在途交通信息对出行者路径选择的影响研究

赵怀明，谭 宇，李博威

(1. 中铁二院工程集团有限责任公司，四川 成都 610031； 2. 西南交通大学 交通运输与物流学院，四川 成都 611756)

0 引 言

随着国民经济持续快速发展，路网规模不断扩大，城市汽车保有量和居民出行需求不断增加，交通供给和需求之间的矛盾变得愈发尖锐。尽管不断建设新的交通设施或对现存交通设施进行扩容，但仍不能满足迅速增长的交通需求。智能交通系统(ITS)是准确、实时、科学、高效的综合交通管理系统，能有效缓解交通拥堵现状。先进交通信息系统(ATIS)作为智能交通系统(ITS)的核心部分，旨在为公众出行提供信息，使出行者能合理地选择出行时刻、出行路径和出行方式等，使其能避开交通拥挤区域，从而使交通路网需求和供给能最大限度地匹配，缓解交通拥堵情况。

ATIS系统主要由两部分构成：外部交通信息系统(例如：可变情报板)和车载信息系统(例如：导航信息系统)。国内外研究者基于外部交通信息系统和车载信息系统，从不同角度对出行者路径选择行为影响进行了研究。YANG Hai[1]通过构建混合平均分配模型，分析了驾驶员在不同获取信息能力时的路径行为选择；石小法等[2]从动态角度出发，考虑交通信息对出行者出行路径选择的动态影响，建立了动态路径选择模型，结合随机过程、一阶近似表达式等相关理论，研究交通信息对出行者出行路径选择行为的影响；C.LEE[3]分析了影响驾驶员对ATIS顺从性的7个因素，包括可靠性、自信度、延误、时间压力、预计出行节省时间、预计延误时间和出行节省时间，并运用二元逻辑回归模型，探讨了这些因素之间的相互关系，研究结果表明对准时到达的要求越高，司机对ATIS的顺从性越强，ATIS发布信息准确率越高，驾驶员根据诱导信息改变出行的意愿越强烈；H.K.LWILLIAM等[4]研究了通过VMS，在快速路网上向驾驶员提供动态出行时间信息时带来的影响和收益，提出时间依赖性交通分配模型，并且将总路网行程时间与VMS有效时间进行比较，证明了在非正常拥堵情况下提供动态出行信息影响比经常拥堵情况下提供动态出行信息的效果更加显著；李志纯等[5]利用层次选择结构模型和随机均衡方法，研究了先进旅行者信息系统对出行者终点选择、方式分担和路径选择行为的综合影响，通过建立数学规划模型，并结合算例讨论了市场渗透率和信息质量对出行者选择行为的影响；唐洁[6]基于非集计模型，建立信息条件下出行者出行全过程的选择模型，通过输入反映出行行为的相关变量，对出行者的相应选择进行预测；张小宁[7]通过比较正常情况、交通事故发生后发布交通信息和不发布交通信息这3种情况下的交通系统总体行程费用，得出了出行信息系统并不总是对交通系统有利，发布出行信息应视情况而定的结论；陈赣浙[8]结合车牌识别数据深入了解了VMS对快速路驾驶员路径选择行为的影响，研究结果表明：快速路驾驶员路径选择行为与VMS实时诱导之间存在明显的反馈调节，而且VMS路径选择行为的影响效果十分显著，可在一定程度上优化快速路网的交通流分配；任其亮等[9]以交通信息发布中的信息震荡问题为切入点，根据交通信息发布变化量、路段交通负荷度变化量等，构造了基于动态交通诱导信息策略的驾驶员刺激-反应模型，并验证了该方法能有效减少交通信息震荡，改善城市路网使用效益；任小聪等[10]主要以交通事故信息为研究对象，基于SP与RP调查数据，建立了不同情况下二值Logistic路径选择模型，运用SPSS软件对模型参数进行标定与检验，得出交通事故信息度对小汽车出行者路径选择行为具有显著影响；孙秋霞等[11]从交通网络层面，根据出行个体对交通信息接受情况的不同，从不同变量的角度加以分析，并结合多种影响因素，探寻出行者个体微观行为对网络宏观特征的影响，并得出交通信息及时供给与出行者对交通信息的学习能力，将会从整体上提升路网的运行效率；程泽阳等[12]根据改进密切值法，建立了基于诱导终端组合的交通信息发布方式评价模型，并结合案例得出该评价模型较TOPSIS法、多属性效用法的评价误差更低，所得结果也较传统值有所下降。

