交通网络平衡分析：从用户均衡到Frank-Wolfe算法的工程实践

简介城市交通网络平衡分析是交通规划与管理领域的经典课题。这份PDF文档为黄海军所著《城市交通网络平衡分析理论与实践》系统介绍了交通网络拓扑结构、交通流动、时间、速度与容量等核心理论并延伸至交通监控、模拟仿真、优化算法、信息化系统与规划设计等实践层面从基础概念到建模思路层层递进适合交通运输工程专业研究生、城市规划人员及交通管理从业者作为理论参考与研读资料。包体为1个PDF文件体积仅8.1MB但内容结构完整、章节体系清晰便于按需查阅和反复研习。目前已有608人浏览学习。通读后可建立城市交通网络平衡分析的整体认知理解交通拥堵的形成机理与优化方向把握从交通数据采集、仿真预测到规划决策的一体化分析思路为科研选题、课程作业或实际交通规划项目提供理论和方法支撑。1. 交通网络平衡分析到底分析什么先从“加路反而更堵”说起提到交通网络平衡分析很多人的第一反应是“把流量均匀分到各条路上去”。但真实场景恰恰相反1960年代德国斯图加特市中心为了缓解拥堵新修了一段路结果整个路网的出行时间不降反升最后只能把这段路拆掉。这个案例考证起来有争议但它背后的Braess悖论是真的——每个人都按自己的最短路径走最终结果不一定让系统最优。黄海军这本《城市交通网络平衡分析理论与实践》研究的就是把“用户各自选路”这个行为变成一个可求解的数学模型用户均衡、系统最优、路阻函数、Frank-Wolfe算法全在这一套体系里。对做交通规划、轨道交通客流预测、交通影响评价的工程师来说这是绕不过去的底子。2. 从Wardrop原则到Beckmann变换用户均衡的数学底子2.1 用户均衡UE与Wardrop第一原则Wardrop在1952年提出第一原则在用户均衡状态下每一位出行者都选择自己感知行程时间最短的路径任何一个人单方面换路都不会再节省时间。等价的说法是同一OD对之间所有被使用的路径行程时间相等且不大于任何未被使用的路径。这个看似简单的表述构成了交通分配理论的核心。注意这里有个关键点均衡不是说每条路流量一样而是没有出行者愿意换路。就像本章后面的算例里两条路流量可能差一倍但只要没有人通过换路减少时间这个状态就是稳定且自洽的。黄海军这本书把Wardrop原则转成了可求解的数学规划。具体做法是Beckmann变换定义目标函数 Z(x) Σ ∫₀^{f_a} t_a(s) ds在流量守恒约束 Σ f_a q_rs 和非负约束 f_a ≥ 0 下求最小。可以证明这个凸规划的最优解等价于Wardrop第一原则定义的用户均衡。那段积分形式的路段阻抗累加是后面写代码求解时要用到的关键表达式。书里对等价性的证明花了不少篇幅实际做项目不需要每次推导但要知道为什么Frank-Wolfe算法在这个目标函数上能收敛因为Z(x)是凸函数可行域是凸集这是一类可以稳定求解的结构化问题。2.2 系统最优SO与边际成本定价与UE相对的是系统最优。SO的目标不是“没有人愿意换路”而是整个网络总行程时间最小min Σ f_a·t_a(f_a)。这两个概念常被人混用但含义完全不同。UE对应“每个人自己选路”的自然结果SO对应“一个中央调度者强制派路”的结果。在同样的路网和OD下SO给出的总出行时间一定不大于UE。两者差值来自拥堵外部性用户换路时只考虑自己节省的时间不考虑自己增加的路段流量会让别人多花时间。把外部性内部化的理论手段是边际成本收费即对路段a收取 f_a·dt_a/df_a 的拥堵费。若每个路段都按这个标准收费用户均衡就退化为系统最优这就是拥堵收费的理论依据。书中对这两类模型的区别和收费推导讲得系统做拥堵收费和政策评估方案时这一章是核心支撑。2.3 路阻函数BPR函数与参数标定路阻函数描述“流量增加时行程时间怎么变”是整个平衡分析里最敏感的部分。国内工程实践几乎都用BPR函数t_a(f_a) t0_a [1 α (f_a / C_a)^β]参数含义t0_a 是自由流时间C_a 是通行能力α 和 β 是标定系数。默认取值 α0.15、β4 是美国公路局在高速公路数据上标定的。实际项目里这个取值要小心城市快速路一般取 α0.1、β2~3城市主干道 α 可以用到 0.2~0.3、β3~4。做轨道接驳道路网时慢行和公交混行路段建议单独标定别直接套默认值。重点提醒通行能力 C 应该取实际通行能力而不是设计通行能力。设计通行能力是按理想断面算的实际值需要折减车道宽度不足折 0.85~0.95有路边停车折 0.7~0.8公交停靠站影响折 0.9 左右。这一条看起来不起眼但直接决定 V/C 比是否爆表后面避坑章会再展开。2.4 一个两路径算例均衡解是怎么凑出来的理论容易飘配个算例就具体了。