【城市交通出行宏觀客流預測方法探究16000字（論文）】

城市交通出行宏觀客流預測方法研究摘要城市交通出行項目的規(guī)劃與設計中很多重要問題的判斷與決策都需要通過客流預測提供數據支持。但是就目前客流預測結果來看，城市交通出行客流的預測結果與實際客流之間存在較大差異，不同研究機構對同一條客流預測線路的客流預測結果之間也存在較大差異。針對這一現象，除了對客流預測方法加以改進完善，還應進一步加強對客流預測結果的評估分析與決策判斷，從而增強客流預測系統的科學決策，提高客流預測系統的抗風險能力。城市交通出行客流預測作為近年發(fā)展起來的一門交通預測學，通過預測線路斷面流量、換乘流量、車站出入口流量為規(guī)劃線網方案的評價、軌道建設提供重要的量化指標，對于客流預測項目的科學決策具有重要的意義。關鍵詞：城市交通;出行;宏觀客流;預測;方法;研究目錄一緒論 3二預測指標數據的獲取 42.1數據收集與檢驗 42.1.1數據收集 52.1.2數據檢驗 6三交通分配模型的參數估計與預測 93.1參數預測步驟 93.2交通分配模型的參數估計 103.3交通出行客流量數據預測 13TOPSIS原理 14交通出行客流量數據組合預測建模原理 14基于TOPSIS原理的交通出行客流量數據預測組合權重確定方法 15模型精度檢驗方法 16四四階段法交通量預測模型中存在的問題 194.1建立條件與實際的道路交通并不一定完全符合 194.2對交通流.的近似假定 194.3出行者路徑選擇方法的假定 194.4交通網絡的局限性 205城市交通出行宏觀客流預測改進對策 205.1在分配中,總是將道路網規(guī)劃分成若干個區(qū)域,每一個區(qū)域作交通量發(fā)生和吸引的出發(fā)地和目的地 205.2認真分析不同地區(qū)、不同項目的建設成本,切實把工程造價核定在一個合理的范圍內 215.3加快公路工程造價管理信息化進程 215.4做好公路工程造價人員執(zhí)業(yè)資格管理工作 215.5做好造價人員的業(yè)務技術培訓工作 22六總結 22參考文獻 25城市交通出行宏觀客流預測方法研究一緒論隨著我國經濟的發(fā)展和社會的進步，城市化進程不斷推進，機動車擁有量和道路交通需求快速增長，道路交通供需不平衡的矛盾日益嚴重，在我國許多大中城市出現了交通擁擠、交通事故、大氣污染等交通病。解決道路交通擁擠的方法之一就是新建或擴建道路，提高道路通行能力。但是，在道路新建或擴建一段時間后又會產生新的交通需求而帶來新的交通擁擠。由于新建或擴建道路而產生的新的交通需求通常稱為銹增交通量，它是交通量重要的組成部分。目前在交通需求預測中對誘增交通量考慮不夠，交通需求預測值偏低，難以保證道路交通規(guī)劃科學合理。因此，為了滿足人們對未來道路的交通需求，制定具有較好前瞻性的道路交通規(guī)劃，需要在交通需求預測中充分考慮誘增交通量的影響，保證交通需求預測的準確性。交通需求預測作為城市交通規(guī)劃中的核心研究內容，相關研究己有50多年的歷史，其中1962年美國芝加哥市交通規(guī)劃研究(ChicagoAreaTransportationStudy)提出的“四階段，交通需求預測模型成為目前國際上較為常用模型，即把交通需求預測過程分為四個階段:交通發(fā)生與吸引階段、交通分布階段、交通方式劃分階段和交通分配階段。在此傳統四階段交通需求預測模型中，相對獨立的四個階段逐一進行計算，將上一階段的結果輸入到下一階段中，最終獲得道路交通量。但是傳統四階段交通需求預測模型存在急需解決的兩方面問題。一方面是出行時間不一致性問題，即在交通分布階段出行時間的初步設定與交通分配階段出行時間的計算結果的不一致性將會給交通需求預測結果造成很大誤差。另一方面是忽略誘增交通量問題，即在傳統四階段交通需求預測模型中忽略道路新建或擴建后，由于路網可達性改善而產生的新的交通量，造成交通需求預測失真。因此，需要在四階段交通需求預測模型中考慮誘增交通量影響，保證出行時間的一致性，以提高交通需求預測精度，為交通規(guī)劃提供較為準確的交通量預測值。我國國家新型城鎮(zhèn)化規(guī)劃(2014-2020年)的出臺[3)意味著我國正處在大規(guī)模交通基礎設施建設的情況下，大量資金將投入到道路等交通設施的建設中。因此，需要針對新建或擴建道路后產生誘增交通量的情況進行相關研究，構建交通需求預測模型，充分考慮誘增交通量的影響，保證交通分布和交通分配階段出行時間的一致性，改善傳統四階段交通需求預測模型的預測精度，以保障合理的城市交通規(guī)劃。二預測指標數據的獲取貨運量預測和交通出行客流量預測需要以歷年的貨物流量、交通出行客流量和各個指標的歷史數據為基礎進行。這些歷史數據可從以下途徑獲取。1)專門為預測而進行的有針對性的調查工作來得到的數據，例如問卷調查、抽樣調查及其他各種方式的實地考察而取得的數據，可以為研究者提供平時沒有統計或者現有資料中查找不到的信息。但是這種方式需要投入大量人力物力，成本高、工作量大、耗時長，往往還要地方政府和相關部門的配合才能實現。2)通過現存資料，比如各種統計年鑒、相關檔案資料等收集到的數據。