【官方sDNA文档-sDNA Open Documentation-V4.2.0】空间设计网络分析 （sDNA） 手册&教程 （八）具体任务的分步指南

8. 具体任务的分步指南

8.1.从 OpenStreetMap 下载和准备数据

注：截至2020年，本节已基本过时。OSM数据可以使用GRASS v.clean中的bpol选项连接;这可以正确处理所有交叉点。

OSM是一个众包地图产品，因此特别受到开源社区的支持。因此，本教程使用免费的QGIS。

有许多在线服务可用于将OSM数据提取到shapefile中。一个这样的服务是 Mapzen：Mapzen提取附带的属性数据比大多数（包括例如自行车路线），但仅适用于城市地区。如果您需要更大规模或农村OSM提取物，您可能会发现其他服务更适合您的目的; QGIS中可用OSMDownloader插件也很有用。

OSM包含道路和路径旁边的许多类型的线特征-例如墙壁，围栏和河岸。你只需要过滤出道路和路径。这可以通过使用 层 → 过滤器来实现。.图层过滤器的结果可以使用"图层"→"另存为"保存为新图层 。同时，可以选择新的坐标系以确保用于sDNA分析的合适的空间参考，并且所保存的层可以仅限于所选择的特征，从而允许从OSM下载中提取期望的建模区域。

在加的夫（截至2014年11月），当"高速公路"字段设置为以下之一时，存在道路 请注意，其他区域可能会有所不同，并且这些类可能会随着时间的推移而变化。我们建议检查出现在"高速公路"字段中的所有值，以自行决定使用哪个值。

自行车道数据（即道路上的自行车道）不够广泛，无法发挥作用，但自行车道数据（穿过城市的主要自行车道）是一致的。自行车路线不一定表示高速公路，而是与所使用的高速公路相一致的单独特征。一些标记的自行车路线与被归类为路径而不是高速公路的特征相吻合（数据不一致）。因此，有必要使用以下程序提取所有候选公路作为自行车道：

• 选择route="bicycle"的所有线路
• 在这些线周围创建5m缓冲区
• 在OSM数据上创建新的数据字段"on_cycle_route"
• 使用空间连接为循环路由缓冲区内的所有OSM行设置on_cycle_route=1
• 使用过滤器highway IS NOT NULL AND on_cycle_route = 1 提取与自行车路线重合的所有highway。

通过进一步使用"过滤器"工具，可以在提取的公路网络上创建两个字段：

• cycle_route -在循环路线上设置为1，否则设置为0
• car_net -如果在汽车（道路）网络上，则设置为1，否则设置为0

如果要在"准备网络"过程中保留此类数据，或者需要从"积分分析"中过滤链接，则将此类数据简化为数值非常重要。

截至2014年11月，加的夫的OSM数据还包含许多连接和几何错误。通过使用拓扑工具（ArcGISPlanarize或GRASSv.clean.advanced）修复了这些问题。 OSM表示具有非相交线的桥梁和隧道，因此建议保留此格式。

1. 过滤掉桥梁和隧道（brunels），以避免破坏它们，使用SQL查询：
2. （“bridge”> ‘no’ AND"bridge"> ’ '）或"tunnel"= ‘yes’

并将其保存到新图层。

强烈建议检查桥和隧道字段中出现的所有值，以确保捕获OSM提供的所有信息。在我们的例子中，bridge字段可以包含值""、“no”、“suspension”、“viaduct”、“swing”、“transporter"和"yes”-如果这些值出现在您的数据中，请修改查询以说明它们。

1. 过滤掉所有其他链接：
2. NOT（（“bridge”> ‘no’ AND"bridge"> ’ '）or"tunnel"= ‘yes’）

（如有必要，可针对其他桥梁类型进行修改）并将其保存到新图层。

1. 在"其他链接"层上 GRASS工具与免费的QGIS捆绑在一起，但要显示它们，必须将Processing工具箱切换到高级模式。 (This在任何情况下首次使用sDNA都是必要的）。 对于"清洁工具" 参数，输入：
2. 折断，折断，折断

