1.本发明属于交通系统出行结构优化技术领域，尤其涉及一种多目标最优出行结构优化方法、系统、设备及介质。
背景技术：2.目前，研究表明，大气中温室气体浓度的升高是导致全球气候变暖的主要原因，而二氧化碳是排放量最多的温室气体，控制碳排放已成为全球共识。我国社会经济的快速发展和城市机动化水平的不断提高，使得城市交通碳排放问题日益凸显。我国城市现阶段的交通问题与城市客运交通结构不合理密切相关，由于不同交通出行方式在能耗和碳排放方面存在很大差异，交通出行结构成为影响城市交通碳排放的关键因素。如何在满足城市居民主要出行需求的基础上，降低高碳排放出行结构比例，引导城市交通低碳发展是一个有待研究的重要议题。
3.目前，我国现有交通发展模式下的交通碳排放持续增长态势在短期内将不会发生显著变化，所以结构性减排和技术性减排成为交通碳减排的两种基本途径。由于不同交通方式的技术经济属性存在较大差异，城市交通出行结构组成方式成为影响交通系统碳排放总量的关键因素。合理的交通出行结构需要以整体效用最大化为基本前提，在完成基本的运输任务同时，有必要降低整体交通成本并减少交通系统外部成本。因此，优化交通出行结构，降低高能耗、高排放交通方式分担率，提高低能耗、低排放交通出行比例，是交通系统自身发展的内在需要，也是建设低碳城市的客观要求。
4.城市交通出行结构的优化除了实现系统自身的高效发展，还需满足社会经济发展的基本需要以及外部资源环境系统的可承载能力，因此城市交通出行结构优化目标是实现城市社会经济系统、环境系统以及交通系统的协调发展。
5.目前的技术方案多为基于碳减排目标的单目标城市交通出行结构优化，没有充分考虑城市交通的路网效率、出行品质、外部成本、财政补贴等因素。现阶段对于出行结构的研究要么从出行者角度出发，通过出行者的选择调整交通方式选择影响因素，利用个人出行行为效用最大化原理，从而得到城市整体出行的客运交通结构，这样只体现了出行者的出行意愿；要么侧重某一方面的发展需求，从宏观上考虑各方面约束，建立的交通结构优化模型忽视了个体行为的影响，会与实际产生较大偏差。
6.综上，为了给城市交通发展模式提供更全面的决策支撑，有必要对基于交通系统“低碳、高效、经济”多目标最优下的出行结构展开优化研究。
7.通过上述分析，现有技术存在的问题及缺陷为：
8.(1)现有方法没有充分结合城市交通的路网效率、出行品质、外部成本、财政补贴等因素。
9.(2)现有方法忽视了个体行为的影响，会与实际产生较大偏差。
技术实现要素：10.针对现有技术存在的问题，本发明提供了一种基于交通系统的多目标最优出行结构优化方法、系统、设备及介质，具体涉及一种基于交通系统“低碳、高效、经济”多目标最优的出行结构优化方法，通过理清城市交通出行结构优化影响因素，结合城市交通出行结构优化的环境目标、交通目标以及经济目标，分别分析外部环境因素(城市发展模式、经济因素和人口因素)，交通供给因素(自然资源、交通规划、交通技术和交通规制)和交通需求因素(出行特征)对城市交通出行结构优化的影响路径，在此基础上以交通碳减排、能源消耗、出行成本、出行效率、财政补贴为优化目标，交通需求和道路面积为约束条件，确定具体函数形式，旨在构建碳减排目标下基于交通系统“低碳、高效、经济”的多目标规划模型。
11.本发明是这样实现的，一种基于交通系统的多目标最优出行结构优化方法包括如下步骤：
12.s1：构建多目标优化模型，目标为碳排放和能源消耗最优、出行成本和出行效率最优、政府公共交通补贴最优三部分，约束条件包括出行需求和路网资源两部分，决策变量为交通出行结构，主要取公交、轨道交通、出租车/网约车、私家车四个类型；
13.s2：使用满意度模型对原目标函数进行处理，将目标函数变成统一单位的函数；
14.s3：根据模型公式分别计算碳排放总量c最优、能耗e最低、出行成本f最小、出行占用道路总面积s最小、政府补贴o最小，在满足对应的约束条件下，得到相应的多目标模型的非劣解；
15.s4：对各类交通参数值进行调控，再求各子目标函数的值，再将值归一化后为每个目标赋予权值，不断调整权值获得一组不同权值的单目标问题，采用线性加权求和法将多目标模型转换为单目标优化模型进行求解，最终得到最优出行结构。
16.进一步，所述s1中多目标规划模型的目标函数为：
[0017][0018]
式中：c是城市交通二氧化碳排放总量；i是交通方式类型；li第i种交通方式的平均出行距离；εi是第i种交通方式的二氧化碳排放因子；p是城市交通系统机动方式年总出行量；ri各种交通方式所占比例。
[0019][0020]
式中：e是城市交通能源消耗总量；ei是第i种交通方式的平均每乘次能源消耗因子；li是第i种交通方式的平均出行距离；p是城市交通系统机动方式年总出行量；ri是各种交通方式所占比例。
[0021][0022]
式中：f是平均出行成本(元)；ui是不同交通方式平均每次出行的经济成本；hi是不同出行方式的平均每次出行时间(小时)；w是每小时人均工资(元)；ri是各种交通方式所占
比例。
[0023][0024]
式中：s是占用道路总面积；si是不同交通方式人均动态占地面积(平方米)；p是城市交通机动方式年总出行量；ri是各种交通方式所占比例。
[0025][0026]
式中：o是公共交通运营补贴；oi是第i种交通方式平均每乘次运营补贴；p是城市交通机动方式年总出行量；ri是各种交通方式所占比例。
[0027]
进一步，所述s1中多目标规划模型约束条件为：
[0028][0029]
式中：li是不同交通方式的平均出行距离；ri是各种交通方式所占比例；p是城市交通机动方式年总出行量；pj是步行和非机动方式的出行总量(次数)；lj是步行和非机动方式出行的平均出行距离；是城市居民平均出行距离；q是城市年平均常住人口数量；γ是居民平均出行率。
