TransCAD四阶段操作步骤Word下载.docx

1、0.0278530.07690.0694740.03106小区人口6683949170632087427235793265187321566145295711011121314151617188748.1 7450.5 2238.5 3089.2 2459.7 2543.0 5006.5 3454.5 318.3 0.121620.103580.031120.0429480.0341950.0353540.0696020.0480260.004425115792986172962940889325573365966267457244212（2） 出行率As（假定到未来年不变）见表4-2 不同收

2、入人员的出行率表（2003年） 表4-2收入分类（元/月）0-600600-12001200-18001800以上出行率（次/天）2.492.7752.572.58（3） 各小区各类收入人员比例si（由于规划年限较短，假定到未来年不变） 各小区不同收入人员比例（2003年） 表4-3人0.020.050.010.10.03员0.210.130.310.140.110.24比0.350.220.150.250.32例0.420.630.70.540.410.20.450.260.120.280.330.084.2.1.2 软件流程（1）数据准备（输入）规划年各小区人口数（见“deteview2-

3、分区”之字段2010人口数）出行率表（已乘以各小区不同收入人员比例，注意：字段名必须以“R_”开头）见下图4-2：出行产生cross-classification法窗口数据准备图 图4-2（2）操作过程菜单命令：PlanningTrip productionscross-classification（见下图4-3）说明对话框Zone View : 分区Unit Field : 2010人口数Trip Rate View : 不同收入人员出行率（已含收入比?Number of Trip Purposes : 4 Trip Purpose Field : R_0-600 Trip Purpose

4、Field : R_600-1200 R_1200-1800 Trip Purpose Field : R_1800以上 Number of Classifications : 1 Trip Unit Fields : Classification Field : ID 出行产生cross-classification对话框 图4-3（3）运行结果见图4-4出行产生cross-classification预测结果 图4-44.2.2 出行吸引（Trip-Attract）出行吸引与发生类似，可用类型分析法和回归分析法，有些学者认为出行吸引用类型分析法会得到较为理想的结果，因两者都是可行的，交通吸

5、引方面也用上述方法，所以我们规划过程中假设未来交通吸引和交通生成一致，即各区未来年P和A相等。4.3 方式划分（Mode Split）4.3.1 概述城市中，居民在交通小区之间的出行时通过采用不同的交通方式实现的。目前，城市居民采用的交通方式有步行、自行车、公交系统、出租车、单位车、摩托车、私家车及其他等几类。交通方式分担预测即指在进行了出行分布预测得到全方式OD矩阵之后，确定不同交通方式在小区间OD量中所承担的比例。从目前国内城市交通预测的实践来看，在居民出行方式划分的预测中，一个普遍的趋势是定性和定量分析相结合，在宏观上依据未来国家经济政策、交通政策及相关城市对比较来对未来城市交通结构作出

6、估计，然后在此基础上进行微观预测。因为影响居民出行方式结构，其演变规律很难用单一的数字模型或表达式来描述。尤其是在我国经济水平和居民的物质生活水平还相对落后，居民出行以非弹性出行占绝大部分，居民出行方式可选择余地不大的情况下，传统的单纯的转移曲线法或概率选择法等难于适用。所以在居民出行方式的划分的预测中，一般采用这样的思路：宏观与微观相结合，宏观指导微观预测。首先在宏观上考虑该城市现状居民出行方式结构及其内在原因，定性分析城市未来布局、规模变化趋势，交通系统建设发展趋势，居民出行方式选择决策趋势，并与可比的有关城市进行比较，初步估计规划年城市交通结构的可能取值。其次在微观上，根据城市居民出行调

7、查资料统计计算出不同距离下各种方式分担率，然后，考虑各交通方式特点、优点、缺点、最佳服务距离，不同交通方式之间的竞争转移的可能性以及居民出行选择行为心理等因素，对现状分担率进行修正，以若干次试算，使城市总体交通结构分布值落在第一步所估计的可能取值范围之内。4.3.2 出行方式划分（1）按选择的对象分为：步行自行车非机动车小汽车（含出租车）全方式摩托、助动车个人机动交通普通公交（公共汽、电车）机动车公共交通轨道公交（地铁、轻轨等）（2）按服务提供者划分分为：公共汽、电车城市轨道交通（地铁、轻轨等）私人交通-步行、自行车、私家车、单位车个人交通出租车4.3.3 影响出行方式的因素不同国家或地区饮食

8、及情况千差万别，出行者的出行方式选择的比例结构也就不同，也就是说，影响出行方式划分的因素因国家而异。就我国的实际情况而言，城市交通中，影响人员出行方式选择的主要因素11个，这些因素可归纳为三个方面的特性。（1） 出行者或分区特性 家庭车辆拥有情况。主要指自行车摩托车，以后将会加入小汽车，如意分区为分析单位时，则应采取车辆拥有量的平均值，下同。 出行者年龄。不同年龄阶段的出行者偏好于不同的交通工具，如老人和小孩偏好于公共交通，而较少骑车。3 收入：高收入者偏向于坐出租车，而低收入者偏向于公共交通或骑自行车。4 分区的可达性。包括两个方面：道路密度和公交网密度。（2） 出行特性1 出行目的。上班和

