山地城市樞紐區域交通方式劃分仿真研究以重慶東站為例

中圖分類號：U491 文獻標志碼：A 文章編號：1003-5168(2025)11-0070-04

DOI:10.19968/j.cnki.hnkj.1003-5168.2025.11.015

Research on Traffic Mode Split Simulation in Mountainous City Station

Area

—TakingChongqing EastRailway Stationasan Example JIN Rui (Chongqing Jianzhu College， Chongqing 40o072， China)

Abstract: [Purposes] To explore the law of multi-mode travel in hub areas of mountainous cities is significant to the formulation of transportation strategies under the integrated development of station and city.[Methods] Talking Chongqing East Station as the research object，the MNL travel choice model was constructed based on the data of weekday peak hours，and the traffic operation characteristics under mountainous terrain were analyzed，and compaction by VISSIM simulation.[Findings] The study reveals the cost-sensitive characteristics of multimodal travel in mountainous city hubs，reflects the roleof dense road network structure in promoting slow travel，and verifiesthedecision-making logic of walking substitution when community buses are insufficient.[Conclusions] The \"comprehensive cost optimization\" prediction framework is proposed，and the model accuracy is improved through RP survey and dynamic OD iterations，which providesquantitative supports forcoordinating rail transit and non-motorized travel systems and optimizing thereliabilityof mountain road networks，and has practical values for the coordinated development of stations and cities.

Keywords: urban traffic; mountainous city; VISSIM; railway hub; transportation development strategy

0 引言

山地城市受地形限制，路網結構復雜，次干路及支路通行能力較弱[]。高鐵樞紐區域可提供研究城市功能、空間與多模式交通需求相互作用的場景[2]。傳統交通需求預測將車輛簡化為統一流體模型[3-4后采用四階段法5進行分析，但其存在三方面缺陷：一是忽視山地道路沖擊波效應，二是未有效關聯出行方式選擇枝，三是難以調控多模式交通供需平衡。本研究提出融合集計/非集計方法與迭代模擬的新模型，通過劃分交通模式，預測出行強度，在交通分布環節采用重力模型引入阻抗參數，在方式選擇階段細化路徑層面交通成本，并通過反饋標定整合項目規劃與地形特征。該方法突破了傳統模型對局部地形影響的忽略，實現了需求預測的系統優化。

1客流調查

從重慶市交通綜合信息平臺中重慶茶園組團工作日平均車速數據來看，山地城市交通呈現顯著潮汐特征。樞紐客流全天活躍(除凌晨），晚高峰在18：00—21:00。基于高鐵樞紐區域HBW（通勤）與HBO（中遠程出行/購物）復合出行特征，18：00—19:00疊加通勤高峰壓力最大。

2基于山地城市樞紐的交通需求模型

本研究采用4種模型解析站城多模式出行，基本流程為OD矩陣(源點-終點矩陣)生成一機動化分擔率計算一路網流量分配一仿真反饋優化，進而輸出分擔率，具體如圖1所示。

2.1生成(吸引)模型

重慶東站地塊待建，參考規劃數據(用地、容積率等)和相關部門規定的交通吸發率，基于函數法及36個國內樞紐樣本標定參數，構建初始出行發生 P_station 和吸引 A_station 模型，見式（1)。

式中： A 為樞紐站房建筑面積， m²;Q 為年客運量，人次/年； T 為預測年鐵路平均日始發列車數，輛/天； R 為輻射區域面積， km² ，取站城一體化規劃面積； 為回歸系數； β 為常數。

2.2 出行分布模型

該模型引入交通阻抗，考慮重慶東站片區實際道路條件，具體見式(2）。

式中： T_ij 為 i 地塊到 j 地塊的交通量，車次/d;P_i 為 i 地塊生成量，車次/天； A_j 為 j 地塊吸引量，車次/天； θ_i?O_j 為標定參數；因交通阻抗不適用于步行時間和乘車時間混合的情況， c_ij 為重慶東站現有路網方案中 i 地塊到 j 地塊的距離， m^[s] γ 為交通阻抗系數。

本研究采用概率分配法，按耗時將機動車OD表分配至片區路網，具體見式（3）。

式中： Prob_ij(k) 為 i 區到 j 區間OD交通選擇 k 路徑的概率； c_ij(m) 為 i 區到j區間OD交通第 m 條路徑耗時； M 為 i 區到 j 區間OD交通可供選擇路徑條數： _;ρ 為分配系數。

2.3多模式出行模型

本研究采用非集計多項Logit模型，基于廣義效用假說，將人類所有目的性行為都看作一個在資源約束條件下通過偏好選擇實現效用最大化的過程[6]，即出行者在彼此沒有關聯的有限選擇枝中選擇對于該出行者而言效用最佳的分枝，而分枝效用被選擇枝特性作為自變量 (X_n1～X_n9) 進行影響（見表1)。特性變量定義分為固有啞元 (X_n1 )和非固有啞元 (X_n5 ），特性變量對應標定參數為 θ₁ 。固有啞元個數同選擇枝個數，為 N 減1，數值為0或1。非固有啞元各選擇枝特性值為實際數值，其中出行模式“步行\"無車均延誤及車費，數值為0。出行舒適度涵蓋準點率、可達性、候車及車內環境等模糊指標，取值0（極不舒適)至1（極舒適），此指標基于居民調查進行量化[]。

