(tǒng)的基于出行的交通需求模型暴露出諸多缺陷[6]。為此，交通研究人員開發(fā)了基于活動的方法。該方法認為人們參與活動的需求是產生出行的真正原因，并認為對出行行為的任何理解都應從屬于對活動的參與認識[7]，出行決策過程應該置于整個活動日程中來加以分析。Recker等人開發(fā)的STARCHILD是這類系統(tǒng)中最早的模型之一，它通過分類和選擇過程仿真活動和出行計劃決策。該模型首先需要輸入由活動目的、活動時間、地點及約束構成的活動計劃，然后根據各項約束詳細列舉出可行的選項，通過統(tǒng)計上的相似原則將選項進行分類，用決策規(guī)則排除次優(yōu)選項，最后用MNL模型從剩余選項中進行選擇。該模型的缺點是需要依靠其他模型來預測活動和出行計劃中主要的影響因素，包括參加的活動、目的、地點和出行方式，而且分類和抽樣規(guī)則不能完全描述實際的選擇集[8]。
Garling等人提出了一個概念框架SCHEDULER。該模型仿真居民在定義的時間周期內如何作出活動選擇的過程，包括決定活動的參與人、時間、地點以及到活動地點所采用的交通方式等?；顒拥陌才攀腔趩l(fā)式搜索規(guī)則，首先在滿足給定時間約束下安排活動順序；然后根據最近鄰居啟發(fā)式算法進行再排序以實現(xiàn)總出行距離最短。SCHEDULER由六部分組成：目標環(huán)境（活動—出行環(huán)境的抽象）、認知地圖、調度器、長期日程表、短期日程表、活動執(zhí)行模塊。Golledge用該模型框架對引入遠程辦公后通勤者活動模式的變化進行了預測[9]。Kwan在GIS環(huán)境下對SCHEDULER進行了擴展，開發(fā)了GISICAS系統(tǒng)[10]。在GISICAS中，除對SCHEDULER中最近鄰居算法進行了簡化外，還開發(fā)了一些新的空間搜索算法以處理位置偏好對個體出行行為的影響。這些新算法不再是局部尋找最近活動地點，而是在全局搜索和下一目的地最近的滿意地點。
Kitamura等人開發(fā)了一個活動流動性仿真器AMOS，它是SAMS系統(tǒng)的核心組件，主要仿真居民對各種政策變化產生的反應。居民在各種出行環(huán)境變化時的適應過程被看做是一個學習過程，通過研究出行者在新的出行環(huán)境中如何改變活動計劃，可以得到出行者的適應過程，從而更好地理解出行需求的改變[11]。該模型用一個由神經網絡模型和MNL模型組成的多項選擇模型系統(tǒng)挑選出一個可行的調整計劃[12]。首先由神經網絡模型根據決策者特性為每一個選項預測出在政策調整時的一個輸出信號，作為惟一的變量輸入MNL模型中，產生選擇每一個調整選項的概率；然后用一個判斷模型決定接受或拒絕這個調整計劃。如果拒絕，就進行重復調查；如果沒有找到則程序返回，選擇另一個基本反應。AMOS以輸入的活動模式為基準，根據對應具體政策的調查來預測居民活動模式的變化，在預測居民對特定交通政策變化的短期反應時特別有效。Pendyala等人基于從華盛頓地區(qū)出行調查數據中抽出的小樣本數據，應用AMOS模型評價了停車收費、擁擠收費、改善自行車道和人行道設施等交通政策對居民活動—出行的影響[13]，表明了該模型的適用性。盡管AMOS在預測政策的短期影響時取得了較好的效果，但它對于每一項政策的反應模型都需要標定，并且驗證所需要的數據很難獲得。另外該模型所采用的搜索方法不能充分描述搜索過程，對預測結果可能造成系統(tǒng)偏差。Ettema等人開發(fā)了一個基于效用的逐步適應活動安排算法來仿真活動的增加、刪除、替代、終止。在這個基礎上，他們開發(fā)了一個活動安排仿真模型SMASH[14]。SMASH系統(tǒng)通過迭代逐步制訂出活動計劃，每一次迭代從一個原計劃開始，通過調查，列舉出所有可能插入的調整計劃，從原計劃中刪除或者替代一個活動；然后用NL模型進行選擇繼續(xù)調查還是接受前一個計劃停止調查，模型最終輸出個體的活動安排，包括活動的目的地、出行時間、出行方式、路徑等。SMASH模型主要缺點是依靠外部程序提供詳細的活動安排，同時，對參數估計需要復雜的調查數據。Arentze等人開發(fā)的Albatross(a learningbased transportation oriented simulation system)是一個基于規(guī)則的多agent系統(tǒng)，它吸收了微觀仿真和基于代理模擬的優(yōu)點。給定家庭中人數，該系統(tǒng)能用來預測活動模式。作為經濟學中理性決策以實現(xiàn)效用最大化的一種替代方法，學習機制提供了活動模式產生的理論基礎[14]。該系統(tǒng)仿真居民進行活動計劃決策的每個方面，包括活動類型、持續(xù)時間、出行隨從人員、開始時間、出行類型、位置和交通方式。該方法最重要的一點是使用決策樹來描述和推導個體的啟發(fā)式選擇過程。決策樹方法大大提高了預測精度，并且在確認后的集合上，仿真結果能被復制[15]。2．2 一體化仿真模型
