基于OD反推的上海城市快速路網(wǎng)行駛距離分析*

李 敏 邵敏華

(同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室 上海 201804)

快速路是城市道路系統(tǒng)的大動(dòng)脈，其能夠有效提高中長距離的出行效率[1]。近年來，車輛數(shù)的不斷增加及短距離出行的大量涌入，加劇了快速路的擁堵。平均出行距離是體現(xiàn)快速路資源是否得到合理配置的重要依據(jù)，基于上海多年積累的海量數(shù)據(jù)，分析快速路出行距離，挖掘快速路交通運(yùn)行狀況和時(shí)空變化規(guī)律，對(duì)于進(jìn)一步有針對(duì)性地制定相應(yīng)的管理目標(biāo)和措施具有重要意義。

對(duì)于出行距離的分析，陳尚云等[2]使用出行分布的重力模型法計(jì)算平均出行距離，并利用實(shí)際調(diào)查的出行距離結(jié)果對(duì)模型參數(shù)進(jìn)行標(biāo)定，但是該方法對(duì)不同路網(wǎng)的標(biāo)定參數(shù)不同，缺乏普適性；崔洪軍等[3]利用河北省內(nèi)高速路的收費(fèi)數(shù)據(jù)分析不同車型的出行距離特征；章錫俏等[4]基于視頻及出租車GPS 數(shù)據(jù)，對(duì)長春快速路的短距離出行進(jìn)行了特性分析；卓健等[5]為了避免小汽車數(shù)據(jù)涉及的個(gè)人隱私問題，借助出租車軌跡數(shù)據(jù)分析短距離出行分布特征。

上世紀(jì)70年代，有學(xué)者基于熵最大化原則，提出了利用路段流量反推OD的設(shè)想。隨著交通檢測設(shè)備的完善和信息采集技術(shù)的發(fā)展，該方法成為了獲取OD矩陣信息的有效且便捷的方式之一，并且規(guī)避了個(gè)人出行的隱私問題。

為此，本文提出了從檢測器原始數(shù)據(jù)反推OD矩陣并快速計(jì)算出行距離的方法，該方法規(guī)避了需要調(diào)查個(gè)人出行軌跡等問題。以上海市快速路為研究對(duì)象，采用用戶均衡模型反推獲得OD矩陣信息；基于所獲得的OD矩陣計(jì)算出行距離，量化分析快速路的交通出行特征。研究成果既能快速挖掘掌握快速路的交通運(yùn)行特征，又能為供需管理策略研究提供重要參考。

1 快速路出行距離計(jì)算

1.1 出行距離計(jì)算框架

本文考慮了數(shù)據(jù)質(zhì)量對(duì)出行距離計(jì)算的影響，設(shè)計(jì)了從檢測器原始數(shù)據(jù)到反推OD的完整流程，并利用OD矩陣分析快速路出行特征，主要步驟見圖1。

圖1 出行距離計(jì)算流程圖

1.2 數(shù)據(jù)質(zhì)量分析

優(yōu)質(zhì)的交通流數(shù)據(jù)是保證OD反推可靠性的前提。數(shù)據(jù)在實(shí)時(shí)獲取、儲(chǔ)存、上傳系統(tǒng)、轉(zhuǎn)換檢測器數(shù)據(jù)等過程中，可能會(huì)存在異常或者遺失，為了提高OD反推的精度，需進(jìn)行質(zhì)量分析并做預(yù)處理。數(shù)據(jù)預(yù)處理規(guī)則如下。

1) 缺失數(shù)據(jù)識(shí)別。缺失數(shù)據(jù)分為全部數(shù)據(jù)缺失和部分?jǐn)?shù)據(jù)缺失。全部數(shù)據(jù)缺失指因時(shí)間點(diǎn)缺失而導(dǎo)致的整條數(shù)據(jù)缺失。部分?jǐn)?shù)據(jù)缺失是指時(shí)間點(diǎn)存在，但是該時(shí)間點(diǎn)下的交通流參數(shù)存在全部缺失或部分缺失情況。

2) 異常數(shù)據(jù)剔除。異常數(shù)據(jù)指采集到的交通流數(shù)據(jù)明顯違背事實(shí)，不符合交通流三要素邏輯關(guān)系和參數(shù)閾值范圍的數(shù)據(jù)。對(duì)這類數(shù)據(jù)的篩除采用閾值法和基于交通流理論的邏輯判斷法[6]。綜合這2種判斷方法，在同1條數(shù)據(jù)記錄中非負(fù)的交通流三參數(shù)值滿足下列公式關(guān)系時(shí)，則判斷為錯(cuò)誤數(shù)據(jù)，給予剔除處理。