3多模式出行模型構建

3.1模型建立與參數標定

出行者選擇出行模型 n 的概率見式（4)。

式中： V_n 為出行者選擇出行模式 n 的效用函數值。效用函數線性表達式見式(5）。

式中： X_nw 為出行者選擇出行模式 n 第 w 個選擇枝特性，選擇枝特性個數 W=9 。

出行者選擇某出行模式的結果為 δ_n 。當 δ_n=1 時，出行者選擇了出行模式 n ；當 δ_n=0 ，出行者沒有選擇出行模式 n 。若出行者 z 選擇某出行模式的結果 δ₁，δ₂，?，δ_s 同時實現，其概率表達式見式(6)。

由此可得，所有出行者多模式出行似然函數見式(7)。

將式（7）對數化，見式（8）。

通過對 L 進行微分，求得出行者 z 選擇所有出行模式的結果最可能同時實現時的 θ 參數。因為 L 為凸函數，所以當 L 求導后向量等于零， L 達到最大值。用 θ_w 對 L 進行微分可得梯度向量 ablaL ，用 θ_w?θ_l 對 L 進行二次微分可得黑賽矩陣 abla²L 對式(8)進行一次微分見式(9)。

由式(9)得出梯度向量 ablaL 后，根據最大似然法令其為零，見式(10)。

再對式(9)進行二次微分，見式(11)。

將式（4）代入式（11）可得黑賽矩陣，見式（12）。

3.2 模型檢驗

通過NP(Newton-Paphson)逐次逼近求得效用函數特性變量 X_nw 的 θ 后，需計算各 θ 的 Φ_t 值，見式(13)。

式中： 為 θ_w 預估值; v_w 為 第 w （204個對角元素。當 時，有 95% 可能性認為X_nw 對因變量 V_n 影響不顯著，即可排除 X_nw 后重新標

定MNL模型參數。

3.3 實際應用

本研究基于2017年《重慶市主城區交通調查》RP數據及茶園出行數據，預測重慶東站交通方式劃分。本研究聚焦于道路交通分析，故計算OD矩陣時剔除了軌道出行量，獲得關鍵參數及檢驗值，見表2。結果顯示，出行時間成本由運行速度、延誤及出行距離共同決定，并與車費構成核心出行成本要素。

4重慶東站仿真模擬

4.1 實例簡介

本研究以重慶東站 3.47km² 規劃片區為仿真對象，區域呈典型山地地形。采用VISSIM7.0構建山地樞紐仿真模型，整合地形高程差和“窄路密網\"路網特征，如圖2所示。

通過分擔率計算車輛OD矩陣，通過式(3)獲得VISSIM道路斷面出行需求量，按各OD對出行模式比例設置各車輛類型需求量。仿真后，輸出所有OD對最低成本路徑各車輛類型出行時間，計算各OD對出行模式的分擔率，然后計算各OD對各車輛類型的期望值，計算所有地塊生成量，統計出該片區新的分擔率。重復以上過程，迭代更新至前后分擔率結果差異小于 0.5% 即收斂，具體如圖3所示。

4.2 預測結果分析

由仿真結果可知，公交分擔率降至 25.35% ，步行分擔率升至 40.85% ，其他出行方式比例沒有明顯變化，由此可得出行鏈規律： ① 路網承載力低將增加公交出行綜合成本； ② “窄路密網\"提升步行分擔率，短途出行增加，步行可達性變高； ③ 社區巴士服務不足時，步行替代部分需求，說明出行者會主動選擇優化成本。因此，交通發展策略應強化公交效率與慢行銜接，以適配山地地形特征。

5結論

本研究針對山地地形站城一體化交通需求特征提出創新預測方法。基于重慶東站構建預測模型，整合RP調查與交通仿真，通過MNL模型迭代可以得出車行交通方式劃分比例。未來應構建綜合交通網絡模型，以同步分析步行、車行及軌道多模式交互關系，以提升山地路網可靠度與多方式協同效率。

參考文獻：

[1]陳楊.山地城市次干路通行能力模型研究[D].重慶：重慶交通大學，2024.

[2]閔雷，黃煥.綜合交通樞紐區域的城市設計：記武漢鐵路客運樞紐漢口火車站站區綜合規劃的設計實踐[J].城市規劃，2009，33(8)：76-79，86.

[3]LIGHTHILLMJ，WHIEHAMGB.Onkinematic waves.II.A theory of traffic flow on longcrowded roads[J]. Proceedings of the Royal Society a Mathematical Physical andEngineeringSciences，1955，229(1178):317-345.

[4]RICHARDSPI.Shock waves on the highway[J].Op erationsResearch，1956，4(1):42-51.

[5]楊敏，張曉哲，李可，等.基于重力模型的公交OD矩陣估算方法[J].公路交通科技（應用技術版），2015，11(3)：310-312.

[6]葉航，肖文.廣義效用假說[J].浙江大學學報(人文社會科學版），2002(2)：139-142.

[7]靳增鑫.人均出行舒適度評定研究[D].長沙：長沙理工大學，2011.