出行分布預測方法的新研究

㈠ 城市軌道交通系統客流預測方法主要有哪些

城市軌道交通系統客流預測方法主要是四階段預測法。

按照交通生成預測、交通分布預測、交通方式劃分預測和交通分配四階段來分析城市現狀和未來的交通狀況，是目前交通規劃領域應用最廣的方法。

一、交通生成預測

預測區域內每一個交通小區的交通出行產生量、交通出行吸引量

目的：獲得城市在未來社會經濟發展規模、人口規模和土地利用特徵下，未來城市各交通小區可能產生和吸引到的總交通量。

二、交通分布預測

解決的問題：每一交通區所產生的出行量到哪個分區去了?它所吸引的出行量又來自哪裡?

目的：獲得未來城市交通出行在空間上的分布。

三、交通方式劃分預測

預測乘客對交通方式的選擇問題。

1、根據調查數據，劃分現狀居民出行方式

2、分析目標年在沒有軌道交通方式存在時各種出行方式的OD矩陣

3、預測目標年存在軌道交通時現狀各種交通方式向軌道交通轉移的比例，從而得到目標年軌道交通的OD矩陣。

四、交通客流分配

目的：預測客流出行方式和交通網路上的流量。

將前一步交通方式劃分得到的各個交通小區之間的軌道交通量分配到未來的待選軌道交通路網方案上去，以求路網中各軌道交通線路所承擔的客流量。從而得到特定軌道交通路網規劃方案的各站點乘降量、斷面客流量、站間OD等指標，為確定軌道交通路網規劃方案依據。

城市軌道交通的特點

1、運輸能力

城市軌道交通由於高密度運轉，列車行車時間間隔短，行車速度高，列車編組輛數多而具有較大的運輸能力。

2、准時性

城市軌道交通由於在專用行車道上運行，不受其他交通工具干擾，不產生線路堵塞現象並且不受氣候影響，是全天候的交通工具，列車能按運行圖運行，具有可信賴的准時性。

3、速達性

與常規公共交通相比，城市軌道交通由於運行在專用行車道上，不受其他交通工具干擾，車輛有較高的運行速度，有較高的啟、制動加速度，多數採用高站台，列車停站時間短，上下車迅速方便，而且換乘方便，從而可以使乘客較快地到達目的地，縮短了出行時間。

4、舒適性

與常規公共交通相比，城市軌道交通由於運行在不受其他交通工具干擾的線路上，城市軌道車輛具有較好的運行特性，車輛、車站等裝有空調、引導裝置、自動售票等直接為乘客服務的設備，城市軌道交通具有較好的乘車條件，其舒適性優於公共電車、公共汽車。

5、安全性

城市軌道交通由於運行在專用軌道上，沒有平交道口，不受其他交通工具干擾，並且有先進的通訊信號設備，極少發生交通事故。

㈡ 什麼是出行發生和出行吸引他們與生成交通量的關系是什麼吸引交通量=發生交通量=生成交通量

轉載 分類： 專業
第三節生成交通量的預測

一、概述

所謂出行生成，就是從土地利用到出行這一過程中的一種過渡產物。如用地建造住宅或商場等，就會有出行生成，接著也就會有出行的開始。

出行可分為由家出行與非由家出行。前者又可分為上班與非上班。如按出行目的細分，則又有上班、上學、自由（購物、社交）、業務等出行之別。出行生成有兩種單位：一種是以車為單位；另一種是以人為單位。在大城市中，交通工具復雜，一般都用人的出行次數為單位，小城市交通工具較為簡單，英、美等國家就以小汽車為單位。車輛出行與人的出行之間可以互相換算。

出行生成包括出行產生與出行吸引。由於兩者的影響因素不同，前者以住戶的社會經濟特性為主，後者以土地利用的形態為主，故有些方法需將出行產生和出行吸引分別進行預測，以求其精確，也利於下一階段出行分布的工作。當住戶的社會經濟特性和土地利用形態發生改變時，也可用來預測交通需求的變化。而出行生成交通量通常作為總控制量，用來預測和校核各個交通小區的發生和吸引交通量。圖 5.3-1列出了 OD 表中發生交通量、吸引交通量和生成交通量三者之間的關系。下面首先介紹出行生成的預測方法。

