一种基于Agent仿真的停车换乘碳排放估算方法

一种基于agent仿真的停车换乘碳排放估算方法
技术领域
1.本发明属于智能交通技术领域，具体涉及一种基于agent仿真的多模式出行碳排放估算方法。


背景技术：

2.随着我国城市建成区面积不断扩大，全国各地机动车保有量快速增长，居民出行需求也不断增加。虽然我国大力推动公共交通发展，但是居民出行还是优先选择私家车。推进城市客运转变为低碳模式，降低城市客运领域能源消费和二氧化碳排放，对实现2030年碳高峰目标具有重要意义。
3.。在数学建模方法中，难以描述多模式交通系统中移动个体的决策行为，但在基于多智能体仿真的非聚集模型中，可以细致地刻画不同移动个体的属性和系统的动态执行过程，通过调整相关参数可以评价交通政策的效果。利用java编程语言编写的基于多智能体 (agent)仿真的碳排放估算系统，能够估算区域交通碳排放并模拟各种交通政策对城市交通状况以及碳排放的影响，对各种交通政策的可行性进行评估。


技术实现要素：

4.本发明针对现有技术的不足，提出了一种基于agent仿真的停车换乘碳排放估算方法。
5.本发明包括如下步骤：
6.c1初始化
7.c11初始化仿真环境
8.初始化仿真步长step、迭代次数m、最大迭代次数m、od矩阵、预约泊车比率η
booking
、通勤出行比例η
com
、高收入出行者比例η
high
以及各种模型参数等变量。
9.c12初始化组合网络agent
10.初始化起始节点集合so、终止节点集合sd以及停车场节点集合s
p
。利用组合网络的邻接矩阵，生成路段对象(即link对象)，初始化组合网络各路段的编号 id
l
、长度len
l
、类型m
l
、路径上总碳排放e
totall
、路径上每次迭代碳排放e
perl
等属性。
11.c13初始化停车场agent
12.生成停车场对象parkinglot，初始化其停车费率f
p
、预约费fb、最大泊位容量可预约泊位总数非预约泊位总数可预约泊位使用量和非预约泊位使用量等属性。
13.c2生成出行者agent
14.c21出行者生成
15.根据od矩阵随机生成出行者，即traveller对象，设置其编号id
t
、起点o、终点d、出发时刻td等属性。此外，根据给定的规则随机设置出行者的停车时长 pt，根据设定的通勤出行比例η
com
和高收入出行者比例η
high
，随机确定当前出行者的通勤属性和收入属性fcommuter
和f
high
的值是否为true。
16.设置与碳排放相关的属性：出行者总碳排放e
totalt
、出行者小汽车出行碳排放e
cart
、出行者公共交通出行碳排放e
pubt
和每次迭代出行者碳排放e
pert
。
17.将生成的出行者traveller对象添加到出行者集合s
tra
中。
18.c22预约停车属性确定
19.根据设定的预约停车比例η
booking
随机确定当前出行者是否预约停车，若为预约用户，则设置其停车预约属性f
booking
为true。出行者首先确定候选停车场，比较“自驾车出行”和“停车换乘出行”两种方式的广义成本或综合累积前景值，选择最优方式出行，规划最优路径，前往目标停车场。
20.非通勤出行者考虑行程时间、货币费用(包括燃油费、预约费、停车费)和舒适性损耗等因素计算广义成本，并选择广义成本最小的出行方式。其计算公式表示如下：
[0021][0022]
w1+w2+w3＝1且w1，w2，w3＞0
[0023][0024]c*
＝min{ci}，i∈i
[0025]
式中，n表示第n种出行模式，为第n种出行模式中路段a的总成本；a为各种出行方式的组合网络中所有路段的集合；为路段a的时间成本；为路段 a的由货币转换来的时间成本；为路段a的由舒适度损耗转换来的时间成本； w1、w2和w3分别为时间成本、货币成本和舒适度损耗成本的权重系数，根据收入水平确定；ci表示出行方案的广义成本；h为出行路径h中的路段；为第n种出行模式下路段h的广义成本；c
*
为取各出行方案广义成本的最小值，i表示第i个出行方案，i表示出行方案集合。
[0026]
通勤出行者考虑时间和货币费用两因素来计算综合累积前景值，并选择综合累积前景值最大的出行方案，计算公式如下：
