3.

6 交通需求分析——交通分配模型
 3.6 交通需求分析——交通分配模型

 交通分配是将小区之间的交通量按照一定的路径选择准则分配到交通网络中的各条路径上，从而获得
各个路段或路径流量的过程。
 驾驶员会采用哪条路径？乘客会选择哪条公交线路？
 管理者希望出行者选择哪些路径或线路，以保持系统良好的运营状态？

Wardrop 在 1952 年提出了网络均衡分配的第一准则和第二准则：

 用户均衡（ User Equilibrium, UE ）：假设出行者都确切知道网络的交通状态并选择最短路出行。在
UE 状态下，没有一个出行者可以通过改变路径而降低其行程时间。 （出行者的选择）

 系统最优（ System Optimization ， SO ）：在 SO 状态下，网络总出行成本（或平均出行成本）最

小。 （管理者的选择）
 3.6 交通需求分析——交通分配模型

 交通分配模型分类
 道路拥挤是否会影响路径选择——拥挤效应？
 出行者对距离、时间的感知是否相同、准确——感知误差？

感知误差
 
NO YES

NO 全有全无交通分配 随机交通分配
拥挤效应
YES 确定性用户均衡 随机用户均衡
 3.6.1 全有全无分配法 All-or-Nothing

 基于最短路径的分配——全有全无分配（ All-or-Nothing ）
 最短路径是从出发地到目的地的出行时间（或距离）最短的路径
 最短路径上分配所有车辆，非最短路径上不分配任何车辆

• 优点：计算简单，仅需一次分配
• 缺点：没有考虑拥堵等因素对路段阻抗的影响，并且全部出行者都会集中在最短路径上。该模型没
有考虑拥挤效应和路径选择的随机性，比较适合于城市间非拥挤路网的交通分配。
 3.6.2 随机分配法 stochastic assignment

大多数模型师和交通规划师认为应该以概率的形式分配出行！

  假设 OD 点对（ r ， s ）间每个出行者总是选择自己认为阻抗最小的路径，称出行者主观判断的路径阻
抗为“感知阻抗”，以表示。根据随机效用理论，感知阻抗可表示为实际阻抗与一个随机误差项的和：

式中 表示 OD 点对（ r ， s ）间第 k 条路径的实际阻抗，表示随机误差项。

则出行者选择路径 k 的概率为：

即在多项选择中选择感知阻抗最小的路径。根据随机效用理论，假设随机误差项互相独立，且服从相同
的 Gumbel 分布，则此时出行者选择路径的概率为：

式中 ——离差参数，与出行者的感知误差有关， —— OD 对（ r ， s ）间全部路径的集合。
 3.6.2 随机分配法

 • 目前仍可以在非拥挤网络中应用，如：自行车车道、人行道。
• 随机分配法面临的挑战：在真实世界的网络中存在太多的路径，以致于无法一一枚举

Stoch 算法
• 1971 年 Dial 设计了一种简洁的算法，能够在网络上实现 Logit 交通分配模型，同时规避枚举或存储
路径集合。
• 该算法认为，在实际路网中有许多路径是不会被出行者考虑的，为此给出了有效路径的概念。
• 有效路段：当某一路段（ i ， j ）的尾节点 i 比头节点 j 离起点 r 更近，则该路段为有效路段，由
有效路段组成的路径为有效路径。
 3.6.2 随机分配法

1 3
1 2
1 2 3

2 3 1
2 4 4
4 1
4 5 6

节点 1 代表出行起点，而节点 6 代表出行终点。假设有 100 次出行从起点出发，到达终点。

经最短路到达某节点所消耗的出行时间叫做该节点的“势”。

节点 4 到节点 5 的路段是有效的，因为节点 5 的“势”高于节点 4 。

如果两个节点的“势”相等，可运用节点 ID 顺序来打破相等的局面。因此，从节点 5 到节点 6 的路段可
以视为一条有效的路段。
在最短路径上添加有效路段，形成了子网络
 3.6.2 随机分配法

 向前步骤——计算路网中节点 / 路段的转移概率
• 根据网络拓扑结构对所有节点进行排序
• 设置起始节点的权重：
• 按照网络拓扑顺序，依次计算每个节点的权重：

其中，是路段起点 ID ，是路段终点 ID ， 是从节点到节点的路段出行时间 , 是离差参数

向后步骤——分配出行量，对于一个节点，分配进入该节点的所有有效路段的出行量。
• 初始化节点出行量 ，其中 代表最后节点（相当于目的地节点）
• 依照相反的节点顺序，依次分配出行量为：并更新
 3.6.2 随机分配法