例如全國及地方的統計年鑒，交通行業(yè)統計年鑒，海事管理部門統計的相關資料等等。但是資料與調查的目的、口徑、方法不一定符合預測的要求，時間性和精確性也可能達不到要求。一般是將兩種方法結合起來使用。2.1數據收集與檢驗2.1.1數據收集數據收集是各種交通研究工作的基礎，當統計結果不是基于嚴格準確的數據收集，它們將會對今后研究分析工作產生誤導而不是指導，而這種誤導性分析很難被更正修改}}zo}。因此，數據收集是相當重要的工作。依據國家統計數據庫[pzy，利用這個我國有效數據資源進行數據收集整理，獲得全國31個省市車出行公里數影響因素的相關數據(1990年-2012年)，各種數據的詳細收集情況如表2.1所示。所有的數據都是按照年份逐年收集整理。依據我國現實收集數據，公共交通服務水平與燃料費這兩個車出行公里數的影響因素，由于數據收集的局限性，因此選用公共汽車擁有量作為公共交通服務水平的替代變量;交通工具消費價格指數作為燃料費的替代變量。在表2.1中所顯示的數據都是我們可以收集到的數據，其中公共汽車擁有量和交通工具消費價格指數不能收集到2000年以前的數據。在我國有關車出行公里數的數據收集很少，與此同時國家會對客運周轉量每年進行收集統計。在本文中，將誘增交通量定義為對于新建或擴建道路所導致車出行公里數在短期或者長期的任何增加。因此車出行公里數在本文中是至關重要的研究對象。那么客運周轉量與車出行公里數之間存在哪些區(qū)別和聯系，客運周轉量是否能成為車出行公里數的替代變量呢?首先從數據統計過程可知:客運周轉量是指在一定時期內運送旅客數量與平均運距的乘積，而車出行公里數是指在一定時期內車輛數與平均運距的乘積。因此從數據統計過程來看，客運周轉量和車出行公里數是一致的，它們都體現出了出行距離的改變。其次從誘增交通量可以詳細描述人們出行改變的整個過程可知:在道路新建或擴建后，人們出行頻率增加，出發(fā)地與目的地改變，出行道路改變，出行方式由其他出行方式轉為小汽車出行等人們不同的行為變化都將在客運周轉量中體現。這與以車出行公里數作為誘增交通量體現人們反應情況相類似。這主要是與我國對于客運周轉量的統計范圍息息相關。在我國，客運周轉量的統計內容包括:凡在中華人民共和國注冊從事公路營業(yè)性客運或在中華人民共和國境內從事非營業(yè)性客運輸的單位、個人(聯戶)，不論其隸屬關系、所有制形式如何，但是并沒有包括公共汽(電)車、出租汽車、接送本單位職工上下班班車、機關小客車或其他運輸工具的城市內運輸。最后在運用客運周轉量作為車出行公里數的替代變量時，并沒有考慮在道路新建或擴建后合乘人數減少。但是我國對于合乘方面的相關研究正在起步階段，并且相關數據收集較少[123]，因此沒有考慮合乘方面的影響是可以理解的情況。綜上所述，在以省市為單位的宏觀數據研究中，客運周轉量可以作為車出行公里數的良好替代變量。在客運周轉量作為車出行公里數的替代變量的基礎上，公路里程作為新建或擴建道路后里程數變化的研究對象，以此研究道路新建或擴建后車出行公里數的改變。綜上所述，依據國家統計數據庫，對客運周轉量、公路里程、人口、地區(qū)生產總值、公共汽車擁有量和交通工具消費價格指數進行數據收集。2.1.2數據檢驗基于數據收集，為了更準確的運用彈性系數模型研究車出行公里數與影響因素之間的關系，保證模型結果的準確性，進行如下的因果關系檢驗、序列相關性和異方差性檢驗。(1)因果關系檢驗在應用彈性系數法進行模型計算之前，Granger因果關系檢驗是相當必要的，它的結果可以明確指出自變量與因變量之間的因果關系，例如是公路里程導致車出行公里數變化，還是車出行公里數導致公路里程變化。綜上所述，為了探討車出行公里數及其影響因素間的因果關系進行Grangex因果關系檢驗，運用Eviews軟件所得結果如表2.2所不。Granger因果關系檢驗指出(運用車出行公里數與公路里程為例)，如果公路里程無助于預測車出行公里數，則說明公路里程不是導致車出行公里數變化的原因;相反，若公路里程是導致車出行公里數變化的原因，則必須滿足兩個條件:第一，公路里程應該有助于預測車出行公里數，即在車出行公里數關于車出行公里數過去值的回歸中，添加公路里程過去值作為獨立變量應當顯著地增加回歸的解釋能力;第二，車出行公里數不應當有助于預測公路里程，其原因是，如果公路里程有助于預測車出行公里數，車出行公里數也有助于預測公路里程，則很可能存在一個或幾個其他變量，它們即是引起公路里程變化的原因，也是引起車出行公里數變化的原因。依據誘增交通量的產生機理，地區(qū)生產總值、人口數量、新建或擴建道路、燃料費和公共交通服務水平等為車出行公里數的影響因素。因此依據數據收集，它們之間的因果關系檢驗結果如表2.2所示。運用F統計量獲得公路里程、人口數量、地區(qū)生產總值和交通工具消費價格指數是產生車出行公里數的原因。與此同時，公共汽車擁有量有助于預測車出行公里數，車出行公里數也有助于預測公共汽車擁有量。綜上所述，依據現有數據收集，公路里程、人口、地區(qū)生產總值和交通工具消費價格指數是我國車出行公里數的影響因素，而公共汽車擁有量與車出行公里數互為因果關系。