[0027][0028]
cpv
*
＝max{cpvi}，i∈i
[0029]
式中，cpvi为出行方案i的综合积累前景值；t和c分别代表时间和货币；为方案i的行程时间积累前景值；为方案i的货币费用(换算成时间后)积累前景值；w
t
和wc分别是时间积累前景值和货币费用积累前景值的权重系数；cpv
*
为取各出行方案综合积累前景值的最大值。
[0030]
若预约停车失败，则该出行者转为非预约出行者，其f
booking
属性设置为false，同样比较两种出行方案的出行成本，确定目标停车场，规划路径，前往目标停车场。
[0031]
c3出行者位置更新、路段碳排放更新与路段流量更新
[0032]
c31出行者位置更新
[0033]
如果出行者尚未到达网络节点处，则需要根据其所在的路段类型沿着该路段前进一段距离d，d的计算公式如下：
[0034]
d＝min(d
nextnode
，step*v
t
)
[0035]
其中，d
nextnode
代表距离下个节点的距离，step代表仿真步长，v
t
代表路段对应的行
程速度。
[0036]
若当前路段类型为小汽车路段，需要更新出行者的小汽车出行里程 d
car
＝d
car
+d；若为地铁或公交路段，则更新公共交通出行里程d
pub
＝d
pub
+ d；若为步行路段，则更新步行里程d
walk
＝d
walk
+d。
[0037]
c32路段碳排放更新
[0038]
c321若此次出行方式为小汽车，则估算此次迭代过程中出行者的碳排放更新出行者的小汽车出行碳排放e
cart
并更新此次迭代中各路段产生的碳排放计算公式如下：
[0039][0040][0041][0042]
式中，代表第k次迭代过程小汽车出行产生的碳排放，代表第k次迭代过程中路段a上小汽车出行产生的碳排放，代表第k次迭代过程中路段 a上公共交通出行产生的碳排放，k代表迭代次数，a代表组合路网中的路段。
[0043]
小汽车的碳排放估算方法如下：
[0044]
假定仿真系统不考虑出行者之间是否搭乘同一辆小汽车。系统每分钟迭代一次，迭代之后智能体属性更新，两次迭代之间的属性保持不变，路径上的出行者出行速度由路径属性决定。基于以上特点，本发明设计的小汽车碳排放估算模型影响因素仅包括车辆的实时速度和在不同速度下的行驶距离。具体计算式为：
[0045][0046][0047]
其中，q为小汽车驾驶的实际耗油量，单位为g，er0为vsp bin为0时的平均油耗率，单位为g/s，nerj为j区间标准油耗率，无单位，tj表示轻型车实际行驶时平均速度落在j区间的总时间，单位为s，为小汽车的co2排放量，单位为g，为消耗1g国标93#汽油排放的co2，无量纲。
[0048]
c322若此次出行方式为公共交通，则估算此次迭代出行者产生的碳排放 e
pert
，更新此次迭代出行者的公共汽车碳排放e
pubt
，并更细在迭代中各路段的碳排放计算公式如下：
[0049][0050][0051][0052]
其中，代表第k次迭代过程公共交通出行产生的碳排放。
[0053]
公共交通的碳排放估算方法如下：
[0054]
假定仿真系统不考虑出行者是否搭乘同一辆公共汽车或地铁，所有人换乘公共交通的等待时间相同，都采用发车间隔的一半，行驶速度由路径该时段的平均速度决定，地铁
行驶速度保持不变。基于以上特点，且考虑到相对于小汽车的碳排放量，公共交通产生的碳排放总量非常低(不考虑公共交通车站、路径建设产生的碳排放)，本发明选择的公共交通碳排放估算模型的影响因素仅包括出行者的公共交通出行距离。具体公式如下式：
[0055][0056]
式中为公共交通的二氧化碳排放量，dm为第m1人的公共交通出行距离，单位为km，m1为乘坐公共交通的出行者总数；为每公里二氧化碳排放量，单位为g/km。
[0057]
c33路段流量更新
[0058]
遍历集合s
tra
中的每个出行者agent，检查其当前所在路段l
cur
，若l
cur
为汽车路段，且出行者的f
firstlink
属性为true，表示出行者第一次到达该路段，则更新该路段的流量q
l
＝q
l
+1，此外，如果出行者上一条路段l
last
