张天然∣基于出行的交通需求模型改进实践：以第二代三角区域模型为例

自20世纪50年代芝加哥区域交通研究(Chicago Area Transport Study, CATS)开展以来，基于出行的模型(Trip-Based Model, TrBM)即四阶段模型(Four-Step Model, FSM)仍然是交通行业实践中最主要的交通需求建模理论，针对四阶段模型的优化研究也从未停止。如D. Boyce 等^[1-3]通过迭代反馈减少了四阶段模型各阶段不一致的影响。R. Ewing 等^[4]提出引入“4D”变量的四阶段模型结构，“4D”即用地开发强度(Density)、用地或人口和就业岗位多样性(Diversity)、交叉口密度等城市形态的设计(Design)、目的地可达性(Destination Accessibility)。J. D. Fricker 等^[5]开展了土地利用和交通模型一体化研究。整合土地利用和四阶段模型方法的分析工具TRANUS^[6-7]、PECAS^[8]、MUSSA^[9]等也被开发出来，并应用于交通行业实践。

与四阶段模型相比，在理论框架上有根本性突破的交通规划模型包括：出行链模型^[10](Tour-Based Model, TBM)、非集计的活动模型^[11-14](Activity-Based Model, ABM)和智能体模型^[15-16](Agent-Based Model, AgBM)等。过去十几年，美国很多城市尝试这些新的理论框架，出行链模型和非集计的活动模型逐渐从理论转向实践。在中国，很少有城市将这些模型投入实践，如何选择四阶段模型、出行链模型和非集计的活动模型成为新建模型关注的主要问题。

尽管基于出行的模型在理论上存在一定局限性^[17]，但因其结构简单、数据需求少、运行高效且可以满足大部分场景中交通需求解析的要求，仍然是目前使用最广泛的交通需求建模理论且一直在发展和优化。在四阶段模型中引入部分出行链模型和非集计的活动模型建模思路，进而设计和开发混合交通需求模型(Hybrid Travel Demand Model)，可以增强对出行活动的可解释性，同时避免完全采用非集计的活动模型所面临的复杂性和计算效率问题。本文以第二代三角区域模型(Triangle Regional Model Generation 2, TRMG2)为例，探讨在基于出行的交通需求建模中使用部分高级出行需求建模方法的开发和实践，并讨论对中国城市交通需求模型开发的启示。

本文的案例区域为美国“三角区域”(Triangle Region)。三角区域位于北卡罗来纳州的罗利(Raleigh)、杜勒姆(Durham)和教堂山(Chapel Hill)3个主要城市之间的交接地带，被北卡罗来纳州立大学、北卡罗来纳大学教堂山分校和杜克大学三所名校环绕(杜勒姆还有一所北卡罗来纳中央大学)，形状类似一个不规则的三角形，该区域以罗利-杜勒姆国际机场(Raleigh-Durham International Airport)和与“硅谷”齐名的高科技产业园区“科研三角园”(Research Triangle Park, RTP)为中心(见图1)。

图1 三角区域区位示意

三角区域模型(Triangle Regional Model, TRM)是一个不断发展的区域交通规划模型，也被称为区域出行需求模型。三角区域模型的发展经历了两代共7个版本。基于传统四阶段模型理论，第一代模型共开发了6个版本，其中第6版初步完成于2013年，最终版TRMV6^[18]完成于2020年6月。第二代模型于2020年9月启动，第1版完成于2021年11月，最新版本TRMG2 V2.0将于2024年7月底发布。TRMG2的项目管理组织包括1个代建机构——北卡罗来纳州立大学交通研究与教育研究院(Institute of Transportation Research and Education, ITRE)和4个资助机构——北卡罗来纳州交通部、首府地区大都市区规划组织、杜勒姆-教堂山-卡尔伯勒(Carrboro，与教堂山相接的城市)大都市区规划组织和公共交通公司GoTriangle。

TRMG2模型开发维护团队由ITRE“系统规划和工作组”中的三角区域模型服务局(Triangle Regional Model Service Bureau, TRMSB)人员和4个资助机构的交通模型师共同组成。交通规划软件开发商Caliper公司(咨询机构WSP公司配合)负责模型的具体开发，使TRMG2中建模功能和软件得到了更好的结合，有助于建立更高效的交通模型系统。TRMG2在基于出行的交通需求建模理论基础上融合了多项创新技术，为开发高精度交通模型提供了很好的借鉴。