对于阈值输入1（假设上面选择了合适的坐标系，单位为米）。 这将合并附近的线，删除重复的，在交叉点处断开并删除零长度的线。

1. 使用Vector → Data Management → Merge Shapefiles to one将清理后的"其他链接"与深褐色图层重新合并 …
2. 对合并的数据运行sDNA线测量以计算连通性。设置图层特性以使用连接性（LConn）标记每个要素。使用brunels层作为参考，手动检查brunels是否已正确地与普通链接重新连接。(If打开Brunels层的属性表，可以依次选择和缩放每个特征，并且检查合并类上的对应特征）。

8.2.车辆和自行车联合网络的建模

本教程旨在说明sDNA在实践中的使用。它处理的是我们用sDNA到数据实现的最复杂的任务之一;模拟一个自行车网络，其中骑自行车的人避开机动车，斜坡和扭曲。然而，其他模型类型（车辆和行人）的几个教训也是通过相同的过程来说明的，因此无论您打算如何使用sDNA，这个例子都值得一读。

本教程是根据sDNA+和ArcGIS编写的，但可以应用于任何GIS软件。特定于ArcGIS的步骤以斜体显示 。 一些特征（混合度量，单向街道）在标准sDNA中不可用，尽管建模的原则保持不变。

sDNA循环模型基于详细的行为模拟，并具有各种输出，包括

1. 预测车流量
2. 预测自行车手流量
3. 自行车无障碍设施-提供的数量和质量
4. 交通和坡度对可达性的影响
5. 自行车和机动车之间预计会发生冲突的道路
6. 前往特定设施的自行车流量图
7. 特定设施的自行车无障碍地图
8. 拟议方案引起的可达性变化的量化

所有这些输出可以通过两种方式使用

1. 对于差距分析，在设计方案之前确定需要的领域
2. 用于评估提议的方案

此外，该模型可以仅基于网络形状，或考虑现有的土地使用/通勤模式。替代方案是

1. 土地利用加权模型。这些允许对网络内的起点和目的地进行加权，例如家庭和火车站为起点，雇主和零售为终点。
2. 始发地和目的地（OD）矩阵模型（即将于2016年发布）。这些允许输入现有OD矩阵，例如来自人口普查数据的通勤流量。
3. 仅网络形状模型。这些方法仅使用网络形状本身来预测流量。

模型类型1和2可能比类型3与观察到的流具有更高的相关性，然而类型3（仅网络）模型最容易产生并且可能是最有用的。类型1模型引发了为不同类型的土地利用确定合适权重的问题。第1类和第2类模型都假设现有的土地使用和通勤模式将保持不变。从长远来看，这是不正确的，因为新的发展发生和主要雇主开放和关闭。在任何情况下，这些因素通常都在分析网络的人的控制之外。在某些情况下，例如，如果明确需要围绕现有的主要雇主设计运输基础设施，对这些因素进行建模可能是适当的。但是在大多数情况下，我们建议只使用网络形状;虽然与其他模型类型相比，这些模型对当前数据的拟合程度会降低，但从长远来看，它们可能仍然更适用。

建模过程包括以下步骤：

1. 创建可路由的车辆和自行车网络
2. 运行车辆网络模型
3. 校准车辆模型
4. 生成由校准的车辆模型通知的循环模型
5. 校准循环网络模型。如果省略该步骤，则循环模型将不示出预测的计数，但仍将示出流量的相对水平，这可能是所需要的全部。
6. 从循环模型中产生所需的输出

可路由网络的产生

本教程假设已经有足够精确的可布线网络可用于建模。生成这样的网络通常是任何建模工作中最耗时的部分;幸运的是，在许多情况下，这一步骤已经完成，或者如果没有完成，那么已经有好的材料可供使用。例如，OpenStreetMap包含某些地区的车辆和自行车链接的地图。

网络准备中讨论了准备网络进行分析时的一般注意事项。 这是sDNA模型的所有用户的基本阅读。有关开放街道地图的更多详细说明，请参阅OpenStreetMap（OSM）以及从OpenStreetMap下载和准备数据的分步指南。