算例：向前步骤 1 3
1 2
1 2 3

2 3 1 𝑤  𝑗=∑ 𝑤 𝑖 exp ⁡(−𝜃𝑡 𝑖𝑗)

2 4 4 ij
4 1
4 5 6

 假设系数
由于起始节点为 1,
 3.6.2 随机分配法

算例：向后步骤 1 3
1 2
1 2 3

2 3  
1
2 4 4
4 1
4 5 6

 假设从节点 1 到节点 6 出行量为 ,,

 3.6.2 随机分配法

算例：向后步骤 1 3
96.4
1 70.5
2
11 2 3

3.52 25.93  
70.5
1
2 4 4
3.5
4 29.4
1
4 5 66

 
 3.6.2 随机分配法

Logit 分配结果的验证 1 3
1 2
1 2 3
 三条有效路径的出行时间 :
2 3 1 1  2  3  6:
2 4 4 1  2  5  6:
4 1 1  4  5  6:
4 5 6
 
 3.6.2 随机分配法

将出行分配到三条路径上

70.5 70.5 96.4 70.5

1 2 3 1 2 3
25.9
3.5 25.9 70.5 3.5 25.9 70.5

3.5 25.9 3.5 29.4

4 5 6 4 5 6
3.5

 1  2  3  6 ：
1256：
1456：
 B P R 函数 ---- 均衡模型中常用的阻抗函数

 
• Bureau of Public Roads (BPR 函数 ): 美国公路局于 1964 年对大量路段进行交通调查后通过回归分析所得
到的关系式，可基于自由流状态道路通行时间、道路流量和道路通行能力计算拥挤状态下的道路通行时间。
• 为实际通过该路段所需要的时间 ( 阻抗 ) ，为路段自由行驶时间，为当时通过该路段的流量，单位 pcu/h ，为
路段的实际通行能力，单位 pcu/h:

• BPR 函数含有及两个待标定参数，不同等级的道路需使用不同的值，常用参考值为 : =0.15 ， =4

Travel Time (min) 60

Time (min)
50

40

30

20

10

0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5   / (pcu/h)
 3.6.3 用户均衡模型

Wardrop 第一准则：
 给定一个拥挤的交通网络，对于该网络中的每个 O-D 对，在用户均衡时，所有被使用的
路径上的行驶时间均相等，并且小于或等于任何未使用路径上的行驶时间。

Wardrop 第一准则假设：
• 所有用户都准确知道各条道路所需的行驶时间，并首先选择最短路，最终被利用的各条
路径上的行驶时间会相等。
• 出行者有多条路径可以选择，首先会选择最短路径，然而随着交通量增大，原最短路径
上的行驶时间会因拥挤效应而增加，于是一部分出行者会选择行驶时间更短的路径。
 3.6.3 用户均衡模型 User Equilibrium

Beckmann 模型：
针对 Wardrop 第一准则（即用户均衡 , UE ）， Beckmann 等学者提出了等价的数学规划表
达式，奠定了交通分配理论的基础。 UE 模型的 Beckmann 变换式如下：
 
 
OD 间流量守恒 可以证明，该数学规划模型的解满足
Wardrop 用户均衡准则，即所有使用
路径流量守恒 路径的阻抗相等且最小，未被使用路
径的阻抗都不小于使用路径的阻抗。
路径流量非负
BPR 函数

 —— 路段—路径关联变量，如果路段 a 在 OD 对
 —— 路段 a 上的流量；
（ r ， s ）间第 k 条路径则 =1 ，否则 =0 ；
—— 路段 a 的阻抗；
—— 网络中路段的集合；
—— 路段 a 的阻抗函数，它是路段流量的函数；
—— 网络中起点的集合；
—— OD 对（ r ， s ）间第 k 条路径的流量；
—— 网络中终点的集合。
 3.6.3 用户均衡模型——算例

