论文部分内容阅读
网络均衡问题是城市交通需求管理的核心内容，网络均衡状态实质上是一定时空范围内服从某种决策规则的个体出行者在道路网络上的集计体现。对个体出行者路径选择决策的分析和建模，是城市交通规划、道路收费等交通管控措施实施与评价的重要基础。同时，城市道路交通环境受许多因素的共同影响，并且这些因素不断发生变化，这就导致出行者每天的出行环境实际上处于多因素的扰动之中，如天气变化、交通事故、道路施工以及尾号限行等交通管控措施。这些因素的不断干扰致使交通网络出行环境具有不确定性，因此出行时间的可靠性成为影响出行者路径选择决策的重要因素。除外部出行环境的影响外，出行者自身的认知、计算能力以及获取交通信息的不完全性等也将影响其路径选择决策。越来越多的实证研究表明，出行者在出行决策过程中是很难达到“绝对理性”的，“有限理性”是出行者出行选择决策的重要特征。有限理性的出行者在出行决策过程中，往往不是追寻一个出行成本最优的决策方案，而是会选择一个令其满意的出行方案，即选择出行成本在其可接受范围内的方案。此外，路网交通流具有逐日波动的需求特征，路网交通流的逐日波动特征既与交通环境有关，同时也受到个体出行习惯、偏好等决策特征的影响。因此，研究不确定环境下有限理性出行者的逐日路径选择行为，及其对网络交通流动态演化的影响，有助于准确预测未来的网络交通需求和制定合理有效的交通政策。针对以上阐述内容及现有研究的局限性，本文围绕不确定性条件下出行者的路径选择行为展开研究，具体的研究内容如下:
(1)以路径自由流时间或特定限速条件下的走行时间为路径走行时间的下界，给出了考虑边界的路径走行时间的概率密度函数(Probability density function，PDF)，并构建了相应的出行时间预算(Travel time budget，TTB)模型。基于此，进一步比较和分析了截断和非截断的分布形式对出行者预算时间、出行时间可靠性(Travel time reliability,TTR)及其风险厌恶水平的影响。而后，构建了基于可靠性的随机用户均衡(Reliability-based stochastic user equilibrium，R-SUE)模型，并通过数值案例分析出行者的路径选择行为;
(2)在经典随机后悔最小化(Random regret minimization，RRM)模型的基础上，通过引入出行者获益一损失不对称的偏好特征，提出了基于情境的效用函数，并将其内化到后悔函数中，进而构建了考虑出行者损失厌恶的改进的随机后悔最小化(Modified random regret minimization，MRRM)模型，并比较了两个基于后悔的路径选择模型均衡结果的差异性;
(3)通过放松出行者完全理性的假定，考虑出行者可接受的早到和晚到的情形，基于满意决策准则提出了出行者可接受到达(或出行)时间和有限理性置信度水平(Boudedly rational confidence level，BRCL)的定义。在不确定网络条件下，出行者可接受的到达时间指的是网络最短预算时间的无差异区间内的路径走行时间，分别以最短预算时间与晚到阈值之和、最短预算时间与早到阈值之差作为无差异到达区间的上界和下界。可接受的早到和晚到阈值被假定是一个内生的变量，只受出行者预算时间尺度的影响，且出行者对早到的容忍程度较晚到更大。通过以上分析，本文构建了基于可靠性的有限理性交通均衡(Reliability-based traffic equilibrium，R-BRTE)模型，模拟和分析了有限理性出行者的路径选择行为及其对网络性能，如网络总平均走行时间(Total mean travel time，TMTT)、总走行时间标准差(Total standard deviation of route travel time，TSD)及总预算时间(Total travel time budget，TTTB)的影响;
