出行前交通信息發(fā)布對城市路網(wǎng)的交通影響分析*

賴信君，余 志，李 軍

(中山大學(xué)工學(xué)院∥智能交通研究中心，廣東廣州 510275)

隨著智能交通系統(tǒng)及交通信息發(fā)布技術(shù)的應(yīng)用普及，越來越多的研究人員開始關(guān)注不同的信息發(fā)布策略及發(fā)布比例對交通擁堵的改善程度，其中最受關(guān)注的是在宏觀交通視角下的路網(wǎng)流量分配問題[1-2]。在城市路網(wǎng)中，駕駛員的路徑選擇行為是為了尋找他所感知的最優(yōu)路徑。然而駕駛員自身效用的最大化，并不意味著路網(wǎng)運(yùn)行狀態(tài)的最優(yōu)，這導(dǎo)致路網(wǎng)中交通流的時空分布不均勻。通過發(fā)布出行前交通信息以指引駕駛員繞行擁堵路段是有效緩解區(qū)域交通擁堵的重要手段。如何制定信息發(fā)布的策略以及確定信息接收的人群，是交通信息提供下路網(wǎng)改善的關(guān)鍵，值得交通管理者及研究人員進(jìn)行深入的分析。

出行前交通信息提供是一種最常見的并被廣泛應(yīng)用的智能交通管理手段。駕駛員能在出行前獲得當(dāng)時的路況信息，并根據(jù)這些信息規(guī)劃行程。本文結(jié)合駕駛員路徑選擇行為研究，建模出行前信息提供對駕駛員的影響，并綜合分析不同發(fā)布策略及發(fā)布比例下對整體路網(wǎng)及區(qū)域路網(wǎng)的影響。

1 文獻(xiàn)回顧

交通信息提供一方面為駕駛員決策提供了更多便利，另一方面對路網(wǎng)的運(yùn)行優(yōu)化有著重要影響[3-4]。較多的方法通過結(jié)合顯示性偏好(RP)調(diào)查和敘述性偏好(SP)調(diào)查對出行前交通信息提供的優(yōu)點(diǎn)進(jìn)行研究[5-6]。出行者每天的出行時間變化、對路網(wǎng)的學(xué)習(xí)程度、對出行信息的服從度和接收度，都是建模的重要因素[2]。有學(xué)者通過建立混合均衡模型以綜合考慮出行時間變化及供需變化對選擇行為的影響，結(jié)果顯示接收信息和非接收信息的駕駛員的路徑選擇行為有明顯差異[4]。理論研究及實(shí)際應(yīng)用顯示，信息發(fā)布的比例、信息的可靠性及駕駛員的服從度是影響信息發(fā)布下路網(wǎng)運(yùn)行的重要因素[7]。仿真數(shù)據(jù)顯示當(dāng)車流以95%的道路通行能力到達(dá)，在交通剛開始擁擠時，信息提供對路網(wǎng)有較顯著的改善，并在突發(fā)交通擁堵時這種優(yōu)勢更為明顯[8]。在簡單路網(wǎng)上對單對起訖點(diǎn)(OD)的研究表明[9]：發(fā)布道路指引信息對路網(wǎng)擁堵有改善，發(fā)布良好的道路指引信息有助于提高路網(wǎng)運(yùn)行效率；對擁擠網(wǎng)絡(luò)中的給定OD，存在一個最佳的占有率，并隨著交通需求的增加而增加；在合理的占有率下，增加信息指引路段可有效降低路網(wǎng)運(yùn)行時間。這些研究都表明交通信息發(fā)布是一種有效及必要的減少交通擁堵的手段，特別在突發(fā)擁堵發(fā)生時交通信息的提供能對路網(wǎng)提供顯著的改善。較多對交通信息發(fā)布的研究基于單OD及簡單路網(wǎng)，需要擴(kuò)充至多OD及實(shí)際路網(wǎng)中進(jìn)行分析研究。

