◇江苏城乡建设职业学院公用事业学院 艾倩楠

为响应国家“碳中和”发展战略，为研究城市客运枢纽旅客疏散行为中各种交通方式的分担率，以常州北站为例，引入随机效用理论，考虑距离、收入、时间、费用、方便性、舒适性6种因素对方式选择的影响，构建了大型客运枢纽旅客疏散的分担率模型。对模型参数进行标定采用极大似然函数估计，结合旅客调查样本数据，利用改进遗传算法通过MATLAB编程进行参数求解，从而得到一个理论上可行的方式分担率模型，并对模型的有效性进行验证。该模型能够在综合考虑旅客个体不同选择方式的效用基础之上客观计算出不同交通方式的分担率，标定的模型具有较好的适用性，对于“碳中和”战略下城市综合客运枢纽交通的一体化建设具有一定的指导意义。

2020年9月22日，国家主席习近平在第七十五届联合国大会一般性辩论上郑重宣布，“中国将提高国家自主贡献力度，采取更加有力的政策和措施，二氧化碳排放力争2030年前达到峰值，努力争取2060年前实现碳中和”。作为节能减碳重要一环，交通运输过程中产生的碳排放一直是相关研究重点话题。交通领域占全国终端碳排放15%，过去9年年均增速5%以上，预计到2025还要增加50%。“公交优先”上升为国家战略，“绿色出行”已成为行业共识。在新一轮科技革命的影响下，如何利用新技术推动新能源汽车和智慧城市、智能交通、清洁能源体系、信息通信产业融合发展，整体提升交通运输融合创新能力，成为节能减碳关键。

大型客运枢纽是实现交通功能转换的场所，其规划设计的合理与否直接影响客运枢纽的运输效率以及各种交通工具功能的发挥，对城市交通网络产生直接影响[1]。因此，对大型客运枢纽旅客疏散交通方式分担率模型的研究尤为重要。目前，针对客运枢纽的疏散模型的研究较为分散，主要集中在不同运输方式或同一种交通方式不同线路间的分担率上[2-3]以及换乘站交通方式分担率模型研究[4]。本文从旅客选择疏散交通方式的影响因素分析，基于最大效用理论，建立旅客选择交通方式模型，采用遗传算法对模型参数进行求解，再结合居民出行调查数据进行实例分析验证模型可靠性。

城市客运枢纽旅客疏散方式的选择受多种因素影响，总体可分为宏观因素和微观因素。宏观因素包括车辆拥有量、社会经济发展水平、交通政策等。微观因素包括交通设施条件、交通区位因素、出行特性等。

1.1 宏观因素

（1）交通基础设施对疏散方式的影响。交通基础设施对旅客疏散方式的影响主要集中在城市的基础设施比较薄弱，人均道路面积、人均道路长度、人均公共汽车数量严重不足，公交服务水平较低。

（2）交通政策对疏散方式的影响。交通政策对节点城市客运枢纽旅客疏散方式有多方面的影响，但主要有三个方面：①国家的宏观控制政策；
②地方政府或市政府的政策；
③经济投资政策。

1.2 微观因素

（1）出行特性。出行目的分析：通勤出行选择公交、地铁等出行方式的概率较大，公务、社交等目的出行选择出租车、私人小汽车的概率较大。出行距离分析：目的地与大型客运枢纽距离比较近时更偏向于选择步行，距离稍远的可能选择公交、地铁等出行方式，距离偏远的则可能选择区间巴士、长途汽车等出行方式。

（2）交通设施条件。交通设施包括公交、轻轨、地铁等疏散方式站点的设置，线路的辐射性，出租车、长途汽车、私人汽车等停车场的布设，行人通道的设置等方面的内容。

（3）其它因素。受不同天气的影响，旅客会选择不同的疏散方式。

2.1 模型概述

Logit模型是研究各种交通方式分担比例广泛应用的一种非集计模型。

枢纽站的旅客在离去过程中选择交通方式时，总是选择效用最大的疏散方式，旅客对于每一种疏散交通方式的效用值由旅客自身的特性以及交通方式的特性共同决定。旅客在选择交通方式时往往是通过自身的观察、度量或经验来作出决定，选择的结果与理论之间存在一定的误差。效用函数的表达涉及可以观测到的效用确定项与不可确定的随机因素项。

