

嘉宾作者: Ben Freier
目录
• 选对软件
• 搭建出行需求模型
• 节点编号系统
• 平衡节点
• 初步用地预测
• O-D 出行矩阵
• 关键绩效指标 (KPIs)
北达科他州迪金森市现有人口 2.5 万,都市区人口预计 25 年后将增长到 5 万,需要一套既细致、又做得起来的出行需求模型。为了引导城市发展,当地同步编制了公共交通总体规划和城市总体规划。
迪金森的规模确实需要一套给力的模型,但完整做 “四阶段法” 或者 “活动链法” 又不现实 —— 费时费钱,数据要求也高。我们所在的KLJ 工程咨询公司的解法是:把PTV Vistro 和 StreetLight Data的数据打通,将出行生成、起讫点(O-D)数据、出行分配三件事整合到一起。这套模型灵活度很高,城市以后发展变了,随时能更新预测。
这个项目我们也在PTV Talks – Spotlight网络研讨会上专门讲过一期。

项目从采集各交叉口的 StreetLight 数据开始,并按北达科他州交通厅(NDDOT)的 年平均日交通量 (ADT) 调查数据做校准,同时做了季节性修正。ADT 数据帮着搭起了交通分析区(TAZ) 矩阵,把现状和未来的出行分布落到空间上。
PTV Vistro 的宏观模型可以分析主干道和集散道路上的交叉口。把转向流量和 TAZ 出行生成一起纳入之后,就能看出未来开发对区域路网会造成什么影响。模型能指出:随着开发加速,迪金森必须在哪些地方提前谋划交叉口和走廊改造,别等到通行能力吃紧才动手。

图:迪金森人口预计到 2025 年翻倍
项目开头先比较了 PTV 的两款软件:Vistro 和 Visum. 最后选 Vistro,理由有三个:能评估整个都市区范围内交叉口级别的服务水平;采用宏观建模思路,上手快;更新 ITE 出行生成参数方便。
先用 OpenStreetMap 把城市街道倒进 Vistro,再逐一细化交叉口形式、限速、管控方式和信号配时。为控制模型规模,只保留日均车流量超过 1000 辆的街道。
StreetLight 提供日均、早高峰、晚高峰三类流量,并按 NDDOT 的 ADT 调查数据校准,同时比对高峰小时占比是否合理。我们测试了 2021 年的基于位置服务数据和 2022 年的车联网数据,后者与年平均日交通量(AADT) 的偏差明显更小,最终选定车联网数据。

图:迪金森市市域范围内道路功能分级

图:初始 StreetLight 区域路网数据校验
StreetLight原始数据对比 NDDOT 的AADT,R² 为0.9744;校准后 R² 提升到 0.9953,见下图。借助从 Vistro 导出的流量表,用 Excel 的VLOOKUP 和 INDEX 函数逐个交叉口填写,在缩放高峰小时流量的同时,保持日流量占比的校验关系不变。

图:初始 StreetLight 区域路网数据校验
把高峰小时流量导出成 CSV,再重新导回 Vistro。交叉口一多,就得有一套编号规则方便找位置。每个交叉口用四位数字编码:前两位(10–90) 表示南北向方位,后两位(10–90) 表示东西向方位。
比如节点 2030 落在西南象限,看一眼编号就知道在哪。除了交叉口名称和节点号,我们还给 O-D 分析里的 107 个 TAZ 编了号。这些普查小区又按主干道和连接道路做了进一步细分。整个分析覆盖 179 个交叉口、107 个 TAZ。
除了基于普查区的 TAZ,还把区域公路(I-94, US 10, 以及 ND 22) 纳入模型,用来平衡未来车辆流量。这些道路对判断居住出行和商业、办公出行怎么分布至关重要。
分析结果也帮城市想明白了一件事:商业开发应当搭配什么密度的住宅(低、中、高密度),才能让更多出行发生在本地,少依赖外部的住房和就业岗位。

