基于多模式双动态演化的拥堵收费模型

doi:10.13229/j.cnki.jdxbgxb.20230717

摘要/Abstract

摘要：

针对多模式交通系统的拥堵收费问题，本文构建了双层规划模型。上层是以最小化系统总出行成本为目标的优化模型，决策各路段的拥堵收费价格；下层是基于路径的多模式双动态演化模型，包含逐日和日内动态演化。采用遗传算法对模型进行求解。本文对比了无拥堵收费（NCP）、对私家车收费（CPC）以及对私家车和共享汽车均收费（CPCS）下的系统特征。结果表明，相比NCP，CPC和CPCS中私家车出行减少17.44%和14.89%，车辆平均出行时间降低7.54%和30.18%；在CPC中，共享汽车系统能够获得最大的收入，并成为系统中承担出行量最大（39.97%）的出行模式。

关键词: 交通运输系统工程, 城市交通, 拥堵收费策略, 双层规划, 多模式系统, 双动态演化, 共享汽车

Abstract:

This paper presents a bi-level model to address congestion pricing in a multi-modal transportation system. The upper level is an optimization model aiming to minimize the total social cost and determine the optimal congestion price for road segments. Meanwhile， the lower level is a doubly dynamical model including day-to-day traffic dynamics and within-day traffic dynamics. Solving the bi-level model employs a genetic algorithm. Three congestion pricing schemes are proposed and compared， namely no congestion pricing（NCP）， congestion pricing for cars（CPC） and congestion pricing for both cars and car-sharing（CPCS）. The results show that compared to the NCP， the CPC and CPCS result in a 17.44% and 14.89% reduction in private car trips， respectively. Additionally， the average travel times for private cars decrease by 7.54% and 30.18% under the CPC and CPCS， respectively. In the CPC scheme， car-sharing could generate maximum revenue and be the mode accounting for the largest share（39.97%） of the multi-modal transportation system.

Key words: engineering of communication and transportation, system urban traffic, congestion pricing, bi-level model, multi-modal transportation system, doubly dynamical evolution, car-sharing

中图分类号:

U491

周成栋,宋菲,赵小梅,姚俊杰. 基于多模式双动态演化的拥堵收费模型[J]. 吉林大学学报(工学版), 2025, 55(4): 1319-1327.

Cheng-dong ZHOU,Fei SONG,Xiao-mei ZHAO,Jun-jie YAO. Congestion pricing model in multi-modal network based on doubly dynamical evolution[J]. Journal of Jilin University(Engineering and Technology Edition), 2025, 55(4): 1319-1327.

图/表 9

图1

表1

图2

图3

表2

基本参数"

参数	数值	参数	数值
$ω$	0.8	$P s h a r e c o m f$ /（元·次^-1）	3
$ρ$	0.2	$θ$	0.1
$n s$	20	$Q$ /d	30
$W$	120	$t s 2 b c h a n g e$ /min	7
$β v e l$	-0.010	$c c a r, f i x$ /（元·次^-1）	10
$a 1$ /（元·h^-1）	9	$a b u s$	15
$γ b u s$	-0.06	$T b u s d e t o u r$ /min	6
$c 1$ /（元·km^-1）	0.5	$P s 2 b c o m f$ /（元·次^-1）	5
$B b u s q$ /辆	30	$P b 2 s c o m f$ /（元·次^-1）	5
$α$ /（元·h^-1）	50	$T b u s w a i t$ /min	7
$t c 2 b c h a n g e$ /min	5	$α v e l$	30
$t b 2 s c h a n g e$ /min	7	$δ$	0.5
$a 0$ /（元·h^-1）	6	$γ v e l$	-0.3
$T s h a r e d e t o u r$ /min	10	$a, b, c$	1.0，0.3，0.3
$P c 2 b c o m f$ /（元·次^-1）	2	$β b u s$	-0.003
$P c a r p a r k$ /（元·次^-1）	2	$c 2$ /（元·min^-1）	0.3