假设一个OD对之间只有两条平行路径OD量 q1500路径1t1 10[1 0.15(f1/1000)^4]路径2t2 11[1 0.15(f2/1200)^4]用户均衡要求 t1 t2且 f1 f2 1500。手算思路是先猜一个 f1算两边时间根据偏差调整f1900 时t1≈10.98t2≈11.10路径1时间短说明 f1 应该再大一点f1950 时t1≈11.22t2≈11.07路径2时间短说明 f1 过头了。取 f1≈923、f2≈577 时两边时间都约等于 11.09这就是均衡解。注意两个现象均衡时两条路时间相近但流量差很多流量大的路径1自由流时间低、容量也低但因为自由流优势明显吸走了约六成流量。这说明用户均衡不是“按容量比例分配”而是按阻抗相等原则分配。把它推广到几十上百条路径的城市路网就是一个非线性规划问题需要算法来解这是第三章的内容。3. 把平衡模型跑起来Frank-Wolfe求解一个两路网络3.1 准备数据路网、OD矩阵与阻抗参数一次完整的平衡分析通常要四类数据路网几何节点、路段连接关系、路段属性自由流时间、通行能力、长度、车道数、OD矩阵分方式、分时段、阻抗参数α、β等。做轨道交通相关的项目时OD矩阵要从轨道刷卡数据和道路流量数据融合得到不能只用单一来源这是实际项目里最容易出问题的地方。数据口径建议先统一否则后面全乱数据类型推荐格式常用单位路段流量每路段一行的表格pcu/hOD矩阵起终点二维表pcu/h自由流时间按路段记录小时或分钟通行能力按路段记录pcu/h3.2 一个可运行的Python求解结构这本书讲Frank-Wolfe算法很经典。算法主循环四步更新阻抗、全有全无加载、一维搜索求步长、更新流量。下面用两路径算例做一个可运行的实现# 两路径网络的用户均衡求解Frank-Wolfe算法 # 路段参数: 自由流时间 t0, BPR系数 alpha/beta, 通行能力 cap links [ {t0: 10.0, alpha: 0.15, beta: 4.0, cap: 1000.0}, {t0: 11.0, alpha: 0.15, beta: 4.0, cap: 1200.0}, ] paths [[0], [1]] # 两条路径各由一条路段组成 OD 1500.0 # OD 需求量 def link_time(link, flow): return link[t0] * (1 link[alpha] * (flow / link[cap]) ** link[beta]) def path_time(path, flows): # 路径行程时间 组成路段行程时间之和 return sum(link_time(links[e], flows[e]) for e in path) def all_or_nothing(flows): # 全有全无加载把 OD 全部分配到当前时间最短的路径 times [path_time(p, flows) for p in paths] shortest times.index(min(times)) y [0.0] * len(links) for e in paths[shortest]: y[e] OD return y def objective(x): # Beckmann 目标函数路段阻抗的积分累加 val 0.0 for i, link in enumerate(links): f x[i] t0 link[t0]; alpha link[alpha] beta link[beta]; cap link[cap] val t0 * (f alpha / (beta 1) * f ** (beta 1) / cap ** beta) return val def line_search(f, y): # 在 [0,1] 上枚举步长找使目标函数最小的凸组合 best_lam, best_z 0.0, float(inf) lam 0.0 while lam 1.0: x [(1 - lam) * f[i] lam * y[i] for i in range(len(f))] z objective(x) if z best_z: best_z, best_lam z, lam lam 0.01 return best_lam # 初始全有全无加载 f all_or_nothing([0.0, 0.0]) for it in range(200): y all_or_nothing(f) lam line_search(f, y) new_f [(1 - lam) * f[i] lam * y[i] for i in range(len(f))] gap max(abs(new_f[i] - f[i]) for i in range(len(f))) f new_f if gap 1e-6: break for i, link in enumerate(links): print(flink {i}: flow{f[i]:.1f} pcu/h, t{link_time(link, f[i]):.3f} h)代码逻辑说明全有全无把 OD 全给当前最短路径辅助流量 y 是把所有需求堆到同一条路上的“极端”方案线搜索在这个极端方案和当前流量之间找一个目标函数最小的凸组合。