一個TransCAD和TransModeler雙平臺動態(tài)交通分配DTA模型

1、內(nèi)容提要

本文介紹了2017年4月-2019年7月的一個TransCAD(TransDNA)和TransModeler雙平臺動態(tài)交通分配（DTA）模型。該項目旨在為內(nèi)華達州南部地區(qū)交通委員會（RTC）開發(fā)動態(tài)交通分配工具。DTA模型涵蓋RTC區(qū)域出行需求模型（TDM）的整個建模范圍，包括拉斯維加斯市、北拉斯維加斯市、亨德森市、拉斯維加斯谷內(nèi)未合并的克拉克縣地區(qū)以及博爾德市的核心區(qū)域。

Caliper公司是構(gòu)建模型的軟件平臺TransCAD和TransModeler的開發(fā)商，為RTC創(chuàng)建了兩個DTA模型： 一個DTA模型在TransDNA中實現(xiàn)，這是一個建立在TransCAD平臺上的中觀DTA，利用了建立RTC TransCAD出行需求模型的大部分相同數(shù)據(jù)和地理信息。這種中觀DTA為區(qū)域范圍內(nèi)的應用提供了快速DTA。

對于這些應用，為了更快地響應更大范圍或更面向規(guī)劃的決策，可能會犧牲解析度和準確性。



TransDNA的車速動態(tài)顏色專題 另一個DTA模型在TransModeler中實現(xiàn)，并使用高解析度微觀交通仿真來模擬整個區(qū)域的交通流。這種微觀DTA更可靠、更準確地解決了運營問題，預測了運營能力及其對擁堵模式的影響，進而預測了路徑選擇。

這兩個DTA模型都包括RTC規(guī)劃模型中的每個道路路段，但TransModeler中的微觀DTA中添加了許多其他路段，以反映該地區(qū)所有信號交叉口的影響，如果沒有這些影響，各種交通模型都有可能低估主干道上的出行時間和延誤。針對上午高峰時段（上午6:00–上午9:00）和下午高峰時段（下午1:00–下午6:00）制定了DTA場景/方案。

對DTA模型進行了校準，以驗證該模型的出行特征（例如，出發(fā)時間的時間分布）反映了歷史交通流觀測數(shù)據(jù)，并驗證了該模型的模擬出行時間與觀測的出行時間和速度密切匹配。本文詳細介紹了DTA模型開發(fā)過程中所采取的步驟和假設，簡要描述了校準方法，驗證結(jié)果，并說明如何使用模型。

2、模型開發(fā)

TransModeler中的動態(tài)交通分配（DTA）模型是根據(jù)以下描述的輸入數(shù)據(jù)開發(fā)的。車道級道路網(wǎng)最初幾乎完全從零開始開發(fā)，使用高分辨率航空圖像作為參考。形心和形心連線從區(qū)域出行需求模型（TDM）中導入，以確保交通分析區(qū)（TAZ）中心ID的一致性。形心作為RTC區(qū)域出行需求模型中的產(chǎn)生出行的起點和終點。

共同的TAZ和形心，是出行需求和DTA模型之間的主要關聯(lián)要素，并允許兩個模型隨時共用出行矩陣。隨后導出了高度精確的道路網(wǎng)絡，以創(chuàng)建TransDNA的線層路網(wǎng)，其中包括描述左轉(zhuǎn)和右轉(zhuǎn)灣島長度及其車道數(shù)的字段。TransModeler數(shù)據(jù)庫的開發(fā)將在本節(jié)后續(xù)部分描述。

2.1數(shù)據(jù)來源

建立DTA模型需要各種數(shù)據(jù)。至少，這些數(shù)據(jù)包括用于構(gòu)建街道網(wǎng)絡地理和幾何結(jié)構(gòu)的航空影像、用于模擬信號交叉口運行的信號配時數(shù)據(jù)，以及用于校準模型的短時間間隔的觀測的交通流量/速度數(shù)據(jù)。通用公交提供規(guī)范（GTFS）數(shù)據(jù)可用于將公交路線信息導入模型。其他類型的數(shù)據(jù)，如詳細的交通流量和出行時間觀測，用于驗證模型。

RTC的DTA模型是根據(jù)以下數(shù)據(jù)源開發(fā)的： 可從谷歌等網(wǎng)絡地圖服務免費獲得航空影像 RTC提供的信號配時 RTC提供的流量觀測數(shù)據(jù) 來自INRIX的速度數(shù)據(jù) 谷歌出行時間 GTFS數(shù)據(jù)

