1.本发明采用r语言开发了一种用于可持续交通网络设计的多属性决策软件,该软件的算法框架包括以下步骤:
步骤一:上层政策制定者使用dirichlet分布生成一个随机的交通网络通行能力提升方案δc,方案编号m=0,下层出行者作出一系列行为反应;
步骤二:下层模型是交通产生、交通分布、交通方式划分和交通流分配的顺序模型,通过反馈迭代达到交通系统平衡,可以计算出平衡状态时的路段交通流量和通行时间;
步骤三:计算交通系统平衡时可持续交通的四个属性值:
·经济属性
·环境属性
·社会属性
·安全属性;
步骤四:返回步骤一,使用dirichlet分成另外一个随机的交通网络通行能力提升方案δc,方案编号m=m+1,当方案数目达到预先定义的m(m≥200)时,即m=m时,停止循环,转到步骤五;
步骤五:使用多属性决策方法找出最优的交通网络设计方案。
2.对于权利1中的步骤二,采用如下的计算过程:
步骤1:从dirichlet分布dir(α)得到通行能力提升模式δc;
步骤2:通过均匀分布初始化交通分布矩阵
步骤3:通过frank-wolfe算法基于用户均衡将交通分布矩阵分配给交通网络,以计算每个路段a上的交通流量和出行时间,之后,起点i和目的地j之间的最短出行时间,即
步骤4:基于
步骤5:利用权重递减的msa对交通分布矩阵
步骤6:使用相对根平方误差(rrse)检查交通分布矩阵的收敛性
如果满足收敛条件,则转步骤8,否则转步骤7;
步骤7:令n=n+1,然后通过frank-wolfe算法基于用户均衡将交通分布矩阵
步骤8:输出交通分布矩阵
3.对于权利1中的步骤五,采用如下的计算过程:
步骤1:计算每个方案下交通系统均衡的四个属性,即经济,环境,社会和安全;
步骤2:由于属性的量纲不同,它们必须在整合之前进行标准,对于数值越大越好的属性,标准化公式是
其中yij是模式i的属性j的值;
步骤3:采用特征向量法确定属性的权重wj;
步骤4:网络设计方案i的综合得分是
步骤5:在计算出所有的m个得分之后,可以对网络设计方案进行排序,并且可以选择得分最高的网络设计,这就是最佳设计。
4.权利1、2、3中的算法以r语言编写,具体归纳如下:
#可持续交通网络设计的多属性决策问题:双层模型与算法
#步骤1:初始化,按格式输入数据和必要的包;
#1.1加载计算最短路径的包,准备调用diikstra最短路径算法,注意igraph包首次使用需要安装,然后才能调用;
#install.packages(″igraph″)#安装igraph包
library(igraph)
options(digits=3)
#1.2创建图的距离矩阵,包含所有的候选路段,第一列为路段标号(road),第二列为路段起点标号(roadorigin),第三列为路段终点标号(roaddestination),第四列为该路段自由流时间(freeflowtime),第五列为道路通行能力(capacity),第六列为道路长度(length),此处以交通配流中常用的nguyen-dupuis网络为例,详细的参数设置可参考程序文档;
#也可以在excel中复制,然后执行
#e=read.delim(″clipboard″,header=f)
e=matrix(c(1,1,5,7.0,900,4.00,2,1,12,9.0,700,4.00,3,4,5,9.0,700,4.00,4,4,9,12.0,900,7.00,5,5,6,3.0,800,2.00,6,5,9,9.0,600,4.00,7,6,7,5.0,900,4.00,8,6,10,13.0,500,8.00,9,7,8,5.0,300,4.00,10,7,11,9.0,400,5.00,11,8,2,9.0,700,5.00,12,9,10,10.0,700,6.00,13,9,13,9.0,600,5,00,14,10,11,6.0,700,4.00,15,11,2,9.0,700,5.00,16,11,3,8.0,700,4.00,17,12,6,7.0,300,4.00,18,12,8,14.0,700,9.00,19,13,3,11.0,700,6.00),ncol=6,byrow=t)
colnames(e)=c(″road″,″roadorigin″,″roaddestination″,″freetime″,″roadcapacity″,″roadlength″)
#e#用于检查程序的断点
#1.3输入初始交通需求矩阵d0,第一列为起讫点对的标号(odpair),第二列为起点标号(origin),第三列为终点标号(destination),第四列为交通需求(demand);
tge=3000#总的现状交通需求
d0=matrix(c(1,1,2,0.2*tge,2,1,3,0.4*tge,3,4,2,0.3*tge,4,4,3,0.1*tge),ncol=4,byrow=t)#初始分配方案
colnames(d0)=c(″odpair″,″origin″,″destination″,″demand″)
