文摘

介绍了交通事故频繁虽然各种对策。不能从根本上改善交通安全如果不考虑交通网络设计阶段。尽管众所周知,交通安全是最重要的一个公众的关切,交通安全不是充分适应交通规划。本文认为交通安全作为交通网络设计的一个主要标准。它是一种主动测量而不是被动的。提出了二层规划模型系统,上层是城市规划者的决定减少交通事故的总数估计,低水平是旅行者的响应行为实现交通系统平衡。遗传算法(GA)和精英策略提出了解决上下两层的模型。连续平均的方法(MSA)是嵌入低层次模型,这是一个反馈过程之间的目标选择和流量分配。证明该方法的有效性和算法,进行了实验研究。结果表明,这些方法可以是一个有价值的工具,设计一个更安全的交通网络虽然效率,系统总出行时间,稍微有所牺牲。

1。介绍

交通安全问题的越来越多的担忧,导致了交通网络设计模型中集成安全因素,而不是只关注拥挤和环境。1998年,美国的21世纪交通运输公平法》明确要求,城市规划部门应该考虑道路交通安全交通规划的整个过程的一个重要因素(”,1998)。传统的交通安全对策是诊断和识别危险的链接部分,黑色的斑点发生事故的统计分析。是一种被动的对策在修建公路和严重事故,通常是表示被动的交通安全。因为反应措施大多限于交通工程的方式,他们不是有效的许多交通事故造成交通规划。因此,频繁的交通事故的问题不能从根本上得到解决。与被动交通安全的研究,研究人员开始意识到交通安全应该提前适应,特别是在交通网络设计阶段(1]。可能是一个有效的方法来提高道路网络的安全水平。这个预防措施是指出主动安全计划。值得更多关注设计一个安全的道路网络的开始。事实上,安全,责任,灵活、高效运输股票的美国要求各种交通规划部门考虑安全水平在交通规划的每一步2]。

然而,之前的研究已经开展调查活动在交通网络安全规划设计阶段。杨et al。3)提出了一个three-objective二层规划模型优化变速范围达到更好的道路网络性能在环境方面,效率和安全。是一种建立道路运输业务网络,决策变量的可变限速。交通安全的联系是衡量预期交通事故的数量是一个幂函数的链接交通量。参数被认为是相同的所有链接简化。简化安全性能函数用于证明该方法,并建议,取而代之的是另一个现实的形式。下层模型是一个确定性用户均衡交通分配模型,虽然旅行分布是不考虑。徐et al。4)提出了一种多目标随机二层规划模型与模糊目标网络设计问题。被认为是四个目标,包括环境、效率、交通安全、施工成本。它是一种连续网络设计决策变量的链接能力增强。交通事故的总数等于总车辆里程(车辆行驶里程)乘以一个固定的事故率,这是不现实的。传统交通分配采用低级模型,而旅行分布是不考虑。Rashidi et al。5)提出了一个混合整数二层规划模型定位人行道、人行横道最小化网络成本,缺乏安全处罚,这是等价的。在上层,城市规划者决定交通减速设施的位置,并在较低的水平,旅行者决定旅游模式和路线。低水平的问题是传统用户均衡交通分配问题。哈斯和Bekhor6)提出了一个biobjective二层规划模型网络设计问题实现旅行时间最小化和道路安全的最大化。在上层,链接安全性能是衡量一个负二项函数。这是一个0 - 1整数规划的决策变量是车道之外。在较低的水平,这是一个传统的用户均衡交通分配由确定性。钟等。7)研究了道路收费如何影响交通效率和汽车安全需求的不确定性。一个biobjective二层规划模型为交通事故最小化开发定价问题。他们证明了频谱分配道路收费是有利于减少事故。交通事故发生率是volume-to-capacity的制定作为一个二次函数。是一种被动安全措施,构建道路网络作为决策变量是道路收费。低水平也是一个传统交通分配,目的地的选择是不考虑。Possel et al。8)提出了一种多目标网络设计问题的二层规划模型。三个外部性是最小化,总旅行时间、交通事故总数、总排放。使用一个固定的事故率产生交通事故死亡总数,粗糙。低水平的实施解决传统静态用户均衡问题。结果表明,遗传算法优于模拟退火算法。林和魏9)注意到交通安全在网络设计阶段通常被忽视。他们提议的二层规划模型的网络设计问题,实现交通安全与风险资产。它是一种连续网络设计,在实践中不适用。