2.2模型設計

開發(fā)DTA模型的TransModeler和構(gòu)建區(qū)域TDM的TransCAD共享以TAZ ID的形式表示出行的起點和終點。這種對出行起點和終點的共用允許將TDM生成的出行矩陣用作DTA模型的輸入并進行模擬。 DTA模型包括區(qū)域TDM規(guī)劃模型網(wǎng)絡中的每一條道路路段。增加了許多其他路段，以便包括所有信號燈和其他主要路口，這些路口可以從航空影像中識別出來。

除了將其用作交通影響評估的可靠交通模型外，DTA模型還有其他值得一提的重大好處。DTA模型的地理信息系統(tǒng)（GIS）和關系數(shù)據(jù)庫平臺使該模型成為一個強大的車道級交通數(shù)據(jù)存儲庫。具體來說，該模型可以用作數(shù)據(jù)庫來存儲和更新地理和幾何信息。

此外，該模型還可以作為RTC地區(qū)的信號配時清單，以補充高速公路和干線運輸系統(tǒng)（FAST）維護的工具。最后，該平臺還提供了一個集成的GIS-3D建模環(huán)境，可用于可視化場景并促進公眾和利益相關者參與項目評估過程。

2.3路網(wǎng)開發(fā)

在任何規(guī)劃軟件平臺中，表示TDM中道路網(wǎng)絡的地理線圖層可用于在TransModeler中生成初步仿真數(shù)據(jù)庫。因此，TransCAD中RTC模型的規(guī)劃網(wǎng)絡是創(chuàng)建DTA模型仿數(shù)據(jù)庫的潛在資源。然而，TransModeler中的道路編輯和網(wǎng)絡開發(fā)工具使得通過高分辨率航空影像圖為整個大都市地區(qū)開發(fā)網(wǎng)絡變得更具成本效益，這一過程有助于其他重要的網(wǎng)絡開發(fā)任務，例如識別可能不在規(guī)劃網(wǎng)絡中的公共汽車和HOV車道以及信號交叉口。RTC規(guī)劃區(qū)域的仿真數(shù)據(jù)庫因此得以開發(fā)，并增加了額外的路段，以覆蓋影像圖中可識別的所有信號交叉口。

其他工具，如谷歌地球和谷歌街景，被用于確認重要的幾何細節(jié)，如車道利用率和交叉口禁止轉(zhuǎn)向。 TransModeler提供了對web地圖服務的內(nèi)置訪問，這些服務允許將地圖內(nèi)容（如谷歌地圖、谷歌衛(wèi)星、OpenStreetMap和USGS地形圖）自動下載到地圖窗口。

來自這些網(wǎng)絡來源的航空圖像被用于確定道路、交叉口和立交的幾何結(jié)構(gòu)。如果在圖像中可以看到施工情況，或者已知或懷疑近年來發(fā)生了道路項目，則使用歷史圖像或其他基于網(wǎng)絡的來源來確定模型基礎年（2015年）的幾何結(jié)構(gòu)。 在路網(wǎng)開發(fā)結(jié)束時，TransModeler中的錯誤檢查程序用于掃描數(shù)據(jù)庫中常見的編碼錯誤。

這確保了不存在缺失的車道連線、不必要的短路段或交叉口或道路幾何結(jié)構(gòu)錯誤。在模型開發(fā)和模型校準過程中，還遇到了其他編碼錯誤并進行了糾正。

2.3.1幾何細節(jié)

DTA模型中幾乎包含了所有幾何細節(jié)。模型開發(fā)的重點是實現(xiàn)交叉口形狀和尺寸的高度精確表示，這在很大程度上決定了交叉口或互通式立交的運營能力。除了交叉道路的幾何形狀（例如，水平曲率）外，還努力準確表示轉(zhuǎn)向島長度、車道寬度、轉(zhuǎn)向車道渠化、通過交叉口的車輛軌跡和其他幾何元素。下圖顯示了RTC區(qū)域中兩個地方模型的詳細程度。



I-15和W. Flamingo路立交



N. Town Center Drive的一對環(huán)形交叉口

2.3.2道路功能類別

在TransModeler中確定并將適當?shù)牡缆饭δ茴悇e應用于路段對模型中的駕駛員行為和路徑選擇具有重要影響。速度限制是微觀仿真模型中最重要的道路等級屬性。駕駛員的期望速度，即駕駛員在沒有交通信號或其他車輛影響的情況下行駛的速度，是速度限制的函數(shù)，更保守的駕駛員嚴格遵守速度限制，更激進的駕駛員行駛速度更快。

