Сапар тарату моделі және көлік жүйесінің болжамдалуы
Trip distribution
Саяхаттарды бөлу – көліктік жоспарлаудың маңызды кезеңі. Бастапқы және соңғы нүктелерді анықтап, саяхат кестесін құруға көмектеседі. Тізбектелген матрица түрінде ұсынылады.
Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Сапарды бөлу (немесе бағытты таңдау немесе аймақтық алмасу талдауы) – дәстүрлі төрт сатылы көлік болжау моделінің екінші компоненті (сапарды жасаудан кейін, бірақ көлік түрін таңдаудан және бағытты белгілеуден бұрын). Бұл қадам саяхат жасайтындардың бастапқы және соңғы нүктелерін сәйкестіріп, «сапар кестесін» құрайды, ол әр бастапқы нүктеден әр соңғы нүктеге жасалатын сапарлар санын көрсететін матрица. Тарихи тұрғыдан алғанда, бұл компонент көлік жоспарлау моделінің ең аз дамыған бөлігі болды. +Кесте: Сапар кестесінің мысалы. Бастапқы нүкте \ Соңғы нүкте 123Z1T11 T12T13 T1Z2T21 3T31ZTZ1 TZZ Мұнда: T ij = i бастапқы нүктесінен j соңғы нүктесіне жасалған сапарлар. Ескеріңіз, диагональдағы сапарлардың, мысалы, 1-аймақтан 1-аймаққа жасалатын сапарлардың нақты құны нөлге тең, себебі аймақ ішінде сапарлар жасалмайды. Жұмысқа бару сапарының бөлінуі – бұл сапар сұранысы модельдерінің адамдардың жұмысқа қалай баратынын түсіну тәсілі. Азық-түлік сатып алу сияқты басқа (жұмысқа қатысты емес) іс-әрекеттер үшін де сапарды бөлу модельдері бар, олардың құрылымы ұқсас.
Trip distribution (or destination choice or zonal interchange analysis) is the second component (after trip generation, but before mode choice and route assignment) in the traditional four step transportation forecasting model. This step matches tripmakers’ origins and destinations to develop a “trip table”, a matrix that displays the number of trips going from each origin to each destination. Historically, this component has been the least developed component of the transportation planning model. +Table: Illustrative trip table Origin \ Destination 123Z1T11 T12T13 T1Z2T21 3T31ZTZ1 TZZ
Where: T ij = trips from origin i to destination j. Note that the practical value of trips on the diagonal, e. g. from zone 1 to zone 1, is zero since no intra zonal trip occurs. Work trip distribution is the way that travel demand models understand how people take jobs. There are trip distribution models for other (non work) activities such as the choice of location for grocery shopping, which follow the same structure.
Тарих
Жылдар бойы модельдеушілер сапарлар үлестірілімінің бірнеше түрлі формулаларын қолданды. Алғашқысы – Fratar немесе Өсу моделі (сапарларды мақсатына қарай ажыратпаған). Бұл модель базалық жылғы сапарлар кестесін болашаққа қарай өсуге негізделіп экстраполяциялады, бірақ ұсыныстың артуынан немесе саяхат үлгілері мен кептелістердегі өзгерістерден туындаған кеңістіктік қолжетімділіктің өзгеруін ескермеді. (Жай өсу коэффициенті моделі, Furness моделі және Detroit моделі бірдей кезеңде жасалған модельдер).