目前，大多研究者主要针对个人在即时出行信息诱导下的路径选择，对不同交通情况下行人对不同信息需求的研究并不多。笔者综合考虑多方面影响因素，深入研究了在发生交通事件和无交通事件情况下，提供即时交通信息和预测交通信息对出行者路径选择行为所产生的影响。

1 模型建立

在描述交通信息诱导下出行者出行行为选择时，常见模型有Logistic模型[13]和Logit模型[14]。A.AHMED等[15]提出了一种整体模型，在交通事件情况下，通过实时交通信息，优化网络中出行者选择行为，从而使拥挤尽快疏散。

综合考虑出行信息对出行者带来的影响，结合相关的研究成果，笔者提出了一种基于交通流到达-驶离积累关系的排队长度计算模型(存储-转发计算模型)。笔者建立的模型考虑了排队所产生的外部交通需求P和预测行程时间，并提供了出行时间能影响出行者的路径选择。模型结构如式(1)～(3)：

(1)

(2)

(3)

模型中出行时间包含两部分：自由流出行时间和因排队造成的延误。为预测下一时刻路径j上的排队长度，需估计路径j上的交通需求，其预测公式，如式(4)。

Qj(t)=γj(t)×Q(t)

(4)

式中：Qj(t)为在路径j上的交通流；γj(t)为分离系数，表示在t时刻选择路径j出行的出行者比例；Q(t)为在t时刻的总交通流量。

其分离系数可由式(5)、(6)得到：

(5)

(6)

2 模型应用

2.1 路网情况

笔者以荷兰阿姆斯特丹路网中两条线路为研究对象，其路网分布如图1。图1中：路径1为通过区域Velser-tunnel(30 km)，存在外部交通需求P1；路径2为通过区域Coentunnel(27 km)，存在外部交通需求P2。

图1 路网分布Fig. 1 Road network distribution

2.2 数据采集

模型所采用的交通数据皆为模拟数据，其中包括：在路径1、2上的交通需求；路径1、2的通行能力；路径1上的外部交通需求P1和路径2上的外部交通需求P2；整个仿真过程的计算周期为552 min。

2.3 假设条件

为更好模拟交通出行信息对出行者路径选择行为影响效果，笔者在仿真过程中做出以下假设。

1)在路径1、2上的自由流出行时间分别为18、16 min，整个仿真过程恒定不变；

2)不考虑路网外的干扰，只考虑图1中的两处外部需求(P1、P2)；

3)一般情况下，仿真过程中两条路通行能力是相同的。路径2的通行能力在事件时期(20 min)降到正常情况下的10%；

4)整个仿真过程中，对两条路径外部交通需求保持相同；

5)路径1默认分离系数为58%。

2.4 模型运算过程

笔者以552 min为一个仿真计算周期，充分展现出不同的在途交通信息对出行者路径选择影响效果。

2.4.1 第1步(初始化)

N1(t)=0，N2(t′)=0；(t=0,…,17；t′=0,…,15)

(7)

2.4.2 第2步

计算路径1、2的延误，其计算如(8)：

(8)

2.4.3 第3步

根据式(5)，在提供即时信息情况下，路径1可进行路径选择的出行者分离系数可由式(9)计算得到：

(9)

在提供预测信息情况下，路径1上可进行路径选择出行者的分离系数可由式(10)计算得到：

(10)

式中：β0默认值为58%；敏感性β和有路径选择的出行者pnc所占比例可根据实际情况在仿真过程中设置不同值。

2.4.4 第4步

计算路径1、2的交通需求，由式(11)可得：

i1(t)=i(t)×γ1(t)

i2(t)=i(t)×[1-γ1(t)]

(11)

2.4.5 第5步

计算在时间步长为(t+1)时车辆在路径1、2中的排队长度，如式(12)：

(12)

