北京市2017年動態(tài)交通流模型開發(fā)和模擬

王燕軍，何巍楠，趙晉，程穎，吉喆，解淑霞

(1.中國環(huán)境科學研究院/國家環(huán)境保護機動車污染控制與模擬國家重點實驗室，北京 100012；2.北京交通發(fā)展研究院，北京 100073)

隨著城市化進程和機動化進程的快速發(fā)展，機動車排放已成為北京市PM2.5排放的主要來源。北京市生態(tài)環(huán)境局對北京地區(qū)PM2.5來源解析的相關(guān)研究數(shù)據(jù)表明，機動車已成為北京市PM2.5排放的最大本地源，占比高達45%[1]。為積極應對大氣污染的嚴峻挑戰(zhàn)，2018年以來，國家及地方層面陸續(xù)發(fā)布相關(guān)文件。2018年6月16日中共中央、國務院發(fā)布《關(guān)于全面加強生態(tài)環(huán)境保護 堅決打好污染防治攻堅戰(zhàn)的意見》，2018年6月27日國務院正式印發(fā)《打贏藍天保衛(wèi)戰(zhàn)三年行動計劃》(國發(fā)〔2018〕22號)[2]。2018年3月15日北京市正式發(fā)布了《北京市藍天保衛(wèi)戰(zhàn)2018年行動計劃》(京政辦發(fā)〔2018〕9號)[3]，從機動車污染排放治理目標-措施-監(jiān)測-執(zhí)法-數(shù)據(jù)等多方面對機動車污染控制提出明確要求，提出了完善交通基礎(chǔ)設(shè)施、交通需求管理、機動車結(jié)構(gòu)優(yōu)化調(diào)整等一系列精細化管理政策措施。為了對機動車排放進行精細化管控，開展機動車污染動態(tài)模型研究，需要開發(fā)一套北京市動態(tài)交通排放模型，從而為掌握機動車動態(tài)排放演變規(guī)律，為機動車污染治理精細化決策提供依據(jù)。為此，本文開發(fā)建立了北京市2017年時間精度為1h、空間精度為1km×1km的動態(tài)交通流模型，并通過與交通調(diào)查數(shù)據(jù)進行對比驗證了所建立的交通模型的可靠性，并在此基礎(chǔ)上對北京市路網(wǎng)中不同類型車輛典型交通流變化趨勢進行了初步模擬，以期為下一步掌握北京市機動車排放特征和實施機動車交通管控措施提供基礎(chǔ)。

1 北京市各類型機動車交通模型建立方法

根據(jù)北京市機動車手機信令數(shù)據(jù)、浮動車數(shù)據(jù)、視頻監(jiān)控、遠程傳輸?shù)炔煌瑪?shù)據(jù)的可獲得性，本文借鑒國外成熟的開發(fā)方法建立了北京市基于速度流量反推的小客車流量仿真模型、基于路段浮動和數(shù)據(jù)的出租車流量仿真模型、基于公交GPS數(shù)據(jù)的公交流量方針模型、基于多源數(shù)據(jù)的貨車流量仿真模型和基于GPS數(shù)據(jù)的大客車流量仿真模型。前四種模型由于可獲取數(shù)據(jù)途徑較多、數(shù)據(jù)量大，可較為準確地模擬北京市小客車、出租車、公交車和貨車的動態(tài)運行軌跡。由于大客車數(shù)據(jù)量較少，需參考其他數(shù)據(jù)源進行補充完善。

1.1 小客車交通模型

1.1.1 模型建立方法

小客車交通模型建立分為三部分，具體流程如圖1所示。首先是基于手機數(shù)據(jù)的先驗OD算法[4]，融合小時級OD和出行結(jié)構(gòu)交調(diào)數(shù)據(jù)，輸出先驗小汽車OD；然后是進行路網(wǎng)分配，結(jié)合VISUM宏觀交通分配軟件[5]，輸入先驗小汽車OD進行路網(wǎng)分配；最后是交通流測試標定，結(jié)合OD反推原理[6]，將路網(wǎng)分配結(jié)果與實際觀測值進行對比校驗，并調(diào)整先驗小時OD，最終輸出OD、分配路網(wǎng)流量。

1.1.2 數(shù)據(jù)基礎(chǔ)

本文中的小客車交通流獲取所需基礎(chǔ)數(shù)據(jù)包括全市范圍內(nèi)基于Link的浮動車數(shù)據(jù)、交調(diào)數(shù)據(jù)和RTMS數(shù)據(jù)。

