2.运输规划调查
运输规划所需主要数据
① 有关社会经济系统的数据(区域性)
国民生产总值,国民收入,产业结构,土地及其利用,人口,就业,
资源
② 有关运输系统的数据
运量,周转量,线路,站场枢纽,停车场,运载工具,运输能力,运行
控制,速度,运价,安全性,舒适性,便利性等
③ 有关运输流的数据
客货流的构成,流量,流向,断面运输量,起圪点,运输量,车辆流.
④ 有关对社会,环境,资源的数据
城市布局,古迹,景观,公共环境,居住区,气象,习惯等
2.运输规划调查
运输规划所需主要数据
交通调查的工作过程包括两个阶段：
① 数据的调查和收集；
② 数据整理和简单的统计分析。
运输调查的种类
①社会经济调查
②运输系统调查
③运输流的调查
运输调查的方法
①现场观测
A 人工 B 设备
②询问
借助调查表(家访,电话,邮递,车内,路侧,车牌,指定地点)
③资料检索
上网查询,数据共享
④现代化技术
GPS系统,移动通讯设备,监视器等
不同方法的优缺点:
回答率,有效率,费用,范围,完成时间等
(参看P41表3-1: 3种调查方式的简单比较)
①抽样方法与抽样数据确定
边界,分区,小区,集计,非集计
②调查表的设计
客运,货运,城市,区域,综合,单项
运输调查的若干技术问题
基本概念和术语:
① 出行——出行是指交通元（人、货、车）从出发地到目的地移动的全过程。
人员出行、货物出行、车辆出行。相应的调查称作客流调查、货流调查、车流调查。
城市交通的出行是指：交通元在城市道路上的移动，而在机关、团体、企事业内部、
住宅小区内和公园中的移动不叫出行；并且还往往给移动距离规定一个下限，如规定：
步行单程≥5Min，自行车单程≥400m，才叫出行（其它交通工具不限）。
运输调查的若干技术问题
基本概念和术语:
① 出行——出行是指交通元（人、货、车）从出发地到目的地移动的全过程。
运输调查的若干技术问题
② 出行端点——出行的出发地和目的地，又分别叫作起点和终点，或O、D点。
③ 调查区——整个被调查的区域，一般是规划的整个对象区域。调查区域界
限：包围整个调查区的一条假象的边界线，又叫境界线。
④ 分区及其质心——规划时将调查区分成若干个分区(Zone)，分区是调查的基
本单元，以分区为单位的交通调查又叫起讫点调查。在每一分区内，选其几何
中心或出行量最大的地点作为它的质心，近似地将质心看作是分区内所有出行
端点的。
⑤ 境内出行——起迄点都在调查区范围之内的出行。
⑥ 过境出行——起迄点都在调查区范围之外的出行。
基本概念和术语:
⑦ 境内外出行——起迄点一个在调查区范围之内、另一个在调查区之外的
出行。
⑧ 区内出行——起迄点都在同一个分区内的出行。
⑨ 区间出行——起迄点分别在两个不同分区的出行。
运输调查的若干技术问题
交通分区的划分:
运输调查的若干技术问题
地区交通规划中的分区划分一般与行政区划是一致的，但有时也按交通节
点的吸引范围来划分。
交通分区的划分:
运输调查的若干技术问题
原则：
① 同质性——分区内土地使用、经济、社会等特性尽量使其一致；
② 尽量以铁路、河川等天然屏障作为分区界限；
③ 尽量不打破行政区的划分，以便能利用行政区政府现成的统计资料；
④ 考虑路网的构成，区内质心可取为路网中的结点；
⑤ 分区数量适当，中等城市一般不超过50个，大城市最多不超过100~150个，
数量太多将加重规划工作量，而太少又会降低调查和分析的精度；
⑥ 分区中人口适当，约10000~20000人，靠市中心的分区面积小些，靠市郊的
面积大些。
例如，上海1995年进行的全市交通调查设置了100个分区，北京所进行的交通
调查所 设置的分区的平均面积为4Km2。
①抽样方法与抽样数据确定
边界,分区,小区,集计,非集计
②调查表的设计
客运,货运,城市,区域,综合,单项
(设施、交通量、起讫点、停车、社会经济、人口、交通影响)
运输调查的若干技术问题
③抽查数据的处理
建库,共享,数理统计分析
A 采用线性回归拟合和自变量的关系(建立回归方程)
B 采用残差分析方法判别异常的数据值
C 模型
起讫点调查分析:
调查项目有：
运输调查的若干技术问题
起讫点调查分析:
调查抽样方法：
运输调查的若干技术问题
总体——原来调查范围内调查对象；
总体容量——总体中个体数目；
样本——总体中被抽取的那部分；
样本容量——样本中个体的数目；
样本率——样本容量与总体容量之比。
一般取2%~20%，总体越大，样本率取值越小。美国、日本的居民出行
调查中，10万人口的城市样本率取15%左右，100万人口城市则取4%—5%；
我国几大城市的调查的样本率大都取3%。
起讫点调查分析:
调查抽样方法：
运输调查的若干技术问题
（1）简单随机抽样：这是数理统计中的抽样方法，此方法是从一大批人名或户口名中，
在不知个体（个人或家庭）任何特性的前提下，任意抽取样本。这是最简单的抽取方法，
误差分析也比较容易，但要求较大的样本容量，且不适合个体差异很大的情况。