為提高活動—出行仿真模型的實用性，交通研究人員嘗試將日活動模式產生、安排、執(zhí)行與交通流模型結合起來研究并開發(fā)了一些實用的仿真工具。
Kitamura等人開發(fā)了仿真居民活動—出行的仿真模型PCATS。該模型吸收了Hagerstrand提出的時間—空間菱形理論[16]。該模型把一天分成兩個時期：執(zhí)行柔性活動的開放時間段和執(zhí)行固定活動的封閉時間段。活動—出行菱形在封閉時間段之間定義。在每個開放時間段開始，基于過去的決策經驗來進行活動—出行的相關決策。在開放時間段內，決策由NL(nested logit)模型實現(xiàn)。第一層是進行如下相關活動的決策：家里活動、下一個固定地點附近的活動、戶外活動；第二層在第一層的基礎上進行如下決策：目的地、出行方式、活動持續(xù)時間。該決策過程重復進行直到占滿所有開放時間段。在PCATS的基礎上，Kitamura等人開發(fā)了FAMOS（Florida activity mobility simulator），并使用美國佛羅里達州2000年家庭活動和出行數據對該模型的參數進行了標定[17]。Kitamura等人還將PCATS、家庭特性產生系統(tǒng)HAGS、動態(tài)網絡仿真器DEBNetS集成到一起，開發(fā)了城市居民仿真系統(tǒng)[18]。在該系統(tǒng)中，PCATS模型中許多決策如出行方式選擇、目的地選擇等所基于的車輛時間出行信息由DEBNetS提供；另一方面，PCATS向DEBNetS提供汽車出行等相關信息。由于該系統(tǒng)包含了時間軸并描述了出行者一天內的行為，能仿真連貫的出行并能對廣泛的交通政策進行評價；同時，由于該系統(tǒng)包含家庭特性產生系統(tǒng)HAGS，能對長期的交通需求進行預測。Veldhuisen開發(fā)了一個微觀仿真模型RAMBLAS[14]，該模型能對活動模式和交通流進行預測。該模型首先產生一個以工作地點、學校、居住地、年齡和性別為特征的合成總人口，總人口包括近15 000 000的出行者。該總體按社會人口特征進行分類，并從一個國家活動模式/時間使用數據庫中隨機為各部分分配相應的活動模式。在活動類型/方式選擇組合分布的條件概率基礎上，給定活動的出行方式選擇通過隨機抽取仿真實現(xiàn)。RAMBLAS輸出包括以類型、時間、地點、持續(xù)時間、方式、路徑選擇為特征的活動模式。該模型還能對交通網絡上的控制措施進行仿真，交通網絡由GIS來管理并實現(xiàn)可視化。德國PTV公司開發(fā)了一套基于活動鏈的交通需求預測軟件VISEM[19]。該模型把人群分成一系列出行特征相似的組群，組群內在交通方式選擇上比較相似，不同組之間存在很大差別。VISEM輸出的OD矩陣可以直接輸入到交通分配模型VISUMIT和VISUMPT中，從而計算路徑選擇和交通流相關信息。同時，VISUM產生的各種網絡和空間數據也可以直接作為VISEM的輸入數據。在VISEM和VISUM的基礎上，PTV公司和德國大眾汽車交通公司交通研究小組提出了一個集交通需求、路徑選擇、交通流和交通污染排放評價為一體的仿真模型[20]。交通需求預測由VISEM模型實現(xiàn)，它計算分析區(qū)域內居民的出行鏈；路徑選擇通過迭代的仿真實現(xiàn)；每個車輛在路網上的仿真通過VISSIM實現(xiàn)；路網上車輛燃油消耗和污染排放的計算基于動態(tài)引擎地圖。該仿真模型既可以用于對獨立交叉口控制措施的評價，也可以用于整個城市路網管理措施的優(yōu)化。
