基于空间特性的组团城市出行分布模型优化

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于空间特性的组团城市出行分布模型优化范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要：本文选取表征组团空间结构的三大因子：职住平衡因子、配套设施完善度、出行分布概率因子，以组团城市出行分布规律为基础，对介入机会模型进行优化。用职住平衡因子和配套设施完善度标定出行比例因子，采用出行分布概率因子替代介入机会模型中笼统的概率值。检验优化模型可靠性发现，模型精度在传统重力模型基础上有较大幅度的提升，尤其是中短距离。

关键词：空间结构；出行分布；组团城市；介入机会模型

中图分类号：TU984文献标识码： A

The optimization of travel distribution model in cluster city based on spatial pattern

Li Han, Lian Qi-cai

Abstract:

This article chooses three factors representing spatial pattern for cluster city, which are job-housing balance factor, auxiliary facilities measure degree and trip distribute probability factor. The model based on the characteristics of trip distribution in cluster city to optimizing the intervening opportunities model. Used the job-housing balance and auxiliary facilities to demarcate trip ratio factor, and trip distribute probability factor replace general probability value in intervening opportunities model. The test found that the model accuracy in traditional gravity model has been increased significantly, especially in short distance trip.

Key words: Spatial pattern; trip distribution; cluster city; the intervening opportunities model

CLC number:U491Document code:A

1 引言

影响居民交通出行分布的因素包括交通源空间区位分布和总量大小、交通工具便捷程度、交通设施完善情况等。居民按照各种影响因素，根据一定的内在规律选择出行目的地，总体上满足供求（即生成、吸引）平衡原则。因此，找出居民出行分布的内在规律，按照其供求平衡的原则，即可进行一般意义上的出行分布预测[1]-[2]。

通过对组团城市大量分析，归纳出了组团城市在这种特定空间结构下的出行分布规律：

（1）在城市形态影响下，组团各自产生一个尺度，即组团尺度，它是组团空间地理边界，具有交通出行意义，它将组团整体出行分布划分为内部和外部两个层面。

（2）在城市密度影响下，组团内部和组团之间存在疏密之分，这种密度上的差异决定了组团内部和组团之间的空间分布关系是存在差异的。城市密度在交通分布中的直接表征形式即是出行吸引量。

（3）在城市功能布局影响下，各种用地功能在组团内所占比例和组合方式直接影响交通生成、吸引方向，即出行空间分布。其中，对交通分布影响最大的是产业布局、公共设施布局和居住用地布局。

图1 模型优化思路

结合上述规律，对出行分布模型的具体优化思路如下：

（1）结合传统模型优缺点和适用性，选择适宜于组团城市的分布模型；

（2）以上述出行分布规律为切入点，从三个方面分别建立量化修正因子，该因子既要表现组团空间结构特性，同时也是对组团出行分布影响较大的参数；

（3）将上述修正因子与分布模型进行结合，建立优化后的分布模型。

2 模型选择

组团城市交通分布预测模型必须体现出组团式空间结构的特殊性。在回顾传统分布模型的基础上，分析发现：重力模型、系统平衡模型和介入机会模型构建思路与组团城市出行分布规律极为相似。

三种方法中，重力模型在理论和实际应用中的优势最为突出，其综合考虑影响出行分布的区域社会经济增长因素和出行空间、时间阻碍等因素；但其使用单一的平均出行分布形式，无法表达组团自身和组团之间的差异化，小区间的距离趋于0，交通量趋于无限大，不适用于计算组团内部出行分布量。系统平衡模型综合参考了重力模型和增长系数法的基本原理，以出行分布内在规律为基础建立模型，但涉及的特征参数都是由交通小区现状交通量为基础来标定的，难以体现未来城市形态和功能布局对交通分布的影响。介入机会模型与小区、地域边界无关，笼统的概率值无法表达组团功能布局下的分布特性；但其将距离作为一个普通变量，将起点出发后介入出行目的地的机会看作核心变量，以小区的选择概率决定出行目的地的优先顺序，其精度对出行分布的影响不像重力模型那样大，选择概率的定义和小区选择的顺序由使用者完成，具有很大弹性。

重力模型和介入机会模型对组团城市均具有一定适用性，从组团式空间结构特性来讲，介入机会模型中采用起点出发后介入出行目的地的机会作为目的地选择概率，这种概率的标定可将组团之间的差异化和关联度区别开来。现有组团城市大部分采用重力模型作为分布阶段的主要依据，为探索新的模型对组团城市的适用性，推广理论依据充分的创新型构造模型，本次研究选取介入机会模型作为组团城市出行分布模型优化基础。