駕駛員對路徑的選擇直接顯示在對路網(wǎng)流量的分配上，研究顯示對路網(wǎng)的熟悉程度、不同道路的服務(wù)水平及個體的屬性都是對路徑認(rèn)知起關(guān)鍵作用的因素[10]。出行前信息發(fā)布改變了駕駛員對路網(wǎng)的認(rèn)識與判斷，無論對路徑集或選擇概率都有重要的影響，因此需要將信息發(fā)布對駕駛員的影響考慮至路徑集及選擇概率的建模中。較多的研究基于較為簡便的路徑搜索算法及路徑選擇模型[2, 4, 7, 9]，更多改進(jìn)的算法及模型應(yīng)進(jìn)入建模以提高研究的精確性。路徑集的生成算法中較為常用的包括最短路[11]、K-path[12]、標(biāo)簽法等[13]；路徑選擇模型中較為成熟的方法包括C-Logit[14]、Path Size Logit (PSL)及組合配對Logit模型等[15-16]。研究框架應(yīng)能在考慮復(fù)雜模型及算法的基礎(chǔ)上，保持對城市網(wǎng)絡(luò)計算分析的快速便捷。

信息的發(fā)布首先體現(xiàn)在對駕駛員的行為改變上，通過不同駕駛員的行為改變從而實(shí)現(xiàn)對路網(wǎng)流量的重新分配。文本綜合考慮信息發(fā)布對駕駛員路徑集及路徑選擇概率的變化影響，提出了一種研究出行前交通信息提供對道路網(wǎng)絡(luò)影響的方法。

2 研究方法

2.1 符號定義

2.1.2 擁堵路段信息發(fā)布Ι為發(fā)布擁堵信息的路段的集合，Ι?L；U為沒有發(fā)布擁堵信息的路段的集合，U?L且U∪I=L。Ι不需要包括實(shí)際中擁堵的所有路段。以上標(biāo)nA表示沒有接收信息的人群，而上標(biāo)A則表示信息接收的人群。

2.1.3 市場占有率 采用道路指引信息服務(wù)的市場占有率φ來表示信息接收者占OD對之間所有出行者的比例，φ的取值范圍為0～1。

2.2 研究框架

本文的研究框架如圖1所示。信息發(fā)布通過誘導(dǎo)出行者的路徑以達(dá)到整個網(wǎng)絡(luò)優(yōu)化或局部優(yōu)化的目的。本文選用基于路徑選擇概率的方法對交通信息影響進(jìn)行分析。在虛線框中的部分是主要步驟，在實(shí)線框中的部分是主要研究策略。

本文將駕駛員分成兩大類：信息接收者與非接收者。交通管理者將向接收者提供道路擁堵信息并誘導(dǎo)他們避開擁堵路段以減輕交通堵塞。本文假設(shè)全部交通信息接收者都服從管理者的誘導(dǎo)，并暫不考慮駕駛員個體屬性的差別。得到誘導(dǎo)信息后，信息接收者的路徑集和路徑選擇概率都會相應(yīng)發(fā)生改變，從而影響信息接收人群在路網(wǎng)上的流量分配。對非接收者而言，圖1中“出行前交通信息提供Ι”不對路徑集及路徑選擇概率產(chǎn)生影響。在此框架中，可根據(jù)研究對象的復(fù)雜程度以替換不同的路徑集生成算法及路徑選擇模型。

圖1 出行前交通信息提供對道路網(wǎng)絡(luò)交通分配影響的研究框架Fig.1 Research framework of traffic impact analysis of pre-trip traffic information on urban network

