transcad实验教程.docx
- 文档编号:15499508
- 上传时间:2023-07-05
- 格式:DOCX
- 页数:54
- 大小:962.12KB
transcad实验教程.docx
《transcad实验教程.docx》由会员分享,可在线阅读,更多相关《transcad实验教程.docx(54页珍藏版)》请在冰点文库上搜索。
transcad实验教程
基于TransCAD的
交通规划设计/实验指导书
交通工程系
1交通分布
1.1双约束重力模型参数标定
1.1.1数据准备
(1)交通小区
1)交通区划分的目的
在我们进行交通需求分析时需要全面了解交通源以及交通源之间的交通流,但是,交通源一般都是大量的,不可能对每个交通源进行单独研究。
因此,在交通需求分析过程当中,需要将交通源按一定原则和行政区划划分成一系列的小区,这些小区即称为交通区。
划分交通小区的主要目的是:
①将区域交通需求的产生、吸引与区域的工农业产值、人口等社会经济指标联系起来;②将交通需求在空间上的流动用交通小区之间的交通分布图表表示出来;③便于用交通分配理论来模拟公路网上的交通流。
2)交通区划分的原则
交通区划分是否适当,将直接影响到交通调查、分析、预测的工作量及精度。
首先要确定划分交通区的区域范围。
划分交通区的区域除包括规划区域本身外,还应包括与规划区域有较大交通联系的其它区域。
我们已经知道,划分交通区的主要目的是全面了解交通源与交通源之间的交通流。
从这个意义上讲,交通区划分越小越好;但交通区划分越小,会使调查、分析、预测等工作量越大。
交通区划分的基本原则应是在准确、全面反映区域交通源流特征的前提下,使规划工作
量尽可能地减少。
在进行交通规划时,交通区划分的多少、大小应视交通的复杂程度和研究目的具体确定。
一般来说,规划区域内有直接影响的交通区划分较小,规划区域外有间接影响的其它区域的交通区划分较大,而且离规划区域越远的区域交通区划分越大;交通矛盾突出的地方,交通区划分的小一些,反之则可以大一些,例如城市地区、城镇密集地区的交通区划分一般较小,农村地区、山区、牧区等交通区则相对较大。
由于基础资料,如经济、人口等一般都是按照行政区划调查、统计、规划的,因此,为了基础资料收集的便利,交通区划分一般不应打破行政区划。
在研究交通区之间的交通流时,一个交通区被视作一个交通源,因此,当规划区域内有铁道等构造物或河流等天然分隔带时,应将被它们分隔的那些交通区一分为二,以满足一个交通区只有一个集聚中心的要求。
3)实例
以泸州为例,小区划分直接以各市县区的行政边界为小区边界。
共划分了OD小区17个,其中泸州市内的直接影响区7个,外部的间接影响区10个。
并对小区进行了编号,见图1.1。
图1.1
(2)现状OD矩阵
1)进行OD扩充
对于城市出入口交通量较大,且车速较快,在实地调查时一般无法将所有通过调查点车辆的牌照及车型全部记录下来时,有效信息只是部分通过车辆的车辆牌照和车型,调查所得的数据只是抽样,需要将调查所得的抽样OD扩充为全样OD.
下面介绍下扩样系数的确定:
在一般OD调查数据处理时,如路边拦车询问调查,只需根据各OD调查点的交通量观测结果确定抽样率,即可将调查的抽样OD扩样为各点全样OD,这其中只涉及到单点扩样的问题。
而对采用记录车辆牌照法OD调查数据进行处理时,其数据扩样涉及到所有调查点,但由于各个调查点的实际情况不尽一致,其实际抽样率均不相同。
因此,其数据扩样不能简单地根据各调查点的抽样率确定。
根据上述OD调查原始数据处理结果和交通量观测数据统计结果,可以获得交通区i和j(对应于调查点i和j)之间的抽样OD分布量为
i区、j区OD扩样系数
、
(即调查点交通量和该点抽样OD总量的比值)。
根据OD分布的特性,考虑到i区、j区之间OD分布扩样与i点和j点均有关系,其扩样系数A应该介于i区和j区各自单独的扩样系数Ai和Aj之间,因此应该综合考虑i区和j区的抽样情况进行扩样。
现假设
,根据代数定理,则有
。
因此,我们可以设定初始
,据此,可以建立下列模型:
用上式计算出的
一般不会满足交通分布的基本约束条件:
其中
,
分别为i调查点和j调查点的调查交通量.因此需要反复迭代计算,即经第一次计算
之后,得出
再用下式计算第二次近似值
如此反复计算,直到
收敛到等于或接近1为止.至此,已经得到扩样后的各交通区之间的OD分布矩阵|
|,即为城市交通规划所需要的出入阔机动车OD基础资料,是下一步交通分析预测的前提.