為了進一步研究影響因素在現有數據收集下能否更好的進行模型應用和經濟解釋，運用最小二乘法應用2.5.1節(jié)將要介紹的基本彈性系數模型進行計算，探討影響因素間的顯著性，結果如表2.3所示。所有參數的系數符號都符合實際情況，人口、地區(qū)生產總值和公路里程的增加會顯著增加車出行公里數。然而公共汽車擁有量和交通工具消費價格指數的增加將導致車出行公里數的減少。由于相關數據收集范圍有限，可能造成交通工具消費價格指數對車出行公里數的彈性系數不顯著有效，與此同時，交通工具消費價格指數形式沒有顯著的經濟意義，因此交通工具消費價格指數并未在后續(xù)基礎彈性系數模型中探討。盡管公共汽車擁有量在模型中顯著有效，但是公共汽車擁有量與車出行公里數之間相互影響，因此公共汽車擁有量并未在后續(xù)基礎彈性系數模型中探討。綜上所述，為了更好的探討車出行公里數與公路里程之間的關系，將在基礎彈性系數模型的后續(xù)相關研究中不考慮公共汽車擁有量和交通工具消費價格指數，而只考慮人口數量、地區(qū)生產總值和公路里程的影響。為了有效應用彈性系數法獲得我國車出行公里數與公路里程之間的關系，從數學角度證實與分析我國道路誘增交通量的情況，各省市1990年一012年的人口數量、地區(qū)生產總值和公路里程的面板數據平均值如表2.4所示。運用面板數據(面板數據包括相同個體在時間序列上多個截面的樣本觀測值)不僅可以有效地研究時間延遲的重要性、減少同時性問題、降低聯立性偏誤和確定車出行公里數的動態(tài)反應，還可以有效、全面系統地應用到不同彈性系數模型中。表2.4中包括全國31個省市人口，地區(qū)生產總值，公路里程和車出行公里數的數據，為了研究各地區(qū)的誘增交通量情況，將我國省市依據經濟協作區(qū)和地理環(huán)境分為六個區(qū)，其中包括華北地區(qū)、東北地區(qū)、華東地區(qū)、中南地區(qū)、西南地區(qū)和西北地區(qū)。從表2.4結果中可以看出，全國各個省市存在著相似的趨勢，即人口多的省市，車出行公里數偏高;地區(qū)生產總值多的省市，車出行公里數偏高;公路里程偏多的省市，車出行公里數偏高。1997年重慶市成立為中央直轄市，因為缺少1990年一1997年的相關數據，所以在隨后相關檢驗和模型應用時排除重慶市數據。序列相關性和異方差性檢驗：異方差性和序列相關性為基于最小二乘法的模型應用造成嚴重的潛在問題。因此，需要依據數據收集判斷數據是否存在異方差和序列相關。如果存在，需要運用不同方法克服潛在問題。序列相關性是指同一隨機變量在不同時間(或空間)上的取值之間存在相關關系。時間序列數據通常在不同時期的干擾之間表現出序列相關性?；貧w干擾的方差在不同觀測之間并非保持不變稱為異方差性，在大量應用研究中，橫截面數據和時間序列數據都會出現異方差性。針對所有收集數據，運用Eviews的Breusch-Godfrey拉格朗日乘數檢驗((LM:LagrangeMultiplier)和懷特(White)檢驗法對各個省市的數據進行序列相關性檢驗和異方差性檢驗，詳細結果如表2.5所示，其中模型選用2.5.1節(jié)將要介紹的基本彈性系數模型，數據選用表2.4中30個省市的面板數據(除重慶市)oBreusch-GodfreyLM檢驗是計量經濟學中一種常用的檢驗序列相關性方法，該檢驗的應用范圍很廣，既可以檢驗一階自相關和高階自相關，也可以檢驗方程中存在滯后因變量情況，LM檢驗的原假設為不存在序列相關性。懷特異方差性檢驗是異方差性檢驗的重要方法，它無須對異方差性作任何特殊假定，檢驗的原假設為殘差不存在異方差性。因此依據上述檢驗標準證實表2.5中多數省市存在序列相關性和異方差性。理論上，似不相關回歸模型可以適用于數據中存在異方差性和序列相關性的情形〔t2a}。為了減少異方差性和序列相關性對于結果的影響，在隨后模型計算中運用期間似不相關回歸的廣義最小二乘法和似不相關回歸的系數協方差法進行計算。三四階段交通需求分配模型的參數估計與預測3.1參數預測步驟STEPl:各小區(qū)間出行時間的初期設定STEP1:在現狀路網、劃分小區(qū)和現有小區(qū)間機動車交通起終點((VTOD:VehicleTravelOriginDestination)表的情況下，運用用戶均衡模型進行交通量分配，得到小區(qū)間的廣義費用(如小區(qū)間的出行時間和交通量)，作為對未來道路網絡的影響分析與網絡預測的初始值，也是四階段交通需求預測模型自下而上的參數估計中重要一步。STEP2:考慮誘增交通量的四階段交通需求預測模型中參數標定應用考慮誘增交通量的四階段交通需求預測模型的參數標定方法，標定出四階段交通需求預測模型中的參數，運用到隨后模型(交通發(fā)生吸引、交通分布、交通方式選擇、交通分配)的步驟中。詳細參數標定過程所示。STEP3:LOS數據的建立基于STEPI(STEP7)計算出小區(qū)間的出行時間費用，在社會經濟等基礎數據(包括土地利用、城市人口、就業(yè)崗位以及流動人口的分布模型)與模型分區(qū)系統關聯的社會經濟基礎數據庫的基礎上，運用可達性模型計算，得到交通發(fā)生吸引階段和交通分布階段的可達性指標(LOGSUM)oSTEP4:發(fā)生與吸引交通量預測：基于STEP3計算出各小區(qū)的可達性指標，按各小區(qū)的未來狀況(如未來人口、未來道路網絡)，導入到己經標定好的交通發(fā)生吸引模型中，推測未來各小區(qū)的發(fā)生與吸引交通量。