(4)在不确定交通网络环境和出行者有限理性的背景下，为模拟网络交通流的逐日动态波动特征，分别建立了基于TTB和BRCL的逐日动态演化模型。本文认为出行者的逐日路径选择行为包括经验学习和路径调整两个过程。出行者的学习过程主要基于出行者对历史出行经验及预测出行成本的考量，对历史出行经验依赖程度的差异将影响其未来的预测结果;而出行者的路径选择调整不仅受历史出行经验和预测成本的影响，同时也与出行者的决策惯性有关。此外，本文也对动态演化模型的数学特性进行了相关的分析，通过数值实验模拟了出行者的逐日路径选择行为及网络交通流的逐日动态演化特征;
本文针对不确定网络条件下出行者的路径选择行为展开研究，以考虑路径走行时间边界为研究切入点，利用风险价值理论、后悔理论、满意决策准则和非线性动力学理论，分别建立了截断分布条件下的R-SUE模型、MRRM模型、R-BRTE模型以及基于BRCL的路网交通流量逐日动态演化模型。本文的研究有助于预测不确定条件下的网络交通需求和路径成本，为制定合理的交通管理政策提供理论依据。
(1)以路径自由流时间或特定限速条件下的走行时间为路径走行时间的下界，给出了考虑边界的路径走行时间的概率密度函数(Probability density function，PDF)，并构建了相应的出行时间预算(Travel time budget，TTB)模型。基于此，进一步比较和分析了截断和非截断的分布形式对出行者预算时间、出行时间可靠性(Travel time reliability,TTR)及其风险厌恶水平的影响。而后，构建了基于可靠性的随机用户均衡(Reliability-based stochastic user equilibrium，R-SUE)模型，并通过数值案例分析出行者的路径选择行为;
(2)在经典随机后悔最小化(Random regret minimization，RRM)模型的基础上，通过引入出行者获益一损失不对称的偏好特征，提出了基于情境的效用函数，并将其内化到后悔函数中，进而构建了考虑出行者损失厌恶的改进的随机后悔最小化(Modified random regret minimization，MRRM)模型，并比较了两个基于后悔的路径选择模型均衡结果的差异性;
(3)通过放松出行者完全理性的假定，考虑出行者可接受的早到和晚到的情形，基于满意决策准则提出了出行者可接受到达(或出行)时间和有限理性置信度水平(Boudedly rational confidence level，BRCL)的定义。在不确定网络条件下，出行者可接受的到达时间指的是网络最短预算时间的无差异区间内的路径走行时间，分别以最短预算时间与晚到阈值之和、最短预算时间与早到阈值之差作为无差异到达区间的上界和下界。可接受的早到和晚到阈值被假定是一个内生的变量，只受出行者预算时间尺度的影响，且出行者对早到的容忍程度较晚到更大。通过以上分析，本文构建了基于可靠性的有限理性交通均衡(Reliability-based traffic equilibrium，R-BRTE)模型，模拟和分析了有限理性出行者的路径选择行为及其对网络性能，如网络总平均走行时间(Total mean travel time，TMTT)、总走行时间标准差(Total standard deviation of route travel time，TSD)及总预算时间(Total travel time budget，TTTB)的影响;
(4)在不确定交通网络环境和出行者有限理性的背景下，为模拟网络交通流的逐日动态波动特征，分别建立了基于TTB和BRCL的逐日动态演化模型。本文认为出行者的逐日路径选择行为包括经验学习和路径调整两个过程。出行者的学习过程主要基于出行者对历史出行经验及预测出行成本的考量，对历史出行经验依赖程度的差异将影响其未来的预测结果;而出行者的路径选择调整不仅受历史出行经验和预测成本的影响，同时也与出行者的决策惯性有关。此外，本文也对动态演化模型的数学特性进行了相关的分析，通过数值实验模拟了出行者的逐日路径选择行为及网络交通流的逐日动态演化特征;
本文针对不确定网络条件下出行者的路径选择行为展开研究，以考虑路径走行时间边界为研究切入点，利用风险价值理论、后悔理论、满意决策准则和非线性动力学理论，分别建立了截断分布条件下的R-SUE模型、MRRM模型、R-BRTE模型以及基于BRCL的路网交通流量逐日动态演化模型。本文的研究有助于预测不确定条件下的网络交通需求和路径成本，为制定合理的交通管理政策提供理论依据。