2)导入扩充后的OD矩阵到transCAD中
可以选择在excell里面建立OD表格,存为.xls文件格式。
把建好的.Xls文件直接拖入transCAD界面,会出现ChooseExcelSheet如图1.2,
图1.2
单击OK后会出现SaveExcelSheetas,对文件进行命名后单击Save。
图1.3
新建一个矩阵,单击工具栏上的Matrix,出现图1.4.
图1.4
单击OK后出现图1.5.
图1.5
单击OK,出现下图,给新建的矩阵取名,如图1.6.
图1.6
出现新建的矩阵,然后单击第一列,如图1.7:
图1.7
单击工作栏的Matrix下拉列表Import,以列的方式向新建的矩阵输入。
图1.8
Next——》Next,选择“Allcolumns”并从From列表框中选择对应的值,
图1.9
点击Finish,即完成OD矩阵的导入:
图1.10
(3)现状路网
在TRANSCAD中描绘出现状路网或通过AUTOCAD描图后另存为DXF格式导入TRANSCAD中,如图1.11。
图1.11
(4)阻力矩阵
用于描述在区域间旅行的难度的阻力有多种不同的指标和方法,经常使用的阻力指标是出行时间,出行距离,以及出行费用。
阻力可以是这些指标的组合,或是在不同出行方式下,这些指标值的组合。
如果所规划的区域地势比较平坦,路网比较均匀,而且交通分区之间没有明显的大型障碍物(如高山、海湾等),则可以使用小区间距离作为交通阻抗。
反之,则需要根据路网的设置情况采用最短路径法(shortestpath)来分析交通区之间的交通阻抗。
对于前者,阻抗矩阵的生成方法比较简单,只需要将交通分区层设置为当前使用层,然后采用TOOLS——》DistanceMatrix命令就可以自动生成;对于后者,一般需要采用基于路网的多路径法,即利用NETWORKS——》Multipaths命令,输出阻抗矩阵。
此处以泸州市为例,使用小区间的出行时间作为交通阻抗,具体步骤如下:
1)用TRANSCAD打开已保存的现状路网图
2)以线层为当前层,在DATAVIEW中建立属性列并设置数据
点击“DATAVIEW”——》“MODIFYTABLE”,在DATAVIEW里面建立velocity和time属性列,其中velocity为各道路的设计车速须根据实际情况输入,time列则通过length/velocity进行赋值。
图1.12
图1.13
3)对代表小区的节点做选择集。
将点层设为可见的(点层通常是隐藏的,需要在图层管理器中进行设置),以点层为当前层,在其DATAVIEW中新建一列存放小区号。
点击
,在列表框中选择ENDPOINT,单击右侧的SHOWLAYER
图1.14
以点层为当前层,选择DATAVIEW——》MODIFYTABLE,新建属性列centriods.