STEPS:分布交通量預測：基于STEP4推導出未來各小區(qū)的發(fā)生吸引交通量與由STEP3計算出各個小區(qū)間的可達性指標，在己經標定好的交通分布模型中，運用重力模型法推導出未來各小區(qū)間的起訖點交通量(OD:origin-destination)oSTEP6:交通方式劃分預測：基于STEPS計算出未來各小區(qū)間的OD交通量，在全方式相關服務水平指標數據收集下，推導出未來小區(qū)間選擇不同交通方式出行的交通量。STEP?:分配交通量預測基于STEP6推導出未來各小區(qū)間選擇不同交通方式的交通量、對外道路交通需求預測量與3.3.2節(jié)道路阻抗函數的構建，運用用戶均衡分配模型進行計算，獲得各路段交通量、路段出行時間和路段飽和度，從而計算出未來小區(qū)間的交通量與出行時間。STEPB7:收斂標準：在STEP?得到各路段交通量、路段出行時間和路段飽和度的基礎上，依據表3.2中的收斂條件判斷結果(車出行公里數)是否收斂。如果滿足收斂條件，循環(huán)結束，退出循環(huán)得到各路段交通量等結果;如果不收斂，運用STEP?得到的路段出行時間重新估算小區(qū)間的出行時間費用等變量，返回到STEP3重新計算小區(qū)可達性等指標值，進行循環(huán)迭代，直到結果收斂為止。綜上所述，考慮誘增交通量的四階段交通需求預測模型的數學建模如表所示。3.2交通分配模型的參數估計依據現狀路網、劃分小區(qū)和實際VTOD表，運用用戶平衡分配模型，估計得到小區(qū)間廣義費用(小區(qū)間的出行時間)，以便運用在交通方式劃分模型中，其中在用戶平衡分配模型中運用的道路阻抗函數選擇BPR函數，BPR函數中參數的設置是依據現實數據收集，運用節(jié)構建的道路阻抗函數進行估計獲得：圖：反饋構造的四階段交通需求預測模型的參數標定過程STEP2:交通方式劃分模型的參數估計在對考慮誘增交通量的四階段交通需求預測模型進行交通方式劃分模型的參數標定時，運用STEP1輸出的區(qū)域間所需時間和其他服務水平指標(LOS:LevelofService,如私家汽車的燃料費，公交車票費等)數據，利用最大似然函數推導交通方式劃分模型的參數。由此得到小區(qū)間各種交通方式的使用效用。使用可達性效用模型進行計算，得到分布模型計算時用的區(qū)域間交通量的可達性指標(LOGSUM變數)。STEP3:交通分布模型參數估計在對考慮誘增交通量的四階段交通需求預測模型進行交通分布模型的參數標定時，運用實際的交通量分布，由ST'EP2得到可達性指標(LOGSUM變數)，依據各區(qū)域的社會經濟現狀推導交通量分布模型參數。使用效用可達性模型計算，得到交通發(fā)生與吸引模型時用的區(qū)域交通量的可達性指標((LOGSUM變數)。STEP4:交通發(fā)生與吸引模型參數估計在對考慮誘增交通量的四階段交通需求預測模型進行交通發(fā)生與吸引模型的參數標定時，運用實際的發(fā)生與吸引交通量，由STEP3計算出各個區(qū)域的可達性指標(變量LOGSUM變數)，以及在各個區(qū)域的現實社會經濟指標，路網情況等推導交通發(fā)生與吸引模型的參數。從參數標定的過程可以看出，按照自下而上的順序逐次標定每一階段模型的參數可以有效保證參數標定的有效性和合理性，參數標定也為考慮誘增交通量的四階段交通需求預測模型的應用奠定基礎。圖：基于的四階段交通需求預測模型實現過程3.3交通出行客流量數據預測交通出行客流量數據預測是根據目前經營狀況和發(fā)展目標，利用專門的方法對未來交通出行客流量數據水平和變動趨勢進行的推測，通過交通出行客流量數據預測，有助于提高經營風險的預見性、減少政策制定過程中的盲目性，從而為在制定長遠的戰(zhàn)略規(guī)劃和戰(zhàn)略目標的過程中提供科學有效的決策依據。交通出行客流量數據預測方法經過多年學者的研究，交通出行客流量數據預測主要有歷史資料分析法、技術測算發(fā)、倒推交通出行客流量數據法等，但總體來說可以分為定量預測和定性預測，定性預測方法主要根據所掌握的情況和數據，以及相關的經濟理論，憑借預測人員的個人經驗和知識來對交通出行客流量數據做出一種判斷的方法，這種方法一般不會給出具體的交通出行客流量數據數值，而只是判斷交通出行客流量數據的發(fā)展趨勢，該預測結果是否準確完全取決于預測者的經驗和知識水平。而定量分析則是以中產生的交通出行客流量數據的歷史數據為依據，在掌握大量的歷史數據的基礎上通過建立一定的數學模型來對交通出行客流量數據變化趨勢進行模擬，從而利于該數學模型來對交通出行客流量數據進行預測，該方法更具有客觀性和科學性。關于交通出行客流量數據預測方法及其應用研究，我國學者分別基于不同的需求做了相關的研究，提出不同的預測方法；胥悅紅，顧培亮[1]等提出基于BP神經網絡的產品交通出行客流量數據預測方法，楊玉鳳[2]等則將學習曲線應用到交通出行客流量數據預測中從而給出一種交通出行客流量數據預測方法，戚安邦[3]則在分析了掙值分析中的項目交通出行客流量數據預測方法存在問題和局限性,并有針對性的提出了相應的解決方案。