2015年修正的TDM模型網(wǎng)絡中的道路等級和速度數(shù)據(jù)用于為仿真模型中的所有適用指派道路等級。對DTA模型中未包含在TDM模型中的道路功能等級進行了評估。下圖顯示了DTA模型中按道路類別進行顏色編碼的道路網(wǎng)絡的線圖層表示。



道路網(wǎng)絡功能類別顏色編碼地圖

2.4交通控制輸入開發(fā)

交通信號對地面道路的交通運行至關重要，DTA模型對交通信號配時的詳細表示足夠準確，以支持具有高度運營敏感性的假設情景評估。該模型可以支持公交信號優(yōu)先、列車優(yōu)先和各種其他交通信號配時策略的分析。 FAST提供信號配時數(shù)據(jù)，包括匝道信號配時數(shù)據(jù)。RTC工作人員還協(xié)助提供了許多信號配時電子表格中沒有的相位分配的額外數(shù)據(jù)（例如，相位1服務于EBL轉(zhuǎn)向）。

在研究區(qū)域內(nèi)的1437個信號交叉口中，1414個為FAST信號，1060個為導入的可用信號配時數(shù)據(jù)。剩余377個信號的信號配時是根據(jù)預計的2015年高峰時段轉(zhuǎn)向需求、該區(qū)域的通用信號配時參數(shù)和工程判斷進行估計的。在整個網(wǎng)絡中，假設了感應信號操作，并應用了簡單的檢測器幾何結(jié)構(gòu)，包括停車呼叫和延時檢測。

研究區(qū)域內(nèi)有68個匝道信號。獲得了其中38個地點的時間參數(shù)，并對其余地點進行了假設。在沒有可用數(shù)據(jù)的匝道信號，假設交通響應操作在一天中最常見的時間（6:00 AM–9:00 AM和3:00 PM–6:00 PM）運行，RTC向我們提供了典型的占用率和費率。隊列檢測器也被假定為可運行，如果超過隊列占用率，則假定匝道流量統(tǒng)計被關閉。

下圖提供了匝道信號位置示意圖，圖2-5提供了模型中信號交叉口位置示意圖。



DTA模型中的匝道信號分布圖



DTA模型中的信號交叉口位置圖

2.5流量觀測數(shù)據(jù)

整個研究區(qū)域的交通流量數(shù)據(jù)來自五個來源： (1)內(nèi)華達州交通部（NDOT）短期15分鐘流量 (2)快車道流量 (3)ATR流量 (4)內(nèi)華達州南部交通研究（SNTS）對三個地點的15分鐘間隔流量（包括I-15、I-215和Summerlin Parkway） (5)FAST探測器數(shù)據(jù)（流量和速度），15分鐘間隔 仿真數(shù)據(jù)庫是一個地理關系數(shù)據(jù)庫，存儲了道路網(wǎng)絡的地理和幾何結(jié)構(gòu)，其中包括了這些流量數(shù)據(jù)，我們的校準分析側(cè)重于這些數(shù)據(jù)以及下面討論的速度數(shù)據(jù)。

不幸的是，快速車道流量無法用于校準，因為沒有按車道區(qū)分交通量。

相互沖突的流量也會被丟棄，因為它們會對校準過程產(chǎn)生不利影響。 例如，在I-515 NB沿線的這個位置，我們有四個流量觀測位置，總PM高峰期（2:00 PM–6:00 PM）的交通量如下所示。

東向西方向，19390–2047+4446 =21809。然而，橙色的數(shù)字只有17407。其他相鄰計數(shù)與19390計數(shù)一致，因此我們使用零權(quán)重對流量17407進行加權(quán)。



權(quán)重為0的流量觀測斷面例子 總的來說，AM期間有效流量觀測點為939個，PM期間有效數(shù)為954個，分布在整個區(qū)域。下圖說明了整個網(wǎng)絡中流量觀測點的位置。流量觀測與模型中的路段（片段）相關聯(lián)。圖中呈現(xiàn)了整個網(wǎng)絡中觀測點大致均勻分布。



流量觀測斷面



Strip和空港附近的流量觀測斷面

2.6速度數(shù)據(jù)

速度數(shù)據(jù)對于了解網(wǎng)絡中瓶頸的位置至關重要。INRIX是一家全球軟件即服務（SaaS）和數(shù)據(jù)即服務（DaaS）公司，提供移動電話、聯(lián)網(wǎng)車輛、卡車和配備GPS設備的車隊車輛的道路速度數(shù)據(jù)。獲取2016年3月1日至2016年5月31日之間的周三INRIX速度數(shù)據(jù)，并將其平均值用于校準過程。