#d0#用于检查程序的断点
#自定义的frank-wolfe算法函数,注意输入的需求矩阵d形式如d0,交通网络e的形式如上面的e,相对误差0.001;
fw=function(e,d)
{
#1.4根据路径自由流时间计算各个od对的最短路径和路径流量
g=add.edges(graph.empty(13),t(e[,2:3]),weight=e[,4])#创建图,13为节点的个数,以时间为权重而非路径的长度
b12=get.shortest.paths(g,from=″1″,to=″2″,mode=″out″,output=″epath″)$epath[[1]]#从起点1到终点2的最短路径
b13=get.shortest.paths(g,from=″1″,to=″3″,mode=″out″,output=″epath″)$epath[[1]]#从起点1到终点3的最短路径
b42=get.shortest.paths(g,from=″4″,to=″2″,mode=″out″,output=″epath″)$epath[[1]]#从起点4到终点2的最短路径
b43=get.shortest.paths(g,from=″4″,to=″3″,mode=″out″,output=″epath″)$epath[[1]]#从起点4到终点3的最短路径
#创建一个矩阵,用于保存各个od对的最短路径和流量
v=cbind(e[,1])
st0=numeric(4)#存放初始的各od对最短行驶时间
colnames(v)=″road″
v
#od对12的最短路径和流量
sp12=as.vector(b12)#转化为路段标号(road)
st0[1]=sum(e[sp12,4])#各路段时间求和
x12=cbind(e[sp12,1],rep(d[1,4],length(sp12)))#路段标号和流量,算法中的迭代起点
colnames(x12)=c(″road″,″v12″)
x12
v=merge(v,x12,by=″road″,all=true)#定义v为专门保存迭代起点的矩阵
v[is.na(v)]=0
v
#od对13的最短路径和流量
sp13=as.vector(b13)#转化为路段标号(road)
st0[2]=sum(e[sp13,4])#各路段时间求和
x13=cbind(e[sp13,1],rep(d[2,4],length(sp13)))#路段标号和流量,算法中的迭代起点
colnames(x13)=c(″road″,″v13″)
x13
v=merge(v,x13,by=″road″,all=true)#定义v为专门保存迭代起点的矩阵
v[is.na(v)]=0
v
#od对42的最短路径和流量
sp42=as.vector(b42)#转化为路段标号(road)
st0[3]=sum(e[sp42,4])#各路段时间求和
x42=cbind(e[sp42,1],rep(d[3,4],length(sp42)))#路段标号和流量,算法中的迭代起点
colnames(x42)=c(″road″,″v42″)
x42
v=merge(v,x42,by=″road″,all=true)#定义v为专门保存迭代起点的矩阵
v[is.na(v)]=0
v
#od对43的最短路径和流量
sp43=as.vector(b43)#转化为路段标号(road)
st0[4]=sum(e[sp43,4])#各路段时间求和
x43=cbind(e[sp43,1],rep(d[4,4],length(sp43)))#路段标号和流量,算法中的迭代起点
colnames(x43)=c(″road″,″v43″)
x43
v=merge(v,x43,by=″road″,all=true)#定义v为专门保存迭代起点的矩阵
v[is.na(v)]=0
v
#当所有最短路径上的流量求和,得到初始流量
vs=rowsums(v[,seq(ncol(v)-3,ncol(v))])
vs
#步骤2:更新各路段的阻抗
t0=e[,4]#自由流时间
c=e[,5]#道路通行能力
a=0.15
b=4
tp=function(v){
t0*(1+a*(v/c)^b)
}
repeat{
#步骤3:寻找下一个迭代方向
g2=add.edges(graph.empty(13),t(e[,2:3]),weight=tp(vs))#构造图,13为节点的个数,更新路段阻抗
b12=get.shortest.paths(g2,from=″1″,to=″2″,mode=″out″,output=″epath″)$epath[[1]]#从起点1到终点2的最短路径
b13=get.shortest.paths(g2,from=″1″,to=″3″,mode=″out″,output=″epath″)$epath[[1]]#从起点1到终点3的最短路径
b42=get.shortest.paths(g2,from=″4″,to=″2″,mode=″out″,output=″epath″)$epath[[1]]#从起点4到终点2的最短路径