圖 5.3-1 發生與吸引交通量、生成交通量示意圖

二、生成交通量的預測方法

生成交通量的預測方法主要有原單位法、增長率法、聚類分析法和函數法。除此之外，還有利用研究地區過去的交通量或經濟指標等的趨勢法和回歸分析等方法。

1 ．原單位法

原單位的求得原則通常有兩種，一是用居住人口或就業人口每人平均的交通生成量來進行推算的個人原單位法，另一種就是以不同用途的土地面積或單位辦公面積平均發生的交通量來預測的面積原單位法。不同方法對應的選取的原單位指標也不同，主要有：

（ 1）根據人口屬性以不同出行目的單位出行次數為原單位進行預測。

（ 2）以土地利用或經濟指標為基準的原單位，即以單位用地面積或單位經濟指標為基準對原單位進行預測。

在居民出行預測中經常採用的是以單位出行次數作為原單位，預測未來的居民出行量的方法，所以也稱為單位出行次數預測法。單位出行次數為人均或家庭平均每天的出行次數，它由居民出行調查結果統計得出。因為人口單位出行次數比較穩定，所以人口單位出行次數預測法是進行生成交通量預測時最常用的方法之一。日本、美國多使用該方法。在日本，人日均單位出行次數約為 2.7。不同出行目的有著不同的單位出行次數，圖5.3-2中所示的就是根據1986年北京市調查得到的不同出行目的的人均出行次數。

圖 5.3-2 不同出行目的的人均出行原單位

預測不同出行目的生成交通量可以採用如下方法：

（5.3-1）

式中 ——某出行目的和人口屬性的平均出行生成量；

——某屬性的人口；

——出行目的為 時的生成交通量；

T——研究對象地區總的生成交通量；

l——人口屬性（常住人口、就業人口、工作人口、流動人口）；

k——出行目的。

原單位法預測的出行生成量除由人口屬性按出行目的的不同預測外，還可以以土地利用或經濟指標為基準預測。從調查中得出單位用地面積或單位經濟指標的發生與吸引交通量，如假定其是穩定的，則可根據規劃期限內各交通區的用地面積（人口量或經濟指標等）進行交通生成預測。

根據交通調查可得到交通預測所需的原單位指標值，但像北京、上海、廣州、南京等這樣的大城市，大規模的居民調查幾年甚至十幾年才能進行一次，小城市這方面的數據就更是匱乏，這種情況容易造成預測所需要的數據比較缺乏或陳舊。在數據資料不足的情況下，也可以採用下述簡易方法對研究區域進行數據採集或標定。若有一個 1000戶的分區，可以在其唯一的出入口放置一兩個計數器或人工計數器，測出每天進出該區的車輛數或人數，然後除以1000戶，就是每天產生的出行次數。如果知道住戶數或土地利用的建築面積，將其與相應的原單位相乘及將分區所有的項目相加，則可求得該區總的出行生成量。

對於預測生成交通量來說，怎樣決定生成原單位的將來值是一個重要的課題。根據以往的研究成果，通常有以下幾種做法：

(1) 直接使用現狀調查中得到的原單位數據。

(2) 將現狀調查得到的原單位乘以其他指標的增長率來推算，即增長率法。

(3) 最常用的也是最主要的為函數法。通常按照不同的出行目的預測不同出行目的的原單位。其中，函數的影響因素（或稱自變數）多採用性別、年齡等指標。

【例題 5-1】圖5.3-3是分有3個交通小區的某對象區域，表5.3-1是各小區現狀的出行發生量和吸引量，在常住人口平均出行次數不變的情況下，採用單位出行次數法預測其將來的出行生成量。