也为汽车路段，说明出行者已经离开上一条路段，则更新上一条路段流量q
l
＝q
l-1。
[0059]
c4路网状态更新
[0060]
根据汽车网络层中各路段的交通量，更新路网中对应路段的行程速度va和行程时间计算公式如下：
[0061][0062][0063]
其中，为汽车路段a上的自由流速度；qa为路段a上的交通量；ca为路段a上的通行能力；la为路段a的长度；α
brp
和β
brp
为bpr函数参数。
[0064]
c5出行者出行方式与路径选择更新
[0065]
当出行者到达网络中的普通节点和停车场节点时，其需要根据交通状况重新比较停车换乘和小汽车出行两种方案优劣，动态更新出行路径，确定前往的下一个节点。
[0066]
c51停车场节点决策
[0067]
c511如果出行者选择“停车换乘”方案且到达换乘停车场，根据是否为预约停车以及有无空闲非预约泊位，可以分为三种情况：
[0068]
c5111预约出行。由于在出发进行停车预约时已经保留泊位，预约出行者到达停车场可以直接停车，完成停车后，更新停车场相关属性。随后换乘公共交通，根据成本函数确定前往目的地的最优路径，完成出行，更新出行者相关属性。
[0069]
c5112非预约出行且停车场有空闲的非预约泊位。出行者直接完成停车，更新停车场相关属性。随后换乘公共交通，根据成本函数确定前往目的地的最优路径，完成出行，更新出行者相关属性。
[0070]
c5113非预约出行且停车场没有空闲的非预约泊位。出行者重新进行方案比选，确定目标停车场和出行路径，出行者前往下一个节点，更新出行者相关属性。
[0071]
c512如果出行者选择“纯自驾车”方案且到达目的地附近的停车场，根据有无空闲非预约泊位和是否预约停车分为3种情况：
[0072]
c5121预约停车出行。由于预约时已经保留车位，因此出行者可以直接停车。完成停车后，更新停车场相关属性。搜索从停车场步行到目的地的最优路径，更新出行者相关属
性。
[0073]
c5122非预约出行且停车场有空闲非预约泊位。出行者完成停车，更新停车场相关属性。搜索从停车场步行到目的地的最优路径，更新出行者相关属性等。
[0074]
c5123非预约出行且停车场没有空闲非预约泊位。出行者进入“停车巡游”状态，即重新搜索目的地附近的非换乘停车场，根据成本函数选择最优路径前往更新出行者相关属性，若停车场无泊位，再次更换停车场。停车巡游并完成停车后，更新停车场相关属性，搜索从停车场步行到目的地的最优路径，更新出行者相关属性。
[0075]
c52普通节点决策
[0076]
c521出行者在普通节点的决策可以分为以下3种情况：
[0077]
c5211如果出行者已经完成停车且到达目的地所在节点，则出行者此次出行结束，更新出行者相关属性，并将该出行者添加到已结束出行的出行者集合s
fin
中。
[0078]
c5212如果出行者已经完成停车且到达出行途中某节点，则搜索从当前节点到终点的最优路径，并更新出行者相关属性。
[0079]
c5213如果出行者尚未完成停车且到达某节点，则比较“纯自驾出行”和“停车换乘”两方案，通勤出行者依据综合累积前景理论进行方式决策，非通勤出行依据广义成本理论进行方式决策。确定最优路径后，更新出行者相关属性。
[0080]
c6停车场状态更新
[0081]
对于每个停车场，分别检查其普通停车队列和预约停车队列，如果车辆的停车时间已到，则将该车辆从停车队列剔除。
[0082]
对于每个停车场，检查其排队停车队列qq，如果存在排队情况且停车场有空闲的非预约泊位，则将排队队列前面n辆车辆移出排队队列并加入非预约停车队列q
ub
。
[0083]
c7更新迭代过程中的碳排放
[0084]
如果本次迭代中的出行者全部生成，则更新此次迭代中产生的碳排放。统计并记录本次迭代产生的小汽车出行碳排放e
cart
和公共交通出行碳排放e
pubt
。如果出行者未全部生成，则根据od矩阵继续生成出行者。重复以上步骤，直到本次迭代出行者全部生成。
[0085]
c8仿真终止条件判断，数据统计
[0086]
如果当前迭代次数没有达到最大迭代次数，即m≤m，则返回步骤2。
[0087]
如果达到仿真终止条件，则停止仿真，并统计所有出行者的可利用信息。例如，记录本次仿真的小汽车出行碳排放和公共交通出行碳排放，计算本次仿真的区域交通总碳排放。