b43=get.shortest.paths(g2,from=″4″,to=″3″,mode=″out″,output=″epath″)$epath[[1]]#从起点4到终点3的最短路径
#创建一个临时矩阵,用于保存各个od对的最短路径和流量
v=cbind(e[,1])
colnames(v)=″road″
v
#od对12的最短路径和流量
sp12=as.vector(b12)#转化为路段标号(road)
x12=cbind(e[sp12,1],rep(d[1,4],length(sp12)))#路段标号和流量,算法中的迭代起点
colnames(x12)=c(″road″,″v12″)
x12
v=merge(v,x12,by=″road″,all=true)#定义v为专门保存迭代起点的矩阵
v[is.na(v)]=0
v
#od对13的最短路径和流量
sp13=as.vector(b13)#转化为路段标号(road)
x13=cbind(e[sp13,1],rep(d[2,4],length(sp13)))#路段标号和流量,算法中的迭代起点
colnames(x13)=c(″road″,″v13″)
x13
v=merge(v,x13,by=″road″,all=true)#定义v为专门保存迭代起点的矩阵
v[is.na(v)]=0
v
#od对42的最短路径和流量
sp42=ad.vector(b42)#转化为路段标号(road)
x42=cbind(e[sp42,1],rep(d[3,4],length(sp42)))#路段标号和流量,算法中的迭代起点
colnames(x42)=c(″road″,″v42″)
x42
v=merge(v,x42,by=″road″,all=true)#定义v为专门保存迭代起点的矩阵
v[is.ns(v)]=0
v
#od对43的最短路径和流量
sp43=as.vector(b43)#转化为路段标号(road)
x43=cbind(e[sp43,1],rep(d[4,4],length(sp43)))#路段标号和流量,算法中的迭代起点
colnames(x43)=c(″road″,″v43″)
x43
v=merge(v,x43,by=″road″,all=true)#定义v为专门保存迭代起点的矩阵
v[is.na(v)]=0
v
#当所有最短路径上的流量求和,得到迭代方向
vs2=rowsums(v[,seq(ncol(v)-3,ncol(v))])
vs2
#步骤4:计算迭代步长
step=function(lamda){
x2=vs2
x1=vs
q=x1+lamda*(x2-x1)
sum((x2-x1)*tp(q))
}
#lamda=uniroot(step,c(0,1))$root#注意lamda的取值范围,步长不能太长,uniroot要求两端的函数值符号相反,有的函数不一定满足,采用optimize函数可以确保找到一元函数的最优值;
g=function(lamda){step(lamda)^2}
lamda=optimize(g,c(0,1))$minimum
lamda
#步骤5:确定新的迭代起点
vs3=vs+lamda*(vs2-vs)
vs3
#步骤6:收敛性检验
if((sqrt(sum((vs3-vs)^2))/sum(vs))<0.001)break
vs=vs3#如果不满足收敛条件则用新点vs3替代原点vs,如此循环直到收敛
}
#步骤7:输出平衡状态的特征矩阵result和od行驶时间矩阵u;
#步骤7.1:输出平衡状态各路径的流量、通行时间和速度;
result=cbind(e[,1],round(vs,0),tp(vs),e[,6]/(tp(vs)/60),e[,5],round(vs,0)/e[,5])
colnames(result)=c(″road″,″volume″,″time″,″speed″,″roadcapacity″,″levelofservice″)
#步骤7.2:输出各od行驶时间矩阵u;
g=add.edges(graph.empty(13),t(e[,2:3]),weight=result[,3])#创建图,13为节点的个数,result为步骤7生成的矩阵
b12=get.shortest.paths(g,from=″1″,to=″2″,mode=″out″,output=″epath″)$epath[[1]]#从起点1到终点2的最短路径
b13=get.shortest.paths(g,from=″1″,to=″3″,mode=″out″,output=″epath″)$epath[[1]]#从起点1到终点3的最短路径
b42=get.shortest.paths(g,from=″4″,to=″2″,mode=″out″,output=″epath″)$epath[[1]]#从起点4到终点2的最短路径
