交通模型的历程和发展机遇

早期发展

交通模型起源于上世纪五十年代的美国，二战后经济腾飞，大量人口涌入大城市，小汽车快速进入家庭，城市机动车保有量迅猛增长，城市道路不堪重负，直接推动了大规模的路网修建。同时，为二战德国公路强大的军事作用所震撼，美国推出了Federal-Aid Highway Act of 1956，大幅推进了美国州际公路的建设。为了进一步优化道路网规划方案，诸多大城市开展了综合交通研究和道路规划，其中1953-1956年开展的底特律城市交通研究（DMATS)首次开展了居民出行调查分析，将交通需求预测和未来区域路网规划结合在一起，构建了城市交通道路规划的基本技术路线，后续研究基本是在该技术路线基础上的完善和调整。DMATS的研究可谓是开创性的，标志着交通模型的诞生。

图片来源：

Detroit Metropolitan Area Transport Study

后续芝加哥将方式划分引入，形成了初步的四阶段方法，这一时期的研究更多是基于数据拟合（Curve-Fitting）的结果，如芝加哥的方式划分是基于目的地是否在市中心设定的公交小汽车分担比例。美国公路局（BPR）在60年代提出了关于交通需求分析的流程和相关软件。

行为模型

七十年代后，随着石油危机爆发和美欧经济衰退，以及美国底层不满于道路建设引起的种族隔离，交通基础设施建设告一段落，交通规划人员转向交通政策和改善公共交通服务水平等手段的研究。原有基于数据拟合的交通模型因为缺乏对于出行行为的描述，无法反映交通政策和公交改善对出行行为的影响，无法评估交通政策和公交改善的效果。以McFadden和Ben Akiva为代表的诸多学者以Nested logit突破了Logit模型非相关选项独立（IIA）性质的限制，以数值计算仿真解决Probit模型的计算难题，成功将离散行为选择模型引入交通分析，降低数据样本量要求，将政策变量纳入效用中，解决了模型无力评估交通政策和交通服务水平的危机，同时提高了模型的可移植性。

 基于活动的模型

基于活动的交通模型成为九十年代以来模型的主要研究方向。

相比于之前的模型，其对出行行为的刻画更为细致，考虑出行者一天的出行安排以及目的地的时空限制、不同出行之间的时间联系和方式连贯性、家庭成员之间出行的相互影响等。更细致的模型有利于分析更细的需求，体现不同个体对政策的反映，避免了集计误差。

图片来源：Activity-Based Travel Demand Models: A Primer

尽管基于活动的模型更加细致的刻画了出行行为，但是并没有在模型精度方面带来巨大提升，而是能够反映日益精细化的交通管理措施对出行者的影响并加以评估。

发展机遇和挑战

随着大数据、人工智能的发展，交通模型的发展也恰逢前所未有的机遇：

大数据有助于不同空间和时间层次的行为演化分析：

连续的数据方便对通勤等长期重复出行的识别和追踪，实现数据从单一时间截面转向长期的观测，便于出行行为分析和交通运行特征演化规律的挖掘。同时大数据能够突破传统行政区的限制，分析省际、城际和都市圈范围的联系，从不同空间视角提供更多的数据支撑。

模型架构从单一界面刻画向演化方向发展：

前大数据时代，对于居民出行特征的监测手段有限，只能通过样本调查获取数据，并通过扩样校核和模型本身分析行为特征，但这一过程中数据拟合的平均化和概率分布的归一化会导致模型忽视行为特征中的差异，导致现状模型本身与现状特征存在偏差，基于此的未来预测则误差更大。而大数据有助于对现状的精准描述，在此基础上基于未来规划的变化进行增量和演化分析，有助于提升对于未来场景刻画的准确性。

计算能力提升有助于超大规模的城市仿真：

计算能力的提升是基于微观个体超级仿真的必要条件，不论是千万级个体的行为决策仿真还是对于道路交通流的动态仿真，现有硬件计算能力的提升为其提供了更多的可能性。

深度学习有助于提升模型的精准预测：

深度学习能够通过学习训练自动构建自变量和因变量之间的映射，识别变量之间的模式关系，摆脱传统模型中基于模型架构设定的固定关系，大幅提升预测的准确性。

同时，这些新的机遇也带来新的挑战，如大数据更多是对于分布关系的描述，而对于绝对总量的把控则需要和传统调查结合；深度学习的结果可能存在过度拟合，可移植性需要谨慎对待，而结果的逻辑解释也需要加以分析。

尽管如此，新时期的交通模型在数据、计算能力和方法的加持下，有条件在现有基础上实现新的突破，满足现实的应用需求，更好的支撑决策。

供稿：马毅林