2.3 出行前交通信息提供下的路網(wǎng)流量加載

交通網(wǎng)絡(luò)分配是兩種用戶流量的混合加載結(jié)果。信息接收者將接收到擁堵路段的信息并在規(guī)劃行程時避開這些擁堵路段，而非接收者在選擇路徑時將把全部路段作為考慮的因素。路徑的生成將基于實(shí)時的路段行駛時間。為達(dá)到最佳的交通信息發(fā)布效果，交通管理者可以有策略地向信息接收者提供交通擁堵路段的信息，合理地引導(dǎo)交通流量分配。為某一OD分配流量的步驟為：

Step 1：路徑集生成。利用全部路段集L生成信息非接收者的路徑集CnA。向信息接收人群發(fā)布擁堵路段集Ι，將Ι從L中刪除后生成新的路段集U，再對信息接收者生成路徑集CA。

Step 3：分配流量。Q為OD間的交通需求，對兩類人群而言，對路徑i的流量分配為

(1)

對路段a的分配流量分別為：

(2)

Step 4：混合流量加載。路段a的交通流量xa為兩種流量的疊加：

(3)

對某一OD而言，在特定路段上的交通流為兩種交通需求的疊加。對多OD網(wǎng)絡(luò)而言，可通過多次重復(fù)該流程以得到路段上的疊加交通流量。本文提出的流量加載方法能靈活變換其中的路徑集生成算法及路徑選擇概率，有較大的適用性。

2.4 出行前交通信息提供下的隨機(jī)交通分配算法

對可變阻抗及路段行駛時間是交通流量的函數(shù)的路網(wǎng)，可采用逐次平均法(MSA)實(shí)現(xiàn)兩種需求下的交通分配。MSA法是對隨機(jī)用戶均衡的近似求解，模擬的是駕駛員通過對道路網(wǎng)絡(luò)的不斷學(xué)習(xí)尋找到最優(yōu)的路徑最終達(dá)到均衡，所以任何駕駛員都不能通過改變路徑來減少他所感知的出行時間。v為判斷收斂的正常數(shù)。具體步驟如下：

Step 4：計算各路段的交通量：

(4)

3 案例分析

下面通過實(shí)際案例來驗(yàn)證本文提出的算法并分析出行前交通信息發(fā)布對路網(wǎng)運(yùn)行的影響。實(shí)驗(yàn)路網(wǎng)選取的是廣州市中央商務(wù)區(qū)珠江新城。作為城市中心的重要區(qū)域，珠江新城有較為嚴(yán)重的交通擁堵，交通流量的分布不均勻?qū)е侣肪W(wǎng)資源得不到充分的利用。廣州市交通管理部門通過一系列的擁堵治理手段以緩解中心城區(qū)的交通擁堵，發(fā)布出行前信息是其中一項(xiàng)重要舉措。

圖2顯示了珠江新城的交通網(wǎng)絡(luò)，路段上標(biāo)示的是自由流時間(min)及路段通行能力(pcu/h)。速度由裝有GPS設(shè)備的浮動車獲取，而自由流時間則是由路段長度除以自由流速度得出。路段流量由道路線圈獲得，并利用流量反推獲得702對OD點(diǎn)的交通需求。路阻函數(shù)采用美國公路局的路段阻抗函數(shù)(BPR模型)及其推薦參數(shù)，如式(5)所示：

(5)

圖2 示例路網(wǎng)(自由流時間(min)/通行能力(pcu/h))及發(fā)布策略3下各路段隨市場占有率增加的變化Fig.2 Demonstrated road network (free-flow time (min) / capacity (pcu/h)) and changes of links while increasing information market share under strategy three

路網(wǎng)的運(yùn)行效率以路網(wǎng)總運(yùn)行時間T進(jìn)行評價，如式(6)所示：

(6)

采用K-path方法分別對信息接收者和非接收者生成路徑集CA和CnA，K值選為10，并采用較為成熟的路徑選擇模型Path Size Logit 模型計算路徑選擇概率，并假設(shè)行駛時間最短的為最優(yōu)路徑，且駕駛員對道路的選擇僅以出行時間作為標(biāo)準(zhǔn)：

(7)