b43=get.shortest.paths(g,from=″4″,to=″3″,mode=″out″,output=″epath″)$epath[[1]]#从起点4到终点3的最短路径
#创建一个行驶时间矩阵,用于保存各个od对的行程时间,初始假设各od行程时间为0
u=matrix(c(1,1,2,0,2,1,3,0,3,4,2,0,4,4,3,0),ncol=4,byrow=t)
#od对12的行程时间
sp12=as.vector(b12)#转化为路段标号(road)
u[1,4]=sum(result[sp12,3])#各路段时间求和
#od对13的行程时间
sp13=as.vector(b13)#转化为路段标号(road)
u[2,4]=sum(result[sp13,3])#各路段时间求和
#od对42的行程时间
sp42=as.vector(b42)#转化为路段标号(road)
u[3,4]=sum(result[sp42,3])#各路段时间求和
#od对43的行程时间
sp43=as.vector(b43)#转化为路段标号(road)
u[4,4]=sum(result[sp43,3])#各路段时间求和
u=cbind(u,st0)#od对间无障碍行驶时间st0
#以列表的形式输出result矩阵和od行驶时间矩阵
list(result,u)
}
#fw(e,d0)#用于检查程序的断点
#步骤8:定义目的地选择的多项式logit函数mlogit,输入为各od行驶时间时间矩阵u和各地交通需求sg,输出为新的交通分布矩阵;
mlogit=function(u,sg)
{
d=numeric(4)
d[1]=sg[1]*exp(-0.1*u[1,4])/(exp(-0.1*u[1,4])+exp(1-0.1*u[2,4]))
d[2]=sg[1]*exp(1-0.1*u[2,4])/(exp(-0.1*u[1,4])+exp(1-0.1*u[2,4]))
d[3]=sg[2]*exp(-0.1*u[3,4])/(exp(-0.1*u[3,4])+exp(1-0.1*u[4,4]))
d[4]=sg[2]*exp(1-0.1*u[4,4])/(exp(-0.1*u[3,4])+exp(1-0.1*u[4,4]))
cbind(u[,1:3],d)
}
#步骤9:定义一个给定交通需求d0和sg及交通网络e下综合的交通分布与交通分配交替迭代平衡函数,对于初始交通分布可以求得用户平衡状态时各od的行驶时间矩阵,用户根据该矩阵重新选择目的地,对于新的交通分布又可以生成新的行驶时间矩阵,该过程一直循环进行,一直到交通分布矩阵不再变化为止;
cda=function(e,d0,sg){
k=3
repeat{
d1=mlogit(fw(e,d0)[[2]],sg)
k=k+1
if(sqrt(sum((d1[4]-d0[,4])^2))/sum(d0[,4])<0.01)break#满足一定的精度要求就停止
d0[,4]=d0[,4]+(1/k)*(d1[,4]-d0[,4])#这里采用迭代加权法(methodofsuccessiveaverage,msa),此处采用循环次数的倒数作为权重,随着循环次数的增加而减少;
#print(d1)#用于检查程序的断点
#print(k)#用于检查程序
if(k==100)break#如果循环次数达到100次但还没有满足精度要求也跳出循环
}
#print(d1)
d2=fw(e,d1)
#print(d2)
list(d1,d2)
}
#现状交通系统表现,用于政策的before-after比较
ge1=c(sum(d0[1;2,4]),sum(d0[3:4,4]))#用于检查程序的断点
before=cda(e,d0,ge1)[[2]][[2]]#用于检查程序的断点
#步骤10:dirichlet分配法主程序;
#install.packages(″direct″)#安装生成dirichlet的包,首次需要安装,再次不需要
library(direct)#加载包
set.seed(100)#设定随机种子,这样每次生成的同样的随机数
hsd=500#表示dirichilet样本的个数,对于每个进行比较,找出最优的一个
candicate=7#候选路段的数目
rd=rdirichlet(nsd,rep(1,candicate))#生成dirichlet随机分布
inv=2000#投资预算
len=inv*rd/(0.3*c(5,8,2,3,5,5,7))#备选路段通行能力的增加值
st=matrix(numeric(nsd*4),nc=4)#用于存放每个dirichlet方案的4个属性
#下面是用来测量安全性的参数
b1=358.6
b2=-407.7
b3=175.3
#计算程序的开始运行时间!!前面都是在定义函数,并不占用计算时间;
timestart<-sys.time()
for(iin(1:nsd))
{
#i=2#用于检查程序的
#下面是对每一个分配模型构建一个新的网络图e