圖 5.3-3 某對象區域小區劃分示意圖

表 5.3-1 各區現在的出行發生量和吸引量 單位：萬出行數/日

D
1
2
3
合計
人口 (萬人)(現在/將來）

O
1

28.0
11.0/15.0

2

51.0
20.0/36.0

3

26.0
10.0/14.0

合計
28.0
50.0
27.0
105.0
41.0/65.0

【解】根據上表中的數據，可得：

現狀出行生成量 T=28.0+51.0+26.0=28.0+27.0+50.0=105.0萬次

現狀常住人口 N=11.0+20.0+10.0=41.0萬人

將來常住人口 =15.0+36.0+14.0=65.0萬人

人均單位出行次數 T/N=105.0/41.0=2.561次/(日·人)。

因此，將來的生成交通量 X=M×(T/N )=65.0×2.561=166.5萬次/日

由於人們在對象區域內的出行不受區域內小區劃分的影響，所以生成交通量的單位出行次數與發生 /吸引的單位出行次數比較，具有時序列安定的特點。

如上所述，將單位出行次數視為不隨時間變動的量，而直接使用居民出行調查結果。然而，單位出行次數因交通參與者的個人屬性（年齡、性別、職業、汽車擁有與否等）不同而變動。

2．聚類分析法

聚類分析 （ Cross-Classification or Category Analysis ）是出行生成預測的另一個可選用的模型，英國人稱其為類型（別）分析，美國人則稱其為交叉分類方法，它突出以家庭作為基本單元，用將來的出行發生率求得將來的出行量。它與原單位法有很多相似之處，但又存在很大不同。

20世紀70年代後，出行生成分析產生了從應用交通分區統計資料的回歸分析轉移到個體（非集計）資料的聚類分析的趨勢。聚類分析首先在美國的普吉灣（ Puget Sound ）區域交通調查中，是一個基於土地利用的出行生成模型。其基本思想是把家庭按類型分類，從而求得不同類型家庭的平均出行率。該研究認為小汽車擁有量、家庭規模和家庭收入是決定交通發生的三個主要影響因素。因此，根據這些變數把家庭橫向分類，並且由家庭訪問調查資料計算每一類的平均出行生成率，預測時以將來同類型家庭的預測值乘以相應的出行率。

（ 1）聚類分析法必須服從的假定

①一定時期內出行率是穩定的。

②家庭規模的變化很小。

③收入與車輛擁有量總是增長的。

④每種類型內的家庭數量，可用相應於該家庭收入、車輛擁有量和家庭結構等資料所導出的數學分布方法來估計。

（ 2）構造聚類分析模型的步驟

①有關家庭的橫向分類。澳大利亞根據其中西部的交通調查，規定家庭大小、家庭收入各分為 6類，家庭擁有小汽車數分為3類。我國家庭中自行車使用比較廣泛，可以考慮作為分類的項目，上海曾以住宅類型、家庭人口及自行車擁有量作為分類項目研究出行發生模型。

②把每個家庭定位到橫向類別。就是對家庭訪問調查資料進行分類，把每個家庭歸入其所述類別。

③對其所分的每一類，計算其平均出行率。用調查的每類出行發生量除以每類的家庭總數，則可分別得出每類家庭的平均出行率。

④計算各分區的出行發生。把分區每一類的家庭數乘以該類的出行發生率，並將分區中所有類別的家庭總加起來，得到出行總量。

（5.3-2）

式中——i 區出行產生數的計算值；

——C類家庭的平均出行率；

——i 區內的C類家庭數。

【例題 5-2】澳大利亞城市類別產生率。根據家庭規模、收入及家庭擁有小汽車數可將研究對象內的家庭分成不同的類別，表 5.3-2給出的就是根據調查得到的不同類別家庭的平均出行率。

表 5.3-2 不同類別家庭的平均出行率

收入

家庭規模

小汽車擁有率
低收入
中等收入
高收入

1～3人
4人及以上
1～3人
4人及以上
1～3人
4人及以上

無
3.4
4.9
3.7
5.0
3.8
5.1

1輛
5.2
6.9
7.3
8.3
8.0
10.2

2輛及以上
5.8
7.2
8.1
11.8
10.0
12.9

已知：低收入、無小汽車、每戶 3人100戶；低收入、無小汽車、每戶4人200戶；中等收入、有1小汽車、每戶4人300戶；高收入、有2小汽車、每戶5人50戶。

則總出行為：

100×3.4+200×4.9+300×8.3+50×12.9=4455人次/日

在 20世紀60年代倫敦進行的交通規劃中，採用的就是聚類分析法，按照地理條件和家庭屬性，分了108個類型。根據調查求得各類型的平均出行率。用這些平均出行率和各類型家庭數的將來預測值，分別按3種不同交通方式（駕車者、坐車者、利用公共交通系統者）和6個不同出行目的（上班、業務、上下學、購物、社交活動、非以家為出發地的出行）進行了預測。

