简介由黄海军撰写的《城市交通网络平衡分析理论与实践》是城市交通与轨道交通领域经典学术PDF面向交通规划、交通工程专业师生及研究人员系统阐释网络平衡分析的核心理论与求解方法。全书围绕交通网络拓扑结构、交通流动、交通时间、交通速度与交通容量等维度展开既有理论模型推导也覆盖交通监控系统、模拟仿真、优化算法、信息化系统以及交通规划设计等实践内容可帮助读者建立从基础概念到工程应用的整体认知尤其适合用于分析拥堵成因、评估路网承载能力及制定疏导方案。资源包内仅1个PDF文件压缩包约8.1MB内容紧凑、排版规整便于在电脑或平板中反复研读。目前已有608人学习下载适合城市交通课程教学、研究生课题参考或从业者进阶阅读。1. 城市交通网络平衡分析从理论到实践的完整技术地图早上七点半的城市快速路导航给出三条备选路线走了几回你会发现到达时间相差无几。这不是导航算法在作弊而是城市交通网络平衡分析描述的那种稳定状态——每个出行者都按自己的最优原则选路流量会分布到一个没人愿意单独改变策略的点上。黄海军《城市交通网络平衡分析理论与实践》把这种经验感受提炼成完整框架Wardrop平衡条件、数学规划模型、求解算法。我一直按这套框架做交通分配、路网评估和拥堵策略仿真今天按工程师的使用逻辑拆解。读者是正在做交通需求预测、路网规划评估、交通管理策略仿真或手头有OD数据但不知道如何分配到路网的工程师。读完你会知道模型算法怎么选、参数怎么标、结果怎么验证、坑在哪。2. 两种平衡原理用户均衡与系统最优本质差在哪城市交通网络平衡分析的第一步不是写代码而是搞清楚你在算什么。Wardrop的两条原理是所有后续模型的地基它们定义了什么是“平衡”也定义了两种截然不同的参照系个体最优和系统最优。搞不清这一点后面建模、调参、解读结果都会跑偏。2.1 Wardrop第一原理为什么所有被使用路径的时间会趋同Wardrop第一原理用户均衡UE表述很简洁当路网达到平衡时同一OD对之间所有被使用的路径行驶时间相等且不大于任何未被使用路径的行驶时间。翻译成大白话每个出行者都在找自己的最短路径最终没有任何人能靠单方面换路来缩短通行时间。这个原理的现实对应很直观。早高峰走哪条路都不快你发现一条更快的新路马上有其他司机涌进来直到这条路的时间被抬高到和其他路相当。最有冲击力的推论是Braess悖论给路网加一条新路所有人的出行时间反而变长了。一个典型数值例子从A到B有两条平行路径每条由一段“快速路”和一段“窄路”组成快速路的行驶时间是流量/100分钟窄路固定25分钟。两条路径各承担1000流量时每段快速路承担500总时间 500/100 25 30分钟。修一条天桥连接两条窄路段形成第三条路径所有司机都选择先走快速路、经天桥切到另一条快速路原本两条快速路各500流量变成各2000流量通行时间飙升到40分钟比修路前还慢10分钟。这个悖论说明个体最优的加总不等于系统最优。从数学上看用户均衡解满足一组互补条件。设路径流量为f_p、路径时间为c_p、OD最短时间为u平衡时满足f_p 0则c_p uf_p 0则c_p ≥ u。这组条件恰好等价于一个凸规划的KKT条件这就是后面Beckmann变换的由来——司机之间的博弈被一个等价优化问题刻画才能交给计算机求解。2.2 Wardrop第二原理系统最优的数学表达与边际成本定价Wardrop第二原理系统最优SO要求路网总行驶时间最小化。在系统最优状态下流量分配遵循边际成本原则——每条路径的边际行驶时间加权后相等而不是平均行驶时间相等。现实中不会自然出现SO状态因为出行者没有动机关心边际成本但它是评估拥堵收费、信号协调、限行政策效果的理论基准。一个简单的两条路例子能看清两者差距。设OD流量d 1000路径1时间函数t1 10 0.1 f1路径2时间函数t2 15 0.05 f2。UE条件要求f1 f2 1000且t1 t2解得f1 ≈ 333、f2 ≈ 667总行驶时间约39833分钟。SO条件最小化f1·t1 f2·t2解得f1 ≈ 250、f2 ≈ 750总行驶时间约39625分钟。差距不大但如果把函数系数拉大差个10%很常见。两个状态之间的总时间差经济学上叫无谓损失。拥堵收费的最优费率恰好等于某个路段上边际成本与平均成本之差。UE和SO的差距不是学术玩具它直接量化了城市拥堵管理的潜在收益空间——早高峰的UE与SO总时间差如果超过15%说明通过收费或信号优化改善的潜力很大。对比维度用户均衡 UE系统最优 SO个体目标最小自身行驶时间最小总行驶时间数学性质变分不等式 / 凸规划凸规划流量条件被用路径时间相等路径边际时间相等现实状态自然形成需要价格或管制干预典型应用现状评价、OD分配收费定价、路网优化2.3 变分不等式与解的性质非对称阻抗下还能不能算固定需求、路段阻抗只与本路段流量有关时Beckmann凸规划可以干净地求解。但城市路网里有个常见情况会让这个框架失效交叉口转向延误。左转车流会增加对向直行车流的延误直行车流对左转延误的影响却又不同这种交互在数学上就是非对称阻抗——不满足可分离条件Beckmann变换的目标函数不存在。