Over the years, modelers have used several different formulations of trip distribution. The first was the Fratar or Growth model (which did not differentiate trips by purpose). This structure extrapolated a base year trip table to the future based on growth, but took no account of changing spatial accessibility due to increased supply or changes in travel patterns and congestion. (Simple Growth factor model, Furness Model and Detroit model are models developed at the same time period)
Содан кейін гравитациялық модель және аралық мүмкіндіктер моделі әзірленді. Қазіргі кезде ең көп қолданылатыны – гравитациялық модель. Мэриленд штатының Балтимор қаласындағы трафик ағынын зерттеген Алан Вурхис жерді пайдалануға негізделген трафик үлгілерін болжау үшін математикалық формула жасады. Бұл формула әлемдегі көптеген көлік және инфрақұрылымдық жобаларды жобалауда маңызды рөл атқарды. Ол «Жол қозғалысының жалпы теориясы» (Voorhees, 1956) атты еңбегінде гравитациялық модельді сапарлар үлестіріліміне қолданды, ол белгілі бір аймақтан шыққан сапарларды әр бастапқы нүктеден әр мақсаттық нүктеге дейінгі сапарлар санын анықтайтын матрицаға түрлендіреді, одан кейін оны желіге жүктеуге болады. 1960 жылдары бірнеше модельдерді бағалау нәтижесінде «гравитациялық модель және аралық мүмкіндіктер моделі 1948 және 1955 жылдарға қатысты Вашингтон, округтік округтің сапарлар үлестірілуін модельдеуде шамамен бірдей сенімділік пен тиімділік көрсетті» (Heanue және Pyers, 1966). Fratar моделі жерді пайдалануда өзгерістер болатын аймақтарда нашар екені анықталды. Модельдерді салыстыру көрсеткендей, олардың екеуі де байқалған жағдайларға сәйкес келу үшін калибрленуі мүмкін болды, бірақ есептеудің қарапайымдығына байланысты гравитациялық модельдер аралық мүмкіндіктер модельдерінен кеңінен таралды. Уиткер және Уэст (1968) аралық мүмкіндіктер моделімен байланысты кейбір теориялық мәселелерді талқылады, оның аймақта туындаған барлық сапарларды есепке алмау қабілетінің салдарынан калибрлеу қиынға түседі, бірақ Руитер (1967) бұл шектеулерді еңсеру әдістерін әзірледі. Логит және басқа да дискретті таңдау әдістерінің дамуымен саяхат сұранысына жаңа, демографиялық тұрғыдан егжей-тегжейлі тәсілдер қолданылды. Саяхат жасау ықтималдығын анықтауда саяхат уақытынан басқа факторларды қосу арқылы саяхат мінез-құлқының жақсы болжамын күтуге болады. Вильсон (1967) логит модельі мен гравитациялық модельдің статистикалық механикада қолданылатын энтропияны максимизациялау моделімен бірдей формада екенін көрсетті. Бұл модельдерді қолдану тұжырымдамасы бойынша ерекшеленеді, себебі гравитациялық модель сапар жасау ықтималдығын анықтау үшін саяхат уақытының кедергісін пайдаланады, бұл кедергі әлеуметтік-экономикалық факторлармен де ескерілуі мүмкін, ал дискретті таңдау әдісі осы факторларды пайдалылық немесе кедергі функциясының ішіне енгізеді. Дискретті таңдау модельдері бағалау үшін көбірек ақпарат пен есептеу уақытын қажет етеді. Бен Акива және Лерман (1985) жұмыс және жұмыстан тыс сапарлар үшін логит формуласын қолдана отырып, мақсатты таңдау мен көлік түрін таңдаудың біріктірілген модельдерін жасады. Есептеудің күшті болуына байланысты, бұл модельдер көлік аймақтарын үлкен аудандарға немесе шеңберлерге біріктіруге бейімді. Қазіргі уақытта кейбір модельдер, мысалы, Орегон штатының Портленд қаласында қолданылатын көлік жоспарлау моделі, мақсатты таңдау үшін логит формуласын қолданады. Аллен (1984) сапарлар үлестірімі үшін күрделі кедергілерді анықтау үшін логит негізіндегі көлік түрін таңдау моделінің пайдалылықтарын қолданды. Алайда, бұл тәсіл, көлік түрін таңдаудың логикалық сомаларын пайдалану, мақсатты таңдаудың көлік түрін таңдаумен бірдей факторларға байланысты екенін білдіреді. Левинсон және Кумар (1995) көлік түрін таңдау ықтималдығын салмақ коэффициенті ретінде қолданады және жұмыс және жұмыстан тыс сапарлар үшін әрбір көлік түрі үшін нақты кедергі функциясын немесе «f қисығын» әзірлейді.
The next models developed were the gravity model and the intervening opportunities model. The most widely used formulation is still the gravity model. While studying traffic in Baltimore, Maryland, Alan Voorhees developed a mathematical formula to predict traffic patterns based on land use. This formula has been instrumental in the design of numerous transportation and public works projects around the world. He wrote "A General Theory of Traffic Movement," (Voorhees, 1956) which applied the gravity model to trip distribution, which translates trips generated in an area to a matrix that identifies the number of trips from each origin to each destination, which can then be loaded onto the network. Evaluation of several model forms in the 1960s concluded that "the gravity model and intervening opportunity model proved of about equal reliability and utility in simulating the 1948 and 1955 trip distribution for Washington, D. C." (Heanue and Pyers 1966). The Fratar model was shown to have weakness in areas experiencing land use changes. As comparisons between the models showed that either could be calibrated equally well to match observed conditions, because of computational ease, gravity models became more widely spread than intervening opportunities models. Some theoretical problems with the intervening opportunities model were discussed by Whitaker and West (1968) concerning its inability to account for all trips generated in a zone which makes it more difficult to calibrate, although techniques for dealing with the limitations have been developed by Ruiter (1967). With the development of logit and other discrete choice techniques, new, demographically disaggregate approaches to travel demand were attempted. By including variables other than travel time in determining the probability of making a trip, it is expected to have a better prediction of travel behavior. The logit model and gravity model have been shown by Wilson (1967) to be of essentially the same form as used in statistical mechanics, the entropy maximization model. The application of these models differs in concept in that the gravity model uses impedance by travel time, perhaps stratified by socioeconomic variables, in determining the probability of trip making, while a discrete choice approach brings those variables inside the utility or impedance function. Discrete choice models require more information to estimate and more computational time. Ben Akiva and Lerman (1985) have developed combination destination choice and mode choice models using a logit formulation for work and non work trips. Because of computational intensity, these formulations tended to aggregate traffic zones into larger districts or rings in estimation. In current application, some models, including for instance the transportation planning model used in Portland, Oregon, use a logit formulation for destination choice. Allen (1984) used utilities from a logit based mode choice model in determining composite impedance for trip distribution. However, that approach, using mode choice log sums implies that destination choice depends on the same variables as mode choice. Levinson and Kumar (1995) employ mode choice probabilities as a weighting factor and develop a specific impedance function or “f curve” for each mode for work and non work trip purposes.