介入机会模型笼统的概率值，无法表达地域边界的缺点是本次模型优化的重点。结合组团空间结构对出行分布规律的影响，最终选取职住平衡因子、配套设施完善度、出行分布概率因子作为模型优化的基础。

3 模型优化因子

（1）职住平衡因子

通常就业―居住均衡的观念是基于对工作数量和住宅数量的比较，Cenew建议采用就业人口数／住宅单元数的比值作为就业和居住均衡的衡量指标，其理论值为1[3]-[4]。

本文将这种就业―居住均衡的衡量指标称之为“职住偏离度”。该理论的假设前提是[5]：各小区内居住人口与就业岗位的配置趋于均衡，则通勤交通大部分在区域内部完成。职住的偏离对组团城市城交通发展的影响，最重要的表现是出现大量的“钟摆式”、“潮汐式”交通。

职住偏离度指数的计算公式如下[5]：

式（1）

式中：为组团职住偏离度；为组团就业人口数；为全市就业人口数；为组团常住人口数；为全市常住人口数。

偏离度指数等于1，表明该组团就业与居住数量相对均衡；指数大于1或小于1，表明该组团居住与就业数量不匹配；指数大于1，说明就业人口比重高于居住人口比重，即该组团就业功能强于居住功能，反之则居住功能占主导。

由于组团城市中存在职住不匹配的情况，尽管职住平衡偏离度较好，但不匹配的居住和就业关系会导致“居住在组团内的居民就业在组团外”和“就业在组团内的从业者居住在组团外”的现象。职住偏离度指数仅表达空间上总量平衡关系，未能表达这种不匹配关系，引入职住匹配度对其进行修正，得出式（2）：

式（2）

式中：为组团第类居住对应的人口数；为组团对应第类居住相适应的岗位数。

实际计算中，居住类别的划分参考《城市用地分类与规划建设用地标准》（GB50137-2011）[6]中建设用地的分类，将整个组团内的居住划分为一类居住、二类居住、三类居住，并按照人均居住面积计算出组团内各类居住对应的人口数。的计算首先需要确定与对应的岗位类型，计算出居民出行调查中第类居住对应的收入值，结合收入值将各类岗位分为三级，岗位收入主要依据统计年鉴中关于单位从业和劳动报酬相关统计，从而确定出对应值。规划方案中，直接采用各类用地面积计算出相应的居住人口数、岗位数，用现状标定出的居住岗位对应关系，计算出值。

（2）配套设施完善度

人们总是希望自己的出行时间较短，能在较近的距离内解决弹性出行和通勤交通出行。居住区配套设施完善程度对居民居住质量、生活便捷程度等影响较大，进而影响居民出行目的地的选择，尤其是弹通出行。

现有对配套设施完善程度评价的理论研究中，主要以城市居民的基本需求为基础，对城市居住区配套设施展开可以得到配套设施的基本配置要素，要素分别属于公建、市政、道路和绿化4类设施，由基本要素就构成配套设施完善程度的评价指标[7]-[8]。根据各指标的评分值与相应的权重值得到最后的综合评价结果：

式（3）[8]

结合组团空间结构特性，选取代表组团配套设施完善程度的评价指标。选择与居民日常生活关系最为密切的教育、医疗、文化体育、商业服务、金融邮电、市政公用6个方面代表公共服务设施；用道路布局、地面公交布局、轨道网络布局三种交通设施配置程度表征道路交通设施；由上述9个基本要素作为组团配套设施完善度的评价指标，见表1。

表1 组团城市配套设施完善度评价指标

居民需求 公共服务设施 道路交通设施

教育设施 医疗设施 文化娱乐设施 商业服务设施 金融邮电设施 市政公用设施 道路布局 地面公交布局 轨道网络布局

出行方便、快捷

停车方便

购物方便

方便休憩、娱乐

方便缴费、储蓄

就医条件好

入托、上学方便

提供餐饮等服务

配套要求权重

注：表示强相关，表示弱相关，空白表示不相关。

在实际应用时，将组团作为打分单位，有（）个组团，则对个组团进行计算，配套设施完善度计算公式为：

式（4）

自定义分制，计算出配套要求的权重，结合现状配套设施建设或规划情况进行打分，得出该组团对应的，代入式（4）计算出组团配套设施完善度。

（3）出行分布概率因子

结合大量的组团城市居民出行调查数据分析，其出行分布规律呈现以下几种基本现象：

①通勤交通为主的出行呈现特征为：组团内部以“就近原则”为主，出行距离越远、出行量越低；居民收入水平和城市功能布局等原因决定居民跨组团通勤交通始终存在，在某个距离区间达到出行峰值。

