北京市2017年动态交通流模型开发和模拟

王燕军，何巍楠，赵晋，程颖，吉喆，解淑霞

(1.中国环境科学研究院/国家环境保护机动车污染控制与模拟国家重点实验室，北京 100012；2.北京交通发展研究院，北京 100073)

随着城市化进程和机动化进程的快速发展，机动车排放已成为北京市PM2.5排放的主要来源。北京市生态环境局对北京地区PM2.5来源解析的相关研究数据表明，机动车已成为北京市PM2.5排放的最大本地源，占比高达45%[1]。为积极应对大气污染的严峻挑战，2018年以来，国家及地方层面陆续发布相关文件。2018年6月16日中共中央、国务院发布《关于全面加强生态环境保护 坚决打好污染防治攻坚战的意见》，2018年6月27日国务院正式印发《打赢蓝天保卫战三年行动计划》(国发〔2018〕22号)[2]。2018年3月15日北京市正式发布了《北京市蓝天保卫战2018年行动计划》(京政办发〔2018〕9号)[3]，从机动车污染排放治理目标-措施-监测-执法-数据等多方面对机动车污染控制提出明确要求，提出了完善交通基础设施、交通需求管理、机动车结构优化调整等一系列精细化管理政策措施。为了对机动车排放进行精细化管控，开展机动车污染动态模型研究，需要开发一套北京市动态交通排放模型，从而为掌握机动车动态排放演变规律，为机动车污染治理精细化决策提供依据。为此，本文开发建立了北京市2017年时间精度为1h、空间精度为1km×1km的动态交通流模型，并通过与交通调查数据进行对比验证了所建立的交通模型的可靠性，并在此基础上对北京市路网中不同类型车辆典型交通流变化趋势进行了初步模拟，以期为下一步掌握北京市机动车排放特征和实施机动车交通管控措施提供基础。

1 北京市各类型机动车交通模型建立方法

根据北京市机动车手机信令数据、浮动车数据、视频监控、远程传输等不同数据的可获得性，本文借鉴国外成熟的开发方法建立了北京市基于速度流量反推的小客车流量仿真模型、基于路段浮动和数据的出租车流量仿真模型、基于公交GPS数据的公交流量方针模型、基于多源数据的货车流量仿真模型和基于GPS数据的大客车流量仿真模型。前四种模型由于可获取数据途径较多、数据量大，可较为准确地模拟北京市小客车、出租车、公交车和货车的动态运行轨迹。由于大客车数据量较少，需参考其他数据源进行补充完善。

1.1 小客车交通模型

1.1.1 模型建立方法

小客车交通模型建立分为三部分，具体流程如图1所示。首先是基于手机数据的先验OD算法[4]，融合小时级OD和出行结构交调数据，输出先验小汽车OD；然后是进行路网分配，结合VISUM宏观交通分配软件[5]，输入先验小汽车OD进行路网分配；最后是交通流测试标定，结合OD反推原理[6]，将路网分配结果与实际观测值进行对比校验，并调整先验小时OD，最终输出OD、分配路网流量。

1.1.2 数据基础

本文中的小客车交通流获取所需基础数据包括全市范围内基于Link的浮动车数据、交调数据和RTMS数据。

基于link的浮动车数据：基于link的浮动车数据包含linkID、时间、LinkID相关道路信息、出租车交通流参数等信息内容。

交调数据：全市检测点位接近1300个，通过微波、线圈等不同技术手段实现流量采集，覆盖全市主要国道、市道和县道。数据动态回传，五分钟回传一次，可以识别大客车、中型货车、大货车、超大货车、小汽车等车型，准确度较高。

交管局RTMS数据：全市检测点位1680个，通过微波手段实现流量和速度采集，覆盖全市主要高速路、主干路和快速路。数据动态回传，2分钟回传一次，可以汇总道路流量，可以实现主要路段总体车队流量演化分析。

图1 小客车交通模型建立方法

1.1.3 模拟结果

小客车交通模型建立后，模拟并试算了北京市2017年小客车不同时段路网中的交通流，经与北京市300余条主干道路交通流实际观测值进行校验，90%的路段误差在10%以内。将流量与交通指数进行联合分析得出，小客车24小时流量图有明显的早晚高峰特性(如图2)，这两个时段同样是交通指数较高时段，尤其晚高峰更为突出。

