OJTT  >> Vol. 7 No. 6 (November 2018)

    基于停车信息的城市交通流量预测
    Urban Traffic Flow Prediction Based on Parking Information

  • 全文下载: PDF(1994KB) HTML   XML   PP.397-404   DOI: 10.12677/OJTT.2018.76048  
  • 下载量: 260  浏览量: 745  

作者:  

刑永捷,刘明哲,黎文皓:桂林电子科技大学建筑与交通工程学院,广西 桂林;
董 京:桂林市公安局交警支队科研所,广西 桂林

关键词:
停车信息流量预测TransCADParking Information Flow Prediction TransCAD

摘要:

为了实现对停车信息的有效利用,本文使用区域内停车场信息采集系统获取车辆出入流量数据,运用TransCAD提供的交通规划“四阶段法”建立宏观交通规划模型,反推并预测出周边道路的动态交通流运行状态,提出一种基于停车信息的城市交通流量预测方法,并通过案例证明了该方法可以有效预测区域路网流量。

In order to make effective use of parking information, this article uses sparking information ac-quisition system to obtain vehicle in and out data. On this basis, the “four-phase method” of traffic planning providing by TransCAD is applied to establish a macroscopic traffic planning model, and the dynamic traffic flow running state of the surrounding roads is predicted backwards. Finally, an urban traffic flow prediction method based on parking information is proposed, and it is proved that this method can effectively predict regional road network traffic flow.

1. 引言

随着国内机动车保有量的不断增长,特别是私人小汽车数量的剧增,城市停车问题日益突出 [1] 。截至2014年底,我国机动车保有量达2.64亿辆,其中汽车1.54亿辆,而城市停车位建设已远远不能跟上机动车增长速度。

国内外已有研究一直致力于探究停车场设置对周边动态交通流产生的影响 [2] [3] [4] 。我国新兴中小城市,私家车的增长十分迅速,但是目前国内外学者对于停车场停车特性和城市交通流相互关系的研究还较少开展,相关理论不够成熟,而目前国内动态交通流的预测仍然是以实时行车速度为基础,无法适应瞬息万变的道路交通情况及现实预报的需求,成为城市交通管理及出行预测迫在眉睫的问题。深入研究利用停车信息的城市交通流状态识别方法,对提高城市动态交通运行状态预测具有积极的作用,将会给予人们生活出行极大的便利。

以往的动态交通流运行状态监测、流量预测多数依靠路段监控系统,回输流量,通行能力等信息为研究对象进行计算,而本文结合基于交通四阶段法的城市道路交通需求预测研究的思路,提出一种利用现有停车场信息采集系统监测的出入流量数据,结合地块用地性质、交通出行率等特征,预测出周边道路的动态交通流运行状态的方法。

2. 交通四阶段法

多年来,国内外专家学者利用不同领域的方法进行城市交通流状态的识别、预测,有基于统计方法、交通仿真模型、神经网络模型等,与上面的方法相比,交通四阶段法考虑各小区出行相关因素建立数学模型,更适用于城市宏观交通流状态识别、预测。

交通四阶段法 [5] [6] 以居民出行调查(person trip survey)为基础,由交通生成(trip generation/attraction)、交通分布(trip distribution)、交通方式划分(model split)、交通量分配(traffic assignment)四个阶段组成,预测流程如图1所示。交通四阶段法预测过程需要经过反复迭代计算才能得出结果,使用TransCAD可以大大简化预测步骤,减少计算过程。

3. 基于停车信息的城市交通流量预测建模

四阶段法是在居民出行调查的基础上,通过各个小区的发生和吸引量,根据居民的目的地选择、交通方式选择、出行时刻选择以及路径选择,将流量分配到城市路网中,该过程可以获取到小区间的出行OD、各路段的饱和度、交叉口流量流向等信息。四阶段法中出行生成是以小区为节点进行计算的,而对于小区而已,停车场可以看作是主要的交通生成和吸引源,大部分的车辆出入均是通过停车场。考虑到这样的特点,本文建立基于停车信息的四阶段法数学模型,并通过TransCAD软件实现该方法。

Figure 1. Forecasting process

图1. 预测流程

基于停车信息的交通流量预测“四阶段法”中,出行生成阶段我们把小区停车场车辆的出入流量作为该小区的发生和吸引交通量进行计算,交通方式划分阶段默认停车场采集的流量数据均为机动车流量,所以不再进行交通方式的划分。出行分布阶段和交通分配阶段使用TransCAD提供的模型计算,有关模型描述如下。

3.1. 出行分布

由于停车场划分比较细致,为了减少预测误差,本文对小区内部出行分布和小区之间的出行分布独立预测与分析。

小区内部出行分布采用比例系数法进行求解,公式如下:

q i i = K O i α D i β S i γ (1)

式中 q i i 为小区i内部出行量, O i 为小区i交通发生量, D i 为小区i交通吸引量, S i 为小区i面积,k为小区i比例系数,
α β γ 为待定系数

小区之间的出行分布采用双约束重力模型求解,根据总出行量与小区内部出行量的差值便可得到外部出行发生吸引量。双约束重力模型可以表示为:

q i j = A i O i B j D j f ( c i j ) (2)

A i = 1 j B j D j f ( c i j ) (3)

B j = 1 j A i O i f ( c i j ) (4)