这个场景下用户均衡问题要用变分不等式VIP刻画求路段流量x*使得 t(x*)ᵀ (x - x*) ≥ 0 对所有可行流量x成立。VIP的好处是不需要目标函数只需要阻抗映射具备单调性。如果阻抗函数严格单调路段流量解唯一如果只是单调不减流量不一定唯一但总行驶时间不随解变化。工程上的应对做法两种一是对角化算法每轮迭代把非对称阻抗固定在当前解处转成对称问题再用Frank-Wolfe二是直接用MSA在VIP框架下迭代。我遇到带转向延误的路网时通常先对角化加FW试跑不稳定再切MSA。前提是承认问题已经不是经典凸规划不能在Beckmann目标函数上做线性搜索。3. 从平衡条件到可计算模型Beckmann变换与BPR阻抗函数平衡原理是目标但要让计算机求解得先把Wardrop互补条件变形成能优化的数学规划。同时路段阻抗函数作为模型的输入核心直接决定了流量分配的方向。这一章解决两个问题目标函数怎么构造、阻抗函数怎么标定。3.1 Beckmann变换把博弈问题变成无约束凸规划Beckmann在1956年证明了一个关键结论满足特定条件的用户均衡等价于下面这个凸规划的最优解min Z(x) Σ_a ∫₀^{x_a} t_a(ω) dω其中x_a是路段a的流量t_a(·)是该路段的阻抗函数约束为流量守恒OD需求等于路径流量之和和路段流量与路径流量的关联关系。这个变换的意义在于把互补条件变成一阶最优性条件——对Beckmann函数求梯度令其在可行域上为零得到的恰好是Wardrop平衡条件。必须强调Beckmann目标函数本身没有直观的物理意义它是个数学构造单位是“时间×流量”的积分不对应任何可观测的现实量。它的作用只是让一阶条件等于平衡条件。你可以把它理解成一种翻译技巧交通工程师用这个技巧把多智能体博弈翻译成单目标优化后者才有成熟的数值算法。求解时用拉格朗日乘子处理流量守恒约束。对每个OD对引入乘子u_od构造拉格朗日函数后一阶条件推导出的结果就是之前提到的互补条件。这组推导在黄海军书里是核心章节也是把理论和算法衔接起来的关键一步。实际编码时你不需要显式处理路径变量每次迭代重新找最短路径即可这就是后面Frank-Wolfe算法的基础。3.2 BPR阻抗函数α和β不是拍脑袋定的路段阻抗函数是整套模型的“心脏”。最常用的是美国公路局开发的BPR函数形式t_a(x_a) t_a⁰ × [1 α (x_a / C_a)^β]其中t_a⁰是自由流时间C_a是实际通行能力α和β是待标定参数。教材里最常见的取值是α0.15、β4许多人直接抄——但原版BPR参数标定对象是美国高速公路基本路段不是全国通用值。我一般按道路等级区分参数城市路网至少分成三类道路类型α推荐范围β推荐范围说明高速公路基本路段0.10~0.203.0~5.0流量接近能力时阻抗增长快城市快速路0.15~0.253.0~4.0受出入口影响高峰更敏感城市主干道0.20~0.302.5~3.5信号交叉口密集β偏低次干道/支路0.25~0.402.0~3.0受路边停车和非机动车干扰标定方法是用实测行程时间和流量数据做最小二乘拟合。先把BPR函数取对数线性化ln(t/t⁰ - 1) ln α β·ln(x/C)然后对散点做线性回归斜率和截距就是β和ln α。没有本地实测数据时至少把道路类型区分开而不是全路网套一个值。注意BPR函数在饱和度x/C大于1时仍有定义但超过1.2以后阻抗曲线非常陡模型给出的阻抗数值可信度很低不适合讨论严重过饱和场景。如果分析对象是常态拥堵路网建议换用带排队延误的阻抗模型或者把容量值调低让饱和度回归正常区间。3.3 固定需求与弹性需求什么时候不能偷懒教科书先讲固定需求因为模型简单、收敛性好。但做政策评估时问题来了如果分析拥堵收费或公交优先出行需求本身会响应出行成本的变化——有人改时间、有人改目的地、有人取消出行。固定需求会显著高估或低估策略效果。弹性需求模型的思路是在固定需求基础上加需求函数q_od D_od(u_od)需求是OD间最短出行时间的减函数最常见的形式是指数函数或幂函数。求解时可以把需求函数纳入超网络框架为每个OD对添加一条虚拟路段其阻抗是需求函数的反函数这样弹性需求问题被转回固定需求形式Beckmann变换仍然适用。我的判断标准如果分析场景会显著改变OD间的出行成本变化超过20%弹性需求是底线。做拥堵收费评估、公交专用道效益测算这种场景需求转移是核心结论的一部分固定需求会得到偏乐观的拥堵改善数字。如果只是做现状路网评价OD数据来自调查或预测模型固定需求通常够用。要注意弹性需求模型收敛更慢对OD需求函数的参数标定要求也更高不要让模型复杂度超过数据支持能力。4. 求解交通平衡的算法实现Frank-Wolfe与MSA怎么选模型建好了下一步是求解。固定需求用户均衡最经典的两个算法是Frank-Wolfe和MSA。二者的区别本质上是搜索步长的确定方式不同前者每轮做一维搜索找最优步长后者用固定递减步长。这个差别在具体项目中会直接影响收敛速度、结果稳定性和实现复杂度。4.1 Frank-Wolfe算法核心步骤与可运行的代码骨架Frank-Wolfe算法FW用于求解带线性约束的凸规划恰好匹配Beckmann变换的约束结构。