基于改进交通仿真模型的城市轨道交通新线客流预测研究

柳雪丽, 魏 薇

陕西工业职业技术学院土木工程学院, 陕西 咸阳 712000

0 引言

随着城市轨道交通线网结构日益复杂,新线开通后的运输组织将面临更大的挑战。传统的客流预测方法在反映市民出行特征等方面具有一定的片面性,无法精准体现居民出行特征随着新线开通的变化,因此难以满足实际的运营需求。许多学者在新线客流预测研究的基础上,重点突破新线开通后对既有线网影响分析与运输组织优化调整[1-2]。段龙杰 等[3]以换乘站为例,分析新开线路对客流的影响。张科 等[4]以广州地铁6号线为例,分别运用了最短路径长度与介数中心性2个指标来量化研究新线开通后轨道交通网络的效率和脆弱性。与常规客流预测不同的是新线开通初期缺乏足够庞大的历史客流数据作为分析依据,客流特征复杂多变,具有明显的不稳定性。目前对于新线开通的客流预测缺乏客流演变过程及变化规律的深入研究,且随着互联网大数据的不断应用,交通规划在决策支撑精准化、模型应用高效化等方面提出更高的要求。本文基于二次开发技术建立模型应用辅助系统,在轨道交通模型中考虑换乘时间、票价等因素,采用改进的Logit模型描述居民的方式选择,并且对乘客高峰小时的出行分布进行准确描述,通过建模和推演,再现客流的变化规律,对交通规划参数进行验证分析,将新线规划与开通的实际需求相结合,助力智慧交通的建设与发展。

1 系统总体设计

依据现状交通与土地利用的关系,构建指标体系,采用 Java 编程语言、Spring Batch 批处理技术实现数据挖掘分析,基于 C/S 架构、ArcGIS、交通仿真软件二次开发技术建立模型应用辅助系统。构建“1个数据平台+4个专题系统”的系统架构(见图1),涵盖面广,可应用于多种数据仿真分析,本文重点分析一体化交通模型系统中的轨道交通模型改进与应用。

图1 交通仿真系统架构

2 交通模型构建

轨道交通模型主要用于交通需求预测、方案评估等,构建过程中以经典的四阶段法为基础,精细化模拟交通网络和出行费用等因素构建模型,按照出行生成、出行分布、方式划分、交通分配的步骤对交通运行情况进行预测,采用刷卡、GPS等动态大数据校核模型,提升模型精度[5]。

2.1 出行生成模型

2.1.1 发生模型

出行分类是建立模型的关键一步,影响出行生成的主要因素有汽车保有量、收入、区位、出行目的等,将所有这些因素逐一进行交叉分类,总出行分类达到上百种,模型十分复杂,难以把握和操作。因此经过反复的分析比较和简化,准确把握未来的交通生成情况,发生模型通过交叉分类,计算各类出行的机动化出行总量,模型公式如下[6]。

(1)

式中:Pi为i区的总发生量;Pij为i区j类人口数;αijk为i区j类人口k出行目的的机动化出行率。

2.1.2 出行吸引模型

出行吸引量按基于家的工作出行计算,基于家的其他出行、非基于家的出行吸引将根据商业和办公区的分布进行计算,基于家的上学出行根据学位分布进行计算。由于中心区或次中心区的岗位吸引率会高于其他地区,因此在吸引量计算过程中,根据吸引强度采用不同的参数进行计算。出行吸引模型公式如下。

(2)

式中:Ai为i区的基于家的工作出行、基于家的其他出行和非基于家的出行吸引总量;Eij为i区j类工作岗位数;αj为j类工作岗位平均机动化吸引率;ωij为i区j类工作岗位吸引权重。

2.2 出行分布模型

交通分布模型是根据各交通小区的出行产生量、吸引量计算各小区间的出行交换量,得到出行的产生吸引点(PA)矩阵[7]。预测模型如下。

(3)

Ki=[∑KjAj/f(cij)]-1

(4)