在關于交通出行客流量數據預測的應用研究方法也得到一些研究成果，各學者分別結合土木項目交通出行客流量數據、機械零件交通出行客流量數據等方面進行交通出行客流量數據預測，并得到較好的預測結果。縱觀現在的交通出行客流量數據預測研究成果可以發(fā)現，雖然交通出行客流量數據預測方法很多，并結合實際應用背景得到的預測成果也取得較好的成果，但總體來說，缺乏基于組合預測的交通出行客流量數據預測方法研究。20世紀60年代科學家J.M.Bates和C.W.J.Granger首先從理論上證明兩種以上單一預測模型通過加權組合后的預測結果精度要遠遠高于每個單一預測結果，組合預測模型能有效克服單個預測模型的精度不夠的局限性[4-6]，從而說明在交通出行客流量數據預測過程中，利用組合預測能有效提高交通出行客流量數據預測的精度，從而為經營預測和經營決策提供更加科學準確的決策參考。本文將結合交通出行客流量數據預測的實際背景，基于組合預測模型建模思想，建立一個可行的交通出行客流量數據組合預測模型，并實證分析該模型的可行性和可操作性，基于TOPSIS的交通出行客流量數據組合預測模型。TOPSIS原理理想解方法[4]（TOPSIS）的原理是通過建立某種測量工具來度量比較數列靠近最理想數列與遠離最差數列的程度，主要原理如下：設有比較數列，，選擇比較數列的理想數列（也稱正理想數列）和最差數列（也稱負理想數列），設正理想數列為，負理想數列為，則比較數列與正理想數列的距離為：而比較數列與負理想數列的距離為則比較數列到理想數列的相對貼近度為一般貼近度越大，則該比較數列越優(yōu)。交通出行客流量數據組合預測建模原理組合預測表示在對交通出行客流量數據進行預測的過程中，先采用幾種單一預測模型進行建模，最后對單一預測模型的預測結果進行加權組合即可得到交通出行客流量數據預測的組合預測結果。下面給出交通出行客流量數據組合預測模型。針對某經營預測過程中的交通出行客流量數據預測，采集該前個月的交通出行客流量數據利用歷史數據，設為，對該歷史數據采用種單一的預測模型進行建模，并運用所建立的模型對其前個月的交通出行客流量數據數據進行數值模擬，設這種單一的預測模型對前個月的交通出行客流量數據數據的模擬數值為，(),設第i種單一預測模型的權重為()，則第（）個月的交通出行客流量數據組合預測模擬數值為通過該模型可以看出，在利用種單一的預測模型進行加權組合后得到的模型即為交通出行客流量數據預測的最終預測模型，稱之為交通出行客流量數據組合預測模型。在利用該模型進行交通出行客流量數據預測的過程中，首先是要選擇適合的單一預測模型，現階段關于預測的模型根據其不同的使用方面，大概有一百多種方法，在交通出行客流量數據預測過程中，應該選擇適合交通出行客流量數據預測的模型來對交通出行客流量數據歷史數據建立模型。其次是在交通出行客流量數據組合預測模型中，關于各單一預測模型的權重的確定，一般組合權重的確定是盡可能的提高組合預測模擬值與原始歷史數據之間的預測精度?；赥OPSIS原理的交通出行客流量數據預測組合權重確定方法在確定交通出行客流量數據組合預測權重的過程中，一般暗含的原理是盡可能的使得單一預測模型的模擬值與實際歷史數據之間的距離盡可能的小，它們之間的距離越小，則說明該預測模型的精度也就越高，相應的在組合預測模型中，則應該賦予更大的權重，基于這樣的原理，下面給出基于TOPSIS原理的交通出行客流量數據組合預測的組合權重確定方法。根據組合權重確定原理，設原始交通出行客流量數據歷史數據序列即為TOPSIS原理中的正理想序列，而負理想序列則不考慮，將各種單一預測模型的交通出行客流量數據模擬序列記為TOPSIS原理中的比較序列，一般來說應該是要求各單一預測模型模擬的交通出行客流量數據數據盡可能的靠近原始交通出行客流量數據歷史數據的距離相近，所以利用TOPSIS的比較數列與正理想數列的距離為()一般來說距離越小，則表示該單一預測方法的重要性越大，所以在計算出該距離之后，以該距離的倒數作為權重的衡量標準，即()對該值進行歸一化，從而可以得到交通出行客流量數據組合預測的組合權重向量，其中()運用該方法確定的交通出行客流量數據組合預測權重不僅計算簡便，而且能刻畫各單一預測模型模擬數據序列與原交通出行客流量數據歷史數據的距離和趨勢變化相似度，所以該方法是可行的。模型精度檢驗方法建立交通出行客流量數據組合預測模型的最終目標是為了能準確的對交通出行客流量數據進行預測，要提高交通出行客流量數據預測的準確度，最主要的是要檢驗模型的預測結果，一般預測模型的精度越高，則交通出行客流量數據預測值就越可信，而且對于模型的選擇，并不是任何一個預測模型都能進行交通出行客流量數據預測的，只有滿足預測精度的交通出行客流量數據預測模型才能用于的交通出行客流量數據預測，一般平均相對誤差是最長用于檢驗預測模型精度的標準，平均相對誤差計算公式為：當（一般a取1%~5%之間）時，則可以認為所建立的交通出行客流量數據預測模型為合格模型。