在生成车辆和循环模型时，需要特别考虑，即必须能够将车辆模型的预测流量连接到循环网络（最好是轻松连接）。最好的方法是为两个模型生成一个单一的输入网络，并附加两个数据字段，以显示是否允许（i）汽车和（ii）自行车访问每个链接。然后，可以通过几何体（空间连接）或对象ID轻松地连接来自不同模型运行的结果。

表1示出了统一网络格式的示例。其中，链路1和链路4是车辆和自行车都可通行的普通道路，链路2将是仅车辆可进入的高速公路，并且链路3是无交通自行车道的（短）部分。链路2和4具有就位的单向系统，并且链路2在桥上结束（由立体交叉字段end_gs示出，将在下面讨论）。链路5不是真正的网络链路，而是表示包含一百万个链路的模型之外的城市。立体交叉字段的"开始"和"结束"以及单向数据是指在图形程序或GIS中绘制链接的方向，而不是其具有的任何"自然"方向。

对象 ID	形状长度	单证册	比克内特	单向数据	砝码	开始 _gs	end_gs
1	42.6	1	1	0	1	0	0
—	—	—	—	—	—	—	—
2	89	1	0	1	1	0	1
3	2	0	1	0	1	0	0
4	8.4	1	1	-1	1	0	0
5	1	1	1	0	1000000	0	0

表1. 2000 - 2001两年期方案概算联合循环和车辆网络的样本摘录

如果道路网络数据将双车道编码为单独的链路（即，双车道的每一半由网络中的其自己的链路表示），则必须确保模拟车辆交通利用车道的两侧。如果不这样做，所有的车辆交通将采取最方便的一面，离开另一个作为一个明显有用的交通自由的自行车路线。显然，这在现实中不会发生，因为双车道每侧都有明确或隐含的单向交通限制。因此，确保正确使用双车道的最可靠方法是将单向信息输入sDNA[1]。 表2显示了sDNA如何解释单向数据。

单向数据	含义
0	允许双向遍历
—	—
1	仅向前遍历
-1	仅向后遍历

表2. 2000 - 2001两年期方案预算单向数据的sDNA编码。"向前"和"向后"涉及在图形程序或GIS中绘制链接的方向。

在产生车辆/循环组合模型时的第三个考虑因素是，车辆网络信息可能需要比循环网络信息更广泛的区域。表3给出了一个示例。如果我们希望模拟城市内的循环流，我们必须使循环模型略大于城市本身，以正确模拟进出城市边界的流量。车辆模型反过来必须大得多，以便推断出中距离交通从哪里出发和到达哪里。虽然大多数车辆行程都很短，但较长的行程往往会聚集到主要的直通路线上，因此如果我们想估计主要直通路线（如高速公路）上的交通水平，那么我们还必须包括一些至少中等长度的行程。

要使用的模型的最佳大小将根据区域中的旅行行为而变化，但幸运的是，空间网络模型对所使用的确切模型大小并不过于敏感。这是因为网络问题具有高水平的_共线性_，例如，对于50km行程有用的链路也可能对于30km行程有用，因此两种类型的模型都能够识别实际的流量模式。

区域	模型中心半径（示例）
所需的建模区域，例如全市模型	8km，沿网络测量
—	—
循环网络模型	12km，沿网络测量
车辆网络模型	30km，沿网络测量

表3.嵌套模型示例

由于我们需要的车辆模型大于循环模型，请注意，在统一模型中， 我们不需要大规模车辆网络的循环路径信息。 此外，在距研究区域更远的距离处，对车辆网络中的准确性的需求甚至降低。它被包括在模型中纯粹作为交通的源和汇，并且只要包括到主要邻近城镇/城市的主要路线，该模型就足够了。这可以在运行模型之后通过检查到这些地方的预测流量来检查。

第四个考虑因素是网络中的高程和立体交叉的建模。

1. 高程测量地面以上每个点的高度。海拔数据的使用使得自行车模型更加准确，因为坡度会影响骑车人的行为选择。sDNA读取3d中的网络特征，因此如果存在，则包括高程。通常，网络数据被下载、校正并以2d形式准备，然后_覆盖_在3d地形模型上以产生3d网络。 (In ArcGIS：ArcToolbox_→_3d Analyst →_Functional Surface_ →_Interpolate Shape_）。
2. 立交与连接交叉的点有关，例如桥梁和隧道。（这些统称为褐发）。虽然理论上这是由海拔决定的，但可用的海拔数据可能不精确，不足以区分不同层次的深褐色，特别是如果数据是通过覆盖地形模型获得的。因此，sDNA将接受除高程之外的立体交叉数据。