（2）顺序抽样：将总体中各元素按某种规则（如年龄的大小或收入的多寡）排成一列，
以相同的间隔取样，这也叫“等距抽样”。其优点是使总体的各部分能均匀地被抽到，
因而适合个体差异很大的情况。缺点是抽样前先要进行排序，这对于大容量的总体来说，
即使有计算机帮忙，工作量也是比较大的。
（3）分层随机抽样——按某种规则，将总体分成多个子群（如以收入分群），再从每
个子群中随机抽样。此法的优点是通过划分子群，使子群中各个个体的差异缩小，这就
不怕出现个体差异较大的情况了，弥补了简单随机抽样的缺陷。
（4）整群抽样：将总体根据时间或地域分成许多个组，从这些组中用上述三种抽样方
法中的一种方法抽取一些组（叫样本组）；再对各样本组内所有的个体进行调查。此法
的优点是组织简单，缺点是代表性差。
起讫点调查分析:
调查的工作步骤：
运输调查的若干技术问题
（1）建立调查机构——需要多个单位和大量的人员参加。建立专门的机构，统一负责
指挥、协调工作。
（2）物质准备——设计、印刷调查表格。还要配备专用的调查用车辆、通讯工具。
（3）确定样本率和抽样方法。
（4）人员训练——选用责任心强、组织纪律好、身体健康、有一定文化程度、并且人
地熟悉的人员。
（5）制定计划——确定调查内容、调查对象、以及调查实施的时间。家庭访问应选在
非工作时间，路边的调查和观测应选择工作日，一般以星期二~星期四为宜。特别要注
意的是，无论对象区域范围多大，一定要在同一天同一个时段同时展开调查。
（6）典型实验——在调查全面展开之前，应先作小范围的调查实验，以暴露一些预先
没能估计到的问题，进一步及时改进、完善工作计划。典型实验可以与人员培训结合起
来进行。
（7）实地调查——实地调查的过程中，及时抽查，以便随时发现和纠正问题。
起讫点调查分析:
调查资料的整理分析与直观表达形式 ：
运输调查的若干技术问题
（1）OD表：分矩形表和三角形表两种
起讫点调查分析:
调查资料的整理分析与直观表达形式 ：
运输调查的若干技术问题
（1）OD表：分矩形表和三角形表两种
（2）期望线图：用两分区之间的连线粗细大致代表出行量的大小。
起讫点调查分析:
调查资料的整理分析与直观表达形式 ：
运输调查的若干技术问题
（1）OD表：分矩形表和三角形表两种
（2）期望线图：用两分区之间的连线粗细大致代表出行量的大小
（3）统计图：用立柱体表示各分区中的出行量
起讫点调查分析:
调查资料的整理分析与直观表达形式 ：
运输调查的若干技术问题
（1）OD表：分矩形表和三角形表两种
（2）期望线图：用两分区之间的连线粗细大致代表出行量的大小
（3）统计图：用立柱体表示各分区中的出行量
（4）相关曲线：根据调查资料整理出不同因素与OD出行量的相关关系
北京市于1986年进行了第一次居民出行调查。全市
共分65个交通分区，151个交通小区。调查区域内总户
数150万，人口约582万人。调查抽样以户为单位，抽样
率为5％。共抽得样本7．5万户，26万人。调查期间为
1986年6月3日一6月9日，采用家访调查，由调查员在约
定时间内到居民家中当面了解户中6岁以上成员全天的
出行情况。
居民出行调查实例
出行的定义为:
①为了某一个目的并有明确去向；
②经由有路名的市区或市郊区街、巷或道路；
③移动单程距离超过500m或步行时间8分钟以上的
即构成次出行。
居民出行调查实例
调查内容:
出行的家庭信息
居民出行调查实例
家庭住址
家庭人口
拥有自行车数
摩托车数
家庭月人均收入
户总出行次数
个人特征信息
居民出行调查实例
性别
年龄
职业
文化程度
有无月票
公休日
班制
工作单位名称
调查内容:
出行的家庭信息
调查内容:
出行的家庭信息
个人特征信息
居民出行调查实例
出行目的
出行方式
出发时间
到达时间
出发地点
到达地点
经过路口
居民出行行为信息
调查内容:
出行的家庭信息
个人特征信息
居民出行行为信息
居民出行调查实例
出行目的
出行方式
出发时间
到达时间
出发地点
到达地点
经过路口
上班
上学
下班
放学
生活
娱乐
公务
回程
其它
调查内容:
出行的家庭信息
个人特征信息
居民出行行为信息
居民出行调查实例
出行目的
出行方式
出发时间
到达时间
出发地点
到达地点
经过路口
步行
自行车
公共交通
单位自备车
摩托车
出租车
调查部分结果:
全市抽样总人数为257110人，其中无出行总人数
为96911人，占抽样总人数的％，北京市居民平均
出行次数为次／人·日，有出行行为者的平均出行
次数为次／人·日。
居民出行调查实例
作业:
1.自学教材第三章内容，掌握运输规划调查
的内容和方法。
2.试设计一张上海--北京间旅客出行意向调
查表。了解各种不同旅客（职业、收入、年龄、
时间、目的等）对各种运输方式的需求。
居民出行调查实例
3.运输需求预测(发生)模型
运输需求
需求
消费者对商品购买能力,指有购买力的需求
运输需求
是位移需要和购买能力的统一(时间,空间分布),指潜在的
运输流,与运量区分开来.