②非通勤交通为主的出行特征为：距离越近，出行分布量越大。

③中心组团规模和功能越大，吸引的居民越多、距离越远；组团中心城市密度越高，吸引能力越强，吸引居民越多。

④组团内部、外部出行距离分布曲线形式整体呈现正态分布，但出行频率峰值和最远出行距离长度有所不同，说明内部组团和外部组团基于出行距离的分布出行概率是不同的。

将分析结论与电子云模型构造原理进行对比发现，组团城市出行分布概率满足电子云模型两大要素：一是出行分布规律与电子绕核运动规律基本一致，对组团城市居民而言组团具备的功能、密度就好比一个原子核，组团自身好比一个电子，其出行总是希望距离较近，那么近距离组团被选中的概率就要大一些。当组团发展越来越成熟和完善之后，原子核的能量就有所增加，对自身和周边电子吸引力就大大增加，所形成的电子云半径也就增大。二是组团城市出行分布曲线形式与电子云平面投影示意图极为相似。两大因素的存在，为引用电子云相关内容和理论，研究出行分布概率因子提供了理论依据。

电子云模型认为就业中心周围任何一处都可以选作住址且无差异，且可选择的目的地空间上是一个圆的形态，显然在实际规划中上述两个前提都很难存在。因此，建立的出行距离与出行概率的关系是一种平面环状关系，即在某一距离值下的出行概率为均等的，不同距离值的出行概率是不同的。

模型优化考虑引入吸引概率因子，假定同一出行距离上出行分布概率与出行吸引量呈正比，吸引概率因子即表示小区对小区吸引概率，如式（5）所示：

式（5）

式中：表示小区出行吸引量；为在距离上的所有小区的出行吸引量总和。引入电子云模型为：

式（6）

式中：为小区被小区小区吸引的概率；其余符号同前。其中，、、常数值为小区所在组团的现状调查数据计算所得，对组团内部和组团外部要单独进行标定。

4 模型优化

将组团看作交通中区，以一个组团为研究点分析发现，组团产生的全部交通量中，只有一部分会与其他组团发生联系，另一部分在该组团内部进行消化。通过对组团空间结构下的出行分布规律分析可见，空间结构是导致组团内外出行划分的根本原因，产生这种原因的根源在于组团功能布局关系。为充分体现内部出行分布的划分，建立一个出行比例因子，并将其与表征功能布局的职住平衡因子和配套设施完善度因子结合起来，用拟合的数学关系式来表达出行比例因子。

式（7）

式（7）表示，职住平衡越好、职住匹配程度越高、配套设施越完善，内部出行比例越高，值越大。出行比例因子是表征组团出行分布规律的重要指标，该指标不仅适用于介入机会模型，在重力模型、系统平衡模型等构造模型中均可采用。

用式（7）出行比例因子和式（6）出行概率分布函数对介入机会模型式进行修正，由于介入机会模型未考虑两端守恒，引入守恒因子，优化介入机会模型如下：

当 时 式（8）

当时 式（9）

式（10）

式（11）

式中：为区到区目标年出行分布量；为区目标年的出行生成总量； 为区目标年的出行吸引总量；为区到区出行概率；为组团出行比例因子。

将算法归纳如下：

步骤1：小区添加组团编号属性，，利用人口普查和经济普查数据算出的值，用居民出行调查数据计算出值，参考现状城市用地数据计算出值，利用主成分分析法计算出值，即内部出行比例；

步骤2：利用现状调查数据，分别标定出各个组团内、外出行概率公式中的、、常数值，并计算出值，以及出行分布概率；

步骤3：判断小区和是否属于同一组团，若，将计算出的和代入式（8）计算出；若，将计算出的和代入式（9）计算出

步骤4：上式迭代计算的一般不满足约束条件，即式（10）和式（11），因此，需要进行反复迭代计算，直到满足两端约束条件。

式（8）-式（11）是基于现状组团城市发展情况下进行修正的结果，鉴于该模型形式对组团城市特征已有所表述，因此优化模型对规划年具有一定适用性。但组团城市处于发展阶段，规划年组团特征是否发生较大变化，现阶段无法精确把握，在具体应用时不可直接采用，还需重新分析组团特征并进行优化，优化过程和思路可借鉴本次模型优化成果。

5 模型检验

选取典型重庆市渝中、沙坪坝、观音桥、大杨石组团，以2010年交通调查数据为基础，将计算出的出行比例因子和出行概率因子分别代入式（8）-式（10），计算出组团之间出行分布OD表，得出优化模型预测结果，将实际值、双约束重力模型预测值和优化模型预测值进行对比分析，计算结果如表2所示。