然后回到仿真过程的第2步，直到完成整个时间周期。

3 仿真分析

笔者以荷兰城市阿姆斯特丹路网中的两条路线为例，设置了两种不同场景，结合存储-转发模型，运用MATLAB软件进行仿真模拟；并基于两种不同场景下在途交通信息对出行者路径选择行为影响的分析。

3.1 性能评价指标

为更好描述在途交通信息对行人出行路径选择的影响，笔者采用平均延误、平均性能和总延误这3个指标来衡量路网的交通性能。

平均延误是总延误之和与总交通需求之和的比值，如式(13)：

因笔者采用离散时间序列(时间步长为1 min)，则平均延误可由式(14)得出：

(14)

平均性能是总性能之和除以总交通需求之和，如式(15)：

(15)

总延误是路径1、2上的延误之和，如式(16)：

(16)

式中：i1、i2分别为路径1、2上的交通需求；D1、D2分别为路径1、2上的延误；n为时间步长。

3.2 场景1仿真分析

假定所有出行者均可自由进行路径选择，都能从VMS中获得出行信息。则考虑以下场景：① 在一般情况下和在发生交通事件的情况下；② 出行者对交通信息的顺从程度；③ 提供即时信息和预测信息。

平均延误与灵敏度的函数关系如图2。

图2 平均延误与灵敏度的函数关系Fig. 2 Function relationship between average delay and sensitivity

图2(a)中：一般情况下，向出行者提供预测信息时，不论出行者对交通信息敏感性有多强，平均延误都非常短。向出行者提供即时信息时，当灵敏度小于0.1时，平均延误较小；当灵敏度超过0.1时，平均延误则急速上升。这表明个人对交通即时信息依从性越高，延误越高。

图2(b)中：事件情况下，向出行者提供预测信息，且灵敏度低于0.05时，平均延误将迅速下降；当灵敏度高于0.05时，平均延误保持衡量。向出行者提供即时信息，当灵敏度低于0.15时，平均延误下降迅速；而当灵敏度高于0.15时，平均延误又开始上升。这表明：若越来越多的出行者获得即时信息，延误反而会增高。基于这种情况，出行者不但无法从信息中节约时间，反而会浪费更多时间。

平均性能与灵敏度的函数关系如图3。

图3 平均性能与灵敏度的函数关系Fig. 3 Function relationship between average performance and sensitivity

图3(a)中：在一般情况下，向出行者提供预测信息时，平均性能增幅较小，且保持相对平稳状态。当给出行者提供即时信息时，灵敏度低于0.15时，平均性能增加；灵敏度高于0.15时平均性能迅速下降。

图3(b)中：在事件情况下，向出行者提供预测信息情况时，当灵敏度增加，平均性能在开始时先上升，到达一个点后开始保持平稳；在提供即时信息情况下，后段会有稍许波动，但总的来说仍然维持一个相对稳定的状态。

3.3 场景2仿真结果

当只有p%出行者可自由选择路径，其他(1-p%)必须选择某一特定路径出行时，这两类出行者均可使用路径导航系统获得交通信息。考虑以下场景：① 在一般情况下和在发生交通事件情况下；② 提供即时信息和预测信息。

平均延误与可进行路径选择出行者所占比例的函数关系如图4。图4中：平均延误为可进行路径选择出行者所占比例的一个函数(灵敏度为0.05时)。一般情况下，当可进行路径选择出行者增加时，提供预测信息和即时信息的平均延误都降低；在事件情况下，提供预测信息时，可进行路径选择出行者的比例从0增加到0.1时平均延误下降比较快，而当更多可进行路径选择出行者使用导航系统时平均延误数值几乎保持恒定。在事件情况下，提供即时信息，也有类似情况。

图4 平均延误与可进行路径选择的出行者所占比例的函数关系(灵敏度为0.05)Fig. 4 Function relationship between average delay and the proportion of travelers who can make path selection (sensitivity=0.05)

平均性能与有路径选择的出行者所占比例的函数关系如图5。图5中：平均性能为可进行路径选择出行者所占比例的一个函数(灵敏度为0.05时)。在一般情况下，无论提供的为即时信息还是预测信息，其平均性能几乎保持恒定。提供即时信息的平均性能要高于预测信息。在事件情况下，无论提供预测信息还是即时信息，平均性能都是先增加后趋于平稳，提供即时信息平均性能高于预测信息评价性能。