3.4交通出行客流量數據組合預測實例分析現階段需要了解本的交通出行客流量數據變化趨勢，采集到前七個月的交通出行客流量數據歷史數據為（單位：萬元）現在對該的交通出行客流量數據歷史數據建立預測模型，首先選擇回歸預測，考慮到歷史數據的走勢如圖：通過該圖可以看出，該交通出行客流量數據的變化趨勢呈直線性，所以選擇一元線性回歸得到回歸預測模型為：利用該線性回歸模型對該九個月的交通出行客流量數據數值進行模擬得到模擬序列為：采集模擬數值的前七個數據與原始數據計算其平均相對誤差為同樣的原理，利用灰色預測模型來對該交通出行客流量數據歷史數據建模，得到灰色預測的響應式為利用該響應式進行預測該九個月的交通出行客流量數據，并對其進行一次累減得到利用GM（1，1）模型得到的交通出行客流量數據預測模擬序列為：采集模擬數值的前七個數據與原始數據計算其平均相對誤差為采用指數平滑預測模型(其中平滑參數)同樣可以計算出該的交通出行客流量數據預測模擬序列:采集模擬數值的前七個數據與原始數據計算其平均相對誤差為通過對三種單一預測模型的精度檢驗可以看出，的數值均小于，可見三種單一預測模型的精度達到了要求，下面給出基于TOPSIS的組合權重確定方法，分別計算從而由公式計算得到則有權重計算公式得到三種單一預測方法的權重為：對三種單一預測模型進行加權計算得到組合預測模擬序列為：采集模擬數值的前七個數據與原始數據計算其平均相對誤差為通過比較交通出行客流量數據組合預測的平均相對誤差比單一預測模型的平均相對誤差都小，所以本文所建立的交通出行客流量數據組合預測模型能有效提高交通出行客流量數據預測的精度，而且是可行的，所以該未來兩個月的交通出行客流量數據預測值為，即表明第八個月的交通出行客流量數據為108.1811萬元，而第九個月的交通出行客流量數據大概為116.1802萬元。交通出行客流量數據預測是指利用科學的理論和方法來預計和推測經營中可能發(fā)生的交通出行客流量數據數量，在交通出行客流量數據預測過程中，應該建立科學合理的預測精度較高的預測模型。本文著重從定量分析方面來對交通出行客流量數據進行了分析和預測，但是的過程不僅僅是和以往的歷史數據有關，還和所處在的環(huán)境有關，因為是在社會中存在的，所以中間存在很多的不確定因素和未知的事情發(fā)生，所以在對交通出行客流量數據預測的過程中，數量預測模型只能大概的給出交通出行客流量數據的可能取值，只能作為交通出行客流量數據估算的一個決策參考，還必須結合本內部實際環(huán)境和因素以及周圍的外部影響因素綜合分析，來給出更準確的交通出行客流量數據預測。本文所建立的基于TOPSIS的交通出行客流量數據組合預測模型首次將組合預測引入到交通出行客流量數據預測過程中，有效提高了交通出行客流量數據預測的精度，從而充實了交通出行客流量數據預測的理論體系，同時也擴展了組合預測的應用范圍。四四階段法交通量預測模型中存在的問題4.1建立條件與實際的道路交通并不一定完全符合道路等級較低的交通量預測常常采用直線回歸或是線性回歸等方法。但對高等級道路,大多采用現代交通規(guī)劃理論中的交通需求預測—四階段法進行,即交通發(fā)生預測、交通分配預測、交通方式分擔預測、交通分配預測。但四階段法的交通分配模型的建立條件與實際的道路交通并不一定完全符合。4.2對交通流.的近似假定在四階段的交通分配模型中,都是以這樣的假定為前提條件的,即OD間的OD交通流量都是穩(wěn)定不變的。每組OD間的交通量均是常數。只有在這樣的前提條件下,才會有道路網的“平穩(wěn)性”,前面所述的各種交通分配方法才可能成立。如果OD交通流量是隨時間變動的,網絡便達不到模型假定的那種平衡,前述的各種分配方法都將無法進行。而在現實的道路網中,OD交通流量每天都在變化著,并且同一天中的不同時間段也是在變化著。因此,實際的交通量都是動態(tài)的。在動態(tài)交通流量下,前述的各種以靜態(tài)為前提條件的分配方法都變的“無能為力”。在實際道路網的交通量分配中,為了處理這種現象,一般以一天為單位,對一天中的平均交通流量進行分配,而得到每條道路一天的平均流量。這種方法雖然在一定程度上是可行的,但同時會產生兩個問題:一方面的問題是交通分配問題是一種非線性問題,用一天的平均OD交通流量進行分配得到的結果與用實際的動態(tài)OD交通量進行分配得到的結果肯定有所差異。因此,平均的方法是近似的;另一方面的問題是在實際的道路網規(guī)劃中,有時不只是需要一天的平均情況,而且需要知道某個特定時間段的道路交通狀況,例如早晚上下班時間段的擁擠狀況,而靜態(tài)交通量分配模型無法推定某個特定時間段的道路網狀況,基于諸如此類的原因,很有必要建立能處理動態(tài)OD交通量的模型,即動態(tài)交通量分配模型,來解決目前這些問題。4.3出行者路徑選擇方法的假定在交通量分配模型中,假定道路網的出行者都知道道路網中各條路線的擁擠狀況和所需行走時間,并且所有的出行者都會選擇從起點到終點的最短路徑,即具有相同的選擇標準。