图1.15
以面层为当前层,使用connect建立面层与线层的联系
connect:
tool—》mapediting—》connect
图1.16
注意OPTION的设置,如图1.17:
图1.17
将CONNECT后出现的连接线长度和时间属性都设为很小,但不能等于0;将通行能力设为很大。
对代表小区的endpoint做选择集
以endpoint为当前层,选择selectionbycondition,设置选择条件。
图1.18
4)以线层为当前层创建网络,通过NETWORKS——》Multipaths生成阻抗矩阵,具体步骤为:
选择Networks/Paths-MultiplePaths弹出MultiplePaths对话框
图1.19
从Minimize下拉列中选择time为希望最小化的耗费变量。
图1.20
单击OK,TransCAD弹出SaveAs对话框。
输入“阻抗矩阵”并单击Save得到如下阻抗矩阵:
图1.21
1.1.2模型标定
根据需要,用户可选择指数函数、幂函数、GAMMA函数或者K系数矩阵(KFactorMatrix)作为阻抗函数。
如果有足够的经验数据,用户可选择K系数矩阵或者直接引用原来的数据,不必进行参数标定。
否则,需要选择合适的阻抗函数,并进行标定。
GAMMA函数可克服指数函数和幂函数由于交通分区之间的距离过小而造成的分配量过大的弊端,因此适应范围较广。
根据实际调查的OD矩阵(可以是局部调查或者OD反推得到)、交通分区间的原始阻抗(impedance)矩阵,对阻抗函数参数进行标定。
参数标定的约束条件与重力模型的约束条件应该一致,用户若需要做出行距离分布分析,还可设置出行距离分布(TLD)最大值。
标定结果与用户的设置有关,输出的阻抗参数或者调查分类表以可视化表格的形式存放(以.bin或者.dcb等为后缀),如果同时选择输出阻抗系数矩阵,则还会生成以.mtx为后缀的文件。
此处选用幂函数进行参数标定,此处以泸州市为例,根据前面导入的扩充后的OD矩阵以及前面得到阻抗矩阵进行了模型标定。
在transcad中进行函数标定的具体步骤为:
1.打开一个在ID字段存储地区ID的数据窗口。
这些数据必须包含在一个地图上的地区层中或与一个地区层相链接的数据表。
2.选择Planning-TripDistribution-GravityCalibration显示GravityCalibration引力模型校准对话框。
图1.22
3.在MatrixFile下拉表中选择包含基年P-A流量的矩阵文件。
4.在Layer下拉表中选择的地区层。
5.按以下要求作出选择:
要实现
需要操作
选择约束类型
从ConstraintType约束类型列表选项中作出选择
设置最大循环次数
在Iterations编辑框赋值
设置收敛精度
在Convergence编辑框赋值
设置最大出行长度
在TLDMaximum编辑框赋值
7.在Function列表选项中,选定需要校准的函数的类型;从MatrixFile和Matrix下拉表中选择阻力矩阵。
8.点击OK,出现SaveResultSummary存储结果对话框。
9.输入输出矩阵文件名,点击Save。
TransCAD校准模型并显示Results结果对话框。
10.点击Close。
TransCAD显示ResultSummary结果摘要对话框。
图1.23
1.2交通分布预测
1.2.1预测各小区交通发生吸引量
图1.24发生吸引预测流程图
1.2.1.1发生/吸引量预测模型
通常采用时间序列法、回归分析法、GM(1,1)等方法。
时间序列法
时间序列法是根据规划区域客、货运输的历史统计资料,以时间t为自变量建立模型,对未来客、货运输量进行预测。
时间序列预测技术的基本出发点是利用预测对象过去发展变化的特征来描述和预测未来的变化特征。
各种事物的时间序列变化特征一般可以分为趋势形、周期形、不规则形、组合形。
在交通生成预测中,一般遇到的是组合形的时间序列,它常常由趋势形和不规则形组合而成。
对于不同形式的时间序列,有不同的预测技术。
时间序列预测技术流程图如图所示。
确定模型形式
模型识别(选择试验模型)
参数估计(计算协方差和相关函数等)
诊断检验
预测
不合适
合适
图1.25
移动平均法
移动平均法是最常用的时间序列预测技术方法之一,它包括简单移动平均和趋势移动平均。
其中简单移动平均较为粗糙,在目标发展趋势存在多种变化的情况下,往往会产生较大预测偏差。
趋势移动平均比简单移动平均的各项指标有所改善,但仍不够理想,仅适用于最近的短期预测。
指数平滑法
指数平滑法克服了移动平均法的诸多缺点,它对时间序列中的每个数据进行加权处理,注重反映近期环境。
指数平滑法分为一次指数平滑、二次指数平滑、三次指数平滑和高次指数平滑。
指数平滑法对各种趋势及随机变化均有相应的模型,可用于近期预测。