用户均衡简单算例求解：

𝑡  1 =4 +8 𝑥 1

𝑞=8
  r s 𝑞=8
 

𝑡  2 =8+2 𝑥2

  ∗ ∗   ∗ ∗   ∗ ∗
𝒙𝟏 + 𝒙 𝟐 =𝟖 𝒙 𝟏 + 𝒙 𝟐 =𝟖 𝒙𝟏 =𝟐; 𝒕 𝟏 =𝟐𝟎
{ 𝒕 𝟏∗ =𝒕 𝟐∗ { 𝟒+ 𝟖 𝒙 𝟏∗ =𝟖+𝟐 𝒙𝟐∗ { 𝒙𝟐∗ =𝟔 ; 𝒕 𝟐∗=𝟐𝟎
UE 状态下，所有用户的出行时间相等
 3.6.3 用户均衡模型—— Frank-Wolfe 算法

• Beckmann 等价数学规划变换式于 1956 年被提出，直到 1975 年才由 LeBlanc 等学者将 Frank-Wolfe 算

法应用于求解该模型，已在交通规划实践中得到广泛采用。 Frank-Wolfe 算法的步骤如下：
 Step 1: 初始化。按照，进行全有全无交通分配，得到各路段流量，令 n=1 ；

Step 2: 更新各路段阻抗：；
Step 3: 寻找迭代方向。按照更新后的，执行全有全无分配，得到一组附加流量；
Step 4: 确定移动步长。求解满足如下一维线搜索问题的最优 λ （可采用黄金分割法或二分法等）；

Step 5: 确定新的迭代点：；
Step 6: 收敛性检验。如果满足规定的收敛准则：

停止计算，即为最优解；否则令 n=n+1 ，返回 Step 2

 3.6.3 用户均衡模型—— Frank-Wolfe 算法实例

下面考虑一个由三条路径组成的简单网络，每条路径只包含一个路段，其阻抗函数如图所示：

 Step 1 ：各路段按流量为 0 计算阻抗，分别为 10 、 20 、 25 ，进行全有全无交通分配， 4

𝑥1
路段 1 的阻抗最小，得到各路段流量，
𝑡 1 =10
[ 1+ 0.15( )]
2

Step 2 ：更新各路段阻抗 : 𝑥2 4

r [
𝑡 2 =20 1+0.15
4 ( )] s
4
𝑥3
[
𝑡 3 =25 1+0.15( )]
3

Step 3 ：按照更新后的路段阻抗，再进行一次全有全无分配，得到一组附加流量：，，。
Step 4 ：通过求解如下的最小化问题，确定移动步长

¿ ¿
m ∈𝑍 ( 𝜆 ) =∫ ¿
0

将，， ，，带入上式后求，可用二分法求得最优的
 3.6.3 用户均衡模型—— Frank-Wolfe 算法实例

 Step 5 ：确定新的迭代点：

4
𝑥1
[
𝑡 1 =10 ( )]
1+ 0.15
2

4
𝑥2
Step 6 ：收敛性检验。可以计算如下的收敛准则 r [
𝑡 2 =20 1+0.15
4( )] s
4
𝑥3
常用的收敛标准为 10-4 ，。因此返回 Step 2 ，重新迭代计算。 [
𝑡 3 =25 1+0.15
3 ( )]

. 3.5834

.
4.6455

 收 敛：当进行到第 13 次循环时，各路段的阻抗分别为，，，各路段上的流量分别为，，，满足上 r s

述收敛标准，终止计算。
 

此时满足 Wardrop 第一准则，达到用户均衡。 最终流量分配

 3.6.4 随机用户均衡模型 Stochastic User Equilibrium

用户均衡模型 随机用户均衡模型 (SUE)

（ UE ）  • SUE 比 UE 更具普适性
假设 1 合理选择行为 个人行为不一定完全符合‘合理选择行为’ • UE 可被看作是 SUE 的一种
假设 2 完全信息 个人并不掌握完全信息 特殊情形即感知误差为 0
假设 3 可观测 影响个人效用的某些因素不可观察
 