算法步骤初始化按自由流阻抗做一次全有全无分配得到初始路段流量x⁰按当前流量用BPR函数更新路段阻抗在当前阻抗下再做全有全无分配得到辅助流量y在方向d y - x上做一维搜索求最优步长λ ∈ [0,1]最小化Beckmann目标函数更新流量x ← x λ(y - x)检查收敛不满足回到第2步一个最小实现骨架import numpy as np def frank_wolfe(network, od_matrix, max_iter500, tol1e-4): # network: 包含路段数、自由流时间、容量、BPR参数的数据结构 # od_matrix: 二维数组od_matrix[i][j] 是起点 i 到终点 j 的需求量辆/小时 num_links network.num_links x np.zeros(num_links) # 路段流量初始化为 0 # 第一步自由流时间下做全有全无分配 t network.free_flow_time.copy() x network.all_or_nothing(t, od_matrix) # 所有 OD 流量沿最短路径加载 for k in range(max_iter): # 按当前流量计算 BPR 阻抗 t network.bpr_impedance(x) # 全有全无分配得到辅助流量 y y network.all_or_nothing(t, od_matrix) # 步长方向辅助流量减当前流量 d y - x # 一维搜索在 [0,1] 内找最优步长 lam lam _line_search_beckmann(network, x, d) # 更新流量限制非负 x x lam * d x np.maximum(x, 0) # 相对 Gap 判断收敛 gap _relative_gap(network, x, t, od_matrix) if gap tol: print(f第 {k1} 轮迭代收敛相对Gap {gap:.6f}) break return x逻辑说明all_or_nothing函数先做最短路径搜索一般用Dijkstra然后把OD流量一次性加载到最短路径上得到路段流量向量。这个函数每轮迭代都要调用是全算法最耗时的部分。_line_search_beckmann在方向d上找最优步长通常用二分法或黄金分割法。_relative_gap计算的是当前流量下总行驶时间与理论最短时间之差占总行驶时间的比例。参数说明max_iter在FW算法中建议200到500轮再往后FW的收敛会变得非常慢属于一阶方法的固有尾部效应。tol设1e-4是工程上比较合理的平衡点再小意义不大。_line_search_beckmann的搜索精度设1e-6就够太精确会把时间浪费在目标函数几乎平坦的区间上。4.2 MSA方法小规模路网的简单选择MSAMethod of Successive Averages思路更直接每轮迭代仍做全有全无分配但步长不搜索固定取λₖ 1/(k1)。这意味着前期步长大、快速逼近大致区域后期步长小、抑制震荡。def msa(network, od_matrix, max_iter200): # network 和 od_matrix 定义同上 num_links network.num_links x np.zeros(num_links) # 初始全有全无分配 t network.free_flow_time.copy() x network.all_or_nothing(t, od_matrix) for k in range(1, max_iter 1): t network.bpr_impedance(x) y network.all_or_nothing(t, od_matrix) # 固定步长 1/(k1)注意这里 k 从 1 开始 x (1 - 1 / (k 1)) * x (1 / (k 1)) * y x np.maximum(x, 0) return x逻辑说明MSA的步长序列满足两个条件λₖ趋近于0且Σλₖ发散。直观理解是后期每轮迭代只对流量做微小修正所以不会剧烈震荡但也意味着收敛慢。代码里没有显式的收敛判断工程上通常用相邻两轮迭代的流量差来判断如果‖x^{k1} - x^k‖小于阈值就提前终止。MSA适合什么场景第一路网规模小几百条路段以内第二模型里有非对称阻抗无法可靠地做一维搜索第三你只想快速得到一个大致的流量分布用于敏感性测试。实际项目中我常用MSA做算法对照组验证FW的结果是否稳定。4.3 收敛判据相对Gap、流量变化量与迭代曲线怎么看收敛判断直接决定你什么时候可以信任结果。不同判据的工程含义差别很大判据定义工程建议绝对GapΣ x_a t_a(x_a) − Σ q_od · u_od受OD总量影响不同路网不可比相对Gap绝对Gap / 总行驶时间推荐主判据1e-4以内可接受流量变化量‖x^{k1} − x^k‖辅助判据防止Gap失真我习惯同时看两个指标相对Gap和关键路段流量的逐轮变化。