A.一次指数平滑
(1.1)
a介于1与0之间,称a为平滑系数。
B.二次指数平滑
(1.2)
(1.3)
C.三次指数平滑
(1.4)
(1.5)
(1.6)
成长模型
在交通生成预测中常遇到这样的时间序列,即它的发展具有一定的成长过程:
从缓慢增长的发生初期,过渡到迅速增长的发展期,达到一定水平后转至缓慢增长的成熟期,最终趋于极限。
从理论上讲,人口的增长、客货运量的发展均符合这一规律。
成长模型的函数形式有数种,常见的为Compertz模型Logistic模型,它们的表达式如下所示:
(a>0.,0 (k,、b、a>0)(1.8) 式中e为自然对数的底,e=2.7180. 时间序列预测技术不从因果关系分析入手,自然省去了变量的筛选、自变量预测、参数检验等一系列工作,显得较为简单、直观。 但是,时间序列预测技术本身所要求的数学知识较为深奥,计算复杂,只有借助计算机才能实现。 回归分析法(因素分析法) 交通生成的变化受许多因素的影响,它们之间往往存在着一定的因果关系,回归分析预测法就是一种通过分析研究客货运量与相关因素的联系规律从而进行预测的方法。 在交通产生预测中,回归预测的应用较为广泛。 在区域客运量分析中常用总人口、非农业人口、居民密度、人均旅行次数、人均消费水平、人均国民收入、客车保有量等指标作为相关因素;货运量分析中常用总人口、工农业总产值、汽车保有量、人均国民收入、人均消费水平、基建投资额等指标作为相关因素。 回归预测是基于事物之间的相关关系的一种数理统计预测方法。 在回归预测中,要先对预测对象(因变量)进行定性和定量的分析,确定影响其变化的一个或多个因素(自变量),然后通过预测对象和影响因素的多组观察值建立适当的预测模型,然后进行预测。 回归预测技术的种类有很多。 按自变量多少分,有单元回归分析和多元回归分析。 按变量之间的函数关系分,有线性回归和非线性回归;非线性回归中又有多项式回归、对数回归、指数回归、幂回归等。 按自变量的性质分,有因子回归和时序回归等。 其中最基本的回归技术是一元线性回归和多元线性回归技术。 一元线性回归 (1.9) 式中,y: 预测对象,因变量或被解释变量; x: 影响因素,自变量或解释变量; a、b: 回归系数。 单元非线性回归分析 ●指数回归 (1.10) 式中,a,b为回归系数。 a,b的确定仍可采用最小二乘法来进行。 ●对数回归 设自变量与因变量之间的函数关系为 (1.11) ●幂回归 设自变量与因变量之间的函数关系为 (1.12) 多元线性回归分析 在经济预测中,当预测对象y受到多个因素xi,x2,…、xm的影响时,如果各个因素xi(i=1,2,…,m)与y的相关关系可以同时近似地用线性函数关系表示,则可建立多元线性回归预测模型进行预测。 其预测模型的基本形式如下: (1.13) 最后还要对回归分析模型进行检验,较常用的有相关系数检验、x2检验、F分布检验、t分布检验和残差检验等。 灰色预测GM(1,1)模型 灰色系统理论是我国学者邓聚龙教授在本世纪80年代初提出的处理不完全信息的一种新理论,该理论应用关联度收敛原理、生成数、灰导数等观点和方法建立微分方程模型。 近年来,灰色预测在诸多领域(包括交通需求预测)都有较好的应用。 GM(1,1)表示一阶单个变量的微分方程,是最常用的灰色预测模型,其形式为: (1.14) 式中x=x(t), 和b为待估参数。 1.2.1.2发生/吸引预测方法及实例 在客货运量预测时,就是利用历史数据对上述模型进行参数标定。 由于计算复杂,只有借助计算机才能实现,一般借助SPSS、EXCEL的强大数学功能。 在本次演示中,我们采用的是EXCEL的绘图中添加趋势线这一功能。 数据来源是泸州历年客运量(如下表所示)。 表1.1泸州历年客运量统计(周转量未计算民航和铁路运输) 年份 客运量(万人) 旅客周转量(万人公里) 合计 公路 铁路 水运 航空 合计 1983 5084 55729 1984 4653 60640 1985 4857 74162 1986 5974 83733 1987 6685 93047 1988 5874 100271 1989 4292 80371 1990 4610 80144 1991 5833 5691 141 1.45 89387 1992 6135 5990 143 1.75 86017 1993 7120 7000 117 3.3 83526 1994 7074 6932 1 139 1.9 116139 1995 6181 6001 27.5 151 1.94 203973 1996 6578 6423 4.5 149 1.1 212024 1997 7322 7172 149 1.47 265872 1998 6641 6523 114 3.57 266188 