在美国很多城市都在开发非集计的活动模型基础上，TRMG2采用了多个非集计高级出行需求建模模块，包括人口合成(仿真)、小汽车拥有模型和决策树等，用以预测个人的出行生成，在很多方面具备非集计的活动模型的特点。因此，相比于其他基于出行的交通需求模型，TRMG2具有诸多先进性，例如对可步行性、停车成本和可达性等特征以及丰富的人口统计变量的敏感性。

TRMG2的集计模块改进了出行需求建模流程：1)在分层目的地选择模型中，出行者首先选择其目的地所在的地理分区(地带)，然后进一步选择确定目的地交通小区。使用更高层次的地理分区有助于捕捉区域内的共同特征以及区域人员对其他区域的熟悉程度。2)目的地选择模型也与出行方式选择、停车选择相关。出行方式选择模型加入了网约车、其他商用汽车等新型交通方式，如出租汽车、租车以及优步(Uber)和来福车(Lyft)等；停车选择模型引入了目的地以及停车位的数量和价格变量，通过在小汽车出行的效用中包含停车选择模型的对数和(LogSum)，使得出行方式和目的地选择能较好地反映停车因素。3)与传统基于出行的建模方法不同，TRMG2中非基于家(Non-Home-Based, NHB)出行行为受基于家(Home-Based, HB)出行模型影响，相当于考虑了非基于家出行活动的前一次活动目的地和交通方式，进而更准确地预测出行。4)TRMG2将一天的活动划分为4个独立时段(早高峰、日间平峰、晚高峰和夜间)，并为每个时段单独执行反馈。使用独立分时段的迭代反馈可以得到更为准确的出行时间、成本等指标，更好地支持出行行为选择。

TRMG2开发采用TransCAD软件，使用GISDK进行二次开发，通过流程图实现模型的运行逻辑展示、模型运行所需要的输入输出条件及参数设置。流程图的展开和折叠功能既可以为普通用户提供“黑箱”式一键操作，又可以为模型开发用户提供“白箱”式输入输出修改和参数调整功能(见图2)。

图2 TRMG2流程图

TRMG2既是一个基于出行的交通需求模型，又是一个集计和非集计融合的混合模型，其模型结构如图3所示。TRMG2模型结构的特色主要体现在4个方面：1)在传统四阶段集计模型基础上强化了人口合成(Population Synthesis)，为非集计建模提供了更加精细的输入条件。2)建立了一种改进的基于出行链的出行生成模型，针对基于家和非基于家出行分别采用非集计和集计的处理方法，并考虑了非基于家出行与基于家出行的空间联系。3)建立了一种基于城市空间的目的地选择模型，增强了对出行活动的可解释性。4)在传统交通模型网络评价指标矩阵(时间、距离、费用、换乘、票价等)基础上增加了可达性指标，更精细地刻画交通基础设施对出行行为和出行模式的影响。此外，模型结构中针对大学、机场等特殊吸引点以及货车/商用车和对外出行需求构建了专门的模块，形成了完整的区域客、货运出行系统。

图3 TRMG2模型结构

基于出行链的出行生成模型中引入了丰富的个人属性。人口合成是基于家庭和个人信息及相关变量约束条件的个体构造方法，用于生成非集计模型的个体数据，也是非集计的活动模型等高级模型必不可少的步骤。TRMG2采用TransCAD 9.0所提供的基于增强的迭代比例更新(Iterative Proportional Updating, IPU)算法模块实现人口合成。IPU算法源自Ye X. 等^[19]的研究，成功应用于人口合成专用软件PopGen。然而，传统非集计的活动模型中人口合成耗时通常较长，如J. E. Abraham等^[20]提供的研究案例运行耗时约11 h。增强IPU算法通过一维多层关联边界约束条件丰富了替代种子的选择可能性，克服了IPU原型算法的单层约束收敛条件对种子要求过于苛刻的问题，在一定程度上相当于松弛了条件变量，提升了运行速度。