• 随机用户均衡模型中路段阻抗随流量而改变，路径感知阻抗表示为： 与选择路径有关的随机误差项
 
服从 Gumbel 分布时为 Logit 型 SUE
, 服从 Normal 分布时为 Probit 型 SUE

 • 随机用户均衡中，出行者选择某条路径的概率是其感知阻抗在所有可能
  路径流量与
路径的感知阻抗中为最小的概率，即： 路径选择概率有关

 与  是实际阻抗（与相关）
 • 路径流量等于 OD 出行量与该路径选择概率的乘积，即： 路径感知阻抗有关 与的和

如此反馈，达到随机用户均衡状态，
这个关系式也被称为 SUE 条件
 3.6.4 随机用户均衡模型——算例

采用 Logit 型 SUE 计算一个简单案例

𝑡  1 =1+2 𝑥 1

𝑞=4
  r s 𝑞=4
 

 
𝑡  2 =2+ 𝑥2
1

  𝑥 1 ≈ 1.51

选择路径 1 的概率
解方程
{𝑡 1 ≈ 4.01
𝑥2 ≈ 2.49
𝑡 2 ≈ 3.51

路径 1 的流
量 概率与阻抗有关
 3.6.4 随机用户均衡模型

 
Logit 型随机平衡分配交通分配可表达为如下的无约束非线性规划问题：

最小感知阻抗的数学期望

 ——OD 对（ r ， s ）间各条路径实际阻抗的向量；

——OD 对（ r ， s ）间第 k 条路径的感知阻抗。

上式是一个无约束的极小值问题，可以证明它的解满足 SUE 条件、流量非负约束和

流量守恒条件，并且该模型具有唯一解。
 3.6.4 随机用户均衡模型——连续平均法求解步骤

Step 1: 初始化。利用 3.6.2 中的 Stoch 算法，得到各路段流量，令 n=1 ；

Step 2: 更新各路段阻抗：；

Step 3: 寻找迭代方向。按照更新后的，执行 Stoch 算法，得到一组附加流量；

Step 4: 确定新的迭代点：；

Step 5: 收敛性检验。如果满足规定的收敛准则 :

停止计算，即为最优解；否则令 n=n+1 ，返回 Step 2

 3.6.4 随机用户均衡模型——算法案例
𝑡  1 =1+2 𝑥 1
  Step 1: 初始化，利用 3.6.2 中的 Stoch 算法，得到各路段流量
𝑞=4
  r
𝑞=4
 
  用自由流生成初始阻抗（） s
Step 1 ：根据网络拓扑结构对所有节点进行排序
𝑡  2 =2+ 𝑥2
• 计算从起点 r 至所有其它节点的最小阻抗记为： ，并且排序

𝑟  𝑟 =0 𝑡  1 =1 𝑟  𝑠 =1
 Step 2: 向前步骤——计算路网中节点的转移概率
r s
• 设置起始节点的权重：
  𝑡  2 =2
• 按照网络拓扑顺序，依次计算每个节点的权重 (=1) ：

𝑤
  𝑟 =1 𝑤
  2=0.5032
r s
 Step 3: 向后步骤——分配出行量
• 对于一个节点，分配进入该节点的所有有效路段的出行量。
• 初始化节点出行量 ，其中代表最后节点（相当于目的地节点）
𝑥  11 =2.92
• 依照相反的节点顺序，依次分配出行量为：
 
r s
• 并更新 1
𝑥  =1.08
1
 3.6.4 随机用户均衡模型——算法案例
 
Step 2: 更新各路段阻抗： () ； 𝑡  1 =1+2 𝑥 1

Step 3: 寻找迭代方向。按照更新后的 , ，执行 Stoch 算法，得到一组附加流量； 𝑞=4

  r s
𝑞=4
 
𝑡  2 =2+ 𝑥2
Step 4: 确定新的迭代点：；
;
;
Step 5: 收敛性检验。如果满足规定的收敛准则 : 𝑥 2
  1 =0.09
.
r s
未能达到收敛标准，令 n=n+1 ，返回 Step 2
2
𝑥
  2 =3.91
 3.6.5 系统最优模型 System Optimum

Wardrop 第二准则：在系统最优模型中，在给定的拥挤交通网络中，平均旅行时间最少（即总旅行时间最少）
• 所有用户在选择其路径时应协同行动，以确保最有效地使用整个网络。
• 拥挤路网上的交通流应该按照平均或总的出行成本最小为依据来分配。
系统最优模型： 
OD 间流量守恒

路径流量守恒

路径流量非负
BPR 函数

 —— 路段—路径关联变量，如果路段 a 在 OD 对
 —— 路段 a 上的流量；
（ r ， s ）间第 k 条路径则 =1 ，否则 =0 ；
—— 路段 a 的阻抗；
—— 网络中路段的集合；
—— 路段 a 的阻抗函数，它是路段流量的函数；
—— 网络中起点的集合；
—— OD 对（ r ， s ）间第 k 条路径的流量；
—— 网络中终点的集合。
 3.6.5 系统最优模型——算例

