转载 分类： 专业
第三节生成交通量的预测
一、概述
所谓出行生成，就是从土地利用到出行这一过程中的一种过渡产物。如用地建造住宅或商场等，就会有出行生成，接着也就会有出行的开始。
出行可分为由家出行与非由家出行。前者又可分为上班与非上班。如按出行目的细分，则又有上班、上学、自由（购物、社交）、业务等出行之别。出行生成有两种单位：一种是以车为单位；另一种是以人为单位。在大城市中，
交通工具复杂，一般都用人的出行次数为单位，小城市交通工具较为简单，英、美等国家就以小汽车为单位。车辆出行与人的出行之间可以互相换算。
出行生成包括出行产生与出行吸引。由于两者的影响因素不同，前者以住户的社会经济特性为主，后者以土地利用的形态为主，故有些方法需将出行产生和出行吸引分别进行预测，以求其精确，也利于下一阶段出行分布的工作。当住户的社会经济特性和土地利用形态发生改变时，也可用来预测交通需求的变化。而出行生成交通量通常作为总控制量，用来预测和校核各个交通小区的发生和吸引交通量。图 5.3-1列出了 OD 表中发生交通量、吸引交通量和生成交通量三者之间的关系。下面首先介绍出行生成的预测方法。
图 5.3-1 发生与吸引交通量、生成交通量示意图
二、生成交通量的预测方法
生成交通量的预测方法主要有原单位法、
增长率法、
聚类分析法和函数法。除此之外，还有利用研究地区过去的交通量或经济指标等的趋势法和
回归分析等方法。
1 ．原单位法
原单位的求得原则通常有两种，一是用居住人口或就业人口每人平均的交通生成量来进行推算的个人原单位法，另一种就是以不同用途的土地面积或单位办公面积平均发生的交通量来预测的面积原单位法。不同方法对应的选取的原单位指标也不同，主要有：
（ 1）根据人口属性以不同出行目的单位出行次数为原单位进行预测。
（ 2）以土地利用或经济指标为基准的原单位，即以单位用地面积或单位经济指标为基准对原单位进行预测。
在居民出行预测中经常采用的是以单位出行次数作为原单位，预测未来的居民出行量的方法，所以也称为单位出行次数预测法。单位出行次数为人均或家庭平均每天的出行次数，它由居民出行调查结果统计得出。因为人口单位出行次数比较稳定，所以人口单位出行次数预测法是进行生成交通量预测时最常用的方法之一。日本、美国多使用该方法。在日本，人日均单位出行次数约为 2.7。不同出行目的有着不同的单位出行次数，图5.3-2中所示的就是根据1986年北京市调查得到的不同出行目的的人均出行次数。
图 5.3-2 不同出行目的的人均出行原单位
预测不同出行目的生成交通量可以采用如下方法：
（5.3-1）
式中 ——某出行目的和人口属性的平均出行生成量；
——某属性的人口；
——出行目的为 时的生成交通量；
T——研究对象地区总的生成交通量；
l——人口属性（
常住人口、就业人口、工作人口、
流动人口）；
k——出行目的。
原单位法预测的出行生成量除由人口属性按出行目的的不同预测外，还可以以土地利用或经济指标为基准预测。从调查中得出单位用地面积或单位经济指标的发生与吸引交通量，如假定其是稳定的，则可根据规划期限内各交通区的用地面积（人口量或经济指标等）进行交通生成预测。
根据交通调查可得到交通预测所需的原单位指标值，但像北京、上海、广州、南京等这样的大城市，大规模的居民调查几年甚至十几年才能进行一次，小城市这方面的数据就更是匮乏，这种情况容易造成预测所需要的数据比较缺乏或陈旧。在数据资料不足的情况下，也可以采用下述简易方法对研究区域进行
数据采集或标定。若有一个 1000户的分区，可以在其唯一的出入口放置一两个
计数器或人工计数器，测出每天进出该区的车辆数或人数，然后除以1000户，就是每天产生的出行次数。如果知道住户数或土地利用的建筑面积，将其与相应的原单位相乘及将分区所有的项目相加，则可求得该区总的出行生成量。
对于预测生成交通量来说，怎样决定生成原单位的将来值是一个重要的课题。根据以往的研究成果，通常有以下几种做法：