①o>1或q>qmax或v>vmax；

②o=0，q+v≠0；

③o≠0，q,v=0，q+v≠0。

式中：o為占有率；q為流量；v為速度。

3) 數(shù)據(jù)修補(bǔ)。交通流數(shù)據(jù)在經(jīng)過異常數(shù)據(jù)剔除后，需要對(duì)缺失數(shù)據(jù)進(jìn)行修復(fù)。計(jì)算方法如式(1)。

(1)

(2)

4) 路段流量合成。路段流量為一定時(shí)間段內(nèi)車輛通過某斷面的實(shí)際數(shù)量。即

(3)

1.3 OD反推

1.3.1OD反推原理

OD反推是交通分配的逆過程，主要過程包括路網(wǎng)基礎(chǔ)數(shù)據(jù)的收集、交通小區(qū)的劃分、交通分配模型與算法的選擇及誤差分析。

交通小區(qū)與路段流量的基本關(guān)系式為

(4)

反推OD矩陣需要的基本數(shù)據(jù)有：

1) 路段觀測流量Va，一般由檢測器或交通調(diào)查獲得。

2) 先驗(yàn)OD矩陣，由歷史數(shù)據(jù)獲取。

3) 路阻函數(shù)所需的道路基本參數(shù)。在美國BPR路阻函數(shù)中，需要道路通行能力、自由流時(shí)間等基本參數(shù)。

1.3.2基于TransCAD的快速路網(wǎng)OD反推

TransCAD中的OD反推程序可以采用多種交通分配方法，進(jìn)行多次迭代達(dá)到收斂標(biāo)準(zhǔn)后輸出OD矩陣結(jié)果。主要步驟如下。

1) 路網(wǎng)搭建及數(shù)據(jù)準(zhǔn)備。將快速路網(wǎng)拓?fù)湫畔⒌脑次募?dǎo)入到TransCAD中，建立路段屬性表，包含路段ID、路段長度、車道數(shù)、通行能力、自由流速度、自由流時(shí)間。

以單個(gè)匝道作為交通小區(qū)，上匝道為O點(diǎn)，下匝道為D點(diǎn)，進(jìn)口匝道的交通量作為該交通小區(qū)的發(fā)生量，出口匝道交通量作為吸引量。對(duì)于路網(wǎng)邊界，以單向車道作為一個(gè)交通小區(qū)。

2) 反推結(jié)果誤差分析。在OD反推中，選擇美國BPR函數(shù)作為阻抗函數(shù)，采用用戶均衡模型進(jìn)行交通分配。對(duì)反推后得到的交通量與觀測交通量進(jìn)行誤差分析。相對(duì)誤差計(jì)算公式為

(5)

OD矩陣反推后的流量與實(shí)際觀測流量相對(duì)誤差絕對(duì)值的平均值不超過30%時(shí)，即可認(rèn)為反推結(jié)果合理可用[7-8]。此時(shí)的OD推算結(jié)果較為準(zhǔn)確，可以用于交通運(yùn)行特征的分析，并作為計(jì)算平均出行距離的基礎(chǔ)數(shù)據(jù)。

1.4 出行距離的計(jì)算

車輛出行距離與城市空間結(jié)構(gòu)有關(guān)，同時(shí)也會(huì)對(duì)交通運(yùn)行產(chǎn)生影響。快速路以上下匝道口和進(jìn)出快速路主干道劃分交通小區(qū)，OD分布形式有上匝道-下匝道、上匝道-離開快速路主干道、進(jìn)入快速路主干道-下匝道、進(jìn)入快速路主干道-離開快速路主干道4種形式。反推得到的OD矩陣可以用來計(jì)算車輛在快速路上的平均出行距離。平均出行距離計(jì)算公式為

(6)

式中：drs為OD對(duì)rs之間的出行距離；qrs為OD對(duì)rs之間的流量。

2 案例分析

2.1 數(shù)據(jù)來源

本文數(shù)據(jù)來源于上海快速路檢測線圈采集的交通流數(shù)據(jù)，由于數(shù)據(jù)采取的困難性和有限性，故研究的空間范圍為浦西外環(huán)以內(nèi)，見圖2。

圖2 上海快速路網(wǎng)

時(shí)間范圍為2017-2020年，時(shí)間顆粒度為5 min，共有951個(gè)道路斷面，總計(jì)2 517個(gè)檢測器。

檢測器采集字段包括檢測器編號(hào)、檢測時(shí)間、流量、平均速度，以及時(shí)間占有率等。部分?jǐn)?shù)據(jù)如表1所示。在研究區(qū)域內(nèi)包含510個(gè)路段，172個(gè)小區(qū)，其中包含83個(gè)O點(diǎn)，89個(gè)D點(diǎn)。