基于link的浮動車數(shù)據(jù)：基于link的浮動車數(shù)據(jù)包含linkID、時間、LinkID相關(guān)道路信息、出租車交通流參數(shù)等信息內(nèi)容。

交調(diào)數(shù)據(jù)：全市檢測點位接近1300個，通過微波、線圈等不同技術(shù)手段實現(xiàn)流量采集，覆蓋全市主要國道、市道和縣道。數(shù)據(jù)動態(tài)回傳，五分鐘回傳一次，可以識別大客車、中型貨車、大貨車、超大貨車、小汽車等車型，準確度較高。

交管局RTMS數(shù)據(jù)：全市檢測點位1680個，通過微波手段實現(xiàn)流量和速度采集，覆蓋全市主要高速路、主干路和快速路。數(shù)據(jù)動態(tài)回傳，2分鐘回傳一次，可以匯總道路流量，可以實現(xiàn)主要路段總體車隊流量演化分析。

圖1 小客車交通模型建立方法

1.1.3 模擬結(jié)果

小客車交通模型建立后，模擬并試算了北京市2017年小客車不同時段路網(wǎng)中的交通流，經(jīng)與北京市300余條主干道路交通流實際觀測值進行校驗，90%的路段誤差在10%以內(nèi)。將流量與交通指數(shù)進行聯(lián)合分析得出，小客車24小時流量圖有明顯的早晚高峰特性(如圖2)，這兩個時段同樣是交通指數(shù)較高時段，尤其晚高峰更為突出。

圖2 小客車交通流特征分析

1.2 出租車交通模型

1.2.1 模型建立方法

出租車交通流參數(shù)要先依據(jù)基于link的浮動車數(shù)據(jù)獲取出租車重車交通流參數(shù)，再根據(jù)浮動車OD數(shù)據(jù)分區(qū)分時刻計算重車占所有出租車的比例，依次反算所有出租車的交通流參數(shù)。出租車交通模型框架如圖3所示。

圖3 出租車交通模型建立方法

1.2.2 數(shù)據(jù)基礎(chǔ)

在本文中，可獲取的用于進行出租車交通流參數(shù)信息提取的基礎(chǔ)數(shù)據(jù)包括全市范圍內(nèi)基于link的浮動車數(shù)據(jù)和浮動車OD數(shù)據(jù)兩類?；趌ink的浮動車數(shù)據(jù)獲取方式與小客車類似，浮動車OD數(shù)據(jù)是根據(jù)浮動車數(shù)據(jù)處理得到每個浮動車每次出行OD的數(shù)據(jù)。浮動車OD數(shù)據(jù)包括以下內(nèi)容：出租車車牌號、每次出行OD的起止時間、每次出行OD的位置信息。

1.2.3 模擬結(jié)果

通過提取工作日的數(shù)據(jù)進行處理得到工作日早高峰、晚高峰和平峰的出租車交通流變化情況，如圖4所示。從出租車24小時流量分布曲線可以看出具有兩個明顯特點：(1)出租車在日間(6∶00-22∶00)流量波動較小，沒有特別明顯的峰值；(2)出租車與其他交通方式(如公交)相比，高峰沒有重合于7∶00-9∶00，反而有滯后的出行峰值。

圖4 出租車交通流特征分析

1.3 公交車流量流獲取方法

1.3.1 模型建立方法

基于GPS數(shù)據(jù)的公交車交通流參數(shù)獲取方法有以下兩種，公交車流量仿真模型框架如圖5所示。

圖5 公交車流量仿真模型框架

GPS數(shù)據(jù)糾偏：以常規(guī)公交GPS數(shù)據(jù)作為輸入，經(jīng)過數(shù)據(jù)清洗、糾偏等質(zhì)量控制之后，輸出質(zhì)量較好的原始數(shù)據(jù)。

基于軌跡數(shù)據(jù)的路段匹配算法：結(jié)合北京市路網(wǎng)圖層，建立GPS-Link匹配算法，實現(xiàn)上下行精準分離。

1.3.2 基礎(chǔ)數(shù)據(jù)

本文中，可獲取的用于進行公交車交通流參數(shù)信息提取的基礎(chǔ)數(shù)據(jù)包括全市公交公司公交GPS數(shù)據(jù)和路網(wǎng)GIS數(shù)據(jù)兩類。

