【交通规划】交通分布(trip distribution)

目标：

根据现状的OD分布量、交通小区的经济特征、土地利用的发展变化，预测未来各交通小区间的出行量。
The trip distribution model is concerned with matching trip origins(productions)and trip destinations (attractions). The main output of this stage is O-D matrices by trip purpose.

需要调查得到的数据：

需要知道现在的各个交通小区间的出行交通量，也就是现状下的交通小区OD矩阵。
各个交通小区的经济特性和土地利用的发展变化情况。

计算

我们已经知道当前的OD矩阵，以及各个交通小区的一些特性，于是可以使用重力模型、增长系数法计算出未来的OD矩阵。

重力模型 Growth factor methods

$$T_{ij}=\alpha \frac{O_i{D}_j}{c_{ij}^{\beta }}$$
原理：OD对之间的分布与OD值成正比，与出行费用的平方成反比 。

优点：1) 简单实用
2) 解释了不同用地之间的竞争
3) 考虑了交通网络对出行模式的形响
4) 可以评估社会和经济因素对出行模式的影响 ^2f7a10

缺点：

1. 距离变量的范围没有限制或没有定义情况下，公式可能失效
2. 交通区的选择会影响参数值
3. 迭代困难，需要经过大量调整和处理才能获得理想结果
4. 费用函数多样
5. 结构参数随时间稳定问题

增长系数法 Synthetic models

$$q_{ij}^{m+1}=q_{ij}^m\times f(f{o}_i,f{d}_j)$$$$f{o}_i=\frac{O_i}{O_i^0}$$$$f{d}_j=\frac{D_j}{D_j^0}$$
$f{o}_i^m$：i小区第m次计算的发生增长系数
$f{d}_j^m$：j小区第m次计算的吸引增长系数

原理：未来的出行分布量是在现状的（或历史的）出行分布的基础上，乘以相应的增长系数得到的。两小区之间出行分布量的增长系数，与两小区出行发生量与吸引量的增长率有关。

优点：结构简单，易于理解。直接使用观测出行矩阵来预测出行增长，不需要其他额外的数据。

缺点：

1. 无法预测未来新增小区的交通量
2. 对于出行矩阵的精度要求大，出行矩阵中的误差将在计算中被放大
3. 不能考虑与网络费用有关影响出行分布的属性

(26条消息) 四阶段法-交通分布预测方法-算法复现_aaaaluba的博客-CSDN博客_交通分布预测内有简要计算步骤及python代码

平均增长系数

$$f_{avg}(f{o}_i^m,f{d}_j^m)=\frac{1}{2}(f{o}_i^m+f{d}_j^m)$$

弗尼斯法

两个分区之间出行分布量$q_{ij}$的预测值与此两个分区之间出行分布的现状值$q_{ij}^0$成正比，还与产生分区的规划年产生量预测值、吸引分区的规划年吸引量预测值有关，这种关系可用两个系数$u_i$、$v_j$表示（分别称为产生系数、吸引系数），即$$q_{ij}=q_{ij}^0\times u_i\times v_j$$这两个系数满足约束条件$$\sum _i{q}_{ij}=u_i\sum _j{q}_{ij}^0\cdot v_j=O_i$$$$\sum _j{q}_{ij}=v_j\sum _i{q}_{ij}^0\cdot u_i=D_j$$

算法步骤：
Step 1：初始化，令$u_i^0=1,k=0$
Step 2：解$u_i^k{\sum }_j{q}_{ij}^k\cdot v_j=O_i$得$v_j^k$
Step 3：将$v_j^k$带入$v_j^k{\sum }_i{q}_{ij}^0\cdot u_i^{k+1}=D_j$求解$u_i^{k+1}$
Step 4：$k=k+1$，返回Step 2迭代，直到$u_i^k$与$u_i^{k+1}$、$v_j^k$与$v_j^{k+1}$的相对偏差<3%

底特律法

$$f_{Detroid}(f{o}_i^m,f{d}_j^m)=f{o}_i^m\times f{d}_j^m\times \frac{T^m}{X}$$
$T^m$：第m次迭代OD表中生成交通量
$X$：将来OD表中的生成交通量