2.7出行時間數(shù)據(jù)

為了驗證該模型，我們使用Google的Directions API（應用程序編程接口）獲得了示例出行時間數(shù)據(jù)，這是通過Google地圖平臺提供的各種web服務之一。

使用的Directions API許可證限制了每天可以提交的查詢數(shù)。我們選擇了分布在整個網(wǎng)絡中的59個TAZ的形心，確保每個大區(qū)（K-District）至少選擇兩個TAZ。59個原始TAZ形心的位置如下圖所示。



谷歌出行時間抽樣的TAZ形心分布 然后，我們在AM和PM模型期間每半小時查詢一次出行時間，其中59個形心作為起點，1658個形心作為終點（97822個OD對）。

因此，查詢了97822個OD對的8個出發(fā)時間：7:00 AM、7:30 AM、8:00AM、8:30 AM、2:00 PM、2:30 PM、3:00 PM、3:30PM、4:00 PM、4:30 PM、5:00 PM和5:30 PM。

由于無法查詢過往的數(shù)據(jù)，我們查詢了一個典型的春天的日期，2019年4月10日，星期三。 我們還查詢了2019年7月17日（星期三）的一些數(shù)據(jù)（7:30AM、8:00 AM、4:00 PM、4:30 PM、5:00 PM、5:30PM），以查看全年出行時間是否波動。

我們發(fā)現(xiàn)，出行距離在68-75%的時間內(nèi)保持完全相同，這表明谷歌在這兩個月內(nèi)可能采用了相同的路徑。當出行距離相同時，4月和7月的出行時間非常相似，如下圖中的散點圖所示。



谷歌相同出行距離下不同日期出行時間散點圖 即使在出行距離不同，出行時間仍然非常相似，只有少數(shù)出行時間明顯不同。



谷歌不同出行距離下不同日期出行時間散點圖 谷歌出行時間的樣本被縮小到內(nèi)部之間（I-I）OD對，根據(jù)谷歌和模型，這些OD對的整個路徑都將穿過模型內(nèi)的路段。

考慮到這一點，在各自的15分鐘出發(fā)間隔內(nèi)，88%的AM仿真OD對和87%的PM仿真OD對具有相應的Google出行時間可供比較。所得散點圖見第4節(jié)模型驗證。

2.8 GTFS數(shù)據(jù)

為了代表2015年的公交服務，并導入了公交服務ID4_merged_35727228，該公交服務從2015年2月份22日運行到2015年11月7日。這導致212條公交線路被添加到網(wǎng)絡中，如下圖所示。



GTFS數(shù)據(jù)導入的公交線路

2.9 TransDNA模型開發(fā)

對于TransDNA中的中觀DTA，從TransModeler中為DTA開發(fā)的仿真網(wǎng)絡中導出了一個線圖層，如第2.3節(jié)所述。因此，線圖層包含TransCAD規(guī)劃模型中的所有路段，但添加了支持仿真和DTA所需的相同路段和形心連線細節(jié)。換句話說，對TransModeler網(wǎng)絡所做的所有幾何增強都反映在TransDNA線圖層中。

這些增強功能包括在線圖層中添加字段，以表示左、右轉(zhuǎn)向島的存在、轉(zhuǎn)向島車道的數(shù)量和轉(zhuǎn)向島長度。這些字段是TransDNA的重要輸入，在這些字段中，當車道配置發(fā)生變化時，無需拆分路段，就可以合理地捕捉到轉(zhuǎn)向島對交通流的影響。

將交叉口幾何圖形表示為線圖層屬性還具有最小化網(wǎng)絡中路段數(shù)量的優(yōu)點，從而實現(xiàn)了低運行時間的仿真。更多的路段會增加運行時間，因為它們會降低最短路徑計算的速度，隨著經(jīng)過的節(jié)點數(shù)量的增加，最短路徑的計算需要更長的時間，并且在DTA過程中會執(zhí)行多次，以便隨著擁堵模式的演變更新路徑選擇。

3、模型校準

TransModeler DTA模型的校準和驗證旨在實現(xiàn)：（1）DTA模型及其基礎交通流模型能夠反映2015年狀況，包括區(qū)域交通模式和瓶頸位置，以及（2）確認模型編碼正確，信號配時估計和形心連通性合理。這項工作的關鍵結(jié)果，如隨時間變化的起點-終點（OD）流量，被用作TransDNADTA模型的輸入。