[0088]
本发明的有益效果：本发明通过仿真手段，建立了基于agent的碳排放估算系统，并编写了相关程序，实现了停车换乘多模式出行的碳排放估算。通过本发明通过对停车换乘多模式出行进行模拟，可以评价采用何种方式来降低区域交通碳排放更为有效。本发明并以减少区域交通碳排放为目标，可帮助优化各停车场的车位可预约比例，并减少交通拥堵。
附图说明
[0089]
图1为agent仿真系统流程图；
[0090]
图2为各网络层拓扑图；
[0091]
图3为实例区域交通网络拓扑图；
[0092]
图4为小汽车出行od分段函数曲线；
[0093]
图5为公共交通总碳排放-票价比例折线图；
[0094]
图6为公共交通总碳排放-发车时间间隔比例折线图；
[0095]
图7为公共交通总碳排放-票价比例-发车间隔比例三维曲面图；
[0096]
图8为小汽车出行平均行驶距离-预约率折线图；
[0097]
图9为预约率0停车场占有率时变图；
[0098]
图10为预约率0.1停车场占有率时变图；
[0099]
图11为预约率0.2停车场占有率时变图；
[0100]
图12为预约率0.3停车场占有率时变图；
[0101]
图13为预约率0.4停车场占有率时变图；
[0102]
图14为预约率0.5停车场占有率时变图；
[0103]
图15为预约率0.6停车场占有率时变图；
[0104]
图16为预约率0.7停车场占有率时变图；
[0105]
图17为预约率0.8停车场占有率时变图；
[0106]
图18为预约率0.9停车场占有率时变图；
[0107]
图19为预约率同总碳排放、小汽车平均行驶距离及平均巡游距离图；
[0108]
图20为预约率同总碳排放及小汽车平均巡游时间图；
[0109]
图21为各停车场占有率-时间图；
[0110]
图22为优化前各停车产占有率热点图；
[0111]
图23为优化后各停车场占有率热点图；
[0112]
图24为优化前后停车场占有率差值热点图。
具体实施方式
[0113]
以下结合附图对本发明实例作进一步说明。
[0114]
本实施例以苏州市观前街为仿真对象，通过构建多智能体仿真模型，对停车换乘多模式出行碳排放进行估算，并分析不同情况对碳排放的影响。以降低区域碳排放为目标，优化停车场预约比率。总体流程图见附图1。
[0115]
多模式交通组合网络由小汽车网络层、步行网络层、地铁网络层和公交网路层组成，如附图2所示。组合网络包含3个出发地，2个目的地，3个郊区换乘停车场，4个市中心停车场。实例区域交通网络拓扑图如附图3所示。
[0116]
1.初始化
[0117]
设置仿真步长为1分钟，仿真总时长为24小时，即1440分钟。由于仿真背景为“供小于需”，因此设置290分钟的冷却时间，即前1150分钟出行者按既定概率生成，后290分钟无出行者生成。
[0118]
初始化起始节点集合so、终止节点集合sd以及停车场节点集合s
p
。利用组合网络的邻接矩阵，生成路段对象(即link对象)，初始化组合网络各路段的编号 id
l
、长度len
l
、类型m
l
、路径上总碳排放e
totall
、路径上每次迭代碳排放e
perl
等属性。
[0119]
假定6:00-7:00和17:00-18:00为出行早晚高峰，出行高峰期间，通勤出行人数占
比为全部出行者的60％，即η
com
＝0.6。所有小汽车出行者中，高收入者和低收入者各占50％，即η
high
＝0.5。初始预约泊车比例为0，即η
booking
＝0。
[0120]
假定各起讫点之间的出行高峰时段小汽车出行的od矩阵如下：
[0121][0122]
由于实例中小汽车的出行存在早晚高峰，本实例参考实际情况，决定小汽车出行od矩阵采用分段函数表示，分段函数曲线如附图4所示：
[0123][0124]
od
m2
＝od*f(m)/60
[0125]
式中，m2代表仿真时间，od
m2
代表仿真时间为m2时的od量。
[0126]
设置停车场agent初始化参数如表1所示。
[0127]
表1停车场参数设置
[0128][0129]
2.生成出行者agent
[0130]