Bhat等人開發(fā)了一個日活動—出行綜合計量微觀仿真器CEMDAP[21]。該仿真器能在連續(xù)的時間框架上仿真工作者和非工作者的活動—出行模式。通過輸入土地使用、社會統(tǒng)計變量、活動、交通服務水平等特性變量，系統(tǒng)能為每個人提供完整的活動出行模式。在CEMDAP中，活動出行模式由三個層次描述：停駐、旅程、模式。停駐由活動類型、活動持續(xù)時間、到停駐地的出行時間、停駐點的位置組成；家到家、工作到工作、家到工作、工作到家停留一系列停駐點鏈組成了旅程；一個模式由一系列旅程組成。CEMDAP既可以用來對居民的活動—出行模式進行預測，還可以對某些交通需求管理政策進行分析。Bhat對該模型進行了擴展，集成了動態(tài)交通分配模塊（VISTA），開發(fā)了一個活動模擬和微觀交通分配集成的仿真器[22]。
3 新技術及發(fā)展趨勢
3．1 地理信息系統(tǒng)（geographic information system，GIS）
GIS能夠表示復雜的城市交通網絡結構，同時還可以有效存儲、管理、分析交通土地使用等相關數據。在發(fā)達國家，越來越多的交通研究人員在交通行為分析中應用GIS技術。徐琪對GIS在傳統(tǒng)交通規(guī)劃中的應用作了較詳細的探討[23]。從傳統(tǒng)的方法到活動方法的轉變在一定程度上意味著分析單位的改變。在基于活動的分析方法中，分析單位已從傳統(tǒng)模型中小區(qū)轉變到單個人。在基于活動的非集計分析方法中，GIS在活動—出行數據組織、模擬、分析中仍然發(fā)揮著重要的作用。GIS能形象地描述居民的活動—出行模式，這對交通規(guī)劃人員和交通研究人員理解居民出行行為及對環(huán)境約束政策變化的反應非常有幫助。Miller(1999)、Buliung等人應用GIS研究了時空約束下居民的活動—出行模式[24，25]。GIS還可以用來幫助進行出行調查，得到出行者在逼真環(huán)境所做出反應的相關信息。另外，GIS與GPS結合能幫助交通調查人員自動收集有關出行路徑和速度的相關數據，為交通調查提供一條有效的新思路。
3．2 Agent的應用
Agent是一個具有控制問題求解機理的計算單元，它可以指一個機器人、一個專家系統(tǒng)、一個過程、一個模式或求解單元[26]。Agent既能完成各自的局部問題求解，又能通過協(xié)作求解全局的任務。在研究居民的活動—出行行為時，每個個體或家庭都可以看做是一個agent。每個agent針對長期的住宅選擇、中長期的日戶動計劃、短期的駕車行為作出相應的決策。在進行活動—出行行為分析時，首先產生一個綜合人口agent；然后產生一個包括活動地點、活動安排的活動模式；最后是產生基于agent的方式選擇和路徑選擇模型。比較有代表性的基于活動的agent仿真系統(tǒng)有TRANSIMS和Albatross。
3．3 綜合仿真模型的開發(fā)
交通仿真應用的規(guī)模正在擴大。在大多情況下，對一項交通政策的完整分析不僅需要考慮居民對該政策短期的反應，還需要考慮該政策帶來的長期影響。因此研究住宅選址模型、活動—出行決策模型、交通流模型和路徑選擇模型集成方法，開發(fā)新一代綜合活動—出行決策仿真模型將是一個新的發(fā)展方向。
3．4 在仿真模型中更多考慮信息的影響在智能交通系統(tǒng)（intelligent transportation system，ITS）所采用的技術中，信息技術起著主導作用。未能充分考慮信息對出行影響的分析模型將不再適應現(xiàn)代交通研究分析的需要。為了提供面向出行者的交通信息，交通信息對出行的影響成為亟待解決的問題。新一代仿真模型應能描述信息作用下居民的活動—出行的調整過程，分析和評價不同ATIS（advanced traveler information system，ATIS）
策略實施的效果，從而為交通信息的提供和優(yōu)化提供指導。
4 結束語
為解決日益嚴重的交通擁堵及其帶來的環(huán)境污染問題，越來越多的城市和地區(qū)開始實施TDM政策。然而，傳統(tǒng)的交通仿真在評價TDM政策方面卻顯得無能為力，基于活動的方法為進行出行行為分析和TDM政策評價提供了一條新的途徑。相比計量經濟學模型，活動—出行決策仿真方法更能詳細描述人的決策過程。國內在這方面的研究十分有限。為此，本文系統(tǒng)地評述了國際上關于活動—出行決策仿真方面的研究情況，并提出了一些新的思路，拋磚引玉，期望有更多的學者投入到這方面的研究，為我國制定和實施TDM策略提供科學依據。
參考文獻：
［1］魏明，楊方廷，曹正清.交通仿真的發(fā)展及研究現(xiàn)狀[J].系統(tǒng)仿真學報，2003，15(8):11791183.