图2 小客车交通流特征分析

1.2 出租车交通模型

1.2.1 模型建立方法

出租车交通流参数要先依据基于link的浮动车数据获取出租车重车交通流参数，再根据浮动车OD数据分区分时刻计算重车占所有出租车的比例，依次反算所有出租车的交通流参数。出租车交通模型框架如图3所示。

图3 出租车交通模型建立方法

1.2.2 数据基础

在本文中，可获取的用于进行出租车交通流参数信息提取的基础数据包括全市范围内基于link的浮动车数据和浮动车OD数据两类。基于link的浮动车数据获取方式与小客车类似，浮动车OD数据是根据浮动车数据处理得到每个浮动车每次出行OD的数据。浮动车OD数据包括以下内容：出租车车牌号、每次出行OD的起止时间、每次出行OD的位置信息。

1.2.3 模拟结果

通过提取工作日的数据进行处理得到工作日早高峰、晚高峰和平峰的出租车交通流变化情况，如图4所示。从出租车24小时流量分布曲线可以看出具有两个明显特点：(1)出租车在日间(6∶00-22∶00)流量波动较小，没有特别明显的峰值；(2)出租车与其他交通方式(如公交)相比，高峰没有重合于7∶00-9∶00，反而有滞后的出行峰值。

图4 出租车交通流特征分析

1.3 公交车流量流获取方法

1.3.1 模型建立方法

基于GPS数据的公交车交通流参数获取方法有以下两种，公交车流量仿真模型框架如图5所示。

图5 公交车流量仿真模型框架

GPS数据纠偏：以常规公交GPS数据作为输入，经过数据清洗、纠偏等质量控制之后，输出质量较好的原始数据。

基于轨迹数据的路段匹配算法：结合北京市路网图层，建立GPS-Link匹配算法，实现上下行精准分离。

1.3.2 基础数据

本文中，可获取的用于进行公交车交通流参数信息提取的基础数据包括全市公交公司公交GPS数据和路网GIS数据两类。

公交GPS数据：公交GPS数据是公交车将轨迹数据上传至相应平台的数据，主要包含：IC卡唯一ID、上下车刷卡时间、上下车刷卡线路编号和站点编号、登降车辆编号。

北京市路网GIS文件：北京市31万个Link的地理信息系统文件，包含道路名称、道路类型、道路长度等关键字段。

1.3.3 模拟结果

通过提取工作日的数据进行处理得到工作日早高峰、晚高峰和平峰的趋势(图6)。从图中可以看出，由于公交车的流量主要受公交公司班次计划的影响，从8∶00至19∶00都处于平稳高峰期，从4∶00至7∶00和从19∶00至23∶00则分别处于快速上升期和快速下降期。

图6 公交车交通流特征分析

1.4 货车流量获取方法

1.4.1 模型建立方法

货车流量获取方法综合应用了北京市典型路段交调数据、高速公路收费数据、核查线调查数据、RTMS城市快速路微波检测数据四大类流量数据，其中以高速公路收费数据为主要参考依据，结合典型路线调查数据、微波检测数据进行补充，并辅以核查线调查数据进行修正。模型基于治超数据、视频检测数据进行货车车队结构特征提取，结合货车GPS轨迹和运单数据进行行驶路径校核与验证。所建立的货车交通模型框架如图7所示。

图7 货车流量仿真模型框架

图8 货车交通流特征分析

1.4.2 数据基础

本文中，可获取的用于进行货车交通流参数信息提取的基础数据包括固定治超站数据、RTMS数据、交调数据、高速流量数据、重型载货GPS数据等。交调数据包括全市检测点位接近1300个；固定治超站共33个，可实现车辆牌照采集；高速流量数据覆盖全市所有高速(含内部高速)以及重型货车传输给平台中心的GPS数据等。

1.4.3 模拟结果

本文提取某工作日的货车流量数据进行处理得到全市域24小时流量趋势如图8所示。研究结果表明，由于北京市货车限行政策，可以明显看出货车流量相对集中于夜间0至6∶00之间，日间的流量峰值相比较而言比较低。

1.5 大客车流量仿真模型

本文所研究的大客车流量指旅游、省际等长途客运车辆，也包含一些营运类型的单位班车流量。在分析计算时，大客车数据来源主要为北京市客运站点两客一危GPS监测数据，并辅以路网车队结构调查数据、核查线数据做小样本对照的方式来获取。