1999 7817 7693 120 4.04 337921 2000 8152 8017 126 8.77 367142 2001 8602 8462 131 8.98 344949 2002 10004 427478 表1.2泸州历年货运量统计 年份 货运量(万吨) 货运周转量(万吨公里) 合计 公路 铁路 水运 航空 合计 1990 1012 18891 1991 1727 1518 209 19012 1992 945 818 127 22498 1993 827 728 99 21453 1994 884 796 35 53 24239 1995 1277 1166 41 70 68338 1996 1419 1260 46 113 80810 1997 1617 1427 60 47 101446 1998 2810 2568 66 176 0.05 98598 1999 1688 1425 70 193 0.08 89311 2000 2060 1766 77 217 0.22 102345 2001 1801 1490 84 201 0.25 91399 2002 2132 114411 2003 2085 135307 (一)社会全方式客货运量预测 (1)客运量预测 采用时间序列法中的三次指数平滑系数、回归分析中的GROUTH模型和inverse模型、,用历史数据对模型进行参数标定。 得到每个模型的未来规划年客运量预测值,在对其进行数据融合,得到未来规划年客运量预测值。 具体见表 表1.3客运量汇总(单位: 万人) 年份 时间序列 回归预测 采用值 年增长率 (%) 三次平滑 灰色模型 GROUTH曲线 inverse模型 2010 11787 13753 13273 12151 12821 4.34 2015 13664 13078 16951 13608 15736 4.09 2020 15629 23220 21289 14779 19151 3.96 (2)货运量预测 采用时间序列法中的指数预测、回归分析中的GROUTH模型和S-curve模型,用历史数据对模型进行参数标定。 得到每个模型的未来规划年客运量预测值,在对其进行数据融合,得到未来规划年客运量预测值。 具体见表 表1.4货运量汇总 (单位: 万吨) 年份 时间序列 回归预测 采用值 年增长率(%) 指数预测 灰色预测 S-curve模型 GROUTH模型 2010 4789 3418 3266 3742 3665 6.49 2015 7664 4568 3700 5223 4964 6.23 2020 12199 6105 3987 7125 6699 6.16 (二)周转量预测 客运周转量和货运周转量采用皮尔曲线、回归分析法、S曲线等方法获得未来规划年的客货增长量,在对其进行数据融合,得到未来规划年的客货周转量预测。 具体见表 表1.5周转量预测表 类比 2010 2015 2020 客运周转量 (万人公里) 皮尔曲线 272920 275340 276160 回归 490597 723202 S曲线 311176 325600 333614 采用值 411177 514349 633197 年增长率(%) 5.05 4.58 4.25 货运周转量 (万吨公里) 皮尔曲线 265810 275300 279420 回归 468701 723740 S曲线 268867 285044 294122 采用值 401599 524378 674474 年增长率(%) 6.89 5.48 5.16 表1.6泸州市客、货运周转量年增长率 年份 客运周转量 (万人公里) 客运年增长率(%) 货运周转量 (万吨公里) 货运年增长率(%) 1990 124995 87500 1991 137432 9.05 94750 7.65 1992 155031 11.35 103000 8.01 1993 169987 8.80 111500 7.62 1994 185060 8.14 152855 27.06 1995 199912 7.43 159790 4.34 1996 217564 8.11 171204 6.67 1997 225980 3.72 178364 4.01 1998 236000 4.25 178500 0.08 1999 244600 3.52 165000 -8.18 2000 246031 0.58 187705 12.10 2001 247470 0.58 213534 12.10 2002 248918 0.58 232917 8.32 趋势平均增长率 5.45
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- transcad 实验 教程