2.2 选取决策指标

旅客选择交通方式时，会根据自身的收入情况、此次出行距离以及各种交通方式的时间、费用、方便性、舒适性等指标进行比较，而后做出决策。本文根据旅客做出决定之前通常考虑的因素选取了两大类指标，效用确定项为{距离、收入、时间、费用}，随机因素项为{方便性、舒适性}。大型枢纽站点可供旅客选择的离去的交通方式主要包括：常规公交、出租车、私家车、地铁。特性向量可表示为{vi1、vi2、vi3、vi4、εi1、εi2}，即{距离、收入、时间、费用、方便性、舒适性}，具体见表1。

表1 交通方式特性向量

2.3 确定效用函数

城市交通系统可提供给人们选择的交通方式称为选择枝，每个出行者在出行前通常要考虑所选交通方式的性能、舒适性、安全性等，可供出行者选择的交通方式构成的集合称为选择枝全集。

旅客在选择交通方式时，会根据每一种交通方式的距离、收入、时间、费用、方便性、舒适性做出选择，并且总是选择效用最大的交通方式，则旅客选择第i种交通方式的效用函数可表示为：

式中：Ui为 每一位旅客选择第i种交通方式离去时的效用；
αk、βm是未知参数，vik、εim是旅客选择第i种交通方式的决策指标。

2.4 建立模型

根据logit模型，以及所得出的效用函数，从而得出旅客n选择第i种交通方式的概率模型为：

3.1 logit模型极大似然函数估计

则对N个出行者观察结果的似然函数为：

式中：L*为N个出行者同时选择的概率。

取L*的对数似然函数L为：

求解模型的思想就是求一个α、β的组合，使得L的取值最大。

求解未知参数的一般方法有牛顿—拉普松法（Newton-Raphson，NR）和DGP法等，但解析计算方法要求目标函数为凸函数。而遗传算法对目标函数并无特殊要求，是一种新的求解最优的算法。下面详细介绍遗传算法的思想。

3.2 遗传算法概述

最优化问题的常见算法有爬山法、模拟退火算法、穷举法、启发式算法等。和这些算法相比，选用遗传算法进行求解的优点在于：①搜索种群中的点是并行的，以面为单位进行搜索优于传统的以点为单位的搜索；
②不需要辅助信息，只需要影响搜索方向的目标函数和相应的适应度；
③强调使用概率转换规则来引导搜索过程，并非确定性规则；
④使用数字化编码参数集，建立表现型和基因型的关系。

和传统的遗传算法相比，本文采用的混合遗传算法有如下改进：编码方式采用格雷码，和传统的二进制编码相比，格雷码能够提高算法的局部搜索能力，且使得交叉、变异等操作易于实现；
适应度函数依据目标函数采用界限构造法进行设计，能够在保证概率的非负的同时避免目标函数值在分布上差距过大，使平均适应度能体现种群的平均性能；
交叉方式为两点交叉，在保证优良基因结构延续的基础之上提高运算效率。具体步骤如下：

Step1.编码：将解空间的数据表示为遗传空间中基因串结构数据，采用格雷码。

Step2.生成初始种群，设置最大进化代数。

Step3.选择（复制）：根据个体的适应度值大小进行选择，适应度较高的个体被遗传到下一代群体中的概率较高，使群体中个体适应度不断接近最优解，适应度函数形式如下：

式中：Pos为每个个体的在排序种群中的位置，Nind：种群中个体的数量。

Step4.交叉（重组）：按照较大的概率从群体中选择两个个体，在个体编码串位中随机设置两个交叉点，然后进行个体间部分基因交换，产生子代，交叉概率设为0.7。

Step5.变异：以较小的概率对个体编码串上的某个或某些位值进行改变，产生新的个体，能避免由于选择和交叉运算造成的某些信息的丢失，保证算法的有效性。

常州北站（Changzhoubei Railway Station）位于中国江苏省常州市，是中国铁路上海局集团有限公司属管辖的铁路车站，是京沪高速铁路上的一个中间站。可停放近700辆大小车辆。目前，常州北站建有两个社会车辆停车场，可停放620辆小车和22辆大巴。出租车蓄车和发车场设置在高铁站屋西侧地下一层，建筑面积7460平方米，蓄车规模140辆。常州北站主要有常规公交、出租车、私家车和地铁4种可供旅客选择的交通疏散方式。依据调查所得的数据，本文采用所建立的多项logit模型对常州北站站各种疏散交通方式的分担率进行实例应用。调查得到的部分样本数据，见表2。