总之,本文的贡献是4折。首先,交通网络的安全性能是适应阶段。它是一种主动测量而不是被动的。它从一开始就可以减少交通事故。第二,非线性整数规划制定混合交通网络设计上水平。它是决定扩大位置和车道数。第三,有一个运输系统平衡代表旅行响应行为在较低的水平。这是目的地之间的反馈过程的选择和交通分配,而不是流量分配。最后,提出了一种遗传算法与精英策略的二层规划模型系统。逐次平均法(MSA)是嵌入的低级模型实现了交通系统的平衡。

本文的其余部分组织如下。提出的方法是制定部分2。是上下两层的模型系统,上层是减少交通事故的总数给定的投资预算,和低水平的旅行者响应上层决策行为。描述的详细解决方案算法部分3。这是一个遗传算法与精英策略,MSA是嵌入式的低层次模型。为了证明模型和算法的有效性,实验研究进行的部分4。部分5本文总结道。

2。方法

交通网络设计问题是众所周知的与被领导决定Stackelberg博弈结构。它是传统制定作为一个上下两层的模型框架。城市规划者设计道路网络优化高层一定的网络性能,以及旅游者做出旅游决策最大化个人效用较低的水平。后的低水平决策高层决策。然而,上层必须考虑低层次的行为反应来调整决策。反馈过程重复直到预期网络性能优化。

本文旨在提出一种安全的交通网络设计方法和算法。上下两层的模型框架如图1。它可以显式地捕捉到被领导城市规划者和旅游者之间的关系的性质。上层是优化网络安全性能与投资限制。低水平的出行分布和交通分配之间的反馈过程。它通常称为运输系统平衡。在以下部分中阐述了详细的模型。

2.1。上层模型

很少有方法来估计网络安全性能在交通规划。通常,采用一个固定的事故率。然而,它是远离现实。事实上,估计每年的交通事故数量的链接可以制定容量体积的函数(v / c)比率。首先,每年每小时事故率在制定如下链接7,10]: 在哪里每小时交通事故的链接吗一个事故车辆每亿公里的旅行,acc / 100 mvkm;是事故的平均小时数的链接吗一个每年(acc);是取消平均每小时流量(AAHT)的链接一个(pcu /小时);的长度是链接一个(公里)。注意,车辆被认为是乘用车单位(pcu)在这里。一个简单的转换后的表达可以制定如下: 这是一个函数的交通事故发生率 。

此外,它已被证明,交通事故发生率和v / c比率通常遵循一个u形关系(7,10,11]。这种关系可以描述如下: 在哪里链接能力链接吗一个(pcu /小时),是生产的车道数和车道通行能力 , ; , ,确定的参数,可以使用的交通调查数据研究领域。例如,周和Sisiopiku [10)获得 , ,和 通过交通调查数据在密歇根州。本文采用这些参数在数值实验中不失一般性。

接下来,用(3)到(2),事故的平均数量的链接一个每年可以确定如下:

此外,城市道路网络的安全性能是所有组件链接的总和。它是制定如下: 在哪里是网络安全性能;是一组现有的链接和选择链接的设置;和向量形式的吗和 ,在哪里 。

为了提高安全水平的城市道路网络,上层的目标是最小化估计每年的事故总量。决策变量的位置,增加车道的数量选择链接,包括现有的和替代的。更具体地说,决策变量是补充道为每一个链接 。位置的问题是隐式地适应。也就是说,没有道路建设 。交通流模式是一个隐式函数由低层次模型,在哪里是链接的向量形式流动和的向量形式添加数量的车道 。它是简单的,能力的联系是一个函数的和它的向量形式表示 。最后,上层模型是制定如下:

目标函数(6)是减少交通事故的总数估计。方程(7)的预算约束,保证了施工总成本小于最大允许支出网络增强。在(7),这个词表明,工程造价是一个函数的联系对添加的链接能力,的决策变量表示单一方向的车道添加链接一个。在(8),是原始的车道数量退出链接和链接应该是零候选人。是改善车道的数量包括原始的和添加的。方程(9)确保改善航道的总数应该在单一方向不到三城市交通。在(10),是单一车道通行能力和是链接能力。就不会有流在一个链接,如果链接不是构造;也就是说,如果 ,然后 。方程(11)表明,增加车道的数量从离散变量只能选择 。请注意,是决策变量,这样可以确保其nonnegativity。在(12),是一个二进制变量指示是否链接一个是否添加。如果这将是零 否则,一个。方程(13)执行构造,链接的数量是一个预先确定的数量。是不可行的,很多链接是建立在同一时间。它会造成严重的交通堵塞和废气排放。

2.2。低层次模型

下层模型是旅行者的行为应对网络设计决策高层。它是交通系统的闭环过程平衡。一般来说,有两种方法可以实现交通系统平衡在文学。一种方法是将两个或两个以上的步骤集成到一个等价的单一数学规划确保[well-converged和一致的结果12,13]。另一种方法是重复顺序的步骤,直到满足一致性要求(14,15]。虽然前者是广泛使用,但它不是operation-friendly作为非线性规划在实践中通常是一个棘手的问题。此外,集成模型不灵活先进的模型可用于每个步骤的顺序模型与反馈。因此,这里采用后者。

为将来预期的旅游需求,旅行分配被认为是一个聚合的个体目标选择决策的结果。在文学中,多项logit模型是最简单、最实用的随机效用模型用于目的地的选择。尽管各种研究表明,重力相似模型和多项logit模型能够产生相同的结果在特定的假设下,重力模型提供了一个更小的行为基础(16]。此外,多项logit模型可以容纳许多关键变量具有显著的解释力,包括目标和个人属性。因此,采用多项logit模型来生成访问分布矩阵。模态分裂忽略作为简单的只使用轿车。行程分布矩阵是由用户平衡分配到路网交通流量预测链接和链接旅行时间。然后,最短路径旅行时间反馈到目标模型更新行程分布矩阵。迭代过程将一直持续,直到旅行分布矩阵不会改变在某种程度上。更具体地说,反馈过程如图在较低水平2。

符号与前面的定义是一致的。此外,节点总旅游需求 。 从节点分布式旅游需求到节点 。 是另一种特定节点的内在吸引力是常数 。 是一对叫做之间的最短路径旅行时间吗和是相应的系数。节点的吸引力吗通常衡量员工的数量,和是相应的系数。目的地离开节点的设置吗 。 交通量的链接吗和它的向量形式 。 道路上的交通流吗连接节点r和节点年代。的连杆轨迹发病率关系表示如下:

的符号是一个链接旅行时间,交通流量和容量的函数。为了适应拥挤效应,一个链接阻抗公路局开发的成本函数(BPR)、美国联邦公路管理局的前兆,通常是使用以下公式: 在哪里旅行时间自由流动;和体积/延迟系数校准经验。请注意,可以是零,这意味着没有任何联系。为了避免分母为零,足够小的积极价值可以用来替代零。然后,旅行时间的联系将大到足以确保没有流量,没有投资成本。

3所示。解决方案的算法

3.1。低水平的算法

下层模型是嵌套在上层模型。为了解决拟议中的上下两层的模型,它总是首先有利于解决低层次模型。给定一个网络上层的增强模式,将会有一个稳定的低水平产生的流型。逐次平均法(MSA)是一种凸组合的方法,可用于实现交通系统平衡的低水平(13]。一个初始访问分布矩阵可以由多项logit模型初始化路径旅行时间。旅行是基于用户平衡分配道路网络。旅游流的链接和链接旅行时间可以由传统的Frank-Wolfe算法(13]。根据衣橱里的路径选择的第一原则,也称为用户均衡交通安排自己在拥挤的网络,所有使用路径之间的一对叫做平等和最低的成本。然后,迪杰斯特拉算法的最短路径算法,用于更新路径旅行时间。这些路径时间反馈给多项logit模型生成一个新的旅行分布矩阵。然而,这个矩阵不能直接分配给道路网络。直接或幼稚的融合反馈通常是不可能的。一个连续旅行的平均分布矩阵是必要的。虽然有一些成功的应用恒定重量、收敛性通常是没有保证的。因此,连续平均的方法降低体重是用在这里更新行程分布矩阵,重量是迭代数的倒数。更新后的矩阵进一步分配道路网络。 The iteration process continues until the successive matrices are quasi-equal. The convergence is generally measured by the squared root of relative gap. If a predetermined tolerance is achieved, terminate the iteration. The stable state is known as transportation system equilibrium. The resultant traffic flows are then fed back to the upper level to evaluate safety performance. The flowchart of lower level algorithm is shown in Figure3。