3.1駕駛員行為調(diào)整

3.1.1車輛類別分布

車輛類別分布定義了要仿真的車輛類型（例如，汽車、SUV/皮卡、卡車等）的組合。2013年道路車輛類別研究的數(shù)據(jù)用于計算AM和PM高峰期車輛類別分布。

3.1.2高速公路出入口處罰

TransModeler具有路徑選擇參數(shù)，可為進出高速公路的車輛指定懲罰。這些參數(shù)旨在阻止可能在出口匝道離開高速公路并立即返回入口匝道的路徑。然而，這些懲罰也可以阻止合理的路徑選擇，例如進入高速公路的路徑在下一個出口匝道離開之前只能在高速公路上行駛很短的距離。在我們的校準工作中，我們發(fā)現(xiàn)主干道與高速公路相比利用不足。為了平衡對利用高速公路和當?shù)芈肪W(wǎng)的道路的需求，高速公路罰款增加到出口60秒，入口120秒。

3.1.3形心連線出行時間誤差

與所有區(qū)域模型一樣，微觀仿真模型不模擬TAZ內(nèi)的交通，因此可能無法準確描述起點形心處的出行起點，也無法準確描述終點形心處的出行終點。在某些TAZ中，存在大量形心連線。起點和終點處的形心連線必須根據(jù)權(quán)重隨機分配，該方法存在各種問題（例如，在某些情況下可能會導致不可行或不合理的路徑），或選擇作為路徑選擇計算的一部分。

與路段上的出行時間和延誤一樣，出行時間可以分配給形心連線，并且這些出行時間可以類似地隨機擾動。隨機誤差越大，該TAZ周圍加載（或卸載）點的交通分布越廣。隨機誤差越低，路徑選擇將有利于TAZ中的少量形心連線，從而使一些形心連線未使用的可能性越大。

為了鼓勵在一個TAZ內(nèi)的加載點之間更廣泛地分布交通，一般情況下，形心連線的出行時間為5分鐘。特定形心連線有時被分配的出行時間大于或小于該出行時間，以鼓勵或阻止使用。 特定形心連線相對于服務于相同形心的其他連線。此外，形心連線出行時間誤差（定義為形心連線行駛時間的百分比）設置為50%。

這意味著，例如，模型中的任何給定駕駛員可以感知形心連線上的行駛時間，5分鐘的行駛時間在2.5到7.5分鐘之間。高誤差意味著允許足夠的變化，以克服在緊鄰形心連線的加載點下游的交通信號處可能經(jīng)歷的延誤。這樣，形心連線的選擇不會完全受形心附近路段上延誤的影響。

3.1.4 I-15快車道的用戶A

I-15快車道是沿I-15高速公路的平行車道，從撒哈拉大道延伸至Silverado牧場大道。駕駛員只能在特定位置進出快車道。使用快車道的選擇被建模為尋求最小化出行時間的隨機最短路徑模型。當存在平行路線且出行時間相似時，例如使用快車道或不使用快車道所代表的時間，模型很難以現(xiàn)實的方式在兩條路徑之間分配車輛。

為了解決這個問題，我們將所有車輛中的75%指定為用戶A車輛，并為用戶A的車輛保留I-15快車道。用戶A車輛有資格使用快車道，但也可以選擇使用通用車道。這確保了快車道的需求不會超過車道的容量，但也保留了路徑選擇模型為車輛選擇路徑的能力。

3.2基于仿真的動態(tài)交通分配

與傳統(tǒng)靜態(tài)分配相比，DTA的主要優(yōu)勢在于詳細處理了不同時間和不同地點擁堵的形成和緩解方式。擁堵發(fā)生的時間和地點在很大程度上取決于出行出發(fā)時段和分布方式。 路徑選擇行為是DTA模型的核心，因此也是模型校準的核心。在考慮根據(jù)DTA的模型流量與現(xiàn)場觀察到的流量之間的擬合之前，重要的是考慮如何確定DTA中的模型體。

DTA模型交通量最終取決于駕駛員做出的路徑選擇決定，這是發(fā)車時間和網(wǎng)絡中預期出行條件的函數(shù)。預期的出行條件來自于模型中所有出行者的路徑選擇以及由此產(chǎn)生的擁堵模式。為了模擬合理的路徑選擇，駕駛員必須了解他們在出行中預計經(jīng)歷的擁堵出行時間。

