本文介紹兩種新興交通規劃工具——包含動態交通分配（Dynamic TrafficAssignment, DTA）的多層次交通模型和探索性建模和分析（Exploratory Modeling and Analysis, EMA）集成，RTCSNV如何使用這些工具以改善決策經驗。

1、DTA和應對不確定性的EMA

與靜態交通分配相比，DTA使規劃者能夠以更大的操作敏感性和更高的時間分辨率來評估項目。靜態分配是規劃者分析擁堵模式的傳統工具，但它們與DTA不同，沒有考慮到時變需求、排隊和隊列溢出的影響。

EMA為規劃者提供了在決策和政策制定過程中處理深度不確定性的技術路線。深度不確定性是指圍繞一個或多個變量的不確定性，這些變量在預測模型中的影響是至關重要的，但其數值的確定很難，或者不能達成共識，也不能從經驗數據中得到參考。EMA利用現有的模型，如RTCSNV目前使用的預測模型，探索一系列可能的結果，并從中找出有助于決策的模式或趨勢。

例如，如果洛杉磯和拉斯維加斯之間的高速鐵路建成并全面投入使用，可能會出現區域交通模式的轉變，具體情況很難預計。有多少出行將通過高速鐵路，或者將通過汽車或哈里-里德國際機場到達？燃油價格將發生什么變化，它們將如何改變出行者的方式選擇計算？此外，如果聯網和自動駕駛車輛（CAVs）的接受度和市場份額增加，自動駕駛車輛的出行是否會變得比高速鐵路服務更具競爭力？不確定性是任何學科的預測所固有的，但要回答這樣的問題，需要做出某些假設，這些假設不能有把握地做出，或難以達成共識。

EMA不是做一個假設，而是探索從一個特定的分布中提取的許多假設。EMA提供了一種分析一個或多個政策策略的方法，以減輕不確定性變量的不利影響。這些政策杠桿可能只在孤立的情況下有效，或者只在相互結合的情況下有效，或者只在不確定變量的某些數值范圍內有效。相比傳統情景規劃方法的局限性，EMA的凸顯的優勢是不確定性變量和政策杠桿的組合效應。

2、EMA簡介

2.1 TMIP-EMAT

TMIPEMA工具箱，或TMIP-EMAT，是在聯邦公路局（FHWA）出行模型改進計劃（TMIP）的管理和資助下開發的，它是一個開源軟件工具箱。

TMIP-EMAT是一種探索性建模和分析的方法。它為嚴格的分析方法提供了一個框架，以處理不確定性，并利用所有類型的出行預測模型做出明智的決策。TMIP-EMAT與現有的交通模型或工具相結合，并增強其功能，對一系列可能的情況進行探索性分析。我們將現有模型或工具稱為“核心模型”。

TMIP-EMAT的工作流程是：

（1）將任何數量的分析因素（包括不確定性變量和政策杠桿）的假設值組織成核心模型的輸入。

（2）通過調用核心模型來執行模型實驗。

（3）整理模型產生的輸出測度指標，以便進行可視化和分析。

TMIP-EMAT提供了以下功能，以增強基礎核心模型的功能：

（1）以適合將 "XLRM "魯棒決策框架的抽象性轉化為具體的、特定應用形式的方式，將探索性范圍正規化并加以提煉的結構。

（2）一個設計實驗的系統化過程，以使用核心模型進行評估，并支持自動運行這些實驗。

（3）一個數據庫結構，用于組織和存儲大量實驗的結果。

（4）一個從實驗結果中自動創建元模型的工具，該工具使用機器學習技術，快速接近核心模型的輸出，而不需要對每一個相關的輸入組合實際運行。

（5）一套分析和可視化工具，以探索模型的輸入和輸出之間的關系，并制定強大的政策策略，可能在一系列可能的未來情況下有效。

TMIP-EMAT本身不是一個獨立的模型或工具，它必須與一個單獨的核心模型相結合。此外，用TMIP-EMAT進行的任何分析的質量取決于基礎核心模型的質量和能力。例如，核心模型不包含交通網絡詳細建模，那么TMIP-EMAT將不允許分析人員研究取決于交通擁堵的微觀細節的政策問題。

TMIP-EMAT是作為一種靈活的、適用于許多不同核心模型的方法。它不是一個完全開發的軟件解決方案。正因為如此，開發一個新的TMIP-EMAT實施方案來連接一個新的核心模型，至少需要一個具有一定技術專長的開發人員。它需要對核心模型的技術操作有詳細了解的人，至少有基本的Python技能，將需要在核心模型和TMIP-EMAT工具之間寫一個連接器。

2.2 核心模型

核心模型不需要用Python語言，它可以用任何計算機語言創建和運行。它應該接受一系列的輸入，并產生一個或多個輸出，或 "測度指標"。輸入可以包括變量輸入（例如，燃料成本）以及模型參數輸入（例如，車輛行駛對燃料成本的彈性）。核心模型的例子包括，但不一定限于以下內容：