表2

图4

表3

表4

表5

参考文献 13

[1]	Li X, Shaw J W, Liu D, et al. Acceptability of Beijing congestion charging from a business perspective[J]. Transportation, 2019, 46(3): 753-776.
[2]	常玉林, 徐文倩, 孙超, 等. 车联网环境下考虑遵从程度的混合流量逐日均衡[J]. 吉林大学学报:工学版, 2023, 53(4): 1085-1093.
	Chang Yu-lin, Xu Wen-qian, Sun Chao, et al. Day⁃to⁃day equilibrium of hybrid traffic considering obedience degree under Internet of vehicles environment[J]. Journal of Jilin University(Engineering and Technology Edition), 2023, 53(4): 1085-1093.
[3]	祝俪菱, 杨达, 吴丹红, 等. 考虑有限理性和认知更新的日变交通分配模型[J]. 北京交通大学学报, 2018, 42(1): 75-80.
	Zhu Li-ling, Yang Da, Wu Dan-hong, et al. Day-to-day traffic assignment model considering travelers' bounded rationality and perception updating[J]. Journal of Beijing Jiaotong University, 2018, 42(1): 75-80.
[4]	Liu W, Geroliminis N. Doubly dynamics for multi-modal networks with park-and-ride and adaptive pricing[J]. Transportation Research Part B: Methodological, 2017, 102: 162-179.
[5]	Wei B, Sun D. A two-layer network dynamic congestion pricing based on macroscopic fundamental diagram[J]. Journal of Advanced Transportation, 2018.
[6]	Wei B, Saberis M, Zhang F, et al. Modeling and managing ridesharing in a multi-modal network with an aggregate traffic representation: a doubly dynamical approach[J]. Transportation Research Part C: Emerging Technologies, 2020, 117: No.102670.
[7]	Friesz T L, Bernstein D, Kydes N. Dynamic congestion pricing in disequilibrium[J]. Networks and Spatial Economics, 2004, 4: 181-202.
[8]	Tan Z, Yang H, Guo R Y. Dynamic congestion pricing with day-to-day flow evolution and user heterogeneity[J]. Transportation Research Part C: Emerging Technologies, 2015, 61: 87-105.
[9]	刘鹏煌. 基于势博弈的拥堵收费双层定价模型[J]. 物流科技, 2020, 43(5): 109-115, 118.
	Liu Peng-huang. A two-tier pricing model for congestion pricing based on potential game[J]. Logistics Technology, 2020, 43(5): 109-115, 118.
[10]	Cascetta E, Nuzzolo A, Russo F, et al. A modified Logit route choice model overcoming path overlapping problems: Specification and some calibration results for interurban networks[C]∥Transportation and Traffic Theory Proceedings of the 13th International Symposium on Transportation and Traffic Theory, Lyon, France, 1996(7):24-26.
[11]	Zhou Z, Chen A, Bekhor S. C-logit stochastic user equilibrium model: formulations and solution algorithm[J]. Transportmetrica, 2012, 8(1): 17-41.
[12]	Zhang S, Sun H J, Lyu Y, et al. Day-to-day dynamics of traveler learning behavior and the incentivization scheme of the operator for one-way carsharing services[J]. Computers & Industrial Engineering, 2021, 155: No.107170.
[13]	Zhou B, Xu M, Meng Q, et al. A day-to-day route flow evolution process towards the mixed equilibria[J]. Transportation Research Part C: Emerging Technologies, 2017, 82: 210-228.

