[发明专利]一种基于路径尺度修正及两阶段优化的交通流分配方法

权利要求书

1.一种基于路径尺度修正及两阶段优化的交通流分配方法，其特征在于，所述方法包括：

前期阶段：

步骤11，通过交通调查确定每个OD对之间的交通需求量{b_w,w∈W}及路径集合{R^w,w∈W}，其中，W为路网中所有OD对的集合，w为OD对编号，w∈W，b_w为OD对w之间的交通需求量，R^w为OD对w之间所有路径的集合；

步骤12，在零流网络上对所述路径集合中的各路径进行流量加载，得到初始的路径流量向量置迭代次数k＝0，其中，x⁰为初始的路径流量向量，为OD对w之间路径r上的流量，r∈R^w；

步骤13，根据当前的路径流量向量中各路径的路径流量，计算各所述路径的广义路径行驶时间向量其中，c^k为广义路径行驶时间向量，k为迭代次数，为OD对w之间路径r上的行驶时间；

步骤14，根据辅助路径流量计算公式，将每个OD对之间出行者的交通需求量加载到出行路径上，得到辅助路径流量向量所述辅助路径流量计算公式为：

其中，为辅助路径流量向量，k为迭代次数，为OD对w之间路径r上的辅助路径流量，为第k次迭代时OD对w之间路径r上的辅助路径流量，θ为参数，为第k次迭代时OD对w之间路径r上的行驶时间，为OD对w之间第r条路径的路径尺度，为OD对w之间路径集合R^w中的任意一条路径l上的行驶时间，l为路径编号；

步骤15，如果ε是阈值，且ε＞0，则停止迭代，输出x^k+1＝x^k+λ^kp^k执行后期阶段的步骤21；否则执行步骤16；

步骤16，沿搜索方向向量利用准则公式，计算迭代步长其中，准则公式为：

f(x^k+βⁱp^k)≤f(x^k)+αβⁱg(x^k)^Tp^k,α,β∈(0,1)

其中，x^k为迭代k次的路径流量向量，为满足准则公式的最小非负整数i，λ^k为迭代步长，0β1和0α1为参数，βⁱ为β的i次方，为β的次方，f(x^k)表示将x^k作为自变量时的目标函数，f(x^k+βⁱp^k)表示将x^k+βⁱp^k作为自变量时的目标函数，p^k为搜索方向向量。

步骤17，令k＝k+1，更新当前的路径流量向量x^k+1＝x^k+λ^kp^k，返回步骤13；

后期阶段：

步骤21，对于迭代点x^k+1＝x^k+λ^kp^k，w∈W，选择一条满足预设条件的路径为非既约路径，其中，预设条件为非既约路径下标满足

则OD对w所对应的所有既约路径的下标集合Q^w可表示为：

其中，r_N为既约路径下标，则对应的既约路径流量向量为置k＝1，其中，为OD对w之间下标r_N所对应的既约路径上的流量；

步骤22，将x_N带入路径尺度型Logit随机用户均衡模型中，得到既约目标函数

其中，路径尺度型Logit随机用户均衡模型为：

其中，f(x)为目标函数，τ为路段流量，t_a(τ)为路段行驶时间，v_a为路段a∈L上的流量，且t_a为v_a的可微单调递增函数，为指标变量，当路段a在连接OD对w的路径r上时否则θ为参数，反映人们对网络行驶时间的认知程度，表示OD需求量与路径流量之间的守恒关系，是路径流量非负约束，表示路段流量与路径流量的关系；

其中，既约目标函数为：

其中，为既约目标函数；

步骤23，令表示第k次迭代时的既约路径流量向量，运用预处理共轭梯度法对搜索方向向量求解公式进行求解，得到后期阶段的搜索方向向量所述搜索方向向量求解公式为：

其中，n为原始变量空间维度，m为非既约路径流量向量所在空间维度，n-m则为既约路径流量向量所在空间维度，为实数，为第k次迭代时的既约目标函数的一阶梯度：为第k次迭代时的既约目标函数的二阶梯度；为既约路径流量向量x_N与第k次迭代时的既约路径流量向量之差，表示既约路径流量向量x_N与第k次迭代时的既约路径流量向量之差在n-m维度的实数域里迭代，p^T为p的转置；

步骤24，令迭代步长其中，为满足条件公式的最小非负整数i，其中，条件公式为：

其中，为后期阶段的搜索方向向量，为后期阶段第k次迭代时的搜索方向，为第k次迭代时的既约路径流量，为将作为自变量代入的既约目标函数，为将作为自变量代入的既约目标函数，0β1和0α1为参数，为处的梯度向量，T为转置；

步骤25，令第k+1次迭代时的既约路径流量向量

步骤26，如果δ为允许误差，且δ＞0，则停止迭代，输出第k+1次迭代时的既约路径流量向量根据第k+1次迭代时的既约路径流量向量获得交通流分配结果；否则，令k＝k+1，返回步骤23。