ren=cbind(c(3,4,5,9,13,16,19),len[i,])#一个更新方案
colnames(ren)=c(″road″,″enhancement″)#和路段编号结合起来
ren2=merge(e,ren,by=″road″,all=true)#合并
ren2[,7][is.na(ren2[,7])]=0#把na用0替换下来,因为na参与计算的结果还是na
ren2[,5]=ren2[,5]+ren2[,7]#与原来的通行能力相加,变成改进后的通行能力
e1=ren2[,1:6]#一个新的网络e1
d3=cda(e1,d0,ge1)#对固定交通需求(1200,800)和交通分布d0调用前面定义的cda函数
#下面求4个属性的值,并存放在st矩阵中
#1.经济属性:出行总时间(分钟)
st[i,1]=d3[[2]][[1]][,2]%*%d3[[2]][[1]][,3]
#2.环境属性:co的排放量
st[i,2]=(0.2038*d3[[2]][[1]][,3]*exp(0.7962*e[,6]/d3[[2]][[1]][,3]))%*%d3[[2]][[1]][,2]
#3.社会属性:政策前后的变化
st[i,3]=max(d3[[2]][[2]][,4]/before[,4])
#4.安全属性:事故个数
st[i,4]=sum((b1*d3[[2]][[1]][,6]^2+b2*d3[[2]][[1]][,6]+b3)*d3[[2]][[1]][,2]*e1[,6]*365*10^(-8))
print(paste(″第″,i,″个方案的4个属性分别是″,round(st[i,],2)))
}
#步骤11:将各属性标准化,这4个属性都是越小越好
zst=st
zst[,1]=(max(st[,1])-st[,1])/(max(st[,1])-min(st[,1]))
zst[,2]=(max(st[,2])-st[,2])/(max(st[,2])-min(st[,2]))
zst[,3]=(max(st[,3])-st[,3])/(max(st[,3])-min(st[,3]))
zst[,4]=(max(st[,4])-st[,4])/(max(st[,4])-min(st[,4]))
#步骤12:计算各属性的权重
a=c(1,1/3,1/2,1/4,3,1,2,1,2,1/2,1,1/2,4,1,2,1)
a=matrix(a,nc=4,byrow=t)
a
a=apply(a,1,prod)
ai=a^(1/4)
w=ai/sum(ai)
w#权重向量
lamda=sum((a%*%w)/w)/4
ci=(lamda-4)/3
cr=ci/0.89
cr#一致性检验
#步骤13:输出各个方案的最终得分
zst%*%w
si=zst%*%w
which.max(zst%*%w)
si[which.max(zst%*%w),]
#步骤14:输出最终需要的结果
ren=cbind(c(3,4,5,9,13,16,19),len[which.max(zst%*%w),])#最优更新方案
colnames(ren)=c(″road″,″enhancement″)#和路段编号结合起来
ren2=merge(e,ren,by=″road″,all=true)#合并
ren2[,7][is.na(ren2[,7])]=0#把na用0替换下来,因为na参与计算的结果还是na
ren2[,5]=ren2[,5]+ren2[,7]#与原来的通行能力相加,变成改进后的通行能力
e1=ren2[,1:6]#最优的网络e
d3=cda(e1,d0,ge1)#对交通需求ge1和交通分布d01调用前面定义的cda函数
#print(st[which.max(zst%*%w),],digits=7)#输出此时网络的4个属性,保留7位小数;
formatc(st[which.max(zst%*%w),],format=′f′,digits=3)
#在formatc()函数中可以用format=参数指定c格式类型,如″d″(整数),″f″′(定点实数),″e″(科学记数法),″e″,″g″(选择位数较少的输出格式),″g″,″fg″(定点实数但用digits指定有效位数),″s″(字符串),可以用width指定输出宽度,用digits指定有效位数(格式为e,e,g,g,fg时)或小数点后位数(格式为f)write.csv(d3[[1]],file=″交通分布矩阵.csv″)#以csv格式保持到当前工作目录
write.csv(d3[[2]][[1]],file=″路段平衡结果.csv″)
write.csv(d3[[2]][[2]],file=″od出行时间.csv″)
write.csv(ren2,file=″交通网络设计方案.csv″)
getwd()#查看输出文件的保存地址
###计算程序的运行时间
timeend<-sys.time()
runningtime<-timeend-timestart
print(runningtime)#输出运行时间。