基于改進交通仿真模型的城市軌道交通新線客流預測研究

柳雪麗, 魏 薇

陜西工業職業技術學院土木工程學院, 陜西 咸陽 712000

0 引言

隨著城市軌道交通線網結構日益復雜,新線開通后的運輸組織將面臨更大的挑戰。傳統的客流預測方法在反映市民出行特征等方面具有一定的片面性,無法精準體現居民出行特征隨著新線開通的變化,因此難以滿足實際的運營需求。許多學者在新線客流預測研究的基礎上,重點突破新線開通后對既有線網影響分析與運輸組織優化調整[1-2]。段龍杰 等[3]以換乘站為例,分析新開線路對客流的影響。張科 等[4]以廣州地鐵6號線為例,分別運用了最短路徑長度與介數中心性2個指標來量化研究新線開通后軌道交通網絡的效率和脆弱性。與常規客流預測不同的是新線開通初期缺乏足夠龐大的歷史客流數據作為分析依據,客流特征復雜多變,具有明顯的不穩定性。目前對于新線開通的客流預測缺乏客流演變過程及變化規律的深入研究,且隨著互聯網大數據的不斷應用,交通規劃在決策支撐精準化、模型應用高效化等方面提出更高的要求。本文基于二次開發技術建立模型應用輔助系統,在軌道交通模型中考慮換乘時間、票價等因素,采用改進的Logit模型描述居民的方式選擇,并且對乘客高峰小時的出行分布進行準確描述,通過建模和推演,再現客流的變化規律,對交通規劃參數進行驗證分析,將新線規劃與開通的實際需求相結合,助力智慧交通的建設與發展。

1 系統總體設計

依據現狀交通與土地利用的關系,構建指標體系,采用 Java 編程語言、Spring Batch 批處理技術實現數據挖掘分析,基于 C/S 架構、ArcGIS、交通仿真軟件二次開發技術建立模型應用輔助系統。構建“1個數據平臺+4個專題系統”的系統架構(見圖1),涵蓋面廣,可應用于多種數據仿真分析,本文重點分析一體化交通模型系統中的軌道交通模型改進與應用。

圖1 交通仿真系統架構

2 交通模型構建

軌道交通模型主要用于交通需求預測、方案評估等,構建過程中以經典的四階段法為基礎,精細化模擬交通網絡和出行費用等因素構建模型,按照出行生成、出行分布、方式劃分、交通分配的步驟對交通運行情況進行預測,采用刷卡、GPS等動態大數據校核模型,提升模型精度[5]。

2.1 出行生成模型

2.1.1 發生模型

出行分類是建立模型的關鍵一步,影響出行生成的主要因素有汽車保有量、收入、區位、出行目的等,將所有這些因素逐一進行交叉分類,總出行分類達到上百種,模型十分復雜,難以把握和操作。因此經過反復的分析比較和簡化,準確把握未來的交通生成情況,發生模型通過交叉分類,計算各類出行的機動化出行總量,模型公式如下[6]。

(1)

式中:Pi為i區的總發生量;Pij為i區j類人口數;αijk為i區j類人口k出行目的的機動化出行率。

2.1.2 出行吸引模型

出行吸引量按基于家的工作出行計算,基于家的其他出行、非基于家的出行吸引將根據商業和辦公區的分布進行計算,基于家的上學出行根據學位分布進行計算。由于中心區或次中心區的崗位吸引率會高于其他地區,因此在吸引量計算過程中,根據吸引強度采用不同的參數進行計算。出行吸引模型公式如下。

(2)

式中:Ai為i區的基于家的工作出行、基于家的其他出行和非基于家的出行吸引總量;Eij為i區j類工作崗位數;αj為j類工作崗位平均機動化吸引率;ωij為i區j類工作崗位吸引權重。

2.2 出行分布模型

交通分布模型是根據各交通小區的出行產生量、吸引量計算各小區間的出行交換量,得到出行的產生吸引點(PA)矩陣[7]。預測模型如下。

(3)

Ki=[∑KjAj/f(cij)]-1

(4)

Kj=[∑KiAi/f(cij)]-1

(5)

f(cij)=e-βcij

(6)