9、上学偏向于公交车，购物和社交等偏向于出租车或私人交通。2 出行距离。近者偏向于步行和非机动车。（3） 交通设施的服务水平1 费用。对公共交通，指车票；对个人交通，指汽油费、车耗等。2 时间。含座车等车转车以及上下车前后换乘步行的时间。从这个角度来说，具有门对门特点个人交通优于公共交通。3 舒适度。包含坐与站的区别，以及座椅的舒适程度站立的宽松程度。4 可靠性。指车辆到离站的准时性，显然准时准点的轨道交通优于一般公交汽车。5 安全性。4.3.4 方式划分的位置分类根据交通发生、交通分布、交通分配各自的功能特性，这三个工作项段的时间顺序必须依次是：交通发生交通分布交通分配，不能改变。方式划分既可以

10、单独解决，也可以与上述某各子问题中任何一个结合起来同时解决。根据方式划分在整个交通预测过程中的位置分为五类，如图4-5：MSADGGMS类 类DMS类类类方式划分的位置分类图 图4-54.3.5 方式划分的模型、方法 方式划分早期主要从集聚的角度研究该问题。所谓集聚方法就是以一批出行者作为分析对象，将有关他们的调查数据先作统计处理，得出平均意义上的量，然后对这些量作进一步的分析研究，如前面的交通发生、交通分布都属于集聚模型。所谓非集聚模型，则是以单个出行者作为分析对象，充分地利用每个调查样本的数据， 求出描述个体行为的概率值。非集聚方法要比集聚方法复杂的多，但其有要求样本小、预测精度高的特点。

11、有关方式划分的模型方法见图 GMS G后MS集计方法 DMS D后MS Logit方式划分 仿真类（Monte-Carlo法） Probit 合并法（Clark法） 逼近类 非集计方法 分裂法（Langdon法） BCL 直接类 BCD GL 改进Logit 合并法（NL） 分层类 分裂法（Langdon法）下面简要介绍常用方法的模型原理：（1）G-MS结合的方式划分 G-MS方法是在与出行发生的同时进行方式划分，因此只能主要考虑其中出行者和分区特性的4个因素（最多还加出行目的因素）作为方式划分的主要依据。这里同样要分出行产生量预测和出行吸引量预测，即分产生量MS预测、吸引量MS预测。）产生量

12、-MS预测如同出行发生量预测，仍可采用类型分析法和线性回归法。类型分析法模型 Pki=aksNsi （4-2）其中：Pki-分区I的第K方式出行产生量aks-全市第s类家庭第k类方式的出行率Nsi-分区i第s类家庭的数目，规划年预测值线性回归模型 pik= +b1kxi1+.+bskxin （4-3）xi1-i分区第j个因素规划年预测值 bjk-第j因素相对于方式k的回归系数，用xij现状调查数据经线性回归获得）吸引量-MS预测 Bik=diswskis （4-4）Bik-分区i的第k方式出行产生量理论值 dis-i分区第s类用地的岗位数 is-i分区第s类用地岗位弹性系数wsk-全市s类用地

13、每个岗位对第k方式出行的吸引率（2） 生成后的方式划分模型因为尚未进行出行量的分布预测，方式划分仍主要以出行者或家庭或分区的特性为依据，多采用线性回归模型。由于已经知道的一个分区总的出行量和吸引量现在就只要预测个方式的比例。例如，以公共交通和个人交通两种方式划分为例，分区的出行产生量由下式决定，回归模型为：公=b+b人x人+ x收+b私x私+b道x道+b公x公 （4-5） 个=1-公 公个-分别为对象分区公共交通和个人交通方式出行产生量的比例 x人、 x收、 x私、 x道、 x公-分别为对象分区规划年人口数、分均收入、人均私车拥有量、 道路网密度、公交网密度 b、b人、 b收b私、 b道、 b

14、公-分别为常数项及相应各因素回归系数分区的出行吸引量可由下式决定，模型为： 公=c+c学x学+c商x商+c自x自+c办x办+c道x道+c公x公 个=1-公 公个-分别为对象分区公共交通和个人交通方式出行产生量的比例x学、 x商、 x自、 x办、 x道、 x公-分别为对象分区规划年学校、商店、工厂、办公岗位数、 c学、 c商、 c自、 c办、 c道、 c公-分别为常数项及相应各因素回归系数由于前面两种方式划分所依据的因数内有考虑到分区之间的服务水平和出行本身的特性，预测结果有一定的局限性。（3） D-MS结合的方式划分很显然，对一次出行而言，使用不同交通工具的出行时间和费用不同，即交通阻抗不同。