根据od矩阵随机生成出行者，即traveller对象，设置其编号id
t
、起点o、终点d、出发时刻td等属性。据给定的规则随机设置出行者的停车时长pt。假定小汽车出行者的停车时长pt服从正态分布，正态分布的均值为120分钟、标准差为60分钟。
[0131]
根据设定的通勤比例η
com
和高收入人群比例η
high
随机确定当前出行者的属性f
commuter
和f
high
的值是否为true。并设置与碳排放相关的属性，出行者总碳排放 e
totalt
＝0，出行者小汽车出行碳排放e
cart
＝0，出行者公共交通出行碳排放 e
pubt
＝0，并在每次迭代后进行更新。
[0132]
设置参数初始预约比例η
booking
＝0，p
booking
为false。出行者首先确定候选停车场，比较“自驾车出行”和“停车换乘出行”两种方式的广义成本或综合累积前景值，选择最优方式出行，规划最优路径，前往目标停车场。
[0133]
对于非通勤出行者考虑行程时间、货币费用(包括燃油费、预约费、停车费) 和舒适性损耗等因素计算广义成本，本发明假设其对时间限制没有硬性要求，并选择广义成本最小的出行方式。其计算公式表示如下：
[0134][0135]
w1+w2+w3＝1且w1，w2w3＞0
[0136][0137]c*
＝min{ci}，i∈i
[0138]
式中，n表示第n种出行模式，为第n种出行模式中路段a的总成本；a为各种出行方式的组合网络中所有路段的集合；为路段a的时间成本；为路段 a的由货币转换来的时间成本；为路段a的由舒适度损耗转换来的时间成本； w1，w2，w3分别为时间成本、货币成本、舒适度损耗成本的权重系数，根据收入水平确定；ci表示出行方案的广义成本；h为出行路径h中的路段；为第n种出行模式下路段h的广义成本；c
*
为取各出行方案广义成本的最小值，i表示第i个出行方案，i表示出行方案集合。
[0139]
广义成本模型中，公共汽车和地铁的票价以及公交和地铁的发车时间间隔及运行速度参考苏州市姑苏区公共交通的实际情况。小汽车自由流速度、参数α
bpr
、参数β
bpr
、舒适性损耗系数、小汽车燃油费等相关参数参考文献标定，具体数值见表2。
[0140]
表2广义成本模型参数设置
[0141]
[0142][0143]
通勤出行者考虑时间和货币费用两因素来计算综合累积前景值，进行预约停车场选择。计算公式如下。参数说明见上文。根据累积前景理论，最佳出行方式为：
[0144][0145]
cpv
*
＝max{cpvi}，i∈i
[0146]
式中，cpvi为出行方案i的综合积累前景值；t和c分别代表时间和货币；为方案i的行程时间积累前景值；为方案i的货币费用(换算成时间后)积累前景值；w
t
和wc分别是时间积累前景值和货币费用积累前景值的权重系数；cpv
*
为取各出行方案综合积累前景值的最大值。
[0147]
累积前景理论模型中的风险态度系数和损失规避系数的取值根据相关文献标定。具体参数取值见下表3。
[0148]
表3积累前景理论模型参数设置
[0149]
[0150][0151]
若预约停车失败，则该出行者转为非预约出行者，其f
booking
属性设置为false，同样比较两种出行方案的出行成本，确定目标停车场，规划路径，前往目标停车场。
[0152]
3.出行者位置更新、路段碳排放更新与路段流量更新
[0153]
如果出行者尚未到达网络节点处，则需要根据其所在的路段类型沿着该路段前进一段距离d，d的计算公式如下：
[0154]
d＝min(d
nextnode
，step*v
t
)
[0155]
其中，d
nextnode
代表距离下个节点的距离；step代表仿真步长；v
t
代表路段对应的行程速度。
[0156]
若当前路段类型为小汽车路段，需要更新出行者的小汽车出行里程 d
car
＝d
car
+d；若为地铁或公交路段，则更新公共交通出行里程d
pub
＝d
pub
+ d；若为步行路段，则更新步行里程d
walk
＝d
walk
+d。
[0157]
若此次出行方式为小汽车，则估算此次迭代过程中出行者的碳排放更新出行者的小汽车出行碳排放e
cart
并更新此次迭代中各路段产生的碳排放计算公式如下：