图5 平均性能与有路径选择的出行者所占比例的函数关系(灵敏度为0.05)Fig. 5 Function relationship between average performance and the proportion of travelers who can make path selection (sensitivity=0.05)

3.4 出行时间分析

在仿真过程中发现，当灵敏度为0.05时，无论提供预测信息还是即时信息给出行者，都能在一定程度上节省出行时间，使用导航系统出行者越多，出行者节省的出行时间则呈现先增加后趋于平稳趋势(图6)。该研究结果与3.2节的研究结果不一致，3.2节的研究表明越多有路径选择出行者使用即时信息，则出行时间越长。出现这样结果，笔者认为主要是考虑了出行者对诱导信息的顺从性。灵敏度为0.05时，表明出行者对诱导信息顺从性较低，使用诱导信息出行者较少，故这一小部分出行者使用导航系统所节省下来的时间就比较明显。

图6 出行节省时间与有路径选择的出行者所占比例的函数关系(灵敏度为0.05)Fig. 6 Function relationship between trip saving time and the proportion of travelers who can make path selection(sensitivity=0.05)

出行节省时间与可自由进行路径选择出行者所占比例的函数关系如图7。

图7(a)中：在一般情况下(无交通事件、无交通拥挤现象)，使用即时信息所节省的出行时间为负数(当灵敏度为0.25，出行者比例高于0.3时)，即出行者使用导航系统提供信息后，其出行时间不但没有减少反而增加了。当有小比例出行者使用提供预测信息导航时，出行者出行节省时间有所增加，而使用即时信息出行者比例继续增加时，发布的即时信息会将大量的出行者引导至同一条路线，导致出行时间反而增加。

图7(b)中：在事件情况下，当出行者将预测信息作为导航信息时，一开始出行节省时间明显增加，而当出行者比例高于0.05后，出行节省时间逐渐趋于稳定。若为出行者提供即时交通信息，一开始出行时间节省增加；当出行者比例高于0.6后，则开始减少。当越来越多出行者使用导航系统并表现出对即时信息较高的顺从性时，出行节省时间降低较明显。

出行节省时间与可自由进行路径选择的出行者所占比例的函数关系如图8。当灵敏度为0.5时，得出的结论与灵敏度为0.25时的结论类似。

图8 出行节省时间与可自由进行路径选择的出行者所占比例的函数关系(灵敏度为0.5)Fig. 8 Function relationship between trip saving time and the proportion of travelers who can make path selection (sensitivity=0.5)

基于不同敏感度情况，笔者分析了出行节省时间随可自由进行路径选择出行者比例的变化，得出在提供预测信息时，正常交通状态下出行节省时间变化很小，即在正常交通状态下提供预测信息对路径行程时间影响不大；而在交通事件情况下，提供预测信息可明显减少出行者行程时间。当提供即时信息时，在正常交通状态下，随着可自由选择路径人数比例增加，刚开始行程时间有所下降；随着比例增加(若大于30%)，则行程时间与没有提供任何交通信息相比反而增加；在交通事件情况下，提供即时信息时，出行者行程时间随可自由选择路径人数比例的增加而减少，但这个比例达到一定程度时(如：当敏感性为0.25，比例大于70%；敏感性为0.5，比例大于35%)，则节省的出行时间反而下降。

4 结 论

1)基于不同交通情况下提供不同诱导信息对出行者路径选择带来影响，考虑出行者对出行信息的顺从性，笔者建立了描述车辆到达-驶离积累关系的存储-转发计算模型。

2)两种假设情景仿真分析结果表明：在事件情况下提供预测信息能使出行者获得收益最大，且当越多出行者获得预测信息时，节省的出行时间也越多，直到达到用户均衡。

3)笔者的研究结果对交通诱导信息系统具有一定意义。仿真分析得到即时交通信息和预测交通信息在不同交通情况下的情况为交通信息诱导系统提供了新思路。

4)文中不足在于：仿真环境比较理想，仿真结果是基于一定假设条件，模型普适性没有得到有效验证。在后续研究中，笔者将结合一个实际算例对模型进行分析论证，同时进一步挖掘交通诱导信息对出行选择行为的影响。