增强IPU算法已成功应用于拉斯维加斯内华达州南部地区交通委员会(Regional Transportation Commission for Southern Nevada)模型以及加州中海岸ABM模型。案例结果显示，增强IPU算法不仅与一维边界约束(尤其是人)的匹配非常接近，而且从合成中观察到的联合分布也非常合理。与使用IPU原型算法或其他优化方法所显示的类似规模问题相比，增强IPU算法运行耗时降低了90%^[21]，例如TRMG2中使用增强IPU产生731 913户家庭和1 783 548人的过程仅耗时约2 min。因此，增强IPU算法在耗时显著减少的基础上保持了较高的拟合精度，较非IPU算法具有质的提升(见图4)。该算法最近在上海的ABM^[22]模型中亦得到成功应用。

a 儿童数量

b 65岁以下成年人

图4 增强IPU和非IPU算法计算结果比较

从模型结构看，TRMG2采用了集计和非集计相结合的出行链模型作为出行生成模型。将出行按出行目的区分为基于家和非基于家两大类，并分别构建出行链，同时改变传统模型基于家和非基于家并列计算的方式，建立了基于家和非基于家出行的顺序关系(见图5)；运用马尔科夫链(基于转移概率)实现了出行方式由基于家出行活动向非基于家出行活动的顺序传导，使得个人出行链更加完整也更加符合实际，同时确保非基于家出行与基于家出行的空间和交通方式的一致性。例如，如果有更多的某区域的基于家出行，将产生更多的该区域及其周边地区的非基于家出行；如果这些基于家出行是小汽车出行，则更多的非基于家出行也是小汽车出行。

a 传统模型

b TRMG2

图5 出行活动分析结构对比

注：HBW代表基于家工作；HBS代表基于家上学；HBO代表基于家其他；HB代表非基于家

从出行行为解析看，TRMG2中出行生成模型的目标是确定每个人在一天中有多少次出行。与传统的出行生成模型不同，TRMG2不直接计算交通小区吸引量，与之相反，是将目的地选择模型估计就业系数作为规模项的一部分，其功能类似于出行吸引。此外，TRMG2出行生成模型是个体层次的模型，且个人的详细信息(如年龄、职业等)以及家庭和地理位置等特征都可以直接用于预测。

出行产生建模方面，在尝试各种形式的广义线性模型(Generalized Linear Model, GLM)和逻辑回归模型之后，TRMG2采用决策树(Decision Trees, DT)模型。与传统方法相比，决策树模型具有更强的预测能力，且更易于理解和解释出行行为。在决策树中，每个节点都列出了平均出行产生率以及该节点所代表的人口百分比。图6为基于家的工作出行产生决策树，首先判断分析对象是否是工作人口，然后进一步根据分析对象属性预测出行产生率。从图中能够看到整体的平均出行产生率(树的顶端)，以及根据分析对象属性细分而发生的出行产生率变化。

图6 基于家的工作出行产生决策树

注：is_worker代表是否为工作者，age代表年龄，oth_kids代表家庭中其他儿童数量，oth_wrkr代表家庭中其他工作者数量，oth_senior代表家庭中其他老年人(>65岁)数量。

总体来说，基于家和非基于家出行的顺序结构增强了个体出行行为的连续性，使得个人出行链更加完整；而基于决策树的出行生成结构引入了更多的出行者个人信息，使出行生成更具可解释性。

TRMG2将分层Logit模型应用于基于家出行目的地选择，目的地交通小区的选择是以目的地地带的选择为条件^[23]。分层Logit模型因解决了多元Logit模型假设各选择肢之间相互独立(Independence of Irrelevant Alternative, IIA)的问题被广泛应用于出行方式划分。使用分层Logit模型能解决具有空间自相关的备选目的地之间的同质性问题，这已受到学术界的关注和重视。随着近年来计算能力的提升，分层Logit模型用于目的地选择^[24-25]的可行性得到证明。然而，由于计算的困难性和空间分层结构的任意性，分层Logit模型在目的地选择模型实践中应用较少。

引入基于城市空间的分层目的地选择模型的TRMG2在美国首次实现系统的实践应用。三角区域具有显著的多中心特征，是测试空间分层目的地选择的理想案例。TRMG2模型工作组与当地相关城市规划和交通研究机构协商，最终划定了12个地带(见图7)。分层目的地选择模型在该案例中表现优越，模型结果对出行活动的解释能力具有较强的普适性，可使用于一般城市空间结构情形中。