公交GPS數(shù)據(jù)：公交GPS數(shù)據(jù)是公交車將軌跡數(shù)據(jù)上傳至相應平臺的數(shù)據(jù)，主要包含：IC卡唯一ID、上下車刷卡時間、上下車刷卡線路編號和站點編號、登降車輛編號。

北京市路網(wǎng)GIS文件：北京市31萬個Link的地理信息系統(tǒng)文件，包含道路名稱、道路類型、道路長度等關(guān)鍵字段。

1.3.3 模擬結(jié)果

通過提取工作日的數(shù)據(jù)進行處理得到工作日早高峰、晚高峰和平峰的趨勢(圖6)。從圖中可以看出，由于公交車的流量主要受公交公司班次計劃的影響，從8∶00至19∶00都處于平穩(wěn)高峰期，從4∶00至7∶00和從19∶00至23∶00則分別處于快速上升期和快速下降期。

圖6 公交車交通流特征分析

1.4 貨車流量獲取方法

1.4.1 模型建立方法

貨車流量獲取方法綜合應用了北京市典型路段交調(diào)數(shù)據(jù)、高速公路收費數(shù)據(jù)、核查線調(diào)查數(shù)據(jù)、RTMS城市快速路微波檢測數(shù)據(jù)四大類流量數(shù)據(jù)，其中以高速公路收費數(shù)據(jù)為主要參考依據(jù)，結(jié)合典型路線調(diào)查數(shù)據(jù)、微波檢測數(shù)據(jù)進行補充，并輔以核查線調(diào)查數(shù)據(jù)進行修正。模型基于治超數(shù)據(jù)、視頻檢測數(shù)據(jù)進行貨車車隊結(jié)構(gòu)特征提取，結(jié)合貨車GPS軌跡和運單數(shù)據(jù)進行行駛路徑校核與驗證。所建立的貨車交通模型框架如圖7所示。

圖7 貨車流量仿真模型框架

圖8 貨車交通流特征分析

1.4.2 數(shù)據(jù)基礎(chǔ)

本文中，可獲取的用于進行貨車交通流參數(shù)信息提取的基礎(chǔ)數(shù)據(jù)包括固定治超站數(shù)據(jù)、RTMS數(shù)據(jù)、交調(diào)數(shù)據(jù)、高速流量數(shù)據(jù)、重型載貨GPS數(shù)據(jù)等。交調(diào)數(shù)據(jù)包括全市檢測點位接近1300個；固定治超站共33個，可實現(xiàn)車輛牌照采集；高速流量數(shù)據(jù)覆蓋全市所有高速(含內(nèi)部高速)以及重型貨車傳輸給平臺中心的GPS數(shù)據(jù)等。

1.4.3 模擬結(jié)果

本文提取某工作日的貨車流量數(shù)據(jù)進行處理得到全市域24小時流量趨勢如圖8所示。研究結(jié)果表明，由于北京市貨車限行政策，可以明顯看出貨車流量相對集中于夜間0至6∶00之間，日間的流量峰值相比較而言比較低。

1.5 大客車流量仿真模型

本文所研究的大客車流量指旅游、省際等長途客運車輛，也包含一些營運類型的單位班車流量。在分析計算時，大客車數(shù)據(jù)來源主要為北京市客運站點兩客一危GPS監(jiān)測數(shù)據(jù)，并輔以路網(wǎng)車隊結(jié)構(gòu)調(diào)查數(shù)據(jù)、核查線數(shù)據(jù)做小樣本對照的方式來獲取。

大客車交通流模擬結(jié)果如圖9所示。研究表明，北京市省際長途客車、旅游車輛的出行高峰從早上六點左右就逐漸攀升，到早上十點左右達到高峰，在中午時段稍有下降，在下午14∶00～15∶00又迅速攀升，并在17∶00～19∶00達到另一個高峰，隨后很快又開始下降。

圖9 大客車交通流特征分析

2 北京市交通流空間結(jié)構(gòu)調(diào)查

2.1 模型建立方法

北京市交通流空間結(jié)構(gòu)調(diào)查主要是描述北京市路網(wǎng)各路段的車隊結(jié)構(gòu)，車隊結(jié)構(gòu)模型將作為交通流仿真模型與排放因子模型的重要耦合工具。模型的建立將充分考慮北京市現(xiàn)行及規(guī)劃研究政策，如針對非京籍車輛、貨運車輛等交通政策，針對排放標準、燃料類型、車重類型等環(huán)保政策。結(jié)合北京市不同交通行業(yè)的排放特征，對北京市道路車隊結(jié)構(gòu)進行劃分。北京市車隊結(jié)構(gòu)模型設(shè)計原則：(1)車隊劃分：主要考慮車輛所屬行業(yè)類型、車籍及環(huán)保屬性等；(2)空間劃分：主要考慮中心城區(qū)與郊區(qū)縣差異、環(huán)路區(qū)域差異、不同道路類型差異等；(3)時間劃分：區(qū)分白天與夜間。模型整體架構(gòu)劃分為三個層次：基礎(chǔ)數(shù)據(jù)層、數(shù)據(jù)擴樣層及輸出結(jié)果層，模型架構(gòu)思路如圖10所示。