[0158][0159][0160][0161]
式中，代表第k次迭代过程小汽车出行产生的碳排放，代表第 k次迭代过程中路段a上小汽车出行产生的碳排放，代表第k次迭代过程中路段a上公共交通出行产生的碳排放，k代表迭代次数，a代表组合路网中的路段。
[0162]
小汽车的碳排放估算方法如下：
[0163]
假定仿真系统不考虑出行者之间是否搭乘同一辆小汽车。系统每分钟迭代一次，迭代之后智能体属性更新，两次迭代之间的属性保持不变，路径上的出行者出行速度由路径属性决定。基于以上特点，本次发明设计的小汽车碳排放估算模型影响因素仅包括车辆的实时速度和在不同速度下的行驶距离。具体计算式为：
[0164][0165][0166]
其中，q为小汽车驾驶的实际耗油量，单位为g，er0为vsp bin为0时的平均油耗率，单位为g/s，nerj为表4中j区间标准油耗率，无单位，tj表示轻型车实际行驶时平均速度落在j区间的总时间，单位为s，为小汽车的co2排放量，单位为g，为消耗1g国标93#汽油排放的co2，无量纲。其中不同的区间对应不同的平均速度以及标准油耗率。根据ipcc提供车用汽油的二氧化碳排放系数(69300kg/tj)以及汽油的热值(43040kj/kg)和20℃的93#汽
油密度 (0.73kg/l)，可得
[0167]
表4
[0168][0169]
若此次出行方式为公共交通，则估算此次迭代出行者产生的碳排放e
pert
，更新此次迭代出行者的公共汽车碳排放e
pubt
，并更细在迭代中各路段的碳排放计算公式如下：
[0170][0171][0172][0173]
其中，代表第k次迭代过程公共交通出行产生的碳排放。
[0174]
公共交通的碳排放估算方法如下：
[0175]
假定仿真系统不考虑出行者是否搭乘同一辆公共汽车或地铁，所有人换乘公共交通的等待时间相同，都采用发车间隔的一半，行驶速度由路径该时段的平均速度决定，地铁行驶速度保持不变。基于以上特点，且考虑到相对于小汽车的碳排放量，公共交通产生的碳排放总量非常低(不考虑公共交通车站、路径建设产生的碳排放)，选择的公共交通碳排放估算模型的影响因素仅包括出行者的公共交通出行距离。具体公式如下式：
[0176]
[0177]
式中为公共交通的二氧化碳排放量，dm为第m1人的公共交通出行距离，单位为km，m1为乘坐公共交通的出行者总数；为每公里二氧化碳排放量，取25.32g/km。
[0178]
遍历集合s
tra
中的每个出行者，检查其当前所在路段l
cur
，若l
cur
为汽车路段，且出行者的f
firstlink
属性为true，表示出行者第一次到达该路段，则更新该路段的流量q
l
＝q
l
+1，此外，如果出行者上一条路段l
last
也为汽车路段，说明出行者已经离开上一条路段，则更新上一条路段流量q
l
＝q
l-1。
[0179]
4.路网状态更新
[0180]
根据汽车网络层中各路段的交通量，更新路网中对应路段的行程速度va和行程时间计算公式如下：
[0181][0182][0183]
其中，为汽车路段a上的自由流速度，取40km/h；qa为路段a上的交通量；ca为路段a上的通行能力，取1800辆/h；la为路段a的长度；α
brp
和β
brp
为 bpr函数参数，分别取1和5。
[0184]
5.出行者出行方式与路径选择更新
[0185]
当出行者到达网络中的普通节点和停车场节点时，其需要根据交通状况重新比较停车换乘和小汽车出行两种方案优劣，动态更新出行路径，确定前往的下一个节点。
[0186]
51停车场节点决策
[0187]
511如果出行者选择“停车换乘”方案且到达换乘停车场，根据是否为预约停车以及有无空闲非预约泊位，可以分为三种情况：
[0188]
5111预约出行。由于在出发进行停车预约时已经保留泊位，预约出行者到达停车场可以直接停车，完成停车后，更新停车场相关属性。随后换乘公共交通，根据成本函数确定前往目的地的最优路径，完成出行，更新出行者相关属性。
[0189]
5112非预约出行且停车场有空闲的非预约泊位。出行者直接完成停车，更新停车场相关属性。随后换乘公共交通，根据成本函数确定前往目的地的最优路径，完成出行，更新出行者相关属性。