(8)

其中Ti為路徑i的行駛時間；θ為感知誤差的參數(shù)，按照經(jīng)驗(yàn)值θ=1。

根據(jù)實(shí)地交通調(diào)查，珠江新城北面的兩大主干道交通較為擁堵，分別是點(diǎn)2至點(diǎn)6之間的黃埔大道，以及點(diǎn)9至點(diǎn)13之間的金穗路；相反，位于南部的主干道則較為通暢。因此交通管理者希望通過發(fā)布路段擁堵信息以誘導(dǎo)駕駛員出行，從而改善北部區(qū)域的交通狀況，最終使交通流在整體路網(wǎng)上的均勻分布。南北兩個子區(qū)域的劃分如表1所示。

表1 珠江新城南北子區(qū)域劃分Table 1 Northern and southern regions of Pearl River new town

為測試不同的信息發(fā)布策略對路網(wǎng)運(yùn)行的改善，本文針對珠江新城路網(wǎng)共提出三種不同的發(fā)布策略，如表2所示：只發(fā)布金穗路是擁堵的、只發(fā)布黃埔大道是擁堵的、和同時發(fā)布兩條道路都是擁堵的。為測試是否越多駕駛員接收到信息對路網(wǎng)的改善越顯著，信息發(fā)布的比例將從0開始以步長0.05增加至1。對不同發(fā)布策略下，不同的信息發(fā)布比例對整體路網(wǎng)以及北部區(qū)域的影響如圖3及圖4所示。

表2 交通信息發(fā)布策略Table 2 Strategies of traffic information distribution

與之前的研究結(jié)果不同的是，發(fā)布擁堵信息及誘導(dǎo)駕駛員繞行，反而使擁堵區(qū)域的交通惡化，如圖3所示。在珠江新城路網(wǎng)中發(fā)布策略1和策略2，最優(yōu)的信息發(fā)布市場占有率是0，無論對整體路網(wǎng)還是對北部區(qū)域的路網(wǎng)。隨著市場占有率增加，整體路網(wǎng)的總運(yùn)行時間比不發(fā)布信息的時候要有所增加，發(fā)布策略2比策略1對整體路網(wǎng)所帶來的負(fù)面影響要更為顯著；對北部區(qū)域而言，無論策略1還是策略2，都不能減輕擁堵情況，反而隨著市場占有率的增加，北部區(qū)域的擁堵狀況不斷惡化。相似地，發(fā)布策略2比策略1對北部區(qū)域路網(wǎng)帶來的負(fù)面影響要大。在發(fā)布信息前，每個駕駛員已尋找到使感知時間最短的路徑。雖然駕駛員的感知存在誤差，但在本例路網(wǎng)中，大部分駕駛員的感知最優(yōu)路接近實(shí)際最優(yōu)路，所以讓信息接收者繞行擁堵路段，并不一定能減少他們的駕駛時間。發(fā)布策略1或策略2后，一方面增加了信息接收者的出行時間，而另一方面，改變的這些流量分布并不能使擁堵區(qū)域的狀況改善，無論對駕駛員還是路網(wǎng)均起到負(fù)面作用，策略1及策略2屬于失敗的信息發(fā)布方案。

圖3 發(fā)布策略1及2下的整體路網(wǎng)與北部區(qū)域路網(wǎng)總運(yùn)行時間對比Fig.3 Network total travel time of the whole network and northern region under strategies one and two

圖4 發(fā)布策略3下的整體路網(wǎng)及北部區(qū)域的路網(wǎng)總運(yùn)行時間Fig.4 Network total travel time of the whole network and northern region under strategy three