但在實際過程中,一方面并不是每一個道路出行者都完全知道路網上交通流量的狀態(tài),只有那些經常利用道路網的人才有可能知道,那些不常利用的人則不知道,他們不得不靠其它方式(地圖、路標)來選擇路線;另一方面,人們選擇道路的原則并不一定是行走時間最短,也可能還有許多其它影響因素。因此,在交通量分配模型中也有必要進一步考慮路徑選擇的問題,將路徑選擇與交通量分配的研究很好地結合起來。4.4交通網絡的局限性分配中使用網絡的局限性有以下幾個方面:道路網中的有些小的道路被省略了。在道路變得十分擁擠的情況下,有些道路網出行者可能會離開干線道路,走那些狹窄的小道,即狹窄的小道也可分擔一部分交通量。因此,要網絡中簡化掉小道有可能使干線道路的分配交通量大于實際交通量。但在實際交通量分配過程中,不可能把所有的道路都考慮進去。5城市交通出行宏觀客流預測改進對策5.1在分配中,總是將道路網規(guī)劃分成若干個區(qū)域,每一個區(qū)域作交通量發(fā)生和吸引的出發(fā)地和目的地一般情況下,每一個區(qū)域都是由若干條道路和節(jié)點組成。在實際道路網中,交通量一般是在區(qū)域內均勻地發(fā)生和吸引。因此,在交通分配模型中,OD交通量應該從區(qū)域的所有節(jié)點上均勻發(fā)生。但在目前的交通量分配模型中,都是將OD交通量集中在區(qū)域的某一點—中心節(jié)點上發(fā)生和吸引。即假定OD交通量是從一個區(qū)域內的某一點到另一個區(qū)域內的某一點的交通量。這樣造成的誤差是接近該點的路線上將可能被分配到多于實際流量的交通流量,而遠離該點的路線上分配的交通流量則較少,遠遠少于實際流量的交通流量。如果被劃分的區(qū)域較小,(下轉第6頁)馮勇創(chuàng)建學習型交通建設工程造價管理站全省內試行。另外省廳將擬文下發(fā)至各業(yè)主單位,讓各業(yè)主在各自所管轄的工程中,認為需測定的定額項目,及時上報省廳,然后由造價站安排專人測定。③加快養(yǎng)護定額編制工作。隨著我省公路管養(yǎng)體制改革的進一步深化以及為了適應下一步養(yǎng)路費費稅改革,編制青海省公路養(yǎng)護定額是十分必要的。為了做好此項工作,我站對數據的收集,測點的布設等做了具體安排,全省分六個片區(qū),設40個測點進行數據采集。2X()2年至2X()3年兩年共完成數據采集資料132冊,資料覆蓋面達省養(yǎng)干線等級公路里程的68%。目前已完成《青海省養(yǎng)護工程預算定額》和《青海省養(yǎng)護工程預算編制辦法》初稿,待廳審查后發(fā)布執(zhí)行。(2)配合有關部門做好建設項目的前期工作,及時準確地審查工可估算、設計概算、施工圖預算,以及增做及變更費用。建設項目的前期階段是有效控制工程造價的主要階段,該階段的費用計算,既關系到項目決策的正確性和科學性,又關系到項目投資控制能否實現既定目標,有效防止“三超”現象的發(fā)生。處理好工程設計與工程經濟、技術先進與經濟合理的關系。做為造價管理部門,應嚴格工程變更和增做工程費用的審查,由于我省工程施工期短,有些工程在施工圖設計未出來前,在初設階段就開始招標,等工程開工后發(fā)生較大的變更和增做費用。另外,公路在測設時由于設計深度不夠,導致在工程實施階段,出現大的變更增做。我站要會同建設主管部門、設計單位、業(yè)主以及邀請的專家一道在現場進行查看,開會研究方案,等方案確定后由我站核定新增的費用,重大變更設計方案必須經過技術經濟比選,并按審批權限根據省廳下發(fā)的設計變更管理辦法上報審批后組織實施,嚴格控制變更工程費用。5.2認真分析不同地區(qū)、不同項目的建設成本,切實把工程造價核定在一個合理的范圍內建設項目最終的實際造價是在實施階段的市場競爭中形成的。根據市場經濟的逐步完善,由法定性向指導性轉變,由市場競爭來形成價格已成必然?，F在我省在公路工程招標中大部分已推行無標底招標,我們把目前的招標方式叫業(yè)主控制價下的綜合評標價法評標方式。超出業(yè)主控制價的報價不參與最佳標價計算,在業(yè)主控制價范圍內的所有報價的平均值乘以0.95一1.0的系數為最佳評標以此計算報價分。不同的企業(yè)有不同的建設成本,同樣的工程在不同的地區(qū)成本也不一樣,怎樣才能使造價維持在一個比較合理的水平上,真實地反映建筑成本與施工利潤之間的內在聯系。我們將近年來已實施或正在實施的項目建立了工程造價數據庫,針對近年來招標當中各投標人的投標價,對每一項工程單價進行認真分析和對比,制定出每一項工程的單價范圍,繪制出價格回歸曲線,分析出不同地區(qū)、不同項目的建設成本。通過建立工程造價數據庫,切實把工程造價核定在一個合理的范圍內。5.3加快公路工程造價管理信息化進程目前我省公路造價管理信息化工作還處于低水平,每年發(fā)布四期公路工程造價信息。但沒有及時發(fā)布物價跌漲走勢,給工程造價動態(tài)管理增加了難度。下一步一是要提高信息發(fā)布的及時性。二是在公布西寧、格爾木、德令哈三市的基礎上還要擴大公布的覆蓋面。三是要建立公路工程造價管理信息網,加強信息交流。5.4做好公路工程造價人員執(zhí)業(yè)資格管理工作公路工程造價人員資格認證工作開展已五年了,我省培訓的甲乙級資格人員已達100多人。