图7 美国三角区域用于空间分层的12个地带

可达性是衡量出行者到达可以从事必要和期望活动地点的交通能力的指标，是出行的平均或预期成本，影响出行行为的许多方面，因此很多高级出行模型均考虑该变量。不同出行者的可达性变量会存在一定差异，TRMG2中选择交叉口进口道密度、基尼-辛普森指数、公共汽车站邻近性、可步行性、高峰时段网约车等待时间、对数和(Logsum)可达性6个可计算指标刻画不同类型的可达性特征。

1）交叉口进口道密度。

交叉口进口道密度呈现了网络的连通性，也间接表示了交叉口密度。交叉口密度越大，行人过街越容易。因此，交叉口进口道密度是步行可达性的重要衡量标准。统计网络中与每个节点连接的街道数量(至少有3个连接街道才成为交叉口)，连接路段中通行方向进入交叉口节点的路段称为交叉口进口道。在每个区域内，将进口道的总数除以区域面积，可以得到该区域交叉口进口道密度指标。

2）基尼-辛普森指数。

基尼-辛普森指数是一种用于衡量社会科学中多种现象的多样性指标。在TRMG2中，该指数用于衡量一个区域内土地利用的多样性或混合利用程度，可以认为是一种从用地角度出发的区域内可达性度量指标。本文中基尼-辛普森指数是交通小区i内的出行终点或活动点两个地方属于不同类型用地类型集合G的子类型s的概率，计算公式为

式中：I_i为基尼-辛普森指数；G为出行吸引用地类型集合，包括居住地、工作地和其他三种；s为用地子类型；g_i,s为交通小区i用地类型s的出行吸引量/人次。

3）公共汽车站邻近性。

公共汽车站邻近性为公共汽车站1/4英里(约417 m)范围覆盖的交通小区面积占交通小区面积的比例。

4）可步行性。

对每个交通小区应用二元Logit模型，确定源自该交通小区的步行出行意愿，其效用函数

式中：α,β,γ为变量参数；D_app为交叉口进口道密度/(个·英里^-2)；D_attr为区域出行吸引密度/(人次·英里^-2)；I_gs为基尼-辛普森指数；θ为常数项。

5）高峰时段网约车等待时间。

高峰时段网约车等待时间为高峰时段使用网约车时的平均排队等待时间。

6）对数和可达性。

对数和可达性可以被视为加权平均可达性，是出行时间总和的对数。计算公式为

式中：A_i为区域i的可达性；S_j为交通小区j的出行吸引量/人次；t^ijm为交通方式m从交通小区i到j的出行时间/min；φ,ω为模型参数。

针对不同对象、不同区域和不同交通方式，TRMG2利用不同的指标进行可达性计算和评估(见图8)，以提升出行行为高级建模方法的针对性。为了实现交通与土地利用的互动反馈，美国一些交通需求模型引入了“4D”变量；针对可达性，又分为公共汽车、步行和自行车、小汽车等不同交通方式。因此，TRMG2在可达性方面有所拓展。

a 交叉口进口道密度

b 基尼-辛普森指数

c 公共汽车站邻近性计算示意

d 公共汽车站邻近性结果展示

e 可步行性

f 高峰时段网约车等候时间

图8 可达性指标评价示意

三角区域模型的发展和应用可以为中国城市交通需求模型开发提供以下借鉴。

1）工作机制制度化。

三角区域模型已经发展两代共7个版本。2007—2021年共开发4个版本，平均3年左右发布一个新的版本。三角区域模型依托信息系统得以推广应用，持续、稳定、周期性的更新和维护保证了模型质量并使其不断优化。中国城市交通需求模型并未完全普及，能够建立更新维护机制的城市更为有限。作为城市交通规划工作的子方向，交通需求模型同样面临非法定的尴尬现状。相比之下，美国交通部^[26]自20世纪60年代对模型和使用的软件进行规范化和制度化值得借鉴。