這些出行時間不是先驗已知的，因此是根據(jù)感興趣時段（例如AM、PM）的微觀交通仿真來估計的。 因此，整個周期的微觀仿真是迭代執(zhí)行的，連續(xù)平均（MSA）方法應用于輸出出行時間和迭代之間的轉(zhuǎn)向延誤。每次運行的路徑選擇是上一次仿真和平均出行時間的函數(shù)。

該迭代DTA框架的主要目標是平衡路徑選擇，以使駕駛員在模型充分收斂時無法切換到替代路徑并改善其出行時間，這是用戶平衡（UE）的一種形式。 出行時間被平均化，以便在迭代中平滑它們，以防止從一個迭代到下一個迭代在好的和壞的路徑之間來回切換效率低下。

DTA一直運行，直到它收斂到目標間隙，定義為上一次迭代的出行時間和延誤與當前迭代的出行和延誤之間的均方根誤差（RMSE）百分比，或者直到達到最大迭代次數(shù)。 然而，在基于仿真的DTA應用中，通常依賴最大迭代次數(shù)而不是目標間隙作為停止運行標準。

因為仿真模型是隨機蒙特卡羅模擬（即，每個仿真都是用不同的隨機種子啟動的，并且會產(chǎn)生不同的結(jié)果），并且因為車輛出行是整數(shù)（即，它們不能像靜態(tài)交通分配方法那樣被分成很小的部分），可能無法實現(xiàn)高質(zhì)量靜態(tài)交通分配所期望的數(shù)量級的目標間隙。

考慮到在基于仿真的環(huán)境中，目標間隙的相關只是趨勢，而不是絕對值，唯一相關的問題是運行DTA，直到目標間隙無法進一步縮小。在基于仿真的DTA應用中，通常認為在大約50次迭代中收斂是足夠的。 執(zhí)行DTA后，可以輕松瀏覽、查看和檢查模型中使用的路徑是否合理。在OD對之間目視觀察到的路徑以及通過選定關鍵路段的路徑都滿足先驗預期。通過DTA迭代，從路徑選擇集合中篩選出不合理的路徑。 DTA中不僅消除了糟糕的路徑選擇，而且路徑選擇也因出發(fā)時間而異。

路徑選擇是隨機的、動態(tài)的路徑選擇，使得每個駕駛員對出行時間的感知不同于其他駕駛員，并且駕駛員在給定路段上期望的平均出行時間取決于沿著路徑到達路段的時間。在模型中，從一個時間間隔的中點到下一時間間隔的出行時間以分段線性方式表示。因此，路段上的預期出行時間在時間上連續(xù)變化，而不是像直方圖中那樣不連續(xù)變化。

3.3動態(tài)OD矩陣估計（DODME）

運行DTA并估計行駛時間和轉(zhuǎn)向延誤后，可以進行模擬，以確定研究區(qū)域內(nèi)路段的模擬交通量和速度與每15分鐘間隔內(nèi)的觀測流量和速度的匹配程度。DTA之后是動態(tài)OD矩陣估計（DODME）的應用，該過程模擬全峰值周期，計算15分鐘間隔內(nèi)整個觀測流量和速度位置的相對均方根誤差（RMSE），在15分鐘內(nèi)通過的流量觀測和速度位置，對每一次觀測流量與速度匹配程度進行評分，并在得分最差的出行中執(zhí)行以下方式之一： (1)出行移除 (2)出行克隆 (3)出發(fā)時間提前15分鐘 (4)出發(fā)時間調(diào)整15分鐘后 可以對移除、克隆或轉(zhuǎn)移的出行類型設置條件，以限制DODME并將人工智能應用于自動化程序。

DODME迭代過程 在DODME的每個應用程序中，都會進行多次迭代，并以可能提高觀測流量匹配性的方式調(diào)整需求。當判斷需求發(fā)生重大變化時，再次運行DTA，以更新預期的出行時間和轉(zhuǎn)向延誤，并實現(xiàn)需求變化與路徑選擇所依據(jù)的擁堵模式之間的一致性。 因此，重復應用DTA和DODME，直到總體相對RMSE沒有進一步改善。

3.4校準結(jié)果

將模型中15分鐘間隔內(nèi)的路段交通量和速度與可用交通數(shù)據(jù)（如第2.5節(jié)交通流量觀測數(shù)據(jù)和第2.6節(jié)速度數(shù)據(jù)所述）進行比較，以評估模型的擬合程度。 百分比均方根誤差（%RMSE）通常用于統(tǒng)計分析，以將模擬交通量與實際交通量進行比較。%RMSE反映了單個路段上的模型流量和觀測流量計數(shù)之間的差異（與總和的差異），還提供了與觀測流量相關的誤差大小的信息。