Kj=[∑KiAi/f(cij)]-1

(5)

f(cij)=e-βcij

(6)

式中:Tij为全日从小区i到小区j的出行总量,次/日;Gi为i区1 d产生的出行总量;Aj为j区1 d吸引的出行总量;cij为交通区i到j的出行时间;f(cij)为i区到j区的阻抗函数;β为阻抗函数的参数。

2.3 方式划分模型

相关研究表明,慢行对于交通系统设施和交通运行情况的敏感度较低,影响步行出行分担率最主要的变量为出行距离,因此出行距离矩阵是方式预划分模型的主要输入变量[8]。

考虑到公共交通的换乘时间、步行时间以及票价等因素影响,为更精准地划分不同出行方式的客流出行PA,统一采用改进的Logit模型描述居民的方式选择,改进的Logit模型结构为:

(7)

式中:Pijm为小区i到小区j出行中交通方m的分担率;θ为模型参数,一般取值3～4;rijk为小区i至小区j中交通方式k的交通阻抗。

2.4 高峰时辰模型

为将全天的PA矩阵转换成全天或者高峰小时的起讫点(OD)矩阵,在客流预测时能够更便捷和准确,构建出行时辰模型,结构如下。

ODij=(PAij·TPA+PAji·TAP)/2

(8)

式中:ODij为小区i到小区j的OD 矩阵值;PAij为小区i到小区j的PA 矩阵值;TPA为从家至目的地的时辰分布系数;TAP为从目的地至家的时辰分布系数。

2.5 交通分配模型

推算出未来年高峰时段客流的出行矩阵后,将各小区间的出行分配在道路网上,最终得到各路段的客流数据。本文采用用户均衡模型进行客流分配预测,其目的是分析运输网络均衡状态下的交通格局。在进行轨道交通客流分配时,分析对象为包括所有地面公交和轨道交通线路的整个综合公交网络,依据是整个综合公交网络的用户广义时间最短。

用户均衡模型采用非线性数学规划模型[9]。其目标函数为用户费用最小化,约束条件为综合交通OD流量的相互平衡,表达式如下。

(9)

2.6 模型基本参数

在交通分配模型中,需要用到交通方式和每条线路的运营参数,包括运行速度、发车频率、容量等[9],该交通模型中轨道交通运营的主要参数及其取值如表1所示。

表1 轨道客流交通分配基本参数

2.7 模型校核

为更好拟合现状交通模型测试结果,需要根据定期收集的全市土地利用规划数据,更新综合交通模型土地利用模型,并根据 2020 年第七次人口普查及手机信令数据等相关数据,更新交通小区人口及岗位数,同时利用轨道刷卡数据(ACC)、查核线断面车流量及客流量(查核线调查)、2020 年居民出行调查等数据,校核综合交通现状模型,重点校核轨道交通现状模型测试结果[10]。

根据综合交通模型和完善方式划分模型后的轨道交通模型,以西安地铁开通的线路为例对现状交通进行拟合。在轨道客流拟合中,不但对各站点上下客量提出了拟合精度要求,同时还对轨道区段的客流分布拟合精度提出要求,以反映现状轨道客流特征,拟合结果如表2所示。

表2 轨道线网客流总体指标校核结果

从模型测试结果与实际客流对比来看,总体客流规模相对误差为2%,说明该预测模型是准确可靠的。

3 结束语

本文针对现有客流预测方法应用中存在的问题,基于大数据平台建立交通仿真系统,应用改进的轨道交通仿真模型实现新线客流预测。该模型中考虑换乘时间、步行时间和票价等因素对居民出行特征的影响,采用改进的Logit模型更精准地描述居民的方式选择及变化,构建出行时辰分布模型,使客流预测时能够更便捷、准确地将PA矩阵转换为全天或者高峰小时的 OD矩阵,提高了模型的精准度和计算效率。本文通过既有线路校核验证了模型的可行性,结果表明:改进的交通仿真模型能够及时、准确地预测不同层面上的路网客流状态及其动态变化,为新线开通运营规划和调度指挥提供决策依据。