如果Gap已经小于1e-4但某条关键路段流量在相邻轮次之间波动超过5%说明模型在迭代之间来回跳没有真正稳定。这种情况多半是步长选取或者路网拓扑的问题而不是迭代次数不够。另一个实用技巧是画Gap迭代曲线——横轴迭代轮数纵轴相对Gap对数坐标。FW的收敛曲线应该是平滑下降的如果曲线出现周期性起伏说明流量在等价路径之间震荡这时候要回到5.5节的对称路网问题去排查。5. 交通平衡分析避坑指南五个让结果变“玄学”的常见问题新手和熟手用同一套模型结果却可能差出20%以上问题往往不在算法而在输入数据的细节处理。这章列五个我在项目里踩过、也看别人踩过的坑每条按现象、原因、解决的顺序写清楚。5.1 路段容量取经验值饱和度偏差离谱现象同一套OD数据、同一个路网容量取规范推荐值和取现场调查值饱和度能差出15%以上流量分配方向也随之改变。原因BPR函数里容量在分母上容量偏差直接改变阻抗增长速度。容量低估阻抗偏高流量被推向“看起来更宽”的替代路径容量高估则相反。解决容量至少按车道数、道路隔离形式、信号密度分等级取值。有条件时用高峰小时实测流量反推容量无条件时查当地城市道路设计规范的分级推荐值。不要在项目里图省事给所有快速路设同一个值。5.2 路网拓扑漏连边算出的是另一个路网的平衡现象模型中某条主干道流量远低于实测平行的一条次干道却堵得离谱怎么调参数都调不回来。原因主干道和次干道之间的连接匝道漏了或者交叉口禁左、单行线方向没有建模OD需求被模型强行挤到次干道上。解决第一轮分配后做路段级流量对比误差超过30%的路段先查拓扑再查参数。我一般把路网导成GeoJSON叠加卫星影像逐条核对可通行方向特别是匝道方向和禁左规则。这一步虽然耗时但比后期调参划算得多。5.3 收敛判据设太严计算量翻十倍结果没变现象相对Gap从1e-3降到1e-5迭代次数从150涨到1200但关键路段流量变化不到1%。原因FW算法是典型的一阶方法越接近最优解收敛越慢这就是“尾部效应”。追Gap极值是在和算法固有的收敛速度作斗争。解决把收敛标准固定在1e-4判断收敛时以关键路段流量是否稳定为准而不是一味压低Gap。如果项目要求极高精度可以FW跑150轮后切MSA用小步长做精细调整两三百轮迭代能得到比纯FW更好的稳定结果。5.4 忽略交叉口转向延误城市路网模型失真现象CBD区域路段流量分配结果和实测总是对不上白天和夜间误差模式还不一样。原因BPR函数只描述路段行驶时间不含交叉口排队延误。城市核心区里这部分可能占出行时间的30%到50%尤其信号周期长、饱和度高的交叉口。解决简单做法是从路网数据里提取交叉口转向关系按直行、左转、右转分别加上额外延误常数再用信号配时数据标定。复杂做法是用节点延误函数替代路段BPR函数的一部分。如果项目时间紧至少保证饱和度高的交叉口有转向延误否则分配结果没有参考价值。5.5 对称路网配对称OD两条等价路径流量震荡不收敛现象迭代到后半程两条完全等价的平行路径上的流量一直在跳Gap曲线出现周期性波动始终稳定不下来。原因等价路径上的最优解本身不唯一任何数值扰动都会让全有全无分配把流量全部加载到其中一条下轮又跳到另一条形成一个极限环振荡。解决把等价路径合并成一条组合路径或者改用MSA的步长策略或者对迭代流量做指数平滑例如每次更新后x ← 0.5x_old 0.5x_new。环线加棋盘式路网最容易出现这个问题发现Gap曲线锯齿状波动时优先考虑。6. 验证与进阶用小型路网跑通全流程再上真实项目6.1 最小可复现实验9节点12路段经典路网建议找9个节点、12条有向路段、4个OD区的经典测试路网先在这个规模上把FW和MSA都跑通。这个规模下每轮迭代毫秒级完成适合做参数敏感性分析。参数取值建议路段自由流时间2~6分钟路段容量1000~2000 pcu/hBPR参数α0.15, β4OD总量2000~5000 pcu/h收敛判据相对Gap ≤ 1e-4跑通之后做三组扰动测试第一组把某条路段容量降低30%看流量如何转移第二组把某个OD需求翻倍看哪些路段先饱和第三组把β从4改成3看阻抗函数形状变化对分配方向的影响。这三组测试做完你对模型的直觉就建立起来了。6.2 结果合理性检查流量守恒、实测对比与逻辑一致性第一个维度是流量守恒每个OD对的分配流量总和必须等于OD需求误差应在0.1%以内。第二个维度是路段流量与实测对比误差大的路段回到拓扑和参数排查。第三个维度是逻辑一致性比如路网里某条路正在施工模型里却没有体现说明路网数据过期了这时候调任何参数都没有意义。我的习惯是每轮分配都保留一份完整输出含路段流量、阻抗、Gap迭代曲线。Gap曲线能直接反映模型收敛形态平滑下降是正常的锯齿状是震荡缓慢爬行是收敛判据太严或路网建模有误。这套检查流程帮我在路网规模从几十条路段跳到几千条路段时少走很多弯路。做交通分配这些年我最深的体会是城市交通网络平衡分析不是一个“跑完出结果”的开关每个参数选择都在影响结果的含义——容量、拓扑、收敛判据每一项都要经得起追问。希望这些从项目里磨出来的经验能帮到你。本文还有配套的精品资源点击获取 城市交通网络平衡分析：从原理到算法的完整技术指南