表2 部分样本数据

其中，距离指旅客离站到达目的地的总距离；
时间为旅客从离站起至目的地的总时间，包括车内时间和车外时间。方便性和舒适性两个指标要考虑旅客的出行目的、携带的行李、时间价值、收入情况、到换乘交通方式的步行距离、交通方式的加减速及转弯对旅客的影响以及天气情况等，用语言价值变量对其赋值，并用对应的三角模糊数表示。其计算方法如下：

各因素的评价值的语言价值与三角模糊数之间的对应关系见表3所示。

表3 语言价值量与三角模糊数之间的对应关系

根据上述公式则有：

以旅客1为计算示例，旅客1对4种交通方式方便性的语言价值量描述分别为：好、好、中等、较好。对应的三角模糊数分别是（70，80，90）、（70，80，90）、（30，50，70）、（60，70，80），依据上式计算所得结果为：

将4种交通方式的计算结果同除以100，将结果归一化。则旅客1对4种交通方式方便性的量化结果为0.8、0.8、0.5、0.7。

对4种交通方式舒适性的语言价值量描述分别为：中等、较好、好、中等。对应的三角模糊数分别是（30，50，70）、（60，70，80）、（70，80，90）、（30，50，70），依据上式计算所得结果为：

将4种交通方式的计算结果同除以100，将结果归一化。则旅客1对4种交通方式舒适性的量化结果为0.5、0.7、0.8、0.5。

因各影响因素的量纲不同，为了便于比较，将不同量纲的指标归一化，其方法为每一列指标同除以本列指标的最大值，结果见表4。

表4 归一化的部分样本数据

在MATLAB2012上编写遗传算法的迭代程序，迭代至40代左右函数图像趋于一条直线，目标值稳定在-46.3左右，最终参数标定的结果为α1=-2.5247，α2=2.6715，α3=-16.3182，α4=-8.3630，β1=12.4992，β2=-3.2812。迭代收敛图如图1所示。

图1 迭代收敛图

将遗传算法计算得到的模型参数带入到所构建的概率模型中，并根据归一化后的样本数据计算得到每位出行者选择概率的计算结果，见表5。

表5 出行者选择概率计算结果

将模型计算所得的每位旅客的理论选择结果与调查所得样本的实际选择结果进行比较，结果表明，两者的一致性为90.91%，说明模型具有较好的适用性。

（1）大型客运枢纽是城市对内、对外交通的关键，获得旅客疏散不同交通方式的分担率，对于科学规划、设计、管理大型客运枢纽具有重要意义。

（2）通过分析影响旅客疏散方式的因素，依据效用最大化理论，构建旅客疏散分担率模型。根据遗传算法的基本理论，在MATLAB上实现其迭代过程的编译，并对归一化后的调查数据进行拟合，计算出模型参数，带入模型后，得到每位出行者选择概率的计算结果。

（3）实例应用的结果表明，本文构建的模型能够合理的计算出考虑多因素影响下的旅客疏散交通方式分担率，为客运枢纽的建设提供依据。

猜你喜欢方便性碳中和客运成都东站与网约车接驳满意度研究运输经理世界(2022年2期)2022-09-20城市大客车保养和维修的方便性分析汽车世界·车辆工程技术（中）(2020年4期)2020-09-02百花齐放的“定制客运”，能否拯救道路客运市场？运输经理世界(2019年3期)2019-08-15提高客运驾驶人安全意识汽车与安全(2016年5期)2016-12-01某重型卡车排气系统拆卸方便性初探汽车实用技术(2016年7期)2016-05-18台湾客运业:高铁躲过破产危机?海峡科技与产业(2016年3期)2016-05-17旅游风景区碳估算与碳中和实证研究世纪桥(2014年12期)2015-01-04什么是小发明中国青年(1982年8期)1982-08-28