相关文章 15

[1]	潘义勇,徐家聪,尤逸文,全勇俊. 网约车出行需求影响因素多尺度空间异质性分析[J]. 吉林大学学报(工学版), 2025, 55(5): 1567-1575.
[2]	卢凯明,陈艳艳,仝瑶,张健,李永行,罗莹. 数据驱动的信号交叉口排队尾车驶离状态预测[J]. 吉林大学学报(工学版), 2025, 55(4): 1275-1286.
[3]	张河山,范梦伟,谭鑫,郑展骥,寇立明,徐进. 基于改进YOLOX的无人机航拍图像密集小目标车辆检测[J]. 吉林大学学报(工学版), 2025, 55(4): 1307-1318.
[4]	秦严严,肖腾飞,罗钦中,王宝杰. 雾天高速公路车辆跟驰安全分析与控制策略[J]. 吉林大学学报(工学版), 2025, 55(4): 1241-1249.
[5]	宋现敏,湛天舒,李海涛,刘博,张云翔. 考虑用户成本和泊位利用率的停车预约分配模型[J]. 吉林大学学报(工学版), 2025, 55(4): 1287-1297.
[6]	郭祎,魏书威,姜涛. 基于区位势能和多源数据的城市客运交通规划算法[J]. 吉林大学学报(工学版), 2025, 55(4): 1328-1335.
[7]	潘义勇,徐翔宇. 数据不平衡的MobileViT网络交通事故严重程度预测模型[J]. 吉林大学学报(工学版), 2025, 55(3): 947-953.
[8]	孙峣,姚宝珍,白子建. 基于随机森林模型的交通拥堵疏导效果评估[J]. 吉林大学学报(工学版), 2025, 55(2): 512-519.
[9]	陈永恒,杨家伟,孙经宇. 借道左转交叉口的网联左转车辆最佳轨迹控制[J]. 吉林大学学报(工学版), 2025, 55(2): 614-622.
[10]	陈发城,鲁光泉,林庆峰,张浩东,马社强,刘德志,宋会军. 有条件自动驾驶下驾驶人接管行为综述[J]. 吉林大学学报(工学版), 2025, 55(2): 419-433.
[11]	何永明,冯佳,魏堃,万亚楠. 超高速公路曲线路段车辆制动侧滑影响因素分析[J]. 吉林大学学报(工学版), 2025, 55(2): 591-602.
[12]	吴娇蓉,刘旭东. 不同住房类型空间单元的建成环境对通勤方式选择的影响分析[J]. 吉林大学学报(工学版), 2025, 55(2): 554-565.
[13]	王长帅,徐铖铖,任卫林,彭畅,佟昊. 自动驾驶接管过程中驾驶能力恢复状态对交通流振荡特性的影响[J]. 吉林大学学报(工学版), 2025, 55(1): 150-161.
[14]	年光跃,潘海啸,孙健. 城市建成环境与道路交通运行关系[J]. 吉林大学学报(工学版), 2025, 55(1): 141-149.
[15]	周锡浈,宫贺,李敦敦,季彦婕,严杰. 建成环境对路内停车泊位使用率的非线性影响模型[J]. 吉林大学学报(工学版), 2024, 54(9): 2520-2530.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

输入：	个体形式、优化目标、参数等
输出：	优化过程指标图，优化模型的最优解的方案结果
步骤1	初始化群体。将收费方案作为染色体，随机生成一个初始种群，规模为M。
步骤2	个体评价。对每个收费方案，下层演化模型都能得到对应的目标值，进而将目标值带入上层优化目标函数。本次案例采用上层目标函数作为适应度函数，来衡量一个个体对环境的适应程度。由于本次实验为最小值问题，因此该数值越小则适应度越高，代表该个体有更大的概率生存下来。
步骤3	选择运算。计算选择概率，使用精英保留法选择种群中适应度最高的40%作为精英个体遗传到下一代，淘汰适应度最低的个体。
步骤4	交叉运算。设定交叉概率，使个体间进行配对，即使个体间交换、重组部分基因。
步骤5	变异运算。设定变异概率，随机改变染色体上的基因，通过改变基因生成新的个体。
步骤6	终止条件判断。判断迭代次数是否达到案例设置的最大迭代次数，是则停止计算，进行染色体解码，输出结果；否则返回步骤2。

时段	CPC方案		CPCS方案
时段	平峰	高峰	平峰	高峰
1	5.22	9.8	0.34	1.92
2	5.01	9.38	4.15	7.02
3	4.12	8.99	0.00	0.36
4	0.00	0.81	0.00	0.00
5	2.31	6.01	3.41	6.77
6	0.00	0.61	1.12	3.81
7	4.55	7.76	3.28	6.53
8	5.93	8.72	0.00	0.00
9	1.12	3.11	3.26	6.86
10	7.28	9.42	0.00	0.37
11	2.89	6.01	1.99	4.56
12	5.27	8.68	0.89	2.29
13	3.01	5.72	6.24	8.49
14	3.51	6.90	1.78	3.48
15	2.01	4.76	7.56	9.37
16	1.38	4.90	0.00	0.10
17	1.44	4.89	3.27	5.63
18	6.88	9.82	0.42	2.74
19	2.12	5.25	0.13	1.00

出行模式	NCP比例	CPC比例	CPCS比例
car	34.64	17.2	19.75
share	31.83	39.97	17.71
bus	13.49	27.25	51.10
c2b	7.39	3.46	4.24
s2b	5.93	5.32	3.17
b2s	6.72	6.80	3.76

评价指标	NCP（参考）	CPC	CPCS
STTC/万元	211.97	213.11 （+0.53%）	217.23 （+2.48%）
BSR/万元	5.70	6.48 （+13.68%）	8.76 （+53.68%）
SVSR/万元	26.55	31.24 （+17.66%）	18.15 （-31.63%）
CCR/万元	0	3.42	12.92
TTTC/h	15 233.68	11756.31 （-22.82%）	6802.31 （-55.34%）
ATTC/h	0.53	0.49 （-7.54%）	0.37 （-30.18%）