（1）區域或全州的出行需求模型；

（2）基于活動的出行需求模型；

（3）基于出行鏈的出行需求模型；

（4）草圖規劃或戰略模型；

（5）微觀仿真模型；

（6）走廊級出行需求模型。

TMIP-EMAT可用于系統地探索輸入變量和模型參數的不確定性，以及這些不確定性對性能指標的影響。它有助于將模型預測作為模型結果的范圍而不是單一的結果進行研究，它提供了一個定義不確定性和可視化輸出的機制。

TMIP-EMAT也可用于了解不確定性與政策決策（如延長一條公交線）的相互作用，其中不確定性與決策者無法控制的模型輸入和變量有關，而政策杠桿是決策者可以控制的模型輸入。

如果現有的工具或模型運行起來計算成本很高，TMIP-EMAT可以生成核心模型的元模型，描述一組模型輸入如何影響特定的測度指標。這些元模型被表述為核心模型輸出的回歸模型，運行速度非?？欤ㄎ⒚爰墸?，并允許系統地探索模型輸入的不確定性，同時限制計算昂貴的核心模型運行數量。

2.3 終端用戶要求

首先，需要有一個現有的核心模型，而且應該有一個系統地探索該模型的愿望，以更好地了解不確定性及其對未來潛在結果的影響。

在與TMIP-EMAT整合之前，核心模型應該完全校準和驗證。由于TMIP-EMAT使用核心模型作為分析的基礎，核心模型的任何缺陷都會傳播到TMIP-EMAT的結果，并可能導致用戶得出不適當的結論。

強烈建議能夠以編程方式而不是手動方式運行核心模型。盡管有可能從手動操作核心模型開始進行這種分析，但這個過程往往容易出錯，而自動執行核心模型將減少錯誤并提高整體建模效率。

如上所述，在可編程執行的核心模型上部署TMIP-EMAT需要存在或開發一個應用編程接口（API）到現有的核心模型。該API使TMIP-EMAT能夠以編程方式定義場景，啟動和運行核心模型，檢索錯誤和狀態，并從核心模型導入指標。這個API還必須有一個面向Python的接口，以便與TMIP-EMAT連接，即使核心模型本身不使用Python。

最后，核心模型應該對所研究的政策直接敏感，或者能夠以某種方式調整為對這些政策敏感。例如，一個傳統的出行需求模型可以通過調整車輛可用性、高速公路容量或車內出行時間的價值等參數，使其對引入自動駕駛汽車的某些影響敏感。

2.4 模型的輸入、輸出和配置

2.4.1 輸入

核心模型。核心模型使用一個API與TMIP-EMAT接口。API使TMIP-EMAT能夠以編程方式定義場景、啟動、檢索錯誤和狀態，并從核心模型導入指標。API應該允許配置所有的不確定因素和輸入到系統的政策杠桿，以及配置所需的性能指標。核心模型應該得到很好的驗證，以確保模型的敏感度是合理的。

不確定性的定義。不確定性的定義包括為分析而選擇的風險變量的總體范圍、相關性和分布。不確定性代表影響核心模型預測的外生輸入，可能包括輸入變量、模式參數或模式結構。輸入到TMIP-EMAT的不確定因素集通常小于核心模型的全部輸入域。應根據變量在分析范圍內的重要性（考慮政策杠桿和感興趣的指標）以及變量對相關性能指標的相對影響來選擇不確定性。

政策杠桿的定義。政策杠桿的定義包括在分析中測試的具體策略/選擇，包括潛在的杠桿選擇范圍。杠桿（即政策杠桿）代表對核心模型的輸入，影響模型的預測，但可由規劃者或決策者控制。它們可以包括對模型的單個變量輸入（例如，收費價格），也可以代表對模型的組合變化（例如，一條公交線的延伸）。

測度指標的定義。必須定義將被分析的一組指標。一個測度指標是核心模型的一個輸出，代表了一個可以衡量不確定性和杠桿變化的影響的標尺。通常情況下，核心模型會有大量的中間和最終輸出，這里可以考慮。應根據它們與分析和決策者的相關性來選擇指標。

2.4.2輸出

TMIP-EMAT的一個主要輸出是模型的模擬運行數據庫，包括每個模擬的相關不確定性和政策杠桿輸入以及每個運行的性能指標輸出。TMIP-EMAT使用Monte Carlo或Latin Hypercube方法從其定義的分布中對不確定性輸入進行采樣，并對每個杠桿的潛在值進行采樣。對于每次模擬，模型輸入的集合與核心模型（或核心模型的元模型代表）一起使用，以產生該模擬的測度指標輸出集合。用戶有能力指定所進行的模擬數量。

為描述不確定性、杠桿和測度之間的關系而開發的元模型本身就是TMIP-EMAT的輸出（這只適用于使用元模型的情況）。元模型可作為 EMA 工作臺的直接輸入，以支持有指導意義的探索性分析，并可用于驗證核心模型的運行（例如，驗證模型對輸入變量和/或參數的敏感性是否合理和適當）。