运量
已经实现的运输需求.
3.运输需求预测(发生)模型
运输需求
(1) 影响运输需求的因素
社会经济发展水平(生产量,消费量,贸易量)
收入水平
运输服务的价格
人口的数量与结构
区域功能的规划
运输网的分布
运输服务的质量
生活方式
政府的运输政策
3.运输需求预测(发生)模型
运输需求
(2) 运输需求的函数
D=f(a,b,c,d,…,n)
简化模型:
D=f(p)
p为价格,如：
D=a-bp (线性)
D=ap-α (非线性a,b,α是正常数)
3.运输需求预测(发生)模型
运输需求
(3) 预测方法的分类：
定性：逻辑思维，分析，判断，推理创造
定量：数学、统计学、数理逻辑、控制论、运筹学、计算机模拟
仿真
(4) 评价预测模型的准则：
精度优先准则
简洁性原则
适应性原则
实用性原则
2000-2020间
人口将增长 22%:
同期间货运将增长 :
洛杉矶都会区未来增长趋势
2000 2010 2020
0
5
10
15
20
25
M
illions
91
319
309
527
0
100
200
300
400
500
600
Rail Truck Air
1995
2020
240%
Increase
65%
Increase
304%
Increase
M
ill
io
ns
o
f T
on
s
Source: Southern California Association of GovernmentsSource: California Dept. of Finance
人口预测模型
人口预测模型
线性增长模型
假设每年人口增长数量为一个常数a(人／年)，那么第n
年的人口数量为:
P
n
＝P
0
+na
式中：P
0
为基年的人口数量；
P0
n-1 n
年
P
模型过于简单,只适用于短期
规划或人口增长率不高的情形.
若已知有n年的人口数据y
0
,y
1
,…,y
n-1
,则:
a=(y
n-1
-y
1
)/(n-1)
例: 已知上海市近十五年来人口（户籍）的统计数据如下表所示,
试用线性增长模型预测上海市人口(2010年和2015年):
其中a=, y
n
=y1990+a*(n-1990)
年份 总人口（户籍）(万人) 预测 相对误差
1990 1283 1283
1991 1287
1992 1290
1993 1295
1994 1299
1995 1301
1996 1304
1997 1306
1998 1309
1999 1313
2000 1320
2001 1327
2002 1334
2003 1342
2004 1352 1352
例: 已知上海市近十五年来人口（户籍）的统计数据如下表所示,
试用线性增长模型预测上海市人口(2010年和2015年):
y
2010
=, y
2015
=, 平均相对误差为
年份 总人口（户籍）(万人) 预测 相对误差
1990 1283 1283
1991 1287
1992 1290
1993 1295
1994 1299
1995 1301
1996 1304
1997 1306
1998 1309
1999 1313
2000 1320
2001 1327
2002 1334
2003 1342
2004 1352 1352
（Malthus）指数增长模型
十八世纪，英国人口学家马尔萨斯(Malthus)根据百余年
的人口统计资料，于1798年提出了著名的人口增长规律：
人口的增长速度与当时人口数量成正比
假设某地区的人口增长率为r，则：
即 P0
年
P
P’
0
r>0
r<0
若已知有n年的人口数据y0,y1,…,yn-1,则r的值可取为:
r=(r
n-1
+…+r
1
)/(n-1)
例:已知上海市近十五年来人口（户籍）的统计数据如下表所示,
试用指数增长模型预测上海市人口(2010年和2015年):
其中r=, y
n
=y
1990
(1+)(n-1990)
年份 总人口（户籍）(万人) 预测 相对误差
1990 1283 1283
1991 1287
1992 1290
1993 1295
1994 1299
1995 1301
1996 1304
1997 1306
1998 1309
1999 1313
2000 1320
2001 1327
2002 1334
2003 1342
2004 1352
例:已知上海市近十五年来人口（户籍）的统计数据如下表所示,
试用指数增长模型预测上海市人口(2010年和2015年):
y
2010
=, y
2015
=, 平均相对误差为
年份 总人口（户籍）(万人) 预测 相对误差
1990 1283 1283
1991 1287
1992 1290
1993 1295
1994 1299
1995 1301
1996 1304
1997 1306
1998 1309
1999 1313
2000 1320
2001 1327
2002 1334
2003 1342
2004 1352
罗吉斯曲线预测模型
又称为生长理论曲线(Logistic阻滞增长模型)。一般人口
增长曲线应是先慢后快,最后又减慢(也适合经济增长的变化).