[0190]
5113非预约出行且停车场没有空闲的非预约泊位。出行者重新进行方案比选，确定目标停车场和出行路径，出行者前往下一个节点，更新出行者相关属性。
[0191]
512如果出行者选择“纯自驾车”方案且到达目的地附近的停车场，根据有无空闲非预约泊位和是否预约停车分为3种情况：
[0192]
5121预约停车出行。由于预约时已经保留车位，因此出行者可以直接停车。完成停车后，更新停车场相关属性。搜索从停车场步行到目的地的最优路径，更新出行者相关属性。
[0193]
5122非预约出行且停车场有空闲非预约泊位。出行者完成停车，更新停车场相关属性。搜索从停车场步行到目的地的最优路径，更新出行者相关属性等。
[0194]
5123非预约出行且停车场没有空闲非预约泊位。出行者进入“停车巡游”状态，即重新搜索目的地附近的非换乘停车场，根据成本函数选择最优路径前往更新出行者相关属性，若停车场无泊位，再次更换停车场。停车巡游并完成停车后，更新停车场相关属性，搜索
从停车场步行到目的地的最优路径，更新出行者相关属性。
[0195]
52普通节点决策
[0196]
521出行者在普通节点的决策可以分为以下3种情况：
[0197]
5211如果出行者已经完成停车且到达目的地所在节点，则出行者此次出行结束，更新出行者相关属性，并将该出行者添加到已结束出行的出行者集合s
fin
中，便于后续数据统计。
[0198]
5212如果出行者已经完成停车且到达出行途中某节点，则搜索从当前节点到终点的最优路径，并更新出行者相关属性。
[0199]
5213如果出行者尚未完成停车且到达某节点，则比较“纯自驾出行”和“停车换乘”两方案，通勤出行者依据累积前景理论进行方式决策，非通勤出行依据期望效用理论进行方式决策。确定最优路径后，更新出行者相关属性。
[0200]
6.停车状态更新
[0201]
对于每个停车场，分别检查其普通停车队列和预约停车队列，如果车辆的停车时间已到，则将该车辆从停车队列剔除。
[0202]
对于每个停车场，检查其排队停车队列qq，如果存在排队情况且停车场有空闲的非预约泊位，则将排队队列前面n辆车辆移出排队队列并加入非预约停车队列q
ub
。n的计算公式如下：
[0203]
n＝min(n
ub
，nq)
[0204]
其中，n
ub
为空闲的非预约泊位数；nq为停车排队车辆数。由于本次初始仿真设定预约人数和可预约泊位均为0，所以不区分普通停车队列和预约停车队列，但计算思路仍同上。
[0205]
7.更新迭代过程中的碳排放
[0206]
如果本次迭代中的出行者全部生成，则更新此次迭代中产生的碳排放。统计并记录本次迭代产生的小汽车出行碳排放e
cart
和公共交通出行碳排放e
pubt
。如果出行者未全部生成，则根据od矩阵继续生成出行者。重复以上步骤，直到本次迭代出行者全部生成。
[0207]
8.仿真终止，数据统计与分析
[0208]
在仿真时间达到1440分钟时，结束仿真。统计所有出行者的可利用信息。例如，本次仿真的小汽车出行碳排放和公共交通出行碳排放，区域交通总碳排放，小汽车平均行驶距离，小汽车平均巡游距离等。
[0209]
9.交通政策评估
[0210]
9.1优化公共交通票价和发车间隔
[0211]
设置初始预约停车比例η
booking
＝0，开始仿真。为了分析公交票价和发车间隔对于区域交通碳排放的影响，在其他因素保持不变的情况下，按比例降低票价和发车间隔，绘制相应的区域总碳排放量-票价比例、区域总碳排放量-发车时间间隔比例折线图，如附图5、6所示。同时考虑总碳排放减少和边际效益两个因素，确定公交票价降为原价的0.6倍，区域碳排放从7.4万千克降至6.96万千克，碳排放总量下降了大约6.2％。发车间隔从原时长降低至原时长的0.8倍时，碳排放已经降低了1.1万千克，降低了14.5％。
[0212]
为了进一步分析公共交通发车间隔和票价双变量对区域交通碳排放的影响时，选取票价从原价到原价的0.6倍，发车间隔从原长到原长的0.6倍，绘制其与总碳排放的三维
曲面图，如附图7所示。从图中可以看出，无论是降低票价还是降低发车间隔都可以起到降低碳排放的效果，相对于降低票价，减小发车间隔更能吸引小汽车出行者选择公共交通出行，降低发车间隔的收益大得多。