式中:Tij為全日從小區i到小區j的出行總量,次/日;Gi為i區1 d產生的出行總量;Aj為j區1 d吸引的出行總量;cij為交通區i到j的出行時間;f(cij)為i區到j區的阻抗函數;β為阻抗函數的參數。

2.3 方式劃分模型

相關研究表明,慢行對于交通系統設施和交通運行情況的敏感度較低,影響步行出行分擔率最主要的變量為出行距離,因此出行距離矩陣是方式預劃分模型的主要輸入變量[8]。

考慮到公共交通的換乘時間、步行時間以及票價等因素影響,為更精準地劃分不同出行方式的客流出行PA,統一采用改進的Logit模型描述居民的方式選擇,改進的Logit模型結構為:

(7)

式中:Pijm為小區i到小區j出行中交通方m的分擔率;θ為模型參數,一般取值3～4;rijk為小區i至小區j中交通方式k的交通阻抗。

2.4 高峰時辰模型

為將全天的PA矩陣轉換成全天或者高峰小時的起訖點(OD)矩陣,在客流預測時能夠更便捷和準確,構建出行時辰模型,結構如下。

ODij=(PAij·TPA+PAji·TAP)/2

(8)

式中:ODij為小區i到小區j的OD 矩陣值;PAij為小區i到小區j的PA 矩陣值;TPA為從家至目的地的時辰分布系數;TAP為從目的地至家的時辰分布系數。

2.5 交通分配模型

推算出未來年高峰時段客流的出行矩陣后,將各小區間的出行分配在道路網上,最終得到各路段的客流數據。本文采用用戶均衡模型進行客流分配預測,其目的是分析運輸網絡均衡狀態下的交通格局。在進行軌道交通客流分配時,分析對象為包括所有地面公交和軌道交通線路的整個綜合公交網絡,依據是整個綜合公交網絡的用戶廣義時間最短。

用戶均衡模型采用非線性數學規劃模型[9]。其目標函數為用戶費用最小化,約束條件為綜合交通OD流量的相互平衡,表達式如下。

(9)

2.6 模型基本參數

在交通分配模型中,需要用到交通方式和每條線路的運營參數,包括運行速度、發車頻率、容量等[9],該交通模型中軌道交通運營的主要參數及其取值如表1所示。

表1 軌道客流交通分配基本參數

2.7 模型校核

為更好擬合現狀交通模型測試結果,需要根據定期收集的全市土地利用規劃數據,更新綜合交通模型土地利用模型,并根據 2020 年第七次人口普查及手機信令數據等相關數據,更新交通小區人口及崗位數,同時利用軌道刷卡數據(ACC)、查核線斷面車流量及客流量(查核線調查)、2020 年居民出行調查等數據,校核綜合交通現狀模型,重點校核軌道交通現狀模型測試結果[10]。

根據綜合交通模型和完善方式劃分模型后的軌道交通模型,以西安地鐵開通的線路為例對現狀交通進行擬合。在軌道客流擬合中,不但對各站點上下客量提出了擬合精度要求,同時還對軌道區段的客流分布擬合精度提出要求,以反映現狀軌道客流特征,擬合結果如表2所示。

表2 軌道線網客流總體指標校核結果

從模型測試結果與實際客流對比來看,總體客流規模相對誤差為2%,說明該預測模型是準確可靠的。

3 結束語

本文針對現有客流預測方法應用中存在的問題,基于大數據平臺建立交通仿真系統,應用改進的軌道交通仿真模型實現新線客流預測。該模型中考慮換乘時間、步行時間和票價等因素對居民出行特征的影響,采用改進的Logit模型更精準地描述居民的方式選擇及變化,構建出行時辰分布模型,使客流預測時能夠更便捷、準確地將PA矩陣轉換為全天或者高峰小時的 OD矩陣,提高了模型的精準度和計算效率。本文通過既有線路校核驗證了模型的可行性,結果表明:改進的交通仿真模型能夠及時、準確地預測不同層面上的路網客流狀態及其動態變化,為新線開通運營規劃和調度指揮提供決策依據。