t
y
1/k
1/(k+a)
令
其中:k>0,a>0,1>b>0为参数,t为时间
在t=0时,
当t-∞时, y=0,
当t+∞时, y=1/k,
拐点为 曲线过此点由向上凹变为向下凹。
罗吉斯曲线预测模型
修正指数曲线
参数的标定：
由修正指数曲线趋势外推法,若y
1
,y
2
,…,y
3n
是一组观察值,则参数
k,a,b的估计值为:
这里n为总数据的l/3，∑
1
,∑
2,
∑
3
分别为总数据三等分后的各部分
和。若1/y
t
为小数时，可乘以10的适当乘方化为整数，以利计算。
使用罗吉斯曲线预测模型的条件：
根据修正指数曲线预测模型的特点，可知罗吉斯曲线预测模
型的特征是其倒数一阶差分的环比为一常数。因此，当时间序列
{y
t
}的倒数一阶差分的环比近似一常数时,可用罗吉斯曲线预测模
型来预测。即:
例: P61/4-1
罗吉斯曲线预测模型
例: 试用Logistic预测模型预测上海市人口(2010年和2015年):
其中b=>1, a=<0, k=,不能用来预测远期数据
年份 人口数 年次t 1/yt*10^7 一阶差分 环比 预测值 相对误差
1990 1283 0
1991 1287 1
1992 1289 2
1993 1295 3
1994 1299 4
1995 1301 5
1996 1304 6
1997 1305 7
1998 1307 8
1999 1313 9
2000 1320 10
2001 1327 11
2002 1334 12
2003 1342 13
2004 1352 14
例: 试用Logistic预测模型预测上海市人口(2010年和2015年):
yn=10
7/(k+ab(n-1990)) y
2010
=, y
2015
=,
平均相对误差为
年份 人口数 年次t 1/yt*10^7 一阶差分 环比 预测值 相对误差
1990 1283 0
1991 1287 1
1992 1289 2
1993 1295 3
1994 1299 4
1995 1301 5
1996 1304 6
1997 1305 7
1998 1307 8
1999 1313 9
2000 1320 10
2001 1327 11
2002 1334 12
2003 1342 13
2004 1352 14
例:北京1986年6月居民出行调查,日平均出行次数与性别和年龄
有关:
参数变动预测模型(群体生存模型)
年龄 6-10 11-15 16-20 21-25 26-30 31-35 36-40
男
女
年龄 41-45 46-50 51-55 56-60 61-65 66-70 71---
男
女
参数变动预测模型(群体生存模型)
(1) 符号与假设(已知数据)
假设出生率和迁移率不变的情况下，着重考虑生存率的变化，
利用参数变动方法，给出一个单区域分年龄的人口预测模型。
T年为一个年龄段(如T=1,5,10),将年龄分为R+1个段;
P
r
(0)---0时刻(基年)第r段的人口数量,r=1,2,…,R+1;
B
r
(0,T)---0到T时间内第r段的婴儿出生率,r=c,c+1,…d;(r段生
的婴儿数除r段人数,c,d分别为可生育妇女年龄段的上下限)
S
r,r-1
(0,T)---0时刻r-1段人到T时刻进入r段的生存率(r-1段生存
人数除r-1段人数)
m
r,r-1
(0,T)---0到T时间内迁入的r-1段人并进入到r段的净迁入率
(0到T内r-1段迁入减迁出人数除r-1段人数,不准,有可能迁入后又
迁出或死亡,也有可能迁出后又迁入.)