每次迭代得到的新流量目标函数都单调下降不会退步。objective() 对应 Beckmann 目标函数f**(beta1)/(beta1)/cap**beta就是 ∫t(s)ds 去掉 t0 后的积分项。这段代码有几点值得调line_search 用 0.01 步长枚举精度够但不够优雅实际可以换黄金分割法收敛判据用的是流量变化量更规范的做法是相对间隙第六章会专门讲路径数量多时全有全无要换成真正的网络最短路算法用 Dijkstra 或 A*不能枚举。3.3 结果解读V/C比与服务水平的对应关系跑完代码两个路段的流量大约是 923 和 577行程时间都收敛到 11.09 小时附近。对应 V/C 比分别是 0.92 和 0.48。这种饱和度差异说明路径2仍有富余但路径1接近饱和。国内工程通常用 V/C 比划分服务水平0.6 以下为 A/B 级0.6~0.8 为 C 级0.8~1.0 为 D 级超过 1.0 进入 E/F 级拥堵。做交通影响评价时超过 D 级的路段通常要提改善措施。这里有个常见误用很多人直接看流量大小判断拥堵但正确做法是看 V/C 比。一条流量 800、容量 1200 的路并不堵一条流量 600、容量 600 的路已经饱和。这也是为什么平衡分析一定要带上通行能力参数而不能只做最短路分配。4. 在轨道交通场景里用平衡模型从OD到影响评估4.1 轨道新线接入后的路网边界条件变化轨道交通新线开通表面上是轨道系统内部的事实际上整个道路网络的 OD 都会变。地铁站点的接驳公交、PR 停车换乘、出租车和网约车集散会把一部分原本全程走道路的出行截断或转移道路网 OD 矩阵发生结构性变化。这类项目里平衡模型的作用是做“有无对比”基准方案跑一次无轨道网络轨道开通后的方案再跑一次两次结果的差值就是轨道线对路网的缓解效果。关键是两套方案要用同一套道路阻抗参数只改 OD 矩阵和局部路网否则对比结果没有说服力。这个方法论在交通影响评价和轨道客流预测里是标准做法书中虽没有专门写轨道交通但用户均衡模型的“政策敏感性分析”思路完全适配。4.2 用平衡模型估算轨道与道路的分担转移轨道交通走廊上常会遇到“轨道开通后沿线道路流量能降多少”的提问。常见做法是先用 logit 模型算分担率再把转移量落回 OD 矩阵最后用平衡模型分配。但这里有个坑logit 分担率和路网平衡是两层模型必须迭代收敛不能先算分担率再分配一次就完事。更严谨的做法是用 SUE随机用户均衡。它在路段阻抗上叠加一个感知误差项让 Wardrop 原则从“完全理性”放松为“感知效用最大”从而与 logit 选择模型在数学上自洽。书中对 SUE 和 logit 配流有推导这是做模态分担转移最值得细读的部分。实际工程中很多项目直接用确定性 UE 加外部迭代也能用但分担结果会过于“锐利”对拥挤路段转移量的估计往往偏乐观。4.3 交通影响评价里的平衡分析套路做交通影响评价时委托人最关心的是“新增开发项目后周边路口和路段扛不扛得住”。答案不能靠拍脑袋得用平衡模型给出定量指标。标准流程叠加背景 OD 和开发 OD、全路网配流、输出关键路段 V/C 比、对比无项目与有项目两个方案。若出现 V/C 比超 0.9 的路段就要提拓宽、信号优化或限制出入口的措施。对两个方案做 UE 对比结果差异大的路段就是项目影响的核心范围也是评审最关注的点。输出图表的样式和参数取值书里都反复演示过直接照做就能用。4.4 轨道PR接驳路网的小算例从OD叠加到结论举个例子。某轨道站点旁新建 PR 停车场早高峰新增 500 辆车从停车场上路周边两条集散道路参数与前文算例一致。原背景 OD 是 1200方案 OD 叠加到 1700。用同一个平衡模型分别跑两个方案得到的结果可以做一张对比表指标无PR方案有PR方案变化道路1流量773923150道路1 V/C0.770.920.15道路2流量427577150道路2 V/C0.360.480.12道路1的 V/C 从 0.77 升到 0.92服务水平从 C 级跌到 D 级边缘结论很明确必须对道路1做信号优化或渠化改造否则 PR 的集散车流会把这条路拖进拥堵。