圖10 交通流空間結(jié)構(gòu)模型框架思路

圖11 道路車型結(jié)構(gòu)調(diào)查點位空間分布

2.2 數(shù)據(jù)來源

本文中，可利用的基礎(chǔ)數(shù)據(jù)包括：

(1)核查線數(shù)據(jù)：核查線數(shù)據(jù)包括調(diào)查點位共計428個，多數(shù)分布于主要環(huán)路。分析2017年3月每周工作日(選擇2天)和非工作日(選擇1天)24小時流量變化情況，每個點位包括小客車、出租車、公交車、大貨車、小貨車、大客車六種車型的流量占比，主要是通過計算機軟件進行辨識處理。

(2)郊區(qū)縣道路交調(diào)數(shù)據(jù)：郊區(qū)縣道路交調(diào)數(shù)據(jù)包括調(diào)查點位共計282個，主要分布于市域范圍內(nèi)的各級公路(如圖11所示)，時間尺度為2017年1月～12月每日的數(shù)據(jù)，每個點位包括中小型客車、大型客車、微型貨車、輕型貨車、中型貨車、重型貨車的流量占比，主要是通過視頻目測進行辨識處理。

(3)道路車型結(jié)構(gòu)調(diào)查數(shù)據(jù)：調(diào)查時段為2017年3月每周工作日(選擇2天)和非工作日(選擇1天)24小時的逐時交通流變化情況，包括調(diào)查點位共計20個，主要分布于環(huán)路、進出京高速及主次干路，采用視頻目測和軟件處理相結(jié)合的方法進行車輛類型劃分。其中，17個點位包括京籍與非京籍的省際、出租、公交、郊區(qū)客運、貨運、租賃、旅游、社會客車、社會貨車不同車重類型、燃料類型和排放標準的工作日道路流量占比，選擇調(diào)查點位時充分考慮客運站、貨運站等設(shè)施對路段車輛結(jié)構(gòu)的影響；3個點位的調(diào)查地點和時間為環(huán)路周末、高速周末和環(huán)路四九限行日。

2.3 路網(wǎng)車隊結(jié)構(gòu)結(jié)果分析

本文分別從高速公路和非高速公路兩個方面分析了車隊結(jié)構(gòu)，如圖12和圖13所示。從圖中可以看出整體上均是小客車占比最高，貨車的占比在夜間和白天存在明顯的差異性，夜間占比明顯高于白天占比。相對比較時，可以看出高速公路的貨車占比高于非高速公路的占比。非高速公路上出租車占比高于高速公路的占比。

圖12 高速公路車型結(jié)構(gòu)分布特征

圖13 非高速公路車型結(jié)構(gòu)分布特征

3 結(jié) 論

通過建立北京市不同類型機動車交通仿真模型和初步模擬，可得出以下結(jié)論：

(1)北京市2017年小客車24小時流量圖有明顯的早晚高峰特性，尤其是晚高峰更加突出；

(2)北京市出租車在日間(6∶00～22∶00)流量波動較小，沒有特別明顯的峰值，交通流高峰較小客車相比較為滯后；

(3)北京市公交車從8∶00至19∶00都處于平穩(wěn)高峰期，從4∶00至7∶00和19∶00至23∶00則分別處于快速上升期和快速下降期；

(4)北京市貨車交通流量相對集中于夜間0至6∶00之間，日間的流量峰值相比較而言較低；

(5)北京市省際長途客車、旅游車輛交通流高峰也有明顯的雙峰形式，峰值分別在10∶00左右和18∶00時左右，與小客車有所不同。

(6)北京市高速和非高速路網(wǎng)小客車占比均最高，貨車的占比在夜間和白天存在明顯的差異性，夜間占比明顯高于白天占比，貨車在高速公路上的占比高于在非高速公路上的占比。