参数变动预测模型(群体生存模型)
(2) 单区域群体生存模型
T时刻各段人口数:
各时刻各段人口数:
(2) 单区域群体生存模型
K=1,2,…,n
参数变动预测模型(群体生存模型)
各时刻各段人数递推公式:
令
(2) 单区域群体生存模型
参数变动预测模型(群体生存模型)
各时刻各段人数递推公式:
(2) 单区域群体生存模型
则:
当B
i
,S
i
,M
i
各段都不变时,有:
参数变动预测模型(群体生存模型)
设 B
i
=B, M
i
=M, S
r+1,r
的最大预测值为a
r+1,r
,
0<α<1 (权,S
i
到S
i+1
的增长幅度),显然
(3) 参数S
i
变化的群体生存模型
为使生存率有所提高,令
记
参数变动预测模型(群体生存模型)
则:
其中S
1
=S,有:
α 表示Si到Si+1的增长幅度,它对生存率的增大起到平滑作用.
(3) 参数S
i
变化的群体生存模型
参数变动预测模型(群体生存模型)
设：
β
r
——0时刻第r年龄段的男性比例
SM
r+1,r
，SF
r+1,r
——在第一周期(0,T)内男性和女性的第r年龄段
生存率；
aM
r+1,r
，aF
r+1,r
——在第一周期(0,T)内男性和女性的第r年龄段
生存率上界；
(4)分性别、年龄变化的生存率变化生存模型
参数变动预测模型(群体生存模型)
(4)分性别、年龄变化的生存率变化生存模型
参数变动预测模型(群体生存模型)
设H不随周期变化
(4)分性别、年龄变化的生存率变化生存模型
参数变动预测模型(群体生存模型)
令下一周期（T，2T）男性和女性的生存率分别为：
其中αM，αF为[0，1]的实数 ,递推得：
(4)分性别、年龄变化的生存率变化生存模型
参数变动预测模型(群体生存模型)
由于H不随周期变化，所以：
得变动参数的群体生存模型：
(4)分性别、年龄变化的生存率变化生存模型
参数变动预测模型(群体生存模型)
即各时刻各段人口数: (k=1,2,…,n)
(4)分性别、年龄变化的生存率变化生存模型
参数变动预测模型(群体生存模型)
例:P66/4-2
各种预测方法对上海市人口增长趋势预测结果比较:
2000 2005 2010 2015
线性增长 1320
指数 1320
Logistic 1320
参数变动 1320
作业: 试用参数变动法预测上海市2030年各年龄段的人口数 ,
并对预测结果进行分析.
上海市各年龄段人口数 变化趋势图
上海市各年龄段人口数 变化趋势图
经济预测模型 (时间序列平滑预测法)
简单滑动预测法
也称为一次移动平均值法
思路: 对原时间序列按一定的时间跨度逐项移动，计算一系列
的时间序列平均值，形成一个新的时间序列，以消除短期的、
偶然的因素引起的变动，显现出长期趋势。
在移动平均值的计算中包括的过去观察值的实际个数，
必须从一开始就明确规定。每出现一个新观察值，就要从移动
平均中减去一个最早观察值，再加上一个最新观察值，计算移
动平均值，这一新的移动平均值就作为下一期的预测值。因而，
移动平均从数列中所取数据点数一直不变，只是包括最新的观
察值。
经济预测模型
简单滑动预测法
例:取三个最近的值来预测未来值.
经济预测模型
简单滑动预测法
设时间序列为X1,X2,…，则简单滑动预测法的计算公式可表
示为：
式中：Xt为最新观察值；Ft+1为下一期的预测值。
递推计算公式：
认为各期数据对将要发生的数据的影响是同等的,预测精度
较差。适合数据变化不大的近期预测。
加权滑动预测法
思路: 距预测期较近的数据，对预测值的影响也较大，因而，
其权值也较大；距预测期较远的数据，对预测值的影响也较小，
因而，其权值也较小。
设αt 是t时期与实际观察值Xt相对应的权值，满足:
则加权滑动预测计算公式为：
且
加权滑动预测法
例:取三个最近的值来预测未来值.其中a1=1/6,a2=1/3,a3=1/2
一次指数平滑预测
思路: 赋予近期数据更大的权值
一次指数平滑预测的计算公式为：
其中Ft是t期一次指数平滑预测值，Xt是t期实际观察值,α
是平滑常数即权系数,0<α<1。 α取值越大,说明近期观察值的
作用也越大 。
当α取值大时，误差也被放大，所以α取值要适当。
一次指数平滑预测
上递推公式中的系数离t越近，权数越大，系数成等比，
因此称此法为指数平滑法.。权和为1，完全符合相权数特点。
而且从递推式可以看出所预测值与全部观察值Xi有关，即充分
利用了全部观察值。F1称为初始预测值。