式中 q i j 为小区i与小区j的出行量, O i 为小区i的产生量, D j 为小区j的吸引量, 为阻抗函数, A i B j 为平衡系数。

3.2. 交通分配

本文流量分配模型采用随机用户平衡模型(SUE),满足以下假设:1) 各类出行者的路径决策均以随机方式做出;2) 各类出行者的出行时间理解误差随机变量符合Gumble独立同分布,那么各类出行者的路径选择基于Logit均衡,第i类出行者选择OD对 ω 之间路径k的概率为:

p k i ω = e θ i c k ω r R ω e θ i c k ω , k R ω , ω W , i I (5)

其中 θ i 刻画了不同类型的出行者对路径出行时间理解的不确定性,当时,表示第i类出行者事实上以UE原则来选择路径。

假定第i类出行者的需求 q ω i 是关于OD对 ω 之间期望最小行程时间的严格单调递减函数,并且有上届,则有

q ω i = D ω i ( C ω i ) q ¯ ω i , ω W , i I (6)

根据离散选择理论,第i类出行者在OD对 ω 之间的期望最小行程时间 C ω i 有以下计算公式:

C ω i ( c ω ) = E [ min ( C k i ω k R ω ) | c ω ] = ln k R ω e θ i c k ω / θ i , ω W , i I (7)

对于第i类出行者,其随机用户均衡有如下表达式:

f k i ω = q ω i p k i ω , k R ω , ω W , i I (8)

4. 案例分析

4.1. 计算过程

我们利用桂林叠彩区万达广场周边区域停车场系统作为研究对象,使用TransCAD软件对上述方法进行论证。主要包括以下几个步骤:交通小区划分、构建路网、交通分布预测以及交通流分配。

1) 交通小区划分

根据区域内大型停车场分布,结合土地使用、路网结构和地形特征等,将研究区域划分为26个交通小区,编号1~26,由于万达广场具有2个机动车出入口,设置编号17、18,并在研究区域外设置了7个虚拟交通小区,编号27~33,具体划分情况如图2所示,并建立交通小区数据结构表,如表1所示。

Table 1. Traffic cell data structure table

表1. 交通小区数据结构表

Figure 2. Schematic diagram of traffic cell division

图2. 交通小区划分示意图

2) 建立路网

建立路网数据结构表,如表2所示,将区域内各等级道路进行分类,按照不同等级对路网数据进行编辑。研究范围内为“三横三纵”的骨架路网格局,东西向有东二环路作为大型车辆及城市交通流的集疏运通道,南北向有中山北路、滨江北路作为连接桂林主城区与桂林北站及灵川的主要通道,研究区域内另有芳华路与规纵二路作为主干道。研究区域道路网络如图3所示。

Figure 3. Road network

图3. 道路网络

Table 2. Road network data structure table

表2. 路网数据结构表

3) 交通分布

把研究区域停车场系统获取到的出入流量作为发生吸引流量,采用双约束重力模型法进行交通分布预测,阻抗函数f采用伽马函数 ,得到研究区域出行OD矩阵(小区1~10)如表3所示。

Table 3. Study area travel OD matrix (1 - 10 cells)

表3. 研究区域出行OD矩阵(1~10小区)

4) 交通流分配

根据交通分布预测生成的区域出行OD矩阵,使用随机用户平衡模型(SUE)进行交通流分配,得到研究区域路段流量饱和度图和部分交叉口流量流向情况如图4图5所示:

Figure 4. Road section flow saturation map

图4. 路段流量饱和度图

Figure 5. Flow rate of intersections at part of the study area

图5. 研究区域部分交叉口流量流向情况

4.2. 结果分析

将通过该方法预测部分路段的流量与人工预测结果及现状流量进行对比分析,发现该方法预测结果基本上能够反映现状交通量,其结果整体稳定性较高,预测误差符合合理性区间,该方法对于城市交通流状态识别、预测能够提供可靠的支持。部分路段交通量预测分配对比如表4所示。

Table 4. Comparison of traffic volume prediction and distribution in some sections

表4. 部分路段交通量预测分配对比

5. 结语

本文通过停车信息的实时反馈,基于TransCAD交通规划“四阶段发”理论建立停车信息与动态交通流运行状态间递推模型,从而反推、预测地块周边的动态交通流运行状态,提出一种基于停车信息的城市交通流量预测方法,并结合案例分析说明该方法的可行性。本文建立的模型,有助于城市动静态的协同发展与调控,增强城市交通灵活度,扩大交通管理措施影响力,提高交通设施利用率,提升城市智慧交通建设水平。

文章引用:
刑永捷, 刘明哲, 黎文皓, 董京. 基于停车信息的城市交通流量预测[J]. 交通技术, 2018, 7(6): 397-404. https://doi.org/10.12677/OJTT.2018.76048

参考文献

[1] 蒋潇, 王轶, 洪惠芬, 等. 住区困境: 人与车的挑战——城市住区停车问题的探究[J]. 中外建筑, 2011(12): 36-40.
[2] 关宏志, 王鑫, 王雪. 停车需求预测方法研究[J]. 北京工业大学学报, 2006, 32(7): 30-34.
[3] 郭学琴. 城市公共停车场规划研究[D]: [硕士学位论文]. 北京: 北京交通大学, 2007.
[4] 吴涛, 晏克非. 停车需求管理的机理研究[J]. 城市规划, 2002, 26(10): 85-88.
[5] 刘环宇. 基于TransCAD的轨道交通客流预测与分析[J]. 铁道建筑技术, 2014(s1): 278-279.
[6] 张磊, 刘小勇. 基于TransCAD进行交通需求预测的交通影响评价研究[J]. 交通运输研究, 2014(19): 44-48.