[0213]
9.2优化停车预约比率
[0214]
调整预约停车比率，以0.1的步长从0增长至0.9，绘制小汽车平均行驶距离
ꢀ‑
预约率折线图，如附图8所示。在预约停车比例由0上升至0.6时，小汽车平均行驶距离快速下降，由7000米下降至4447米，这是由于停车预约的出行者数量增多，使得出行者停车巡游比例降低。
[0215]
由图9至图18可以看出，随着预约率逐渐上升，在市中心的停车场中，停车场4、5的占有率没有出现明显下降，停车场7的占有率出现了明显下降，而停车场6的占有率明显上升，郊区的停车换乘停车场占有率明显上升。
[0216]
为了进一步分析预约率对其他因素的影响，绘制预约率同小汽车平均行驶距离、平均巡游距离及碳排放的折线图，如附图19所示。随着预约停车比例的增加，小汽车平均行驶距离和平均巡游距离呈快速下降趋势，但区域交通碳排放呈现先下降后上升的趋势，与平均车公里变化趋势不同。预约率为0.7时，区域交通碳排放最低，与预约率为0时相比下降了4.1万千克，约53％，而预约率为 0.9时，与预约率为0.7时相比上升了1.9万千克，约40％。
[0217]
绘制预约率同平均巡游时间、总碳排放折线图，如附图20所示。在预约率低于0.7时，随着预约率提高，总碳排放量降低，小汽车平均巡游时间呈降低趋势，但总体来说影响不大。预约率大于0.7时，总碳排放量和平均巡游时间快速增加。首先，这是由于预约率过高，导致非预约车位过少，使得大量车辆不得不频繁重新进入道路巡游，导致巡游时间上升，且巡游车辆增加同时导致了道路平均行驶速度下降。其次，这是由于，在郊区的换乘停车场，过高的预约率导致换乘停车场的占有率过高，使得出行者无法在第一时间换乘。当出行者在第一个换乘停车场无法停车后，需要重新决策停车的地点，而换乘停车场之间相距较远，出行者不得不在同一个停车场排队停车，排队停车的碳排放量与车辆在低速条件下行驶的碳排放量相当，因此在小汽车平均行驶距离没有上升的情况下区域交通碳排放快速上升。因此可以得到结论，适当提高预约率有利于降低出行者停车巡游的比例和巡游时间，从而降低区域交通碳排放，然而，在预约停车和非预约停车共存的情况下，过高的预约率不一定能够降低区域交通碳排放。
[0218]
9.3优化停车场车位分配
[0219]
固定预约出行比例η
booking
＝0.6的情况下，研究停车场可预约车位配置比例优化问题。本实施例中使用遗传算法，采用sbx多项式交叉算子和变异算子，种群数量为60，最大进化代数为120，交叉率为0.9，变异率为0.167。下面将以区域交通碳排放为优化目标，使用基于java开发的算法库jmetal优化停车场车位可预约比例。
[0220]
绘制各停车场的占有率-时间折线图，如附图21所示。可知停车场4、5、6 为占有率较高的停车场，因此这三个停车场过高的占有率可能导致车辆平均巡游时间上升。以区域交通碳排放为目标对停车场车位分配进行优化后，各停车场的车位可预约比例均发生了变化，其中停车场1、5和6的车位可预约比例分别从 0.6上升为0.290、0.683和0.648，其余停车场的车位可预约比例均下降，其中停车场4的预约率大幅下降，从0.6降低至0.290，有利
于降低市中心非预约车辆的巡游时间，详见表5。同时，各市中心的停车场的巡游车辆均明显减少，尤其是停车场6和7的巡游车辆减少了一半，巡游车辆的减少有利于碳排放的降低，详见表6。
[0221]
表5优化前后各停车场可预约车位比例
[0222][0223]
表6优化前后各停车场巡游车辆数
[0224][0225]
由表7可知，优化之后，区域交通碳排放从34208.79千克降低为29325.17 千克，下降了14％。而平均巡游时间和平均行驶距离均大幅下降，平均巡游速度大大提高，优化效果显著。统计优化前后各停车场占有率，并绘制相关热点图及占有率差值热点图(优化前-优化后)，如附图22-24所示。可以发现，优化以后，郊区的换乘停车场仿真后期的占有率明显下降，市中心的停车场7占有率明显下降。由之前分析可知，降低占有率有利于减少小汽车的巡游时间，从而降低区域交通碳排放。
[0226]
表7优化前后各评价指标对比分析
[0227]