大客车交通流模拟结果如图9所示。研究表明，北京市省际长途客车、旅游车辆的出行高峰从早上六点左右就逐渐攀升，到早上十点左右达到高峰，在中午时段稍有下降，在下午14∶00～15∶00又迅速攀升，并在17∶00～19∶00达到另一个高峰，随后很快又开始下降。

图9 大客车交通流特征分析

2 北京市交通流空间结构调查

2.1 模型建立方法

北京市交通流空间结构调查主要是描述北京市路网各路段的车队结构，车队结构模型将作为交通流仿真模型与排放因子模型的重要耦合工具。模型的建立将充分考虑北京市现行及规划研究政策，如针对非京籍车辆、货运车辆等交通政策，针对排放标准、燃料类型、车重类型等环保政策。结合北京市不同交通行业的排放特征，对北京市道路车队结构进行划分。北京市车队结构模型设计原则：(1)车队划分：主要考虑车辆所属行业类型、车籍及环保属性等；(2)空间划分：主要考虑中心城区与郊区县差异、环路区域差异、不同道路类型差异等；(3)时间划分：区分白天与夜间。模型整体架构划分为三个层次：基础数据层、数据扩样层及输出结果层，模型架构思路如图10所示。

图10 交通流空间结构模型框架思路

图11 道路车型结构调查点位空间分布

2.2 数据来源

本文中，可利用的基础数据包括：

(1)核查线数据：核查线数据包括调查点位共计428个，多数分布于主要环路。分析2017年3月每周工作日(选择2天)和非工作日(选择1天)24小时流量变化情况，每个点位包括小客车、出租车、公交车、大货车、小货车、大客车六种车型的流量占比，主要是通过计算机软件进行辨识处理。

(2)郊区县道路交调数据：郊区县道路交调数据包括调查点位共计282个，主要分布于市域范围内的各级公路(如图11所示)，时间尺度为2017年1月～12月每日的数据，每个点位包括中小型客车、大型客车、微型货车、轻型货车、中型货车、重型货车的流量占比，主要是通过视频目测进行辨识处理。

(3)道路车型结构调查数据：调查时段为2017年3月每周工作日(选择2天)和非工作日(选择1天)24小时的逐时交通流变化情况，包括调查点位共计20个，主要分布于环路、进出京高速及主次干路，采用视频目测和软件处理相结合的方法进行车辆类型划分。其中，17个点位包括京籍与非京籍的省际、出租、公交、郊区客运、货运、租赁、旅游、社会客车、社会货车不同车重类型、燃料类型和排放标准的工作日道路流量占比，选择调查点位时充分考虑客运站、货运站等设施对路段车辆结构的影响；3个点位的调查地点和时间为环路周末、高速周末和环路四九限行日。

2.3 路网车队结构结果分析

本文分别从高速公路和非高速公路两个方面分析了车队结构，如图12和图13所示。从图中可以看出整体上均是小客车占比最高，货车的占比在夜间和白天存在明显的差异性，夜间占比明显高于白天占比。相对比较时，可以看出高速公路的货车占比高于非高速公路的占比。非高速公路上出租车占比高于高速公路的占比。

图12 高速公路车型结构分布特征

图13 非高速公路车型结构分布特征

3 结 论

通过建立北京市不同类型机动车交通仿真模型和初步模拟，可得出以下结论：

(1)北京市2017年小客车24小时流量图有明显的早晚高峰特性，尤其是晚高峰更加突出；

(2)北京市出租车在日间(6∶00～22∶00)流量波动较小，没有特别明显的峰值，交通流高峰较小客车相比较为滞后；

(3)北京市公交车从8∶00至19∶00都处于平稳高峰期，从4∶00至7∶00和19∶00至23∶00则分别处于快速上升期和快速下降期；

(4)北京市货车交通流量相对集中于夜间0至6∶00之间，日间的流量峰值相比较而言较低；

(5)北京市省际长途客车、旅游车辆交通流高峰也有明显的双峰形式，峰值分别在10∶00左右和18∶00时左右，与小客车有所不同。

(6)北京市高速和非高速路网小客车占比均最高，货车的占比在夜间和白天存在明显的差异性，夜间占比明显高于白天占比，货车在高速公路上的占比高于在非高速公路上的占比。