考虑旅行时间的多模式超级网络承载能力建模与改进方法

《PLOS One》:Modelling and improving approach for carrying capacity in multi-modal super network by considering travel time

【字体: 大 中 小 】 时间:2025年12月23日 来源:PLOS One 2.8

编辑推荐:

  为了实现中等规模网络中在常规甚至拥挤道路条件下(车辆、乘客或骑行者拥挤)的网络承载能力的测量,研究人员考察了混合拥挤道路(拥挤与非拥挤道路各占一半)中乘客或骑行者的理想旅行时间,作为聚集函数方程(Aggregated Functional Equation)中

  
为了实现中等规模网络中在常规甚至拥挤道路条件下(车辆、乘客或骑行者拥挤)的网络承载能力的测量,研究人员考察了混合拥挤道路(拥挤与非拥挤道路各占一半)中乘客或骑行者的理想旅行时间,作为聚集函数方程(Aggregated Functional Equation)中自变量的初始累积值。此外,研究人员考察了不同路段的容量,以及相应累积的总旅行时间,容量限制发挥了作用,以减轻部分路段上车辆的沉重负荷。本研究在原有容量约束模型基础上提出了一种多目标双层规划模型(multi-objective bi-level planning model),以解决潜在的拥堵问题,该模型优化了示意图中的三个方面:承载能力、平均旅行时间和扩展成本。本实验获得了9条有效超路径(effective hyper-paths),每条超路径附有交通流和旅行阻抗属性。散点图结果显示,承载能力的复模量(plural modulus)随旅行时间的下降而减小;当道路饱和度从0.7增加到0.9时,承载能力的复模量下降了27.1%。同时,提高扩展上限会使承载能力略微提升15.7%。本研究可为多模式网络流分布的最优化提供参考,并在一定程度上对路径规划具有间接意义。
随着城市交通系统的复杂化,理解多模式交通网络的操作策略成为关键。交通设计师致力于预测路段拥堵规则,以降低驾驶者旅行时间。单层网络通常与单一交通模式对应,而多模式网络包含出租车、公交车、共享单车等子网络,其拓扑结构对承载能力累积有显著影响。现有研究在量化多模式网络承载能力方面存在不足,尤其缺乏对关键不适应路段的改进方案,而非单纯添加新路线。此外,旅行阻抗作为不同交通模式间部分阻断的重要指标,受道路流量动态变化影响,但恶劣天气或大型活动等客观因素的排除可缓解阻抗随机波动。基于平均容量约束的超网络设计优化通常分为两步:加总最大承载能力(无论交通需求如何变化)和最小化系统平均旅行时间。然而,原模型难以处理道路饱和度和扩展成本等不确定因素。为此,本文以探索多模式网络中旅行者行为偏好为目标,开展承载能力建模与改进研究。研究人员提出一种基于原始容量约束模型的多目标双层规划模型(bi-level planning model),旨在优化承载能力、平均旅行时间和扩展成本,并采用非支配排序遗传算法II(NSGA-II)求解。案例研究基于大都市区三种公共交通方式(出租车、公交车、共享单车)的实地调查数据,构建了单向和双向多模式网络拓扑。研究结果表明,交通需求、平均旅行时间和阻抗函数参数变化是影响承载能力的主要因素,承载能力的复模量随平均旅行时间增加而增长,且敏感性测试验证了模型与基准实验的高一致性转换能力。该研究为多模式网络流分配优化提供了参考,并对路径规划具有间接意义。论文发表在《PLOS One》。

本文采用的关键技术方法包括连续平均算法(Method of Successive Algorithm,MSA)和非支配排序遗传算法II(NSGA-II)。MSA通过迭代平均一系列辅助点求解多目标多约束非线性规划问题,用于更新路段交通流。NSGA-II设置最大迭代次数40、交叉概率0.9、交叉指数20、变异指数20,通过非支配排序、拥挤度排序和精英策略获取Pareto前沿。案例数据来源于大都市区出租车、公交车和共享单车网络的实地调查,包括站点距离、旅行时间、容量等指标。忽略具体试剂、培养和质粒构建操作步骤,但注明了样本队列来源为大都市区多模式交通网络。

**5.3.1 Effective paths searched**(有效路径搜索):通过连续平均算法在O-D对之间搜索到9条有效超路径(effective hyper-paths),每条路径附有交通流和旅行阻抗属性。迭代过程显示相对间隙(relative gap)逐渐趋近于0,最终稳定在5×10-2,表明分布算法有效。

**5.3.2 Pareto fronts’ distribution**(Pareto前沿分布):在三维空间中拟合Pareto前沿曲面,得到拟合函数 y=2.3×10-12x3+1.9×10-7x2+4.8×10-3x+4.7×10,相关系数为9.8×10-1。结果表明,承载能力的复模量(plural modulus)随用户旅行时间(对应目标2)的下降而减小。

**5.3.3 Linear fitting**(线性拟合):当迭代次数达到68时,计算趋于稳定,最佳适应度介于7.6×10-1和7.8×10-1之间。权重系数计算显示,当ω1接近0.2、ω2为0.8时,折中解(compromise solution)达到最优值。

**5.4.1 Upper threshold**(上限阈值):拓宽阈值每增加50 pcu/h(从200到400),承载能力模量在因变量范围7.0–12.0内逐步提升。例如,当因变量y=9.0时,各阈值对应的承载能力模量排序为|Qkb=400| > |Qkb=350| > |Qkb=300| > |Qkb=250|。

**5.4.2 Mobility rate**(机动化率):在三种机动化率范围(0.7–0.8、0.8–0.9、0.9–1.0)下,承载能力贡献值的模量随旅行时间下降而减少,最终分别稳定于约2.6×104、2.7×104和2.5×104 pcu/h。

**5.5.1 Downgrade the level of service**(降低服务水平):当道路饱和度σ从0.7升至0.9时,承载能力模量显著下降。例如,当因变量y=8.5 min时,对应承载能力模量为|Qσ=0.7|(3813.7 pcu/h)> |Qσ=0.8|(3278.4 pcu/h)> |Qσ=0.9|(2779.6 pcu/h),且不同服务水平下的Pareto前沿拟合函数以四次多项式表示,相关系数接近1。

**5.5.2 Widen critical road sections**(拓宽关键路段):基于双向路段网络,确定了10条可拓宽路段(出租车网络和公交车网络各3条,共享单车网络4条)。拓宽后,容量指标α分别增加174、69、81,总承载能力提升2276.8 pcu/h,扩展成本为13505.74万元。投影图验证了Pareto前沿轨迹与敏感性分析结果的一致性。

讨论部分总结:本文以探索多模式网络中旅行者行为偏好为目标,提出双层规划模型,通过调查道路属性和时间指标改善承载能力。利用NSGA-II获取不同拓宽条件下的Pareto前沿,并通过算法迭代获得最优目标权重系数。案例研究证明,交通需求、平均旅行时间及阻抗函数参数变化是影响承载能力值的主要因素,超网络中承载能力的复模量随平均旅行时间增加而增长。敏感性测试验证了模型相对于基准实验的高一致性转换能力。然而,研究仍存在不足:经济发展水平和居民人口等定量因素受累积过程限制,难以单独用线性方程表达;未来需探索和验证有向网络中转移弧的更多参数定义,并重点改进指标优化和模型精度。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号