(1) 直接使用现状调查中得到的原单位数据。
(2) 将现状调查得到的原单位乘以其他指标的增长率来推算，即增长率法。
(3) 最常用的也是最主要的为函数法。通常按照不同的出行目的预测不同出行目的的原单位。其中，函数的影响因素（或称
自变量）多采用性别、年龄等指标。
【例题 5-1】图5.3-3是分有3个交通小区的某对象区域，表5.3-1是各小区现状的出行发生量和吸引量，在常住人口平均出行次数不变的情况下，采用单位出行次数法预测其将来的出行生成量。
图 5.3-3 某对象区域小区划分示意图
表 5.3-1 各区现在的出行发生量和吸引量 单位：万出行数/日
D
1
2
3
合计
人口 (万人)(现在/将来）
O
1
28.0
11.0/15.0
2
51.0
20.0/36.0
3
26.0
10.0/14.0
合计
28.0
50.0
27.0
105.0
41.0/65.0
【解】根据上表中的数据，可得：
现状出行生成量 T=28.0+51.0+26.0=28.0+27.0+50.0=105.0万次
现状常住人口 N=11.0+20.0+10.0=41.0万人
将来常住人口 =15.0+36.0+14.0=65.0万人
人均单位出行次数 T/N=105.0/41.0=2.561次/(日·人)。
因此，将来的生成交通量 X=M×(T/N )=65.0×2.561=166.5万次/日
由于人们在对象区域内的出行不受区域内小区划分的影响，所以生成交通量的单位出行次数与发生 /吸引的单位出行次数比较，具有时序列安定的特点。
如上所述，将单位出行次数视为不随时间变动的量，而直接使用居民出行调查结果。然而，单位出行次数因交通参与者的个人属性（年龄、性别、职业、汽车拥有与否等）不同而变动。
2．聚类分析法
聚类分析 （ Cross-Classification or Category Analysis ）是出行生成预测的另一个可选用的模型，英国人称其为类型（别）分析，美国人则称其为交叉分类方法，它突出以家庭作为基本单元，用将来的出行发生率求得将来的出行量。它与原单位法有很多相似之处，但又存在很大不同。
20世纪70年代后，出行生成分析产生了从应用交通分区统计资料的回归分析转移到个体（非集计）资料的聚类分析的趋势。聚类分析首先在美国的普吉湾（ Puget Sound ）区域交通调查中，是一个基于土地利用的出行生成模型。其基本思想是把家庭按类型分类，从而求得不同类型家庭的平均出行率。该研究认为小汽车拥有量、家庭规模和家庭收入是决定交通发生的三个主要影响因素。因此，根据这些变量把家庭横向分类，并且由家庭访问调查资料计算每一类的平均出行生成率，预测时以将来同类型家庭的预测值乘以相应的出行率。
（ 1）聚类分析法必须服从的假定
①一定时期内出行率是稳定的。
②家庭规模的变化很小。
③收入与车辆拥有量总是增长的。
④每种类型内的家庭数量，可用相应于该家庭收入、车辆拥有量和
家庭结构等资料所导出的数学分布方法来估计。
（ 2）构造聚类分析模型的步骤
①有关家庭的横向分类。澳大利亚根据其中西部的交通调查，规定家庭大小、家庭收入各分为 6类，家庭拥有小汽车数分为3类。我国家庭中自行车使用比较广泛，可以考虑作为分类的项目，上海曾以住宅类型、家庭人口及自行车拥有量作为分类项目研究出行发生模型。
②把每个家庭定位到横向类别。就是对家庭访问调查资料进行分类，把每个家庭归入其所述类别。
③对其所分的每一类，计算其平均出行率。用调查的每类出行发生量除以每类的家庭总数，则可分别得出每类家庭的平均出行率。
④计算各分区的出行发生。把分区每一类的家庭数乘以该类的出行发生率，并将分区中所有类别的家庭总加起来，得到出行总量。
（5.3-2）
式中——i 区出行产生数的计算值；
——C类家庭的平均出行率；
——i 区内的C类家庭数。