系统最优简单算例求解：

𝑡  1 =4 +8 𝑥 1

𝑞=8
  r s 𝑞=8
 

𝑡  2 =8+2 𝑥2

    ∗∗ ∗∗
𝒙𝟏 =𝟏.𝟖;𝒕𝟏 =𝟏𝟖.𝟒
s.t. =8 𝒎𝒊𝒏
  𝒙 𝟏 ( 𝟒 +𝟖 𝒙 𝟏 ) + ( 𝟖 − 𝒙 𝟏 ) [ 𝟖+𝟐 ( 𝟖− 𝒙𝟏 ) ]
{ ∗∗ ∗∗
𝒙 𝟐 =𝟔 .𝟐;𝒕𝟐 =𝟐𝟎.𝟒
解一元二次方程
SO 求系统总成本最小
 3.6.3 系统最优模型 vs 用户均衡模型

𝑡 1 =4 +8 𝑥 1

𝑞=8
  r s 𝑞=8
 
𝑡 2 =8+2 𝑥2
  ∗∗ 系统最优
∗∗
 
𝒙𝟏 =𝟏.𝟖;𝒕 =𝟏𝟖.𝟒
 

{
用户均衡
∗

∗
∗
𝒙𝟏 + 𝒙 𝟐 =𝟖
𝒕 𝟏 =𝒕 𝟐 ∗
 

{
∗
𝟏
∗
𝒙𝟏 =𝟐; 𝒕 =𝟐𝟎
𝒙𝟐∗=𝟔 ; 𝒕 =𝟐𝟎
𝟐
∗
s.t. =8
{ ∗∗
𝟏

𝟐
∗∗
𝒙 𝟐 =𝟔 .𝟐;𝒕 =𝟐𝟎.𝟒
∗ ∗ ∗ ∗
 𝒙𝟏 𝒕 𝟏 + 𝒙 𝟐 𝒕 𝟐 =𝟏𝟔𝟎 𝒙  𝟏∗ ∗ 𝒕 𝟏∗ ∗ + 𝒙 𝟐∗∗ 𝒕 𝟐∗∗ =𝟏𝟓 𝟗 .𝟔

 由于出行时间存在差异，出行者倾向于转向更快的路径，
使系统离开 SO 状态而进入 UE 状态。
3.6.5 系统最优模型—公式变形

  目标函数：

理解为新增一个用户
给系统中的既有用户
系统最优目标： 带来的增量

对比用户最优模型：
 

求解方法与用户均衡模型相似，依然用 Frank-Wolfe 算法
 3.6.5 系统最优模型— Frank-Wolfe 算法求解

求解思路：将目标函数转化为用户均衡模型形式，再应用 Frank-Wolfe 算法求解

 
Step 1: 初始化。按照，进行全有全无交通分配，得到各路段流量，令 n=1 ；
Step 2: 更新各路段阻抗：；
Step 3: 寻找迭代方向。按照更新后的，执行全有全无分配，得到一组附加流量；
Step 4: 确定移动步长。求解满足如下一维线搜索问题的最优 λ:

Step 5: 确定新的迭代点：；
Step 6: 收敛性检验。如果满足规定的收敛准则 :

停止计算，即为最优解；否则令 n=n+1 ，返回 Step 2

 用户均衡 UE 和系统最优 SO 的关系

 
• ，其中是用户均衡下的总出行成本；

• 为无管理状态的代价，其中 。

用户均衡模型 系统最优模型

目标函数
目标函数
原理 Wardrop 第一准则 Wardrop 第二准则
用户均衡模型
原理 追求个人费用最小化的平衡
Wardrop 第一准则 追求系统总费用最小化的平衡
Wardrop 第二准则
VS 含义
，出行者独立选择路径 ，出行者需要服从统一调度
系统最优模型 是否合作 追求个人费用最小化的平衡
非合作 追求系统总费用最小化的平衡
合作
含义
，出行者独立选择路径 ，出行者需要服从统一调度
信息 完全信息 完全信息
是否合作 非合作 合作
信息 完全信息 完全信息