一次指数平滑预测
将公式递推展开后可得：
一次指数平滑预测的计算公式为：
预测值与全部观察值Xi有关，可令 F1 =X1 ，预测值滞后于
实际值 。
高次指数平滑预测法
设 是t时期i次指数平滑值,则一次指数平滑值公式为：
二次指数平滑法是对一次指数平滑值再进行一次指数平滑
：
同理，三次指数平滑法计算公式为:
设 是t时期i次指数平滑值,则一次指数平滑值公式为：
二次指数平滑法是对一次指数平滑值再进行一次指数平滑
：
同理，三次指数平滑法计算公式为:
高次指数平滑预测法
高次指数平滑预测法
二次指数平滑线性预测模型的计算公式为：
其中：T是超前期(用t期预测t+T期) ，
at是将一次和二次平滑值之差加在一次平滑值上:
bt（趋势发展速度）用二次平滑的斜率值，即:
高次指数平滑预测法
三次指数平滑非线性预测模型的计算公式为：
其中：T是超前期(用t期预测t+T期) ，
例：P78/4-4 α要求一致
例：试用三次指数平滑预测法预测上海市中远期生产总值。
取α=, 则a= , b= , c=
预测公式为：
年份
GDP
（亿元） s1 s2 s3
1995 2463 2463 2463 2463
1996 2902
1997 3360
1998 3688
1999 4035
2000 4551
2001 4951
2002 5409
2003 6251
2004 7450
Y
2005
= , Y
2010
=，Y
2015
=, Y
2020
=
GDP预测值为（亿元）：
作业：试用二次和三次指数平滑预测法预测上海市中远期
(2010,2015,2020年) 工业生产总值，并对预测结果进行分析。
取α=
交通发生模型
基本概念
(客,货,车)出行:人或货从起点到终点的单向移动。
出行的分类：(P83) 区内到区外、区外到区内、区外到区外、区内到区内
交通量：在单位时间内的出行量（人(车)次/天(小时)，车/年(天)或t/年）
当量小汽车单位（PCU）：各种车辆在道路上行驶时所占车道空间进行当量
化换算.我国各种车辆的当量小汽车换算系数为：
车辆种类 大客车 双节大客车 中巴及小汽车 摩托车 自行车
PCU 1
交通发生模型
基本概念
交通发生量（总控制量）：规划中用来预测和校核各交通小区的产生及吸引
交通量。
交通发生量=交通产生量+交通吸引量
trip generation=trip production + trip attraction
注：单位时间内，一个分区的产生量不一定等于其吸引量，但对整个对象区
域而言，单位时间的产生总量应严格等于单位时间的吸引总量（不计“境内
外出行” 时），或至少应大致相等（计入“境内外出行” 时，但因境内外
出行量毕竟较小），否则说明调查和分析有错。
交通发生模型
基本概念
影响小区出行发生的因素:人口（年龄，职业）,经济,可达性
可达性:某交通小区所具有的与其它交通小区发生某种联系的可
能性大小.即：
其中:A
ij
——小区i对于小区j中某一类活动的相对可达性；
S
j
——交通小区 j中活动主体的规模,如职工人数等
T
ij
——交通小区ij间的时间距离
r——参数
A
i
——分区i的总可达性值
交通发生模型
基本概念
影响区域出行发生的因素:人口（年龄，职业）,经济,可达性
不同职业人员日平均出行次数统计表(1986年北京)
工人 干部 教师 学生 个体
货车
司机
客车
司机
农民 其它
原单位法(生成率法)
思路：将每人或每户平均产生的日出行量作为原单位，根据研
究对象地区人口预测量(或家庭数)，两者相乘而得到的结果。
即：
其中：T
i
——区域i的日总出行量；
P
i
——区域i的人口（户）数；
C
i
——区域i的平均日出行次数（出行率、生成率）；
例如：某规划区预测 10万户居民，出行调查户均出行产生次数
为次/天，则产生量为：
100000*=250000人次/天。
原单位法（生成率）只能考虑单一因素，如人口或土地面
积等对交通生成的影响。误差较大，只能用于较粗略的交通生
成预测。适用于城市或区域出行生成、吸引预测。
思路：以家庭作为基本单元，将家庭根据其规模，收入，交通工
具（汽车、自行车）拥有量进行横向分类，并由家庭访问调查资
料计算每一类的平均出行生成率。然后用位于该区的各类家庭数
乘以相应类的平均出行率，求和。即：
横向分类各家庭定位计算每类平均出行生成率相乘相加
其中：Ti——区域i的日总出行发生量；