是否有必要给出sDNA等级分离数据取决于褐变如何几何编码。在一些网络数据中，相互上下通过的链路由相交但不结点的线表示;在这些情况下，不需要立体交叉。然而，更常见的是，即使链路之间没有连接，节点也被放置在这样的点处;在后一种情况下，需要使用立体交叉数据通知sDNA没有连通性。 2"网络准备 "将详细讨论此主题。

对于更宽的车辆网络模型的最后一个考虑因素是是否对宽网络进行详细建模。这种建模在计算上是昂贵的并且可能不需要。在一些情况下，例如在仅通过一条路线访问相邻城市的情况下，可以从模型中丢弃整个相邻城市，并用单个 加权 网络链路来代替。如果是这种情况，则应将加权连接添加到网络中，其与模型区域的距离应与其所替换的城市的距离相同。特殊链路将由其所取代的城市中的链路数量加权，而所有正常链路将被分配1的权重。示例如表1所示。

运行车辆网络模型

要运行车辆网络模型，请执行以下步骤。

1. 确定要建模的一组半径（最大行程长度）。例如，15、20、25和30公里。如上所述，确切的长度并不重要，重要的是具有一系列可感知的值，这些值稍后将被测试以用于它们与实际车辆流量的拟合。
2. 配置sDNA积分。图10显示了一个示例。 选择的分析类型为"角度"。这意味着所有车辆交通都试图采取最直的路线，这是对驾驶员行为的良好近似。半径以米为单位表示（假设基础数据投影到以米为单位的坐标系 权重取自"权重"字段，以便有效地对遥远的城市进行建模。不在汽车网络中的链接将被禁用 ！carnet （carnet字段的相反）到"禁用链接"表达式中。单向信息取自_单向_字段。

更新 我们现在建议选择"带状半径"。这意味着每个半径将仅表示相关距离带中的行程（例如，20- 25公里），而不是所有低于波段（0- 25公里）的行程。这有助于多变量建模。

1. 运行sDNA Integral。对于一个50公里的城市网络，这可能需要几个小时的时间来运行。 在即将出版的时候， ArcGIS 中的一个错误阻止了进度信息的显示，如果模型在后台运行。对此有两种解决方法。从命令行或 QGIS 使用 sDNA ，或在"地理处理"→"地理处理"选项中禁用后台处理 。
2. 显示模型结果。感兴趣的参数是每个半径处的角介数（BtA）。此时，只需检查结果是否看起来像一个合理的流量图，主要道路被标识为具有高流量水平。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-62vGRHV6-1691404929278)(RackMultipart20230807-1-hoqqb4_html_d44b58027d0ea569.png)]

图10：车辆模型的sDNA积分配置。

校准车辆模型

从车辆模型输出的角度介数表示每个最大行程长度的预测流量水平，因此显示了模型中道路上的相对交通水平。为了校准，我们将介数与实际交通流数据进行比较以实现两件事;（i）确定哪个角介数半径最适合实际流量;（ii）确定将该中间半径转换为实际计数（例如，年平均日交通量（AADT））的乘数（系数）。

校准的第一个要求是掌握一些车辆流量数据。在英国，可以从交通部免费下载[2]。 车流数据可以以表格的形式出现，该表格包括每个计数点的网格参考;在这种情况下，需要将其转换为要显示的空间格式（在 ArcGIS 文件 → 添加数据中 | 拉尔 | 添加 XY 数据）。然后可以将车辆数据裁剪到模型区域。只需要使用循环网络模型中的车辆点-可以丢弃落入扩展车辆网络中的车辆点。显然，可用的点越多，校准就越好，但是使用少于50个点就可以有效地校准模型。