图:以普查区数据子分区表示的交通分析区
流量数据录完之后,在集散道路上加了平衡节点,用来体现 StreetLight 给出的各 TAZ 现状流量。这些节点按 TAZ 的量级,在各研究交叉口之间分配交通量。随后跑第一版 Vistro 出行需求模型,分析迪金森高峰小时各交叉口的运行状况。
初步结果交给市政府征求意见,据此把 StreetLight 数据里缺失的新开发项目流量补了进去。最终模型纳入了这些更新,反映的是准确的现状。

图:Vistro 模型中普查区与区域路网交通分析区截图
围绕 2050 年做了三套情景的初步用地预测,差别在住宅密度和商业用地规模。这些预测按市政府意见落到具体空地上,再按 TAZ 汇总。用 ITE 出行生成率和地块使用率估算,生成各情景的出行量。用地分四类:高密度住宅、低密度住宅、工业、商业。
为平衡未来发展,把区域公路的流量增长也纳入 Vistro。用 ITE TripGen 按用地类型确定出行生成量,再分配 O-D 出行比例。低密度住宅按每户占用地块 25% 估算,工业和商业用地按 5% 利用率估算。
交通假设按道路类型区分:主干道参照带状商业广场(ITE 代码822) 的出行特征,连接道路参照办公楼 (ITE 代码710),工业用地归为一般轻工业(ITE 代码110)。下表汇总了各用地类型的日均、早高峰、晚高峰出行量。

图:按用地代码汇总的 ITE TripGen 参数表
做完整个都市区的测算后发现:情景 A 的住宅出行量撑不起迪金森的工业和商业需求;情景 C 又生成太多,导致区域跨区通勤上升。情景 B 最均衡,开发增长和区域出行格局相互匹配。为进一步细化未来出行,对区域公路按 1.4% 的年增长率处理,与历史趋势一致。
建立加权 O-D 出行矩阵,初始种子用 StreetLight 的 O-D 数据,经过 60 轮迭代调整,在 “邻近偏好” (沿用现状格局) 和 “量级偏好” (新增就业拉动住房需求) 之间找平衡。
最终出行矩阵在 Vistro 里分配,计算最短路径,并由早、晚高峰模型流量推算 2050 年日均流量(ADT)。这些 ADT 用来找通行能力瓶颈,同时检查集散道路有没有出现过量穿越交通。
规划中的项目也一并纳入模型,评估其对交叉口服务水平的影响,支撑迪金森 25 年交通规划。这些项目的筛选,既回应走廊和交叉口的问题,也按未来发展潜力排定道路改造优先级。
项目里踩的坑不少。最典型的一个:把 StreetLight 数据整合进 GIS 时,规划团队和工程团队协同起来比较费劲。旧的 TAZ、StreetLight 的 TAZ、新的普查小区,命名规则各不相同,必须把交叉口和 ADT 路段的编号统一起来,沟通才顺畅。等 Vistro 的详细数据定稿后,其他 GIS 分区再跟着调整。
出行生成方法也改过好几版。最初把研究区域分成 6 个片区,每个片区内最多 20 个 TAZ,用地按片区汇总。但这样做看不出对具体交叉口的影响,颗粒度太粗。改成保留每个 TAZ 的详细用地数据后,精度上去了,假设也少了。
其他难点还包括:选合适的用地代码、估地块利用率、判断未来车辆从哪个口进入市政 TAZ 范围。尽管麻烦,详细的 Vistro 模型加上定期的 PMT 会议,保证了市政府的关切都被回应,模型也能跟着开发假设的变化随时调整。
项目结果表明,这套方法和软件很适合人口 1 万到 5 万的都市区。
Vistro 宏观出行需求模型能随开发假设变化即时计算。对城市来说,这是个灵活好用的工具,每个细化到 TAZ 的假设或者具体项目一变,模型就能跟着更新。
另外我们还做了一份实施计划,标出哪些走廊和交叉口会 “掉链子”,城市可以据此在未来几十年里排项目优先级。等预测的开发真正落地,钱也能花在刀刃上。
关键绩效指标(KPIs)1.模型校准精度:
2. 基础设施规划效率: 依据拥堵预测,识别出未来需要优先升级的走廊和交叉口。
3. 开发影响评估: 让规划人员能测试不同用地情景提前调整用地分区政策。