简介由黄海军撰写的《城市交通网络平衡分析理论与实践》是城市交通与轨道交通领域经典学术PDF面向交通规划、交通工程专业师生及研究人员系统阐释网络平衡分析的核心理论与求解方法。全书围绕交通网络拓扑结构、交通流动、交通时间、交通速度与交通容量等维度展开既有理论模型推导也覆盖交通监控系统、模拟仿真、优化算法、信息化系统以及交通规划设计等实践内容可帮助读者建立从基础概念到工程应用的整体认知尤其适合用于分析拥堵成因、评估路网承载能力及制定疏导方案。资源包内仅1个PDF文件压缩包约8.1MB内容紧凑、排版规整便于在电脑或平板中反复研读。目前已有608人学习下载适合城市交通课程教学、研究生课题参考或从业者进阶阅读。1. 城市交通网络平衡分析从理论到实践的完整技术地图早上七点半的城市快速路导航给出三条备选路线走了几回你会发现到达时间相差无几。这不是导航算法在作弊而是城市交通网络平衡分析描述的那种稳定状态——每个出行者都按自己的最优原则选路流量会分布到一个没人愿意单独改变策略的点上。黄海军《城市交通网络平衡分析理论与实践》把这种经验感受提炼成完整框架Wardrop平衡条件、数学规划模型、求解算法。我一直按这套框架做交通分配、路网评估和拥堵策略仿真今天按工程师的使用逻辑拆解。读者是正在做交通需求预测、路网规划评估、交通管理策略仿真或手头有OD数据但不知道如何分配到路网的工程师。读完你会知道模型算法怎么选、参数怎么标、结果怎么验证、坑在哪。2. 两种平衡原理用户均衡与系统最优本质差在哪城市交通网络平衡分析的第一步不是写代码而是搞清楚你在算什么。Wardrop的两条原理是所有后续模型的地基它们定义了什么是“平衡”也定义了两种截然不同的参照系个体最优和系统最优。搞不清这一点后面建模、调参、解读结果都会跑偏。2.1 Wardrop第一原理为什么所有被使用路径的时间会趋同Wardrop第一原理用户均衡UE表述很简洁当路网达到平衡时同一OD对之间所有被使用的路径行驶时间相等且不大于任何未被使用路径的行驶时间。翻译成大白话每个出行者都在找自己的最短路径最终没有任何人能靠单方面换路来缩短通行时间。这个原理的现实对应很直观。早高峰走哪条路都不快你发现一条更快的新路马上有其他司机涌进来直到这条路的时间被抬高到和其他路相当。最有冲击力的推论是Braess悖论给路网加一条新路所有人的出行时间反而变长了。一个典型数值例子从A到B有两条平行路径每条由一段“快速路”和一段“窄路”组成快速路的行驶时间是流量/100分钟窄路固定25分钟。两条路径各承担1000流量时每段快速路承担500总时间 500/100 25 30分钟。修一条天桥连接两条窄路段形成第三条路径所有司机都选择先走快速路、经天桥切到另一条快速路原本两条快速路各500流量变成各2000流量通行时间飙升到40分钟比修路前还慢10分钟。这个悖论说明个体最优的加总不等于系统最优。从数学上看用户均衡解满足一组互补条件。设路径流量为f_p、路径时间为c_p、OD最短时间为u平衡时满足f_p 0则c_p uf_p 0则c_p ≥ u。这组条件恰好等价于一个凸规划的KKT条件这就是后面Beckmann变换的由来——司机之间的博弈被一个等价优化问题刻画才能交给计算机求解。2.2 Wardrop第二原理系统最优的数学表达与边际成本定价Wardrop第二原理系统最优SO要求路网总行驶时间最小化。在系统最优状态下流量分配遵循边际成本原则——每条路径的边际行驶时间加权后相等而不是平均行驶时间相等。现实中不会自然出现SO状态因为出行者没有动机关心边际成本但它是评估拥堵收费、信号协调、限行政策效果的理论基准。一个简单的两条路例子能看清两者差距。设OD流量d 1000路径1时间函数t1 10 0.1 f1路径2时间函数t2 15 0.05 f2。UE条件要求f1 f2 1000且t1 t2解得f1 ≈ 333、f2 ≈ 667总行驶时间约39833分钟。SO条件最小化f1·t1 f2·t2解得f1 ≈ 250、f2 ≈ 750总行驶时间约39625分钟。差距不大但如果把函数系数拉大差个10%很常见。两个状态之间的总时间差经济学上叫无谓损失。拥堵收费的最优费率恰好等于某个路段上边际成本与平均成本之差。UE和SO的差距不是学术玩具它直接量化了城市拥堵管理的潜在收益空间——早高峰的UE与SO总时间差如果超过15%说明通过收费或信号优化改善的潜力很大。对比维度用户均衡 UE系统最优 SO个体目标最小自身行驶时间最小总行驶时间数学性质变分不等式 / 凸规划凸规划流量条件被用路径时间相等路径边际时间相等现实状态自然形成需要价格或管制干预典型应用现状评价、OD分配收费定价、路网优化2.3 变分不等式与解的性质非对称阻抗下还能不能算固定需求、路段阻抗只与本路段流量有关时Beckmann凸规划可以干净地求解。但城市路网里有个常见情况会让这个框架失效交叉口转向延误。左转车流会增加对向直行车流的延误直行车流对左转延误的影响却又不同这种交互在数学上就是非对称阻抗——不满足可分离条件Beckmann变换的目标函数不存在。