然后必须检查这些点，并可能进行调整，以便明确每个点应该连接到模型中的哪个链接。根据网络几何形状的不同，记录的点可能不会正好落在模型中的链接上。通常情况下，车辆流量数据将双车道上的流量报告为两个方向的总流量，而不是分别计算车道的每一侧;因此，在这些情况下，记录的点涉及两个链路而不是一个链路。调整过程的目的是准备数据，以便任何GIS的_连接_功能都能够将每个流链接到正确的链接。 不明确之处（即不确定它们涉及哪个链路）必须被丢弃。

如果模型需要对双车道两半的流量求和，建议将测量流量编码为_门_而不是单点。 门是一条绘制的线，以便与其测量的所有链接相交（并且仅与其测量的链接相交）。迭代流动数据点集并手动创建包含满足此目的的线的新要素类相对容易; GIS空间连接函数然后可以用于将每条线（门）连接到最近的记录的流动点。

一旦已经创建了一组正确且明确的车辆门，这些门再次被_连接_到来自车辆模型的输出。 所得到的数据应该是同一组车辆门，由来自每个门相交的链路的网络数据增强。这意味着使用门作为_连接_的主要层（否则我们最终会得到由车辆门数据增强的整个网络-一个更大的数据集，而不是我们想要的）。

然后可以进行校准过程。现在，我们通过使用_多元岭回归以最_佳预测流的方式组合预测来实现这一点。

回归将一条线拟合到流量与预测的图中，如图2所示。我们使用_解释的方差比例_或r2- 2来衡量回归的效果，r2- 2的范围可以从0（对于无用的模型）到1（对于完美的模型）。 高 r22 是可取的，但低 r22 并不一定表明一个坏的模型：它也可能是由测量误差引起的，特别是在循环流动的情况下。即使存在模型无法预测的大量可变性，但可以预测的组件可以形成决策的有用基础。

道路上的车辆交通流量（实际或预测）不具有正态分布。也就是说，大部分交通实际上是由一小部分道路承载的。这意味着我们不应该对所有数据点进行同等权重。此外，交通规划者不会对数据点进行同等加权，而是使用称为GEH的统计数据来平衡绝对误差和相对误差。

为了解决这个问题，我们通过将lambda设置为0（权重以最小化相对误差）和1（权重以最小化绝对误差）之间的值来对数据点进行加权。在实践中，0.7左右的值倾向于使GEH最小化。

如果运行一个二元模型（SINGLE_BEST），我们可以选择Box-Cox变换变量来实现同样的事情，但这不建议用于多元模型（MULTIPLE_VARIABLES或ALL_VARIABLES）。

1. 将 车辆门连接到网络（右键单击内容列表中的车辆门图层 ; 连接和关联，连接 … ，基于空间位置连接来自另一层的数据）。
2. 加载sDNA Learn并配置它，如图11所示。 输出模型将保存在d：\veh_model。 目标变量为aadt（年平均日交通量）。 注意正则表达式的使用 。* BtA.* 选择所有的角度介数变量作为潜在的预测一次。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RRnXChY7-1691404929280)(RackMultipart20230807-1-hoqqb4_html_94719072589636e9.png)]

图11：用于校准车辆模型的sDNA学习配置。

1. 检查sDNA Learn的输出。使用了哪些变量，权重是多少？R2.2足够好吗？ 如果是，则跳到步骤5。
2. 如果 r2- 2 不够好，检查sDNA Learn输出的残差：绘制实际流量与预测流量的图表 （查看 → 图表 → 创建图表）。 （可以在图形上选择这些，以便在地图上定位它们）。

试着找出错误来自哪里。它们很可能会出现

(a)网络错误;在这种情况下，有必要检查一下为什么流量没有按照您预期的路线进行–也许有些链路在应该连接的时候没有连接？

(b)因为在现实中发生的一些行为在模型中没有考虑;例如流向市中心或某个特定设施、人们通过除最直接路线之外的方式导航。如果需要，在对所有模型的输出一起运行sDNA Learn之前，运行额外的模型并与现有模型组合。

请参见模型故障排除。

1. 一旦你对r2- 2满意，使用sDNA Predict来预测整个网络上的aadt，基于模型文件（d：\veh_model）。 请注意，如果您的车辆门由线而不是点组成，则必须稍微更改变量名称。例如，_门_上名为Sum_BtA25000的变量在_网络_上称为BtA25000。 模型文件是一个纯文本文件，可以对其进行编辑以根据需要重命名变量。