15、如果在分析出行分布的同时还考虑交通方式的选择，那么两分区就会根据方式划分成若干种不同的交通阻抗，在出行分布时就根据各自阻抗预测个方式的分布量。 D-MS结合的单约束模型为： tijk= PiAifk（Rij）/ Aj fk（Rij） （4-6）tijk-分区i、j之间采用k方式的出行分布量， k=1表示公共交通，k=2表示个人交通 Pi-分区的出行产生量 Ai-分区的出行吸引量 Rij 、fk（Rij） -分区i、j之间的距离和采用方式k的交通阻抗（4） 分布后的方式划分交通方式划分预测现行的常用方法有转移曲线法、回归模刑法和概率模型法等方法。转移曲线法在大量的统计调查资料的基础上，所得出城市

16、各种交通方式的分担比例与其影响因素之间的关系曲线，被称为转移曲线。影响因素包括交通小区之间的距离、行程时间或合交通方式所需的时间差等。利用转移曲线法可以直接查得各种交通方式在城市交通小区之间出行量中所占的比例。缺点是由于该转移曲线是由现状调查资料绘出，因此无法反映出在未来情况下，特别是当影响因素发生改变时的交通方式分担率的变化。计算公式如下：Tijk = Tij Pk（tij） （4-7）Tijk交通小区i到就第k种出行方式的出行量； Tij同前； Pk（tij） 在出行时间为tij时，居民采用第k种出行方式的出行比例（从距离曲线上得到）。回归模型法 通过建立交通方式分担率与其相关因素之间的函

17、数关系，得出回归方程的方法即回归模型法。一般采用的是线性回归模型。该方法简单易行但粗略，且由于由该方法得出的分担率不能保证在0-1之间。因此使用范围有限。Logit模型法概率模型中最常用的是Logit模型，其函数形式为： Pijk = eUijk /eUijk （4-8） Pijk交通小区i到交通小区j的出行量中，交通方式可k的分担率； Uijk交通小区i到交通小区j的交通方式k的效用函数； n交通方式的个数。其中，Uijk的计算公式为： Uijk = amxijkm （4-9） am 待定系数；xijkm 出行者在从交通小区i到交通小区j采用交通方式k时的影响因素mc 影响因素的个数。除了上

18、述模型以外，还有Probit模型、牺牲量模型等其他模型，由于各有缺陷，模型的应用还十分有限。4.3.6 模型应用在居民出行方式划分的预测中，一个普遍的趋势是定性和定量分析相结合，一般采用这样的思路：因为邯郸系中大城市，为发展中的古城，居民出行方式选择不大，考虑到这次交通规划的目的，且本次调查主要为机动车调查，本课题将采用集聚模型的第类方法，即方法。因为本次规划的年限为年，规划时间较短，居民的出行习惯，出行方式不会发生大的变化，因此我们采用同济大学年在邯郸交通研究中所著的现状分析报告中的出行方式比例，见表4-4。 邯郸市主城区出行方式构成 表4-4出行方式公共汽车5.6单位公交车1.56摩托车5

19、.57小汽车3.22其他机动车0.645.81其他非机动车1.3336.3将出行发生中所求得的年各小区的出行量乘以各出行方式比例即得各小区各出行方式的出行量，见表4-5，至此方式划分结束。 各小区各出行方式的出行量 表4-6OD2010出行量（人次/天）公共汽车单位公交出租车摩托小汽其他机动车自行其他非比例%1748279790 17 2727 9738 5629 1049 80088 2325 63462 1279087163 13 1995 7124 4119 767 58595 1701 46431 1664749323 2597 9273 5360 999 76262 2214 604

20、30 19347110834 19 3018 10776 6230 1161 88629 2573 70230 927025191 9 1446 5164 2985 556 42467 1233 33651 695013892 7 1084 3871 2238 417 31838 924 25229 19045810666 2971 10609 6133 1143 87249 2533 69136 1723019649 2688 9597 5548 1034 78931 2292 62545 770294314 8 1202 4291 2480 462 35287 1024 27962 303

21、56016999 30 4736 16908 9775 1821 139061 4037 110192 25853414478 26 4033 14400 8325 1551 118434 3439 93848 766824294 1196 4271 2469 460 35128 1020 27836 1058245926 11 1651 5894 3408 635 48478 1407 38414 842854720 1315 4695 2714 506 38611 1121 30595 867664859 1354 4833 2794 521 39748 1154 31496 1708239566 2665 9515 5501 1025 78254 2272 62009 1198706713 12 1870 6677 3860 719 54912 1594 43513 11042618 1 172 615 356 66 5058 147 4008 此阶段未很好结合，请高手删改添加！（最好能添些虚拟数据，在分布后进行。）4.4 出行分布（Trip-Distribution）出行分布预测是将求得的各交通小区规划年的出行产生和