这个场景下用户均衡问题要用变分不等式VIP刻画求路段流量x*使得 t(x*)ᵀ (x - x*) ≥ 0 对所有可行流量x成立。VIP的好处是不需要目标函数只需要阻抗映射具备单调性。如果阻抗函数严格单调路段流量解唯一如果只是单调不减流量不一定唯一但总行驶时间不随解变化。工程上的应对做法两种一是对角化算法每轮迭代把非对称阻抗固定在当前解处转成对称问题再用Frank-Wolfe二是直接用MSA在VIP框架下迭代。我遇到带转向延误的路网时通常先对角化加FW试跑不稳定再切MSA。前提是承认问题已经不是经典凸规划不能在Beckmann目标函数上做线性搜索。3. 从平衡条件到可计算模型Beckmann变换与BPR阻抗函数平衡原理是目标但要让计算机求解得先把Wardrop互补条件变形成能优化的数学规划。同时路段阻抗函数作为模型的输入核心直接决定了流量分配的方向。这一章解决两个问题目标函数怎么构造、阻抗函数怎么标定。3.1 Beckmann变换把博弈问题变成无约束凸规划Beckmann在1956年证明了一个关键结论满足特定条件的用户均衡等价于下面这个凸规划的最优解min Z(x) Σ_a ∫₀^{x_a} t_a(ω) dω其中x_a是路段a的流量t_a(·)是该路段的阻抗函数约束为流量守恒OD需求等于路径流量之和和路段流量与路径流量的关联关系。这个变换的意义在于把互补条件变成一阶最优性条件——对Beckmann函数求梯度令其在可行域上为零得到的恰好是Wardrop平衡条件。必须强调Beckmann目标函数本身没有直观的物理意义它是个数学构造单位是“时间×流量”的积分不对应任何可观测的现实量。它的作用只是让一阶条件等于平衡条件。你可以把它理解成一种翻译技巧交通工程师用这个技巧把多智能体博弈翻译成单目标优化后者才有成熟的数值算法。求解时用拉格朗日乘子处理流量守恒约束。对每个OD对引入乘子u_od构造拉格朗日函数后一阶条件推导出的结果就是之前提到的互补条件。这组推导在黄海军书里是核心章节也是把理论和算法衔接起来的关键一步。实际编码时你不需要显式处理路径变量每次迭代重新找最短路径即可这就是后面Frank-Wolfe算法的基础。3.2 BPR阻抗函数α和β不是拍脑袋定的路段阻抗函数是整套模型的“心脏”。最常用的是美国公路局开发的BPR函数形式t_a(x_a) t_a⁰ × [1 α (x_a / C_a)^β]其中t_a⁰是自由流时间C_a是实际通行能力α和β是待标定参数。教材里最常见的取值是α0.15、β4许多人直接抄——但原版BPR参数标定对象是美国高速公路基本路段不是全国通用值。我一般按道路等级区分参数城市路网至少分成三类道路类型α推荐范围β推荐范围说明高速公路基本路段0.10~0.203.0~5.0流量接近能力时阻抗增长快城市快速路0.15~0.253.0~4.0受出入口影响高峰更敏感城市主干道0.20~0.302.5~3.5信号交叉口密集β偏低次干道/支路0.25~0.402.0~3.0受路边停车和非机动车干扰标定方法是用实测行程时间和流量数据做最小二乘拟合。先把BPR函数取对数线性化ln(t/t⁰ - 1) ln α β·ln(x/C)然后对散点做线性回归斜率和截距就是β和ln α。没有本地实测数据时至少把道路类型区分开而不是全路网套一个值。注意BPR函数在饱和度x/C大于1时仍有定义但超过1.2以后阻抗曲线非常陡模型给出的阻抗数值可信度很低不适合讨论严重过饱和场景。如果分析对象是常态拥堵路网建议换用带排队延误的阻抗模型或者把容量值调低让饱和度回归正常区间。3.3 固定需求与弹性需求什么时候不能偷懒教科书先讲固定需求因为模型简单、收敛性好。但做政策评估时问题来了如果分析拥堵收费或公交优先出行需求本身会响应出行成本的变化——有人改时间、有人改目的地、有人取消出行。固定需求会显著高估或低估策略效果。弹性需求模型的思路是在固定需求基础上加需求函数q_od D_od(u_od)需求是OD间最短出行时间的减函数最常见的形式是指数函数或幂函数。求解时可以把需求函数纳入超网络框架为每个OD对添加一条虚拟路段其阻抗是需求函数的反函数这样弹性需求问题被转回固定需求形式Beckmann变换仍然适用。我的判断标准如果分析场景会显著改变OD间的出行成本变化超过20%弹性需求是底线。做拥堵收费评估、公交专用道效益测算这种场景需求转移是核心结论的一部分固定需求会得到偏乐观的拥堵改善数字。如果只是做现状路网评价OD数据来自调查或预测模型固定需求通常够用。要注意弹性需求模型收敛更慢对OD需求函数的参数标定要求也更高不要让模型复杂度超过数据支持能力。4. 求解交通平衡的算法实现Frank-Wolfe与MSA怎么选模型建好了下一步是求解。固定需求用户均衡最经典的两个算法是Frank-Wolfe和MSA。二者的区别本质上是搜索步长的确定方式不同前者每轮做一维搜索找最优步长后者用固定递减步长。这个差别在具体项目中会直接影响收敛速度、结果稳定性和实现复杂度。4.1 Frank-Wolfe算法核心步骤与可运行的代码骨架Frank-Wolfe算法FW用于求解带线性约束的凸规划恰好匹配Beckmann变换的约束结构。