中指定的详细的MSA算法步骤如下:步骤1。输入一个可行的网络设计模式从上层。步骤2。初始化出行分布矩阵与初始路径旅行时间 。此外,让 的迭代次数。步骤3。交通分配。行程分布矩阵分配给Frank-Wolfe道路网络的算法。旅游流的联系和链接旅行时间生成。步骤4。更新一个叫做对之间的最短路径旅行时间rs,即 ,迪杰斯特拉算法。第5步。行程分布。多项logit模型用于更新行程分布矩阵 : 步骤6。平均出行分布矩阵和使用减少重量: 步骤7。融合识别。检查收敛旅行分布矩阵的使用方相对差距的根源: 在哪里是一个预先确定的宽容。如果满足收敛条件,终止迭代和转向步骤9;否则,转到步骤8。步骤8。让 和 。然后,转到步骤3。第9步。输出行程分布矩阵和链接交通流 。

3.2。上层算法

在上层,它是确定改进的联系增加车道的位置和相应的数量,以减少交通事故的总数估计。上下两层的模型是众所周知的是np难问题。基于全球最佳总是不能保证梯度算法,以便metaheuristic算法。虽然有各种metaheuristic在计算机科学和运筹学,遗传算法是最常用的一个生成高质量的解决方案。有许多成功的应用程序来解决二层模型在交通研究[17- - - - - -19]。因此,这里采用遗传算法。其流程图如图4。

中指定的详细的遗传算法步骤如下。步骤1。初始化。设置遗传算法中使用的参数包括人口规模 ,几代人的最大数量 ,交叉概率 ,变异概率 ,一代的符号 ,和精英策略的一部分 。注意,人口规模取决于问题的性质但通常包含几个数以百计的可能的解决方案。步骤2。随机生成一个可行的初始种群。基因用于表示链接位置决定和另一个基因是用来表示车道数量决定。如果有许用改进的链接包括现有的和候选人的总计基因的染色体。例如,染色体是描绘在图5如果 。它代表选择链接位置2,15日,21日和7。相应的增加车道数为0、3、1和2,分别。随机生成一个染色体。如果不可行,生成另一个,直到它是可行的。一个总数可行染色体散射产生的可能的解决方案。步骤3。选择操作。染色体在上层,也就是说,网络设计决策,有一个相应的运输系统在低水平均衡。低层次算法用于生成链接流量。上层的目标函数是用来作为适应度函数评价人口中的每个染色体的性能。注意,尽量减少交通事故的数量,最好的标签是精英和最糟糕的就会被丢弃。步骤4。交叉操作。剩下的染色体是用于交叉操作。这些父母染色体是成对匹配随机。的概率进行交叉 。如果选择交叉,一个随机的基因识别。如果不可行染色体新生根据约束上的信,试试另一个基因位置,直到他们是可行的。新的解决方案通常有许多父母的特点。第5步。变异操作。概率进行变异 。域内的随机确定基因突变的定义。如果新的染色体不是可行的,试一试另一个基因位置,直到它是可行的。步骤6。生成下一代群体。遗传算子后,仍然存在可行的染色体。的标签精英被添加到确保人口规模 。这允许从当前一代最好的染色体携带在未来没有改变。质量保证的解决方案并不会减少从一代到另一个。让一代的符号 。步骤7。终止判断。如果代达到的最大数量,也就是说, ,终止迭代过程和输出最优网络设计。否则,将返回到步骤3。