但我省目前還未實行持證上崗制度,今后我們將多舉辦公路工程造價人員資格培訓班,為我省造價人員持證上崗打好基礎。收集近年來國家、交通部以及我省有關工程造價的法規(guī)性文件,整理編制《青海省公路工程造價管理文件匯編》。5.5做好造價人員的業(yè)務技術培訓工作造價人員不但要對所從事的工作業(yè)務熟練精通,更主要的是要全面掌握新知識。造價人員不僅要懂造價的編制也要懂設計,進行設計工程量的準確計算、設計方案的比選等。創(chuàng)建學習型工程造價管理站,就是要求我們在學習當中和自身工作實際緊密結合,形成學習共享與互動的氛圍,不斷深化工程造價管理工作,進一步開創(chuàng)工程造價管理的新局面。這種誤差會相對小一些,但若區(qū)域劃分過小則計算時間會成倍增加,影響預測效率。最后一個誤差是對于行走時間函數的簡化。交通量分配模型中的行走時間函數一般涉及到兩個變量,即路段交通量和交通容量。但實際道路中影響行走時間的遠不止這兩種因素。道路的幾何形狀、坡度以及信號控制狀況等都會對行走時間有所影響。但交通量分配模型中不可能將這些因素全都考慮進去。綜上所述,交通分配的研究與應用雖已取得相當成熟的成果。但在實際道路交通的分析中,做為一個主要的必不可少的階段,仍然存在一定的問題,有待進一步改進。六總結本文通過分析水運交通的特點，重在研究水上交通量的預測方法，通過水運交通規(guī)劃的角度，第一次將公路區(qū)域交通量的四階段預測理論應用于交通出行客交通量預測。作為水運交通規(guī)劃和管理的組成部分，交通出行客交通量預測結果的合理性、可靠性直接影響水運工程項目的投資和效益，是制定未來水運發(fā)展戰(zhàn)略、合理利用資源、充分發(fā)揮水運設施的效益的重要參考資料。長期以來，交通出行客交通量的預測只是沿用單一的預測方法去解決問題，但是任一航道都是所處水域中航道網的一部分，它既與整個水域的總體交通出行客流量有關，還受周邊航道狀況的影響，若不建立它們之間的聯系，僅僅運用單純的預測方法是很難得到客觀科學的預測結果。因此，在航道交通量的預測中，運用公路上四階段交通量預測法中整體性、系統性和相關性的預測思路，以適應航道網復雜性和關聯性。本文主要研究結論如下:1)本文建立了一個完整的交通出行客交通量四階段預測模型，將貨運量和交通出行客交通量聯系起來，同時考慮研究水域的整體情況，如當地經濟發(fā)展情況，產業(yè)結構和發(fā)展政策等，使預測結果盡可能趨于實際情況。2)本文對船型發(fā)展預測做了詳細的研究。首先從船型發(fā)展的情況進行分析，了解了船型發(fā)展的趨勢，包括交通出行客種類和交通出行客的尺度。為了消除混合交通量的差異，在預測過程中提出標準船型的概念，簡化預測過程，得到標準交通出行客交通量。然后利用船型發(fā)展預測模型預測尺度不同的船型數量在航道未來交通出行客總量的占有率，最終目的是為了根據已知的標準交通出行客交通量，求得不同船型的未來的流量。3)在對深圳的銅鼓航道進行貨運量生成預測時，針對歷史數據資料的特性，采用不同的預測方法進行預測，根據預測精度和適應性的不同，選擇精度較高且適用性較好的方法，采用權值的方式，綜合預測結果。4)在對深圳的銅鼓航道進行實例分析預測時，針對該水域的航道網結構較為簡單，由于自然環(huán)境和航行距離的限制使各航線線路相互替代性較弱的特點，本文沒有做交通出行客流量分配這一步。5)本文對深圳的銅鼓航道的狀況實際的分析，并預測了航道的交通出行客交通量，說明了本文提出的“基于四階段法的交通出行客交通量預測方法”的合理性和可行性，希望本文提出的模型對今后的交通出行客交通量預測工作有所幫助和提高。本文根據水路運輸與公路運輸的相似點以及其自身的特點，構建了一個適合水上交通出行客交通量預測的四階段模型。本文將四階段法引入航道交通出行客流量的預測中，其整體性、系統性和關聯性的思想主要體現在貨運量生成預測和貨運量分部預測這兩個階段。本文在研究交通出行客交通量分配預測的時，第一次將優(yōu)化航道交通量的這一水運交通規(guī)劃思想加入到交通出行客交通量的預測中，更進一步為水運交通的規(guī)劃和管理提供了依據。本文研究只是課題“交通出行客交通量預測方法研究”的一部分，僅僅在基于我國航道交通出行客交通量預測研究現狀的基礎上建立了一個通用的交通出行客交通量四階段預測模型。關于交通出行客交通量預測方法及相應的理論研究，還可以在很多方面加以研究和探索。四階段預測法雖然是是宏觀和微觀相結合的預測方法，但是最后求的交通量和實際交通量不一定一致。這是因為航道斷面的劃分情況會影響到水域航道網的簡化，而且各階段模型的標定是以大規(guī)模的貨運量和交通出行客流量的調查為基礎的，若搜集的預測資料不足，會影響預測的精度。而要收集到大量的相關數據需要經常組織OD調查，要耗費大量時間和費用。但如果可以利航道上的觀測站長年觀測交通量數據，就能節(jié)省時間和調研成本，而且可以提高預測精度。雖然四階段預測方法在實際工程中利用的最多，但只要預測過程中利用的是集合模型，如果沒有多年的資料積累，