表1 交通流數(shù)據(jù)表格

2.2 出行距離分析

本研究考慮時(shí)間維度差異，分別對(duì)2017-2020年某工作日、 2019和2020年某1周的工作日、雙休日及某工作日的高峰小時(shí)進(jìn)行OD推算。反推流量值與觀測流量值的相對(duì)誤差均在5%以內(nèi)。利用該OD矩陣計(jì)算并分析交通出行量、車公里數(shù)以及出行距離。

2.2.1年度分析

選取2017-2020年4月中某晴朗周三的檢測器數(shù)據(jù)，出行量、車公里數(shù)、平均出行距離計(jì)算結(jié)果見表2，對(duì)比圖見圖3。

表2 各年份相對(duì)誤差

圖3 上海快速路近年出行量、車公里數(shù)、平均出行距離

分析結(jié)果可知，2017-2019年，出行量和車公里數(shù)逐年遞增，平均出行距離相對(duì)平穩(wěn)；受到新冠疫情影響，2020年出行量和車公里數(shù)明顯下降，出行距離明顯增加。

2.2.2工作日及周末出行距離分析

選取2019和2020年4月第三周的檢測器數(shù)據(jù)，出行量、車公里數(shù)、平均出行距離計(jì)算結(jié)果見表3，對(duì)比結(jié)果見圖4、圖5。

表3 2019-2020年1周出行距離變化

圖4 1周出行量、車公里數(shù)、平均出行距離

由圖4可見，2019和2020年工作日中，出行量、車公里數(shù)及平均出行距離相對(duì)平穩(wěn)，無明顯變化趨勢，且周五最高；2019年，周末出行量和車公里數(shù)出現(xiàn)下降、平均出行距離增加。2020年，周末出行量和車公里數(shù)驟減，這仍然是受到新冠疫情影響，市民普遍減少了非通勤外出。

2.2.3高峰小時(shí)出行距離分析

選取2019和2020年4月某周一的檢測器數(shù)據(jù)，分析早高峰和晚高峰，具體計(jì)算結(jié)果見圖5。由圖5a)、b)可見，早高峰中07:00-08:00的出行量達(dá)到了最大，08:00-09:00的平均出行距離最低，這可能是由于擁堵導(dǎo)致車輛在快速路上的行駛距離減少。由圖5c)、d)可見，晚高峰中17:00-18:00的出行量達(dá)到峰值。與2019年相比，2020年出行量明顯減少，但是車公里數(shù)增加，故而出行距離也有所增加。值得注意的是，在早高峰中，出行量較大時(shí)，出行距離較低，在晚高峰中恰恰相反，出行量較大時(shí)，出行距離也較高。

圖5 早、晚高峰出行量、車公里數(shù)、平均出行距離對(duì)比

大量短距離出行的車輛進(jìn)入匝道口會(huì)給快速路運(yùn)行帶來壓力，造成快速路和與其相連的道路產(chǎn)生擁堵。以2019年早高峰08:00-09:00為例，按照出行距離對(duì)上海快速路的交通量進(jìn)行統(tǒng)計(jì)分析，計(jì)算結(jié)果見表4，上海快速路2019年出行距離占比餅狀圖見圖6。由圖6可見，上海快速路短距離出行占比較高，其中0～3 km的交通量達(dá)到了37.81%，超過了出行總量的1/3。快速路的建設(shè)初衷是為中長距離出行帶來便捷，大量短距離需求的涌入會(huì)加劇擁堵，導(dǎo)致快速路運(yùn)行效率下降。

表4 上海快速路2019年出行距離占比

圖6 上海快速路2019年出行距離占比

3 結(jié)語

本文設(shè)計(jì)了從海量檢測器數(shù)據(jù)到反推OD，并以此分析快速路出行距離的完整方法。以上海快速路為例，分別分析了工作日、周末、高峰小時(shí)下的快速路出行量、車公里數(shù)及出行距離。分析表明，在疫情影響下，交通出行量明顯減少，出行距離增加，尤其是在周末；在高峰時(shí)段，短距離出行占比較高；早高峰中，出行量較大時(shí)，出行距離較低，晚高峰中，出行量較大時(shí)，出行距離較高。由分析結(jié)果可知，本文所提方法切實(shí)可行，能夠利用反推得到的OD矩陣快速計(jì)算出行距離等出行特征，為城市交通供需管理策略的制定提供方向。

交通擁堵具有時(shí)間和空間特征。目前，本研究僅將OD矩陣應(yīng)用到了時(shí)間維度上的快速路出行量、車?yán)锕飻?shù)及平均出行距離的計(jì)算和分析。快速路OD矩陣以上下匝道作為OD點(diǎn)，后續(xù)可從空間的維度上對(duì)入口匝道的出行距離進(jìn)行分析，對(duì)造成擁堵的關(guān)鍵入口匝道進(jìn)行交通管控。