Pij——区域i内j类家庭数；
Qj——j类家庭平均出行率；
类别生成模型
当各影响因素变化较大时，现状资料不能反映，此时模型不
适用。仅适用于城市交通规划中的出行发生预测。
例：我国某城市的交通规划将家庭分作333=27类，出行率Qj如表，某分区各类
家庭的比例如表4括号中的数值γsi，该分区未来规划年份将有8000户居民，式
求该分区的出行产生量的预测值Ti。
类别生成模型
例：我国某城市的交通规划将家庭分作333=27类，出行率Qj如表，某分区各类
家庭的比例如表4括号中的数值γij，该分区未来规划年份将有8000户居民，式
求该分区的出行产生量的预测值Ti。
解：由题设知Ni=800
类别生成模型
作业：自学P86-90：类别生成模型的构造、验证、实例
计算公式：
其中：Ti——区域i的未来出行量；
ti——区域i现在出行量；
Fi——区域i增长系数（率）；
F
i
值的确定：与人口P、家庭收入I、汽车数C等有关。
如：
增长系数模型(growth-factor modeling)
分别是人口增长率和拥有汽车增长率，即：
或简单地
其中d,c分别表示设计(规划)年和现在的状况
例(P86):一个小区250个家庭各有一辆小汽车,另外250户家庭没有
小汽车,设已知有汽车的家庭出行发生率为次/天,没有汽车家
庭出行发生率为次/天.则该区域的现在出行数:
(次出行/天)
增长系数模型(growth-factor modeling)
设未来所有的家庭都有一辆小汽车,如果家庭收入和人口保
持常数,则增长系数F
i
为:
但共有500户人家,每家平均出行次数为次/天,则
用增长系数可能计算出行数值偏高
适用于预测外区与对象区域间的出行发生量（其它方法很
难解决）如设
增长系数模型(growth-factor modeling)
其中：i为本区；
j为外区；
Fj是j区的出行增长率；
Rj为j区人口增长率；
Ri本区人口增长率。
回归分析模型
一、步骤：
准
备
和
整
理
数
据
确
定
因
变
量
和
自
变
量
作
出
散
点
图
确
定
预
测
模
型
确
定
参
数
统
计
检
验
实
际
预
测
建立模型 检验模型 预测
回归分析模型
二、一元线性回归预测：
1) 建立模型
u
i
须具有的5个特性：
u
i
是一个随机变量,取值可正可负并有一定的概率；
u
i
的平均值为零，即E(u
i
)＝0；
在每一个时期中，u
i
的方差为一常量;
不同观察值的随机扰动项u
i
、u
j
(i≠j)是相互独立；
x
i
是确定值，不是随机变量，但x
i
与u
i
是相互独立的。
式中：xi、yi是自变量和因变量的观察值；b0、b1是未知参数；
ui为剩余残差项或称随机扰动项。
二、一元线性回归预测
2) 参数估计
最常用的是普通最小二乘法。 即使下式达到最小：
一元线性回归预测式：
二、一元线性回归预测
3) 检验
残差平方和Qe： 估计绝对误差
标准差S(剩余标准差): 衡量实际值与估计值之间的差异程度
二、一元线性回归预测
3) 检验
离散系数v： S的相对值
相关系数r： 衡量x
i
与y
i
的相关程度
一般认为v不超过至时误差可接收。
，r=0时X与Y不相关，|r|1时，相关程度越高。
X与Y的关系：0<|r|≤为微弱，<|r|≤为低度，
<|r|≤为显著，>为高。一般认为r的绝对值若大于
，x与y有较高的相关程度。
二、一元线性回归预测
3) 检验
可决系数r2（判定系数）：考查回归直线对实际因变量分布的
解释程度，其值为相关系数的平方。
可以证明：
可决系数只有正值，它与相关系数可提供相互补充的信息。
当r2=1，说明剩余离差为零，y
i
完全在回归直线上，即100%在直
线上。当r2=0，即回归直线与 重合，没对离差作任何解
释。若r2>，说明回归直线可以解释总离散的80%，结果是满
意的。
二、一元线性回归预测
3) 检验
t检验： 线性假设的显著性检验
一般取显著性水平α=, 1-α置信水平
原假设H
0
： 备择假设H
1
：
因为
为总体方差,
与Q
e
独立
为b
1
的无偏估计,
所以：
二、一元线性回归预测
3) 检验
t检验： 线性假设的显著性检验
当H
0
为真 则:
即当
拒绝H
0
，认为 ，即回归效果是显著的；
否则，可认为回归效果不显著。
H
0
为真原因可能有三：
①影响y取值的除x及随机误差外,还有其它不可忽略的因素.
②E(y)与x的不是线性的.
③y与x不存在关系.