在比較模型流量和觀測流量時，%RMSE值通常在10%和100%之間。低%RMSE值通常反映與交通量非常相似的模型交通量，而高%RMSE則反映相反的情況。完整的%RMSE結(jié)果匯總?cè)缦卤硭尽?/p>

為了進一步支持DTA模型與觀測流量數(shù)據(jù)的擬合度，將DTA模型的交通量與所有道路的觀測流量進行了比較。在這些散點圖中，每個點的x值表示15分鐘的觀測流量，y值表示15小時的模型流量。如果模型流量始終等于觀測流量，則所有點將直接位于對角虛線上。位于對角線下方的點是模型流量低于觀測流量。

位于對角線上方的點是模型流量高于觀測流量。散點圖顯示，模型分配的流量和觀測流量之間有相當好的一致性，模型流量總體略低于觀測流量。



早高峰所有路段DTA模型和觀測流量散點圖

晚高峰干道DTA模型和觀測流量散點圖



早高峰高速公路DTA模型和觀測流量散點圖

3.5 TransDNA模型校準

TransDNA是一種基于中觀仿真的DTA模型，它與TransModeler DTA等微觀模型共享時變需求輸入需求。此外，中觀DTA模型的校準涉及供給側(cè)輸入和速度密度參數(shù)的估計/調(diào)整。中觀仿真模型的供給校準涉及按路段等級指定速度密度函數(shù)和通行能力。

拉斯維加斯的OD需求是從TransModeler開發(fā)的校準微觀仿真模型中獲得的。路徑選擇系數(shù)、速度密度函數(shù)和通行能力采用了TransDNA中提供的默認值。這些參數(shù)是根據(jù)我們的文獻綜述以及基于現(xiàn)場傳感器數(shù)據(jù)的校準。 下圖顯示了AM峰值（700）模型與觀測交通量數(shù)據(jù)的擬合示例。

每個圖表將觀測觀測觀測到的流量（在水平軸上）與模型的相應輸出（在垂直軸上）在該峰值內(nèi)的15分鐘時間間隔進行比較。紅色虛線表示完美擬合目標，而藍色虛線表示實際數(shù)據(jù)的線性回歸。雖然這些代表了一個合理準確的模型，但應注意的是，進一步校準（尤其是OD需求側(cè)）將對模型有益。



早高峰DTA模型和觀測流量散點圖

4、模型驗證

校準過程完成后，通過將仿真出行時間與Google出行時間進行比較，驗證TransModeler DTA模型。驗證的目的是建立模型中的仿真出行時間與谷歌為分布在整個地區(qū)的OD對的大樣本估計的出行時間之間的擬合度。 如第2.7節(jié)所述，查詢了2019年4月10日（星期三）典型春季的谷歌出行時間數(shù)據(jù)。

理想情況下，將獲得2015年（模型的校準年）的出行時間數(shù)據(jù)，以進行驗證。然而，歷史出行時間數(shù)據(jù)不可獲取，谷歌的Directions API只能查詢未來日期，盡管其結(jié)果基于歷史數(shù)據(jù)。 通過生成整個網(wǎng)絡的動態(tài)Skim矩陣來獲得仿真出行時間，該矩陣按每個OD對的出發(fā)間隔匯總仿真出行時間。

在上午高峰時段，獲得了四個15分鐘出發(fā)時段的Google出行時間：7:00 AM、7:30AM、8:00 AM和8:30 AM。Google出行時間與仿真出行時間進行了比較。 在下午高峰時段，谷歌獲得了8個15分鐘出發(fā)時間：下午2:00、下午2:30、下午3:00、下午3:30、下午4:00、下午4:30、下午5:00、下午5:30。谷歌出行時間與仿真出行時間進行了比較。



晚高峰谷歌出行時間和仿真出行時間散點圖 上面只給出一個樣例圖表。完整的每個圖表都顯示了最適合數(shù)據(jù)的回歸線方程以及確定系數(shù)R2，這是數(shù)據(jù)與回歸線擬合程度的統(tǒng)計度量。與第3.4節(jié)中的圖表類似，如果仿真出行時間始終等于谷歌出行時間，則所有點都將直接位于對角虛線上，該線的斜率將為1.0，R2值將為1.0。