算法步骤初始化按自由流阻抗做一次全有全无分配得到初始路段流量x⁰按当前流量用BPR函数更新路段阻抗在当前阻抗下再做全有全无分配得到辅助流量y在方向d y - x上做一维搜索求最优步长λ ∈ [0,1]最小化Beckmann目标函数更新流量x ← x λ(y - x)检查收敛不满足回到第2步一个最小实现骨架import numpy as np def frank_wolfe(network, od_matrix, max_iter500, tol1e-4): # network: 包含路段数、自由流时间、容量、BPR参数的数据结构 # od_matrix: 二维数组od_matrix[i][j] 是起点 i 到终点 j 的需求量辆/小时 num_links network.num_links x np.zeros(num_links) # 路段流量初始化为 0 # 第一步自由流时间下做全有全无分配 t network.free_flow_time.copy() x network.all_or_nothing(t, od_matrix) # 所有 OD 流量沿最短路径加载 for k in range(max_iter): # 按当前流量计算 BPR 阻抗 t network.bpr_impedance(x) # 全有全无分配得到辅助流量 y y network.all_or_nothing(t, od_matrix) # 步长方向辅助流量减当前流量 d y - x # 一维搜索在 [0,1] 内找最优步长 lam lam _line_search_beckmann(network, x, d) # 更新流量限制非负 x x lam * d x np.maximum(x, 0) # 相对 Gap 判断收敛 gap _relative_gap(network, x, t, od_matrix) if gap tol: print(f第 {k1} 轮迭代收敛相对Gap {gap:.6f}) break return x逻辑说明all_or_nothing函数先做最短路径搜索一般用Dijkstra然后把OD流量一次性加载到最短路径上得到路段流量向量。这个函数每轮迭代都要调用是全算法最耗时的部分。_line_search_beckmann在方向d上找最优步长通常用二分法或黄金分割法。_relative_gap计算的是当前流量下总行驶时间与理论最短时间之差占总行驶时间的比例。参数说明max_iter在FW算法中建议200到500轮再往后FW的收敛会变得非常慢属于一阶方法的固有尾部效应。tol设1e-4是工程上比较合理的平衡点再小意义不大。_line_search_beckmann的搜索精度设1e-6就够太精确会把时间浪费在目标函数几乎平坦的区间上。4.2 MSA方法小规模路网的简单选择MSAMethod of Successive Averages思路更直接每轮迭代仍做全有全无分配但步长不搜索固定取λₖ 1/(k1)。这意味着前期步长大、快速逼近大致区域后期步长小、抑制震荡。def msa(network, od_matrix, max_iter200): # network 和 od_matrix 定义同上 num_links network.num_links x np.zeros(num_links) # 初始全有全无分配 t network.free_flow_time.copy() x network.all_or_nothing(t, od_matrix) for k in range(1, max_iter 1): t network.bpr_impedance(x) y network.all_or_nothing(t, od_matrix) # 固定步长 1/(k1)注意这里 k 从 1 开始 x (1 - 1 / (k 1)) * x (1 / (k 1)) * y x np.maximum(x, 0) return x逻辑说明MSA的步长序列满足两个条件λₖ趋近于0且Σλₖ发散。直观理解是后期每轮迭代只对流量做微小修正所以不会剧烈震荡但也意味着收敛慢。代码里没有显式的收敛判断工程上通常用相邻两轮迭代的流量差来判断如果‖x^{k1} - x^k‖小于阈值就提前终止。MSA适合什么场景第一路网规模小几百条路段以内第二模型里有非对称阻抗无法可靠地做一维搜索第三你只想快速得到一个大致的流量分布用于敏感性测试。实际项目中我常用MSA做算法对照组验证FW的结果是否稳定。4.3 收敛判据相对Gap、流量变化量与迭代曲线怎么看收敛判断直接决定你什么时候可以信任结果。不同判据的工程含义差别很大判据定义工程建议绝对GapΣ x_a t_a(x_a) − Σ q_od · u_od受OD总量影响不同路网不可比相对Gap绝对Gap / 总行驶时间推荐主判据1e-4以内可接受流量变化量‖x^{k1} − x^k‖辅助判据防止Gap失真我习惯同时看两个指标相对Gap和关键路段流量的逐轮变化。