校准现在完成，AADT字段包含组合网络中每条链路的流量预测。

循环模型的制作

由于在整个网络上存在车辆交通的校准估计，因此可以产生考虑车辆交通的循环模型。

如果使用统一的网络，我们现在可以只复制所需的研究区域和缓冲区，以考虑进出该区域的循环流量。大多数自行车旅行的长度不太可能超过4公里，因此这意味着研究区域加上4公里（如果需要，可以使用更长的距离）。虽然应该沿着网络测量距离，但可以使用简单的选择工具并在直线上测量这些距离-结果只会使用稍大的网络。模拟中的实际行程长度由sDNA所要求的半径确定。

此时需要检查高程数据是否已正确传输到网络。一种方法是使用捕获斜率的混合度量运行sDNA单个链接测量。

1. 在分析类型设置为HYBRID和以下高级配置的情况下运行sDNA Individual Link Measures：linkformula=hg+hl
2. 检查来自（1）的结果中的混合度量正向（HmF）是否突出显示倾斜的网络链路。
3. 运行循环模型。这也可以通过运行sDNA Integral并将分析类型设置为CYCLE_ROUNDTRIP来实现。将径向度量设置为MATCH_ANALYTICAL：这意味着半径也被测量为CYCLE_ROUNDTRIP。

选择各种半径，例如3000、4000、5000、7000、9000、12000、15000、18000。这些是以米为单位的距离，根据阻止骑自行车者的因素进行调整：坡度、交通和曲折。请注意，CYCLE_ROUNDTRIP使用往返距离来说明这样一个事实，即如果骑自行车的人必须稍后返回山上，则下坡是一种阻碍。

再次选择"带状半径"。

sDNA循环模式来源于对骑自行车者行为的先前研究。这是混合分析的一个特例。如果检查sDNA的输出，则会显示等效的混合公式。

循环模型的校准

循环模型可以以与车辆模型大致相同的方式进行校准。

如果没有循环流量数据可用，则可以通过猜测将哪个混合介数半径用于输出来获得未校准模型。与研究区域相似的城市的最有效半径将是一个合理的起点。

如果循环流量数据可用，则使用sDNA Learn以与车辆模型相同的方式选择最佳半径。在完成此之后，可能需要或可能不需要将所选择的介数变量转换成预测的每日流量。介数变量已经显示了流的相对水平。

如果预测的流量

推荐的模型输出

预测车流量

它们存在于车辆网络中，标记为"aadt"（或您在校准期间选择的任何名称）。

预测自行车手流量

未校准的流量可作为不同最大行程距离的中间混合。如果遵循校准过程，则校准流量将位于您自己创建的变量中。

可访问性

通过计算每个距离带内的网络数量来测量可访问性。因此，它可以通过链接、长度或权重变量来测量，只要适当地设置径向度量（例如，CYCLE_ROUNDTRIP）。如果对模型进行了校准，您有几种可能的方法

1. 快速和近似：在 不 使用带状半径的情况下运行循环模型。在SINGLE_BEST模式下使用sDNA learn查看哪个_单一_半径最能解释骑车人流量，然后测量此半径的可达性。
2. 更复杂：保持基于带状半径的循环模型。编辑模型文件，根据需要将BtH替换为Links、Length或Weight，然后使用sDNA Predict以最佳解释骑车人流量的方式组合多个半径上的可达性度量。
3. 如果模式选择数据可用，则在带状循环模型上使用sDNA学习和预测来生成模式选择的预测。使用预测模式选择作为可访问性的定义。

数字越大，表示网络数量越多。

交通和坡度对可达性的影响

这是通过比较可达性从循环模型与替代模型没有斜坡或交通。

首先在网络中添加一个名为"零"的数字字段，并将其设置为0。这是用来模拟零流量的！

如上所述运行第二个循环模型，但提供以下高级配置： aadt=零;s=0; pre=no_slope_traffic_

s=0将slope的效果设置为0。aadt=zero告诉sDNA使用"zero"字段（设置为0）的内容作为流量估计值。

pre=no_slope_traffic_更改第二个模型的输出名称，以便于说明。

现在将第二个模型的输出连接回原始模型。添加并计算一个数据字段，以计算出无交通的可达性和有交通的坡度/可达性以及无交通的坡度可达性和有交通和坡度的坡度/可达性。 （ArcGIS：不需要计算字段。相反，在"符号系统"对话框中，选择"无交通/坡度的可达性"作为"值"，选择"有交通/坡度的可达性"作为"归一化"。