分析發(fā)布策略3對整體路網(wǎng)與北部區(qū)域的影響，如圖4所示。隨著信息發(fā)布比例的增加，整體路網(wǎng)的總運(yùn)行時間亦不斷增加。對北部區(qū)域而言，當(dāng)市場占有率從0開始增加時，北部區(qū)域的總運(yùn)行時間首先有一定程度的增加；隨著市場占有率從0.05開始增加，路網(wǎng)的擁堵狀況得到有效的改善，在發(fā)布比例等于0.75時，北部區(qū)域網(wǎng)路運(yùn)行得到最優(yōu)；在發(fā)布比例大于0.75時，北部區(qū)域的交通狀況又開始惡化。對總體路網(wǎng)而言，當(dāng)市場占有率比例從0變化至0.75的時候，運(yùn)行時間緩慢增加，增幅約為25%；當(dāng)市場占有率從0.75至變化1的時候，路網(wǎng)總運(yùn)行時間快速增加，整體增幅約為75%。當(dāng)信息發(fā)布比例小于0.75時，雖然路網(wǎng)總運(yùn)行時間比不發(fā)布信息的時候有所增加，但在可接受范圍內(nèi)。在此路網(wǎng)中，向75%的駕駛員發(fā)布交通信息是最為合適的，這個比例能最大限度地緩解北部區(qū)域的交通擁堵，雖然整體路網(wǎng)總運(yùn)行時間有一定的增加，但增加的時間在可接受范圍內(nèi)。綜合分析，發(fā)布策略3屬于成功的發(fā)布方案，較合適市場占有率φ為0.75。

無論信息發(fā)布比例如何變化，一些路段始終處于擁堵狀態(tài)，同樣地一些路段也始終處于通暢狀態(tài)。以發(fā)布策略3為例，各路段隨著市場占有率的增加而變化的分析如圖2所示。大多數(shù)北部區(qū)域的路段隨著信息發(fā)布比例的增加，擁堵程度得到有效的緩解，逐漸從擁堵狀態(tài)向通暢狀態(tài)改善；在南部區(qū)域，也有部分路段隨著信息發(fā)布比例提升而逐漸變得擁堵。有趣的是，在路網(wǎng)中部分路段并非單調(diào)變化，如12→13及39→19兩條路段，隨著發(fā)布比例的提高它們的交通狀態(tài)時而改善時而變差。

本文的案例分析表明，對駕駛員發(fā)布交通擁堵信息并不總能有效地緩解道路交通擁堵。發(fā)布不合適的交通信息，或盲目地對全部駕駛員發(fā)布交通擁堵信息甚至能為路網(wǎng)帶來負(fù)面的作用，交通狀況不緩反堵。在對實(shí)際路網(wǎng)的應(yīng)用中，交通管理者應(yīng)當(dāng)提前對信息發(fā)布的策略作適當(dāng)?shù)姆抡嬉詫Ρ炔煌姆桨福⒎治鲎顑?yōu)的信息發(fā)布市場占有率。

4 結(jié) 語

本文提出了一種出行前交通信息提供下交通影響分析的方法。駕駛員被劃分為信息接收者及非接收者兩類，并利用隨機(jī)路徑選擇模型來描述駕駛員的行為。非信息接收者將對路網(wǎng)中全部的路徑進(jìn)行考慮以產(chǎn)生路徑集及計算選擇概率，而信息接收者則首先排除發(fā)布信息中所包含的擁堵路網(wǎng)，再進(jìn)行路徑生成及概率計算。最后根據(jù)交通需求及選擇概率，混合疊加兩類人群在路網(wǎng)上的交通流量。

以廣州中央商務(wù)核心區(qū)珠江新城為研究案例。首先，出行前交通信息的發(fā)布對駕駛員的行為及對路網(wǎng)運(yùn)行都有顯著的影響。其次，不同的信息發(fā)布方案及不同的信息發(fā)布比例對路網(wǎng)的影響有顯著的差別，在本文的研究案例中，發(fā)布更多的擁堵路段能有效改善擁堵區(qū)域的交通，但增加信息發(fā)布比例卻不一定能改善路網(wǎng)狀態(tài)；此外，在本文案例中，無論哪一種發(fā)布比例與發(fā)布策略，都增加了整體路網(wǎng)的運(yùn)行時間。實(shí)驗(yàn)結(jié)果表明，在實(shí)際應(yīng)用中應(yīng)針對不同的路網(wǎng)提前進(jìn)行交通仿真，以確定最優(yōu)的發(fā)布策略及發(fā)布比例。