4所示。实验研究

Nguyen-Dupuis道路网络如图6通常用于运输研究演示各种方法和算法。链接特征包括旅行时间自由流动、链接能力,和链接长度见表1。

有两个源节点1和4和两个目的地节点2和3在Nguyen-Dupuis网络。预测旅游需求源节点1和4是2000卡路里pcu /小时和2000年pcu /小时,分别。也就是说,= 2000pcu /小时和= 2000pcu /小时。所有现有的链接、标签从1到19日和候选人联系,从20到24标记,准备能力增强。问题是确定最优链接增强模式的网络安全性能,以充分利用投资预算。

低水平的算法中使用的参数进行了总结如下。目的地的选择的多项logit模型简化如下: 在哪里旅客内在偏好在目的地吗年代和O-D之间的路径旅行时间系数对吗rs。的值和可以校准经验。在这里,我们组 , ,和 。即旅客偏好在目标节点2 0和目标节点3是1,这意味着旅客历来目的地3。旅行时间的系数是-0.1,这意味着旅行时间是负效用。此外,参数(14交通分配是设置为 和 ,传统。MSA的趋同标准设置为 。一个稳定的运输系统可以实现一个上层的决定。

参数调优metaheuristic算法通常是一个棘手的问题。遗传算法中使用的参数列出如下。精英的一部分 。交叉概率是 ,和变异概率 。虽然这些参数通常用于遗传算法,值得找到合理的调优参数的设置问题。链接建设成本被认为是一个线性函数的链接车道长度和单位成本。它是制定如下: 在哪里公里和链接长度是单位巷成本被认为是050万美元。投资预算设置 百万美元。建设连接的最大数量 。一个车道的能力 pcu /小时。人口规模和一代大小的主要影响因素是计算时间。尽管可以达到一个更好的解决方案和更大的人口和一代的大小,它可能是耗时。出于这个原因,它通常是建议运行遗传算法多次贸易解决方案的质量和参数。因此,不同人口和代大小进行测试以确定最佳参数如表所示2。

计算是使用一个流行的开源编程语言R3.6.1与英特尔酷睿i7 - 4790个人电脑CPU @ 3.60 GHz。毫无疑问,计算时间增加人口规模和一代的大小。虽然计算时间从1.68小时到10.49小时,解决方案的质量并没有提高很多对于这个小规模的问题。确切的结果可能是32岁左右,他们都接近准确的结果。为了计算时间,可以设置为人口规模 ,和一代大小可以设置为 。最优链路增强模式和交通系统性能如表所示3。

车道之外的链接标签是4和16之间现有的链接。他们预计将增加1和2车道,分别。候选人联系20和22预计将建造2和3车道,分别。此时,投资成本是2900万美元,不超过预算约束。交通事故的数量是32.76后投资,而交通事故数量的估计是76.50之前的投资。因此,投资后的网络安全性能显著提高。

它总是有益的敏感性分析。客观价值的敏感性的主要约束因素,投资预算,调查。预算从1500万美元增加到5000万美元,500万美元。相应的事故数字图所示7。这表明事故数量减少投资。然而,它开始迅速下降,然后变得缓慢尤其是在3000万美元。难怪四个链接可以扩大。系统性能不能增加不断改进的一小部分。这是浪费的投资尽可能多。政策制定者必须确定最佳投资预算充分利用公共资金。

5。结论

提出了一种主动安全规划方法在交通网络设计阶段。它是一个二层规划模型系统。城市规划者在上层优化网络安全性能的估计数量的交通事故。低层次的旅游者行为反应上做决定。这是目的地之间的反馈过程的选择和交通分配以达到运输系统平衡。注意,城市规划者必须考虑旅游者的行为反应为系统优化调整他们的决定。

上下两层的模型是一个著名的具有挑战性的问题。提出了一种遗传算法与精英策略,MSA是嵌入式低水平的模型。该算法的目标是提供一个可行的解决方案在成本可以被接受。值得注意的是,metaheuristics不能保证最优的解决方案。然而,这些方法可以在适当的时间内解决大规模非线性问题。因此,开发这样的解决方案算法是值得的。

实验研究表明,该方法是有效的安全运输网络设计系统总出行时间虽然在一定程度上牺牲了。然而,一个真实的案例研究预计在未来,这可能更有说服力。

数据可用性

用于支持实验研究的数据都包含在这篇文章。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家社会科学基金(没有。21 bgl233)。