[2]孫曉端.一種新興的美國城市交通流量需求預測模型系統(tǒng)[J].城市交通，2002（1）:37-38.
[3]JOVICIC G.Activity based travel demand modeling[M].Danmarks:Transport Forskning， 2001.
[4]GLING T，KWAN M P，GOLLEDGE R G.Computational process modeling of travel decisions: review and conceptual analysis: paper presented at the symposium of microsimulation，commission on mathematical models[C]//Proc of International Geographical Union.Stockholrn， Sweden:[s.n.]，1991.
[5]GRLING T，KWAN M，GOLLEDGE R.Computationalprocess modelling of household activity scheduling[J].Transportation Research B，1994，28(5):355-364.
[6]VOVSHA P，BRADLEY M，BOWMAN J L.Activitybased travel forecasting models in the United States: progress since 1995 and prospects for the future[C]//TIMMERMANS H.Progress in activitybased analysis.Amsterdam:Elsevier，2005:389-414.
[7]易漢文.出行預測方法從出行模型到行為模型的變革[J].城市交通，2007，15(1):7279.
[8]BOWMAN J L，MOSHE E，BEN A.Activity based travel forecasting[C]//Proc of ActivityBased Travel Forecasting Conference.New Orleans， Louisiana:[s.n.]，1996:2-5.
[9]KWAN M P，GOLLEDGE R G.Computational process modelling of household travel decisions using a geographical information system[C]//Proc of Regional Science Association.1994:169-204.
[10]MEI P K，REGINALD G G.Computational process modeling of disaggregate travel behavior UCTC No. 334[R].Berkeley:Transportation Center University of California，1996.
[11]KITAMURA R，PAS E I，LULA C V，et al.The sequenced activity mobility simulator (SAMS):an integrated approach to modeling transportation， land use and air quality[J].Transportation，1996，23(2):267-291.
[12]雋志才，李志瑤，宗芳.基于活動鏈的出行需求預測方法綜述[J].公路交通科技，2005，22(6):108113.
[13]PENDYALA R M，KITAMURA R，CHEM C，et al.An activitybased microsimulation analysis of transportation control measures[J].Transport Policy，1997，4(3):183192.
[14]BULIUNG R N，KANAROGLOU P S.Activitytravel behaviour research:conceptual issues， state of the art， and emerging perspectives on behavioural analysis and simulation modelling[J].Transport Reviews，2007，27(2):151187.
[15]THEO A，HARRY J P.A learningbased transportation oriented simulation system[J].Transportation Research B，2004，38(7):613-633.
[16]LITWIN M S.Dynamic household activity scheduling processes[D].Canada:University of Toronto，2005.
[17]PENDYALA R M，KITAMURA R，KIKUCHI A，et al.FAMOS: the Florida activity mobility simulator[C]//Proc of the 83rd Annual Meeting of Transportation Research Board.Washington DC:[s.n.]，2005:123130.
[18]KITAMURA R，KIKUCHI A，F(xiàn)UJII S，et al.An overview of PCATS/DEBNetS microsimulation system: its development， extension， and application to demand forecasting[C]//Proc of Simulation Approaches in Transportation Analysis:Recent Advances and Challenges.[S.l.]:Springer，2005:371-399.
[19]FELLENDORF M，HAUPT T，HEIDL U，et al.PTV VISION:activity based demand forecasting in daily practice[C]//Proc of Travel Model Improvement Program Conference.Karlsruhe:[s.n.]，1995.
[20]FELLENDORF M，VORTISCH P.Integrated modelling of transport demand， route choice and traffic[C]//Proc of the 79th Annual Meeting of the Transportation Research Board.Washington DC:[s.n.]，2000.
[21]BHAT C R，GUO J Y，SCRINIVASAN S，et al.A comprehensive econometric microsimulator for daily activitytravel patterns[C]//Proc of Conference on Progress in ActivityBased Analysis.Maastricht:[s.n.]，2004:57-66.
[22]BHAT C R.Integrated activitybased modeling and dynamic traffic microassignment simulator:methodological challenges and computational issues[C]//Proc of Workshop on Integrating Demand and Supply Models.2007.
[23]徐琪.GIS在交通規(guī)劃中的應用探討[J].交通科技，2006(2):7174.
[24]MILLER H J.Measuring spacetime accessibility benefits within transportation networks:basic theory and computational procedures[J].Geographical Analysis，1999，31(2):187-212.
[25]BULIUNG R N，KANAROGLOU P S.A GIS toolkit for exploring geographies of household activity/travel behavior[J].Journal of Transportation Geography，2006，14:35-51.
[26]王娜，王國宇，孟慶春，等. 基于agent的智能交通控制系統(tǒng)的控制建模[J]. 計算機應用研究，2007，24(1):103106.
注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。”