Тоқтама
Көптеген алғашқы модельдерді қолданудың басты кемшіліктерінің бірі – екі нүкте арасындағы саяхат ету ықтималдығын анықтағанда жол желісіндегі қозғалмалы уақыттың тығырылуын ескере алмауы болды. Воль 1963 жылы кері байланыс механизмі, яғни тағайындалған немесе бөлінген көлем, саяхат уақыты (немесе саяхат кедергісі) және маршрут немесе жүйелік сыйымдылық арасындағы өзара байланыс туралы зерттеулер жүргізгенімен, бұл жұмыс әлі де конвергенцияның қатаң сынақтарымен немесе «тепе-теңдік» немесе «біріктірілген» шешіммен кеңінен қабылдануда (Boyce et al. 1994 ж.). Ханей (1972) сұранысты дамыту үшін қолданылатын саяхат уақыты туралы ішкі болжамдар, осы сұраныстың маршруттап тағайындауының нәтижесінде алынған саяхат уақытына сәйкес болуы керек екенін ұсынады. Базалық жыл жағдайларын бағалау кезіндегі әдістемелік сәйкессіздіктер мәселе тудыратын болса, сұраныс пен ұсыныс арасындағы кері байланысты түсінбеу болжамдарды одан да сенімсіз етеді. Алғашқыда Ирвин, Фон Кубе және басқалар эвристикалық әдістерді әзірледі, ал кейіннен Сюзан Эванс формалды математикалық бағдарламалау әдістерін құрды.
One of the key drawbacks to the application of many early models was the inability to take account of congested travel time on the road network in determining the probability of making a trip between two locations. Although Wohl noted as early as 1963 research into the feedback mechanism or the “interdependencies among assigned or distributed volume, travel time (or travel ‘resistance’) and route or system capacity”, this work has yet to be widely adopted with rigorous tests of convergence, or with a so called “equilibrium” or “combined” solution (Boyce et al. 1994). Haney (1972) suggests internal assumptions about travel time used to develop demand should be consistent with the output travel times of the route assignment of that demand. While small methodological inconsistencies are necessarily a problem for estimating base year conditions, forecasting becomes even more tenuous without an understanding of the feedback between supply and demand. Initially heuristic methods were developed by Irwin and Von Cube and others, and later formal mathematical programming techniques were established by Suzanne Evans.
Жол жүру уақытының тұрақтылығы
Кері байланысты талдаудың маңызды тұсы – бұрынғы зерттеулерде үй шаруашылығының табысы, жерді пайдалану жоспары, отбасы құрылымы және еңбекке қатысу деңгейі айтарлықтай өзгергеніне қарамастан, Вашингтон астаналық аймағында соңғы тридцать жылда жол жүру уақытының тұрақты болғаны туралы мәлімет. Ұқсас нәтижелер екі қала аймағында да (Twin Cities) табылды.
A key point in analyzing feedback is the finding in earlier research that commuting times have remained stable over the past thirty years in the Washington Metropolitan Region, despite significant changes in household income, land use pattern, family structure, and labor force participation. Similar results have been found in the Twin Cities
Соңғы үш онжылдық бойында саяхат уақытының және таралу қисықтарының тұрақтылығы, салыстырмалы ұзақ мерзімді болжамдар жасау үшін жиынтық саяхат тарату модельдерін қолдануға жақсы негіз береді. Бұл саяхат уақытының бюджетінің өзгермейтінін білдірмейді.
The stability of travel times and distribution curves over the past three decades gives a good basis for the application of aggregate trip distribution models for relatively long term forecasting. This is not to suggest that there exists a constant travel time budget.