根據聚類分析法來預測居民的出行生成的方法，在 FHWA (美國聯邦公路管理局)的出行預測模型中已被採用。該模型由連續的四個子模型組成，其應用程序可從美國交通部城市交通規劃的計算機程序中查到。

對聚類分析法而言，說明變數在統計學意義上的檢驗方法的欠缺是一個主要問題。當然如何正確地預測 108個類型的戶數的將來值也是一個不可忽視的問題。

（ 3）聚類分析的優缺點

該方法的主要優點有：

①直觀、容易了解。人們容易接受出行發生與住戶特性關系的觀念，不像回歸分析那樣必須了解相關性、參數值等因素。

②資料的有效利用。從現有的 OD 調查中就可獲得完整的資料，即使沒有，也可通過小規模調查得到。

③容易檢驗與更新。出行發生率很容易通過小規模抽樣調查與小區的特性分析而校核其正確性。

④可以適用於各種研究范圍。由於出行發生基於住戶的特性，出行吸引基於土地利用特性。因此，其出行生成、吸引率可以用於各種范圍研究，如區域規劃、運輸通道規劃和新發展區。

該方法的缺點有：

①每一橫向分類的小格中，住戶彼此之間的差異性被忽略。

②因各小格樣本數的不同，得到的出行率用於預測時，會失去其一致的精確性。

③同一類變數類別等級的確定是憑個人主觀，失之客觀。

④當本方法用於預測時，每一小格規劃年的資料預測將是一項繁雜工作。

綜上所述，聚類分析法以估計給定出行目的每戶家庭的出行產生量為基礎，建立以家庭屬性為變數的函數。

並且突出家庭規模、收入、擁有小汽車數分類調查統計得出相應的出行產生率，由現狀產生率得到現狀出行量，由未來產生率得到未來出行量。

3．個人分類方法

個人分類方法 (Person-Category Approach) 是對基於家庭的分類模型的一種替代方法。如果 令 tj 表示出行率，即在某一段時間內 j 類人中平均每人的出行次數； Ti 表示 i 小區各類居民的總出行數； Ni 為 i 小區的居民總數； aji為 i 小區的 j 類居民的百分率。從而可得到 i 地區的出行發生量的為：

（ 5.3-3）

它與前述的基於家庭的類別分析法相比具有如下優點：

（1）個人出行產生模型同經典的交通需求模型的其他部分完全兼容，它們都是基於出行者而不是基於家庭。

（2）也可採用交叉分類方法。

（3）建立個人分類模型所需要的樣本數比基於家庭模型少幾倍。

（4）很容易考慮人口統計的變化。如在基於家庭的模型中無法兼顧某些關鍵的人口變數(如年齡)。

（5）個人分類較家庭分類預測起來更容易。因為後者需要預測家庭構成、大小等。

個人分類模型的主要限制是很難兼顧家庭間的相互影響、家庭的花費和預算。

㈢ 交通分布預測有哪些常用方法

交通的分布預測是交通規劃四階段預測的第二階段，是將各交通區居民出行發生量和吸引量轉化成為各交通區之間的出行交換量的過程。
交通量分布的預測方法一般可以分為兩類，一類是增長系數法，一類是綜合法。前者假定將來OD交通量的分布形式和現有的OD表的分布形式相同，在此假定的基礎上預測對象區域目標年的OD交通量，常用的方法包括常增長系數法、平均增長系數法、底特律Detroit法、福萊特Fratar法、佛尼斯Furness法等；後者從分布交通量的實際分析中，剖析OD交通量的分布規律，並將此規律用數學模型表現，然後用實測數據標定模型參數，最後用標定的模型預測分布交通量，方法包括重力模型法（常用）、介入機會模型法（實際較少用）、最大熵模型法（實際較少用）等。

㈣ 關於城市交通出行分布預測

考慮人們出行時間方向車流量道路良好指數，
背景：解決交通問題，減少空氣污染，減少噪音，營造良好的城市環境
意義：對於城市規劃建設來說，合理規劃利用道路，少佔土地。對人們來說，方便出行
研究情況：www..com 自己去看看，多著呢