整条分析链路就是“OD 叠加 → 平衡配流 → V/C 比对 → 改善措施”这也是平衡分析在轨道接驳评价里的标准用法。5. 平衡分析避坑指南收敛、容量和数据口径的五个坑5.1 高频报错与反直觉现象的排查坑一模型流量振荡、目标函数不降反升。现象跑迭代时流量在两个值之间来回跳目标函数在某个迭代后变大几百次迭代还不收敛。原因最短路跳变导致辅助流量在两个极端之间横跳阻抗函数在流量变化时变化太剧烈或者是线搜索实现有问题比如枚举步长太粗直接跳过了最优点。解决改用精确线搜索就是第三章代码里的枚举思路但步长加密到 0.001 或换黄金分割把收敛判据放宽到相对间隙 1e-3 先看趋势对 β 参数异常大的路段做平滑处理。坑二V/C 比到了 2.0 以上路网全线爆红。现象配流结果里很多路段饱和度超过 1.5模型里所有路都堵死但实际路网并没有瘫痪。原因通行能力取了设计值没做折减BPR 参数 α 和 β 偏离实际情况导致阻抗上升太慢也可能是 OD 矩阵总量偏大。解决把 capacity 改为实际通行能力快速路折 0.9、主干道折 0.85没标定过参数的先查本城市的经验取值OD 总量和观测流量做一次基准年标定对不上就做 OD 反推。坑三UE 与 SO 结果对不上系统最优流量流向了“不可能”的路。现象SO 配流结果里一条自由流时间很高的路反而分到了大量流量怎么看都不合理。原因SO 的目标是系统总时间最小在两条路都拥堵时会把流量压到边际成本上升更慢的路上哪怕这条路自由流时间高。这不是程序的 bug是模型逻辑。UE 用于预测用户实际行为SO 用于方案优化或收费计算。解决想预测实际路网流量用 UE想找出理论上的最优分配和收费水平用 SO。两者结果的差值就是拥堵外部性的量化值也正是拥堵收费的理论依据。坑四OD 矩阵对不上配流后全路网观测流量差 30%。现象模型分配流量和地面线圈流量差异很大某个走廊尤其明显。原因OD 矩阵口径不统一有的用的是全天 OD有的用的是早高峰 OD轨道客流和道路流量不是同一个统计时间段OD 反推没有做直接用历史 OD 充数。解决统一到评估时段的 OD重建 OD 矩阵用实测流量标定。这是我的血泪经验一次项目里 OD 直接用了综合交通调查的 24 小时总量结果早高峰配流差了 35%重做一遍才及格。坑五全有全无加载直接当成平衡分配上报。现象小项目为了省时间有人跳过平衡求解直接用最短路分配的结果写报告。原因在自由流阻抗下做最短路分配忽略了拥堵对选路的影响结果永远偏向自由流时间最短的路径流量分布和实际情况差很多。解决用平衡配流如果项目紧急至少做几次增量加载把 OD 按比例分批加载并逐次更新阻抗防止单一路径流量无限增长。5.2 模型边界知道什么时候不能用平衡模型平衡分析适用的是有稳定 OD 的常态情景以下情况不能直接用非常态事件事故、管制、大型活动散场OD 剧烈变化超出了模型标定范围交通流饱和度过高时BPR 函数明显失真对动态的排队和信号控制静态平衡模型难以刻画。这些场景要换仿真软件或动态交通分配但平衡模型依然可以作为背景配流的手段。理解模型的边界比硬套更重要。6. 相对间隙不到万分之一不出结果一个收敛校验习惯静态平衡模型最容易被质疑的就是“你是不是随便迭代了几次就交差了”。做交通影响评价项目时评审专家最常问的就是“你这个结果收敛了吗”。如果只回答“迭代了 200 次”等于没说。规范的表达是给出相对间隙Relative Gap它衡量当前流量分布离用户均衡条件有多远当前总行程时间与“所有人都能换成当前最短路径”的理想总行程时间之差除以当前总行程时间。数学上就是 RG (Σ f_a·t_a - Σ y_a·t_a) / Σ f_a·t_a其中 y 是全有全无辅助流量。RG0 时恰好是所有被使用路径时间相等的状态。计算不复杂几行 Python 就能加进第三章的代码里def relative_gap(f): # 当前流量下的总行程时间 tt [link_time(links[i], f[i]) for i in range(len(links))] cur sum(f[i] * tt[i] for i in range(len(f))) # 全部换到当前最短路径的理想总行程时间 y all_or_nothing(f) best sum(y[i] * tt[i] for i in range(len(y))) return (cur - best) / cur把这段插进主循环以 RG1e-4 为收敛标准。这个阈值是行业里比较认可的水平跑平衡模型输出结果时带上 RG 值报告会显得扎实很多。从那以后我每个配流结果都会强制检查相对间隙不过万分之一不出数迭代次数反而成了次要指标。希望这个习惯也能帮到你。本文还有配套的精品资源点击获取