如果Gap已经小于1e-4但某条关键路段流量在相邻轮次之间波动超过5%说明模型在迭代之间来回跳没有真正稳定。这种情况多半是步长选取或者路网拓扑的问题而不是迭代次数不够。另一个实用技巧是画Gap迭代曲线——横轴迭代轮数纵轴相对Gap对数坐标。FW的收敛曲线应该是平滑下降的如果曲线出现周期性起伏说明流量在等价路径之间震荡这时候要回到5.5节的对称路网问题去排查。5. 交通平衡分析避坑指南五个让结果变“玄学”的常见问题新手和熟手用同一套模型结果却可能差出20%以上问题往往不在算法而在输入数据的细节处理。这章列五个我在项目里踩过、也看别人踩过的坑每条按现象、原因、解决的顺序写清楚。5.1 路段容量取经验值饱和度偏差离谱现象同一套OD数据、同一个路网容量取规范推荐值和取现场调查值饱和度能差出15%以上流量分配方向也随之改变。原因BPR函数里容量在分母上容量偏差直接改变阻抗增长速度。容量低估阻抗偏高流量被推向“看起来更宽”的替代路径容量高估则相反。解决容量至少按车道数、道路隔离形式、信号密度分等级取值。有条件时用高峰小时实测流量反推容量无条件时查当地城市道路设计规范的分级推荐值。不要在项目里图省事给所有快速路设同一个值。5.2 路网拓扑漏连边算出的是另一个路网的平衡现象模型中某条主干道流量远低于实测平行的一条次干道却堵得离谱怎么调参数都调不回来。原因主干道和次干道之间的连接匝道漏了或者交叉口禁左、单行线方向没有建模OD需求被模型强行挤到次干道上。解决第一轮分配后做路段级流量对比误差超过30%的路段先查拓扑再查参数。我一般把路网导成GeoJSON叠加卫星影像逐条核对可通行方向特别是匝道方向和禁左规则。这一步虽然耗时但比后期调参划算得多。5.3 收敛判据设太严计算量翻十倍结果没变现象相对Gap从1e-3降到1e-5迭代次数从150涨到1200但关键路段流量变化不到1%。原因FW算法是典型的一阶方法越接近最优解收敛越慢这就是“尾部效应”。追Gap极值是在和算法固有的收敛速度作斗争。解决把收敛标准固定在1e-4判断收敛时以关键路段流量是否稳定为准而不是一味压低Gap。如果项目要求极高精度可以FW跑150轮后切MSA用小步长做精细调整两三百轮迭代能得到比纯FW更好的稳定结果。5.4 忽略交叉口转向延误城市路网模型失真现象CBD区域路段流量分配结果和实测总是对不上白天和夜间误差模式还不一样。原因BPR函数只描述路段行驶时间不含交叉口排队延误。城市核心区里这部分可能占出行时间的30%到50%尤其信号周期长、饱和度高的交叉口。解决简单做法是从路网数据里提取交叉口转向关系按直行、左转、右转分别加上额外延误常数再用信号配时数据标定。复杂做法是用节点延误函数替代路段BPR函数的一部分。如果项目时间紧至少保证饱和度高的交叉口有转向延误否则分配结果没有参考价值。5.5 对称路网配对称OD两条等价路径流量震荡不收敛现象迭代到后半程两条完全等价的平行路径上的流量一直在跳Gap曲线出现周期性波动始终稳定不下来。原因等价路径上的最优解本身不唯一任何数值扰动都会让全有全无分配把流量全部加载到其中一条下轮又跳到另一条形成一个极限环振荡。解决把等价路径合并成一条组合路径或者改用MSA的步长策略或者对迭代流量做指数平滑例如每次更新后x ← 0.5x_old 0.5x_new。环线加棋盘式路网最容易出现这个问题发现Gap曲线锯齿状波动时优先考虑。6. 验证与进阶用小型路网跑通全流程再上真实项目6.1 最小可复现实验9节点12路段经典路网建议找9个节点、12条有向路段、4个OD区的经典测试路网先在这个规模上把FW和MSA都跑通。这个规模下每轮迭代毫秒级完成适合做参数敏感性分析。参数取值建议路段自由流时间2~6分钟路段容量1000~2000 pcu/hBPR参数α0.15, β4OD总量2000~5000 pcu/h收敛判据相对Gap ≤ 1e-4跑通之后做三组扰动测试第一组把某条路段容量降低30%看流量如何转移第二组把某个OD需求翻倍看哪些路段先饱和第三组把β从4改成3看阻抗函数形状变化对分配方向的影响。这三组测试做完你对模型的直觉就建立起来了。6.2 结果合理性检查流量守恒、实测对比与逻辑一致性第一个维度是流量守恒每个OD对的分配流量总和必须等于OD需求误差应在0.1%以内。第二个维度是路段流量与实测对比误差大的路段回到拓扑和参数排查。第三个维度是逻辑一致性比如路网里某条路正在施工模型里却没有体现说明路网数据过期了这时候调任何参数都没有意义。我的习惯是每轮分配都保留一份完整输出含路段流量、阻抗、Gap迭代曲线。Gap曲线能直接反映模型收敛形态平滑下降是正常的锯齿状是震荡缓慢爬行是收敛判据太严或路网建模有误。这套检查流程帮我在路网规模从几十条路段跳到几千条路段时少走很多弯路。做交通分配这些年我最深的体会是城市交通网络平衡分析不是一个“跑完出结果”的开关每个参数选择都在影响结果的含义——容量、拓扑、收敛判据每一项都要经得起追问。希望这些从项目里磨出来的经验能帮到你。本文还有配套的精品资源点击获取