R2值是數(shù)據(jù)與給定斜率的回歸線擬合程度的統(tǒng)計度量。對角線下方的點是仿真出行時間比谷歌預測的出行時間短的出行。對角線上方的點是仿真出行時間大于谷歌出行時間的出行。圖表表明，在幾乎所有時段，仿真時間都非常接近對角線，R2值非常高，斜率接近1.0。

5、模型應用說明

5.1選擇正確的DTA進行分析

當您希望使用DTA分析項目或方案時，選擇正確的DTA非常重要：TransModeler中基于微觀仿真的DTA或TransDNA中基于中觀仿真的DTA。選擇將在很大程度上取決于兩個廣泛的問題，理想情況下按以下優(yōu)先順序提出： 有效執(zhí)行分析需要什么樣的敏感性？什么時間和資源可用于執(zhí)行分析？

首先，如果項目涉及交通控制（即交通信號或匝道信號控制i）、智能交通系統(tǒng)（ITS）或先進的交通需求管理策略（ATMS），那么基于微觀仿真的DTA將提供更好的運行條件處理，從而提供更好的分析工具。同樣，如果該項目需要對高速公路進行重大改進，從而改變合流或交織運行，那么微觀仿真也將提供更準確的效益量化，因為中觀模型采用了更集計的方法來分析對高速公路設施交通流至關重要的合流和交織相互作用。

其次，如果分析只要求快速得到接近項目的效益，例如測試可行性或?qū)⒑芏鄠溥x方案排除為少量備選方案，以便隨后進行更詳細的研究，那么TransDNA中的中觀DTA是推薦的選擇，因為相對于TransModeler中的微觀DTA，其設置和運行時間較少。

5.2 TransModeler中小子區(qū)域的微觀仿真

值得注意的是，如果特定分析涉及相對本地化的項目——例如，互通式立交或交叉口幾何設計，甚至是走廊沿線的加寬項目——那么基于微觀仿真的分析可能具有成本效益，并將提供更好（即更準確）的分析。然而，運行區(qū)域DTA可能不合適。

相反，建議從區(qū)域模型中提取一個較小的研究區(qū)域并用于分析?？梢栽凇奥范巍眻D層中選擇路段并將其導出到新的仿真數(shù)據(jù)庫。執(zhí)行此操作時，TransModeler將提示您在此時導出子區(qū)域的信號配時。要提取對同一選擇集路段的需求估計，請選擇“仿真”>“選項”并選中“報告子區(qū)域O-D和動態(tài)Skim數(shù)據(jù)”，然后從“選擇”下拉列表中選擇選擇集。

然后，運行仿真以生成子區(qū)域OD矩陣。如果需要對分析有高度的信心（即，分析將支持投資決策或工程設計，而不是簡單地回答規(guī)劃問題），子區(qū)域模型應進行校準和驗證，以細化為子區(qū)域?qū)С龅臄?shù)據(jù)，以改善子區(qū)域模型與觀察值的匹配，就像任何微觀仿真研究一樣。

5.3未來年情景OD矩陣創(chuàng)建

對于未來幾年的交通需求估計，尚無既定的實踐，但研究文獻中已經(jīng)提出了幾種方法并在實踐中使用。這些方法通常被稱為pivot-point方法，校準的基準年矩陣用于從預測年出行需求模型產(chǎn)生的未經(jīng)調(diào)整的出行表Vf，pivot到預測年經(jīng)調(diào)整的出行表Vf,adj。

最簡單的pivot-point模型基于基準年模擬需求Vb,sim與未調(diào)整基準年需求Vb之比，對未調(diào)整預測需求Vf進行修正：



TransCAD和TransModeler中的標準矩陣操作可以使用矩陣菜單中的命令執(zhí)行，以計算調(diào)整后的預測出行表。在TransModeler和TransDNA DTA模型中，Vb,sim表示輸入到這些模型的校準出行表，Vb表示TransCAD中RTC出行需求模型產(chǎn)生的基準年（即2015年）出矩陣，Vf表示出行需求模型也產(chǎn)生的預測年出行矩陣。

此外，由于出行需求模型產(chǎn)生的預測交通量Vf將是靜態(tài)的單時段需求，因此可以假設DTA模型中的動態(tài)（即15分鐘）出行矩陣中反映的時間分布相同。 由于沒有制定區(qū)域DTA模型動態(tài)預測出行表的標準實踐，建議RTC考慮進一步的研究，以確定哪種pivot方法最有效，和/或探索應用DTA的項目中的各種pivot方法，以獲得替代方法的直接項目經(jīng)驗。






審核編輯：劉清