TMIP-EMAT中內置了多種工具，可用于生成可視化和表格，以更好地理解輸出。這些工具包括以下內容：

風險分析可視化

可以生成性能指標的表格，顯示每個指標的百分位數范圍。表格可以根據分析中包含的杠桿的不同值進行細分。

可以生成模型運行結果的雙向散點圖，顯示不確定性對不同政策杠桿的性能指標的影響。

可以繪制出不確定因素對總體指標范圍的相對重要性/貢獻，以了解哪些不確定因素的影響最大。

開放式探索性分析的可視化

TMIP-EMAT中的互動工具可用于檢查測度指標和政策杠桿之間的關系。交互式滑動和切換功能可用于將探索性分析細化到特定的模擬運行集。

條件不確定性分布圖可用于說明在不同政策下，不確定性變量對實現指標的特定目標的重要性（或缺乏重要性）。

引導探索性分析的可視化

病人規則歸納法（PRIM）的權衡曲線和性能表說明了滿足特定測度指標標準的方案發現的數量。

其他PRIM可視化顯示了算法所確定的不確定因素和杠桿的限制范圍。

3、RTCSNV的DTA和EMA整合實例

越來越多的研究和一些實際應用已經確定了將TMIP-EMAT與出行需求預測模型相結合的前景。作為FHWATMIP贊助的項目的一部分，Caliper與南內華達州區域交通委員會 (RTCSNV) 合作，展示TMIP的探索性建模分析工具 (EMAT) 工具與TransCAD和TransModeler的集成使用。例如與RTCSNV的TransCAD模型一起使用，以探討COVID后訪客水平和電子商務的不確定性等問題。在TransModeler中，它被用于探索對體育賽事的不同需求水平以及交通流量的某些方面。

TMIP-EMAT是一個開源Python 程序，用于支持不確定性下的分析。Caliper開發了一個API，允許用戶從GISDK調用EMAT函數，并有助于在TransCAD和TransModeler中運行大量模型實驗。該API還有助于輕松創建TransCAD儀表板，以可視化EMAT結果，例如模型實驗和要素得分的散點圖。新的API允許TransCAD和TransModeler用戶從GISDK訪問EMAT函數，因此不需要單獨的Python腳本。

在該項目之前，Caliper已經具有使用DTA的探索性建模分析 (EMA) 的經驗。2018 年，作為FHWA TMIP資助項目的一部分，Caliper將佛羅里達州杰克遜維爾地區的ABM-DTA模型和EMA集成到一起。研究聯網/自動駕駛汽車 (CAV) 和拼車的影響。

3.1 組織模式

由FHWA/TMIP牽頭，RTCSNV提供項目管理和模型，Caliper負責軟件開發和應用研究。

探索性建模與分析EMA+RTCSNV仿真模型DTA模式包括：

（1）探索性建模與分析EMAT

? 是一種分析框架

? 假設存在深度不確定性時管理假設情景的方法

? 以新的、不同的方式利用現有模型的決策工具

? 當可能的結果數量太多時，作為傳統情景分析的替代方法

（2）區域交通規劃的RTCSNV仿真模型DTA

? 出行需求預測

? 項目優先級

? 項目評估

? 備選方案分析

3.2 核心模型

包括RTCSNV之前開發的三個區域模型：

3.2.1TransCAD交通需求模型

主要特征：

?基準年和長期預測；

?四階段和高級范式；

?易于使用的流程圖界面；

?先進的公共交通、交通分配方法；

?用于數據分析、可視化的本地地理信息系統（GIS）；

?高效的計算性能。

潛在的場景應用：

?人口結構和就業變化導致的需求變化；

?由于新交通方式、運營變化而導致的交通方式轉換；

?收費、票價、服務參數（如行車間隔）；

?擬建公路項目的影響；

?容量增加，速度限制改變；

?新設施建設。

3.2.2TransDNA中觀DTA模型

主要特征：

?中觀仿真；

?遵循容量限制；

?捕捉交通動態；

?在TransCAD線圖層上運行；

?比其他DTA解決方案更快的設置；

?快速運行。

潛在的場景應用：

?可靠性分析→流量指標的可變性；

?需求模式變化的影響→特別活動，惡劣天氣等；

?由于容量減少而路徑變更→施工區域，事件等；

?因通行收費而選擇的路徑；

?公交流量增加的影響。

3.2.3TransModeler微觀DTA

主要特征：

?車道級幾何圖形和操作；

?信號的精確建模；

?延誤、服務水平（LOS）的詳細報告；

?模擬ITS解決方案/策略的范圍；

?模擬管理車道、聯網和自動駕駛車輛（CAV）等。

潛在的應用場景：

?工作區的影響，交通維護；

?服務水平，擁堵收費對收入的影響；

?交通控制優化；

?事件響應計劃；

?CAV市場滲透的效率。

3.2.4多解析度的地區交通規劃模型

3.3 不確定性變量

3.4 交通政策措施

3.5 輸出數據和可視化

審核編輯：劉清