【例题 5-2】澳大利亚城市类别产生率。根据家庭规模、收入及家庭拥有小汽车数可将研究对象内的家庭分成不同的类别，表 5.3-2给出的就是根据调查得到的不同类别家庭的平均出行率。
表 5.3-2 不同类别家庭的平均出行率
收入
家庭规模
小汽车拥有率
低收入
中等收入
高收入
1～3人
4人及以上
1～3人
4人及以上
1～3人
4人及以上
无
3.4
4.9
3.7
5.0
3.8
5.1
1辆
5.2
6.9
7.3
8.3
8.0
10.2
2辆及以上
5.8
7.2
8.1
11.8
10.0
12.9
已知：低收入、无小汽车、每户 3人100户；低收入、无小汽车、每户4人200户；中等收入、有1小汽车、每户4人300户；高收入、有2小汽车、每户5人50户。
则总出行为：
100×3.4+200×4.9+300×8.3+50×12.9=4455人次/日
在 20世纪60年代伦敦进行的交通规划中，采用的就是聚类分析法，按照地理条件和家庭属性，分了108个类型。根据调查求得各类型的平均出行率。用这些平均出行率和各类型家庭数的将来预测值，分别按3种不同交通方式（驾车者、坐车者、利用公共交通系统者）和6个不同出行目的（上班、业务、上下学、购物、社交活动、非以家为出发地的出行）进行了预测。
根据聚类分析法来预测居民的出行生成的方法，在 FHWA (美国联邦公路管理局)的出行预测模型中已被采用。该模型由连续的四个子模型组成，其应用程序可从美国交通部城市交通规划的计算机程序中查到。
对聚类分析法而言，说明变量在统计学意义上的检验方法的欠缺是一个主要问题。当然如何正确地预测 108个类型的户数的将来值也是一个不可忽视的问题。
（ 3）聚类分析的优缺点
该方法的主要优点有：
①直观、容易了解。人们容易接受出行发生与住户特性关系的观念，不像回归分析那样必须了解相关性、参数值等因素。
②资料的有效利用。从现有的 OD 调查中就可获得完整的资料，即使没有，也可通过小规模调查得到。
③容易检验与更新。出行发生率很容易通过小规模抽样调查与小区的特性分析而校核其正确性。
④可以适用于各种研究范围。由于出行发生基于住户的特性，出行吸引基于土地利用特性。因此，其出行生成、吸引率可以用于各种范围研究，如区域规划、运输通道规划和新发展区。
该方法的缺点有：
①每一横向分类的小格中，住户彼此之间的差异性被忽略。
②因各小格样本数的不同，得到的出行率用于预测时，会失去其一致的精确性。
③同一类变量类别等级的确定是凭个人主观，失之客观。
④当本方法用于预测时，每一小格规划年的资料预测将是一项繁杂工作。
综上所述，聚类分析法以估计给定出行目的每户家庭的出行产生量为基础，建立以家庭属性为变量的函数。
并且突出家庭规模、收入、拥有小汽车数分类调查统计得出相应的出行产生率，由现状产生率得到现状出行量，由未来产生率得到未来出行量。
3．个人分类方法
个人分类方法 (Person-Category Approach) 是对基于家庭的分类模型的一种替代方法。如果 令 tj 表示出行率，即在某一段时间内 j 类人中平均每人的出行次数； Ti 表示 i 小区各类居民的总出行数； Ni 为 i 小区的居民总数； aji为 i 小区的 j 类居民的百分率。从而可得到 i 地区的出行发生量的为：
（ 5.3-3）
它与前述的基于家庭的类别分析法相比具有如下优点：
（1）个人出行产生模型同经典的交通需求模型的其他部分完全兼容，它们都是基于出行者而不是基于家庭。
（2）也可采用交叉分类方法。
（3）建立个人分类模型所需要的样本数比基于家庭模型少几倍。
（4）很容易考虑人口统计的变化。如在基于家庭的模型中无法兼顾某些关键的人口变量(如年龄)。
（5）个人分类较家庭分类预测起来更容易。因为后者需要预测家庭构成、大小等。
个人分类模型的主要限制是很难兼顾家庭间的相互影响、家庭的花费和预算。