表2 各组团出行OD表计算值

出行产生组团 出行吸引组团 2009年实际OD量（pcu/d） 双约束重力模型预测结果（pcu/d） 误差值 优化模型预测结果（pcu/d） 误差值

渝中 北碚 783 933 19.16% 885 13.03%

大渡口 6051 7121 17.68% 6830 12.87%

大杨石 60390 51239 15.15% 68745 13.84%

观音桥 88410 73157 17.25% 78512 11.20%

李家沱 8787 7258 17.40% 9863 12.25%

南坪 191442 160433 16.20% 165233 13.69%

人和 5649 6621 17.21% 6436 13.93%

沙坪坝 30789 36581 18.81% 34562 12.25%

唐家沱 781 906 16.01% 902 15.49%

渝中 347185 401531 15.65% 370689 6.77%

沙坪坝 北碚 3954 4519 14.29% 3439 13.02%

大渡口 2896 3412 17.82% 3199 10.46%

大杨石 236538 198532 16.07% 204521 13.54%

观音桥 56459 46895 16.94% 62258 10.27%

李家沱 3023 2569 15.02% 3381 11.84%

南坪 49113 57896 17.88% 55512 13.03%

人和 6045 5032 16.76% 6812 12.69%

沙坪坝 339030 405651 19.65% 363089 7.10%

唐家沱 956 1105 15.59% 1066 11.51%

渝中 92826 78689 15.23% 81365 12.35%

观音桥 北碚 3033 2495 17.74% 3353 10.55%

大渡口 10079 8569 14.98% 9069 10.02%

大杨石 81134 70158 13.53% 71856 11.44%

观音桥 871797 1029215 18.06% 940546 7.89%

李家沱 6596 5445 17.45% 7515 13.93%

南坪 50432 41512 17.69% 56932 12.89%

人和 76845 63089 17.90% 85142 10.80%

沙坪坝 73439 61135 16.75% 81125 10.47%

唐家沱 11070 8951 19.14% 12658 14.35%

渝中 150900 127015 15.83% 130851 13.29%

大杨石 北碚 1240 1044 15.81% 1101 11.21%

大渡口 39604 32615 17.65% 35025 11.56%

大杨石 523381 600841 14.80% 560521 7.10%

观音桥 36803 30512 17.09% 32218 12.46%

李家沱 6132 5045 17.73% 5421 11.59%

南坪 28090 23105 17.75% 24521 12.71%

人和 6213 5206 16.21% 5541 10.82%

沙坪坝 51005 42105 17.45% 44582 12.59%

唐家沱 684 582 14.91% 599 12.43%

渝中 60023 49651 17.28% 52239 12.97%

模型精度 16.79% 11.80%

利用优化后的介入机会模型形式作为组团城市出行分布规律的描述，将优化模型计算出的精度与实际值、双约束重力模型之进行对比，得出如表2所示的计算结果：

（1）整体来看，优化模型计算值与实际值的平均相对误差11.8%，双约束重力模型计算值与实际值的平均误差16.8%，优化模型精度较重力模型高出5个百分点。

（2）从绝对误差来看，优化模型计算值、双约束重力模型计算值与实际值的平均绝对误差分别为8661pcu/d、15229pcu/d，其绝对误差分别为9.6%、16.8%，优化模型精度较重力模型高出7.2个百分点。

（3）从组团内部出行来看，四个组团内部出行优化模型计算值误差控制在7.2%左右，重力模型约为17.1%，优化后的介入机会模型在内部出行分布精度上高出重力模型10个百分点，可见优化后的模型精度在中短距离内有大提升。

参考文献

[1]L.G.Willumsen.Modelling Transport.New York：John Wiley&Sons，1990

[2]杨涛.公路网规划[M].北京：人民交通出版社，2004

[3]刘灿齐.就近居住补贴交通需求管理策略及其模型[J].交通与计算机 ，2006.4

[4]宋金平，王恩儒，张文新，彭萍.北京住宅郊区化与就业空间错位[J].地理学报，2007.4

[5]孙斌栋，潘鑫，宁越敏.上海市就业与居住空间均衡对交通出行的影响分析[J].城市规划学刊，2008（1）：77-82

[6] GB50137-2011.城市用地分类与规划建设用地标准[S].2011

[7]GB50180―93.城市居住区规划设计规范[S].2002

[8]施骞，卫国昌. 基于居民需求的城市住区配套设施完善程度评定模型[J].同济大学学报，2001（11）：1335-1339