2）模型开发精细化。

三角区域模型的精细化体现在多个方面，其中功能模块组成和数据处理尤为突出。TRMG2包含四大板块21个模块(见表1)，提供了丰富的功能和应用场景。数据处理方面包括人口合成和可达性模块，大学出行、机动车拥有、机场枢纽出行和商用车/货车等模块，以及2016年和2018年两次居民出行调查数据的融合处理方法。此外，网络数据处理过程中利用影像图和矢量地图对TRMV6数据优化的细致说明尤其值得学习，充分体现了模型的更新维护不仅是功能的升级，还是对历史的继承。保持模型的延续性使得通过交通模型实现对城市交通运行状态的回溯成为可能。

表1 TRMG2模块组成

3）模型理论实用化。

在美国非集计的活动模型已经较为流行的状态下，继续坚持开发基于出行的交通需求模型是一种实用主义态度。尽管非集计的活动模型有种种优势，但其运行时耗、数据需求、海量参数仍然是模型开发过程中难以逾越的障碍。针对传统基于出行的模型问题诊断，TRMG2提出了融合集计和非集计方法的混合模型框架，在解决问题的同时也满足了需求，这也正是基于模型理论的实用化。摆脱“四阶段模型无用论”和“唯ABM论”，从数据条件和功能需求出发开发适合自己的高精度模型是中国城市交通需求模型发展的关键。

4）模型成果公开化。

TRMG2的成果在GitHub网站上公开发布^[27]，方便让更多的模型工程师和关心交通模型技术的学者学习、参考，同时帮助发现和解决模型开发中的潜在问题。值得一提的是，除了技术说明书，公开发布的成果还包括模型开发源代码和模型运行所需的输入数据库和参数文件。这不仅是技术的共享，也是模型接受同行监督和保证模型公正性的重要举措。模型运行的结果要经受公开的考验，无疑对模型成果质量和精度提出了更高的要求。当下，中国城市交通需求模型的质量常常受到质疑，一方面是因为交通预测精度偏低，另一方面很大程度上在于模型被认为是“黑箱”。适度开源、打开“黑箱”有助于更好地建立监督机制，减少交通需求模型“拼凑(Synthesized)、借用(Transferred)和编造(Made up)”^[26]，实现模型的自证。

20世纪80年代，交通需求模型技术进入中国，到90年代，北京、上海、广州等城市借助世界银行贷款项目，陆续培养了本土化的交通需求模型开发和维护团队，对中国城市交通需求模型的发展起到了促进作用。经过近40年的发展，中国城市在交通需求模型开发和技术应用方面取得了长足的进展，在部分关键技术应用方面形成了自主成果，但未来仍旧任重道远。交通需求模型工作只有在少数法定或有决策博弈的场景中才能被大家看到，如轨道交通客流预测、轨道交通线路和高(快)速路方案比选客流和车流预测等。同时，“非法定”的定位也使得大多数城市在交通需求模型工作方面投入有限，导致模型精度难达预期。当前，交通需求模型迫切需要“自证”以改变定位，而TRMG2提供了很好的借鉴——工作机制制度化、模型开发精细化、模型理论实用化、模型成果公开化将成为一种行之有效的路径。

在交通需求模型管理机制上，TRMG2由州交通部、两个跨行政区域协调机构和公共交通公司共同出资，并由统一和稳定的模型维护管理机构托管，实现了工作机制制度化、模型成果公开化。当前中国有的城市出现了规划和交通系统多个模型建设，虽然不同管理部门对模型的应用重点有所差异，但是在交通调查和数据采集、模型开发和维护方面也存在一定的重复。另外，随着都市圈规划工作的开展，跨行政区域的模型协调机制亟待建立。要解决以上两个问题，TRMG2的组织管理模式也值得借鉴。

随着模型技术的进步，北京、上海、广州、武汉、无锡等城市正在探索非集计的活动模型和出行链模型等高级模型的研发和应用。构建四阶段模型还是一步到位构建高级模型是当前新建交通需求模型的城市正在面临的问题。从本文研究案例可见，先建立基本模型、再探索高级的模型是合适的路径。四阶段模型及其引入部分非集计的活动模型和出行链模型要素的混合交通需求模型，一直在进行改进并能解决很多实际问题。本文介绍的TRMG2是针对传统模型的改进，进一步融合了集计和非集计方法，具有较好的实际应用价值，可以为中国城市新建和改进交通需求模型提供经验借鉴。

《城市交通》2024年第4期刊载文章

作者：张天然，陈先龙，朱春节，王波