本文所提出的方案能較方便地嵌入到成熟的交通軟件中，不同的路徑集生成方法及路徑選擇模型能方便地應(yīng)用于本文所提出的框架，交通需求能從自由流變化到過飽和狀態(tài)以測試一整天的路網(wǎng)變化。基于相似的思路，本文所提出的方法能推廣至在途信息提供對路網(wǎng)運(yùn)行影響分析中。

[1] HUANGH, LI Z. A multiclass, multicriteria logit-based traffic equilibrium assignment model under ATIS [J]. European Journal of Operational Research, 2007, 176: 1464-1477.

[2] HUANG H, LIU T, YANG H. Modelling the evolution of day-to-day route choice and year-to-year ATIS adoption with stochastic user equilibrium [J]. Jounal of Avanced Transportation, 2008, 42(2): 111-127.

[3] GAO S. Optimal adaptive routing and traffic assignment in stochastic time-dependent networks [D]. Massachusetts Institute of Technology: Cambridge, USA,2005.

[4] RAMMING S. Network knowledge and route choice [D]. Massachusetts Institute of Technology: Cambridge, USA,2002.

[5] KHATTAK A, POLYDOROPOULOU A, BEN-AKIVA M. Commuters normal and shift decisions in unexpected congestion: pretrip response to ATIS [C]∥The 74th Annual Meeting of Transportation Research Board,Washington, DC,1995.

[6] ABDEL-ATY MA. Using ordered probit modeling to study the effect of ATIS on transit ridership [J]. Transportation Research Part C,2001,9(4): 265-277.

[7] WANG G, SHAO H,CAO D. A mixed equilibrium traffic assignment model for transportation networks with ATIS under demand and supply uncertainties [J]. International Joint Conference on Computational Sciences and Optimization, 2009, 2: 132-136.

[8] CASCETTA E. A model of route perception in urban road networks [J]. Transportation Research Part B, 2002, 36(7): 577-592.

[9] LI J, HUANG L. Stochastic traffic assignment considering road guidance information [J]. Journal of Transportation Systems Engineering and Information Technology, 2012, 12(3): 31-35.

[10] YIN Y, YANG H. Simultaneous determination of the equilibrium market penetration and compliance rate of advanced traveler information systems [J]. Transportation Research Part A, 2003, 37(2): 165-181.

[11] ZHAN FB,NOON C. Shortest path algorithms: an evaluation using real road networks [J]. Transportation Science, 1998, 32(1): 65-73.

[12] VAN DER ZIJPP NJ,CATALANO SF. Path enumeration by finding the constrained K-shortest paths [J]. Transportation Research Part B, 2005, 39(6): 545-563.

[13] BEN-AKIVA M. Modelling inter-urban route choice behavior [C]∥ Ninth International Symposium on Transportation and Traffic Theory, 1984: 299-330.

[14] CASCETTA E. A modified logit route choice model overcoming route overlapping problems: specification and some calibration results for interurban networks [C]∥Proceedings of the Thirteenth International Symposium on Transportation and Traffic Theory. Lyon, France, 1996: 697-711.

[15] BEN-AKIVA M, BIERLAIRE M. Discrete choice methods and their applications to short term travel decisions [M]. Handbook of Transportation Science. Kluwer Academic Publishers: Dordrecht, Netherlands, 1999: 5-33.

[16] KOPPELMAN F S,WEN C H. The paired combinatorial logit model: properties, estimation and application [J]. Transportation Research Part B, 2000, 34(3): 75-89.