二、一元线性回归预测
3) 检验
D-W检验： 检验u
i
之间的自相关性
D-W统计量的计算公式为：
把D-W值与Durbin-Walson给出的不同显著性水平α的D-W值
之上限d
u
和下限d
l
进行比较, 从而确定是否存在自相关性。其中
d
u
、d
l
可查表得到，它们与容量n、自变量个数m和显著性水平α
有关，D-W检验法规定：
当D-W≤2时，若D-W<d
l
，u
i
存在正的自相关。若D-W>d
u
，u
i
无
自相关，中间不能确定。当D-W>2时,若4-D-W<d
l
，u
i
存在负的自
相关。若4-D-W>d
u
，u
i
无自相关，中间不能确定。D-W值等于2时
为最好，一般在之间就可认为没有显著自相关问题。
二、一元线性回归预测
4) 评定预测效果
可把不包括在样本期内的某期已知量与预测量进行比较。
例:P93,由煤产量预测铁路总货运量
例:用Excel软件的回归预测功能预测上海总货运量
三、多元线性回归预测
1) 回归方程
设主要因素为x
1
,x
2
,…,x
m
,抽取样本（y
i
,x
1i
,x
2i
,…,x
mi
）
(i=1,2,…,n),(m个因素，n个样本)。
若散点图(y,x
i
)呈线性，则作多元线性回归函数：
2) 确定参数
可用最小二乘法确定回归系数b
0,
b
1
,b
2
,…,b
m
。令：
求Q的极小值，对b
0,
b
1
,b
2
,…,b
m
求偏导并令为零,得正则方程:
三、多元线性回归预测
其中:
三、多元线性回归预测
解m+1个线性方程组。
与一元线性回归分析一样，对已经确定的多元线性回归分析
模型能否较好地反映事物之间的内在规律仍然要进行相关性检
验和置信区间估计。
也可用Excel软件求解，散点图、添加趋势线、t检验或F检
验。
三、多元线性回归预测
3) 变量标准化
令:
有:
三、多元线性回归预测
3) 变量标准化
回归方程：
四、逐步线性回归预测
1) 取样本
对所有待选的自变量，按其对因变量作用的程度由大到小依
次引入回归方程，作显著性检验，剔除无显著性作用的变量。
2) 标准化
其中x
1
,…,x
n-1
为自变量，x
n
为因变量。
令:
其中:
四、逐步线性回归预测
3) 回归方程
由上方程可化为:
其中:
四、逐步线性回归预测
4) 参数估计
正则方程组:
其中:
令:
四、逐步线性回归预测
4) 参数估计
作 变换:
若依次作了 的变换后,所得矩阵的前n-1列是
系数矩阵的逆阵,最后一列是方程的解,即:
四、逐步线性回归预测
5) 逐步回归
求Z
j
的偏回归平方和:
该值反映了Zj对Y的影响程度,可用F检验法检验 是否为真.
步骤:每次选V
j
中最大者,若通过检验,则引入x
j
,并检验已引入
的变量V
j
中的最小者,若不接收,则剔除该变量.
设已选了L个变量,则
引入x
j
的F检验统计量为:
剔除x
i
的F检验统计量为:
例: P62/3-4(课程设计)
例：天津市货流预测参考公式
设: 工业占地面积为X
1
(万m2)
工业职工人数为X
2
(人)
工业产值为X
3
(亿元)
工业企业车辆拥有数为X
4
（辆）
商业占地面积为X
5
(万m2)
商业职工人数为X
6
（人）
商品零售额为X
7
（亿元）
商业车辆拥有量为X
8
（辆）
仓库占地面积为X
9
(万m2)
站场、码头货场为X
10
(万m2)
通过逐步回归分析，筛选后得出的公式为：
Y=+
2
+
3
+
9
其中置信度 α=
五、弹性系数法
适用于资料少,预测年限长,货运
弹性系数C=交通的增长率与国民经济发展的增长率之间的比例关系
弹性系数法是定量与定性相结合的综合分析方法,根据国民经
济的未来增长状况,预测交通的增长率,进而预测(增长系数法)未
来的交通量.
弹性系统的确定应综合分析预测地区的历史、现状、发展趋
势，分析不同时期的弹性系统，并通过与其它地区的类比分析等
确定。
运输需求预测方法小结
城市居民出行预测
类别生成模型，确定各类别的增长系数。
城市流动人口出行生成预测
各类流动人口所占比例（居民）较少，采用生成率法。
城市、区域货运交通生成预测
先预测总货运量T，回归分析，弹性系统
再分配到各小区：相对权值法
其中V
j
为小区j的货运生成量，M
j
小区j的货运生成单位用地面积
相对权值，A
j
小区j的用地面积， T货运总量
M
j
要考虑地理位置，用地性质类别等因素。
运输需求预测方法小结
城市对外及过境客货运交通生成预测
增长系数法，先预测总量的增长情况，再考虑用地等状况
分配到各小区
区域交通生成预测
回归分析，时间序列法，弹性系统法。当各交通小区资料
较完整时，应对交通区的产生，吸引分别建立模型进行预测，
当只能对某一区域的交通生成进行分析预测时，可先预测总发
生量，再根据各交通区的经济水平，人口数量，地理条件等分
配至各交通小区。