结果以比率表示，其中1表示交通和坡度没有影响，2表示交通和坡度使可达性困难两倍，等等。

注意，在没有流量的情况下产生流量预测也是可能的，并且将这些与具有流量的流量预测进行比较也可以建议考虑用于基础设施改进的热点。

交通对可达性的影响

作为 交通和坡度对可达性的影响，但使用不同的高级配置： pre=no_traffic_; aadt=零

预测冲突

创建一个变量，将预测循环流量乘以预测车辆流量。（ ArcGIS ：使用 ArcToolbox - Data Management - Fields 中的 Add Field 和 Calculate Field ）。 这些数字是指示冲突的相对风险的未标度分数。仅使用两个类别显示，手动选择合适的阈值以识别具有更多冲突可能性的链接。阈值应根据需要设定;在确定事故地点方面：

• 高阈值会增加真阴性和假阴性的比率
• 低阈值会增加真阳性和假阳性的比率

流入** / **流出特定设施的流量

再次运行循环模型，但按特定设施加权。这意味着在网络上创建一个权重字段来表示设施。

1. 添加名为station、hospital等的字段
2. 将此字段设置为0，但应设置为1的设施点除外_（ ArcGIS ：添加字段，计算字段为 0 ，然后编辑设施点本身以将字段设置为 1 ）_。
3. 运行分析类型设置为CYCLE_ROUNDTRIP且目标权重设置为（1）中创建的字段的循环模型。
4. 显示适当半径的介数混合

进出特定设施的无障碍环境

对于进出特定设施的流量，但显示相应半径的平均混合距离（MHD）。

拟议方案导致的可访问性变更

这是通过比较如上所述的可访问性来测量的，从当前的周期模型与包括所提出的方案的替代模型。运行包含新方案的第二个循环模型，并使用GIS空间连接将两个模型中的数据合并在一起。将pre=before_或pre=after_添加到高级配置中可能有助于以不同的方式标记模型输出。

可以映射该值以显示可访问性的改进，即1.23 =同样的工作量可访问的目的地增加23%。可替代地，可以在整个模型上对其求和以产生表示可访问性的增加和经历改进的网络的数量两者的分数。

显示模型输出

下文讨论了该模型的建议输出。

我们建议使用"渐变颜色"符号，但修改任何键的最高波段，以显示更粗的线条，以额外强调。

• 对于流量，我们建议采用几何间隔分类法，以同等重视高流量和低流量。这是为了反映流倾向于指数分布的事实，即大多数链路具有很小的流量，但是少数链路具有非常高的流量。
• 也可以使用分位数或Jenks分类来显示流。这将浓缩较高流量的条带，并提供对低水平流量的更多辨别。
• 对于可访问性度量，我们建议使用Quantile或Jenks分类
• 在一些情况下，例如使用手动分类的可访问性比率可能是有用的，例如：为等于1的比率创建特殊类别。分位数分类可以成为手动分类的有用起点。

在 ArcGIS 中，通过右键单击内容列表中的图层， → 属性 → 符号系统来显示网络数据。对于任何显示，单击符号对话框中的"分类"，以确定如何将预测流量等连续数据划分为类别。

对于较大的数据集， ArcGIS 将警告未对所有数据进行采样以创建分类。这是不明智的，因为一些高流量链接可能无法完全显示。要确保对所有数据进行采样，请单击"分类"以设置更多要采样的特征。

[1]第一章	替代方案是使用包括随机分量的用于车辆路线选择的混合度量，使得车辆路线分布在车道的两侧之间。这在单向数据不可用的情况下可能证明是有用的。

[二]《中国日报》	请注意，DfT分别发布主要道路和次要道路数据。为了有效校准，有必要下载两个数据集并将其合并。