[0030][0031]
式中：si是不同交通方式人均动态占地面积(平方米)；ri是各种交通方式所占比例；p是城市交通年总出行量(乘次)；sj是步行和非机动出行方式的人均动态占地面积；pj是步行和非机动出行的出行总量；是城市人均道路面积。
[0032][0033]
式中：ri是各种交通方式所占比例。
[0034]
进一步，所述s2中多目标规划模型满意度模型为：
[0035][0036]
式中：a
η
分别表示各个目标的满意度，b
η
对应原模型的目标函数(1)—(5)。
[0037]
进一步，所述s4中求解最优出行结构的核心方法为：
[0038]
s41：以经济、环境、交通协调发展为目标，以城市交通出行结构优化和碳减排为最终落脚点，分别构建碳排放总量c、能耗e、出行成本f、出行占用道路总面积s、政府补贴o五个方面的优化模型；
[0039]
s42：确定出行需求和路网资源两方面的约束条件；
[0040]
s43：建立满意度模型解决原模型目标函数单位和量纲不统一的问题；
[0041]
s44：将目标归一化再结合调整交通参数和权重值，通过优化模型求解最优交通出行结构。
[0042]
进一步，所述s41中碳排放总量c、能耗e、出行成本f、出行占用道路总面积s、政府补贴o优化模型为：
[0043]
私家车、出租车、地面公交、轨道交通和自行车碳排放强度的计算公式为：
[0044][0045]
式中：c是城市交通二氧化碳排放总量；i是交通方式类型；li第i种交通方式的平均出行距离；εi是第i种交通方式的二氧化碳排放因子；p是城市交通系统机动方式年总出行量；ri各种交通方式所占比例；
[0046]
城市交通能源消耗总量计算公式如下：
[0047][0048]
式中：e是城市交通能源消耗总量；ei是第i种交通方式的平均每乘次能源消耗因子；li是第i种交通方式的平均出行距离；p是城市交通系统机动方式年总出行量；ri是各种交通方式所占比例；
[0049]
平均出行成本计算公式如下：
[0050][0051]
式中：f是平均出行成本(元)；ui是不同交通方式平均每次出行的经济成本；hi是不同出行方式的平均每次出行时间(小时)；w是每小时人均工资(元)；ri是各种交通方式所占比例；
[0052]
占用道路总面积的计算公式如下：
[0053][0054]
式中：s是占用道路总面积；si是不同交通方式人均动态占地面积(平方米)；p是城市交通机动方式年总出行量；ri是各种交通方式所占比例；
[0055]
政府补贴计算公式如下：
[0056][0057]
式中：o是公共交通运营补贴；oi是第i种交通方式平均每乘次运营补贴；p是城市交通机动方式年总出行量；ri是各种交通方式所占比例。
[0058]
进一步，所述s42中约束为：
[0059]
出行需求约束条件如下：
[0060][0061]
式中：li是不同交通方式的平均出行距离；ri是各种交通方式所占比例；p是城市交通机动方式年总出行量；pj是步行和非机动方式的出行总量(次数)；lj是步行和非机动方式出行的平均出行距离；是城市居民平均出行距离；q是城市年平均常住人口数量；γ是居民平均出行率。
[0062]
路网资源约束条件如下：
[0063][0064]
式中：si是不同交通方式人均动态占地面积(平方米)；ri是各种交通方式所占比例；p是城市交通年总出行量(乘次)；sj是步行和非机动出行方式的人均动态占地面积；pj是步行和非机动出行的出行总量；是城市人均道路面积。
[0065]
进一步，所述s43中满意度模型为：
[0066][0067]
式中：a
η
分别表示各个目标的满意度，b
η
对应原模型的目标函数(10)—(14)，这样原模型转化成了满意度模型，每个目标函数变成了统一单位和量纲的函数，便于求解。
[0068]
进一步，所述s44中将目标归一化再结合调整交通参数和权重值具体表现为：
[0069]
通过调整交通系统供给因素，进而带动交通系统需求因素变化，最终实现城市交通出行结构优化。具体过程则是在城市交通出行结构优化模型的基础上，结合交通参数变动范围进行设置，通过调整具体函数中不同类型交通参数来完成，再把多目标每一个子目标归一化，然后给每个目标赋予一个权值，通过不断调整这些权值，从而获得一组不同权值的单目标问题，再去同时解决这一组问题。
[0070]
本发明的另一目的在于提供一种实施所述基于交通系统的多目标最优出行结构优化方法的基于交通系统的多目标最优出行结构优化系统。
[0071]
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于交通系统的多目标最优出行结构优化方法。
[0072]
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于交通系统的多目标最优出行结构优化方法。
[0073]
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
[0074]
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
[0075]
(1)本发明提出的满意度模型解决了原模型目标函数单位和量纲不统一的问题，
并且从相对量角度分析了交通出行结构优化前后碳减排满意度的变化，可以体现不同交通出行结构下的碳减排潜力大小。
[0076]
(2)本发明重点分析了交通出行结构的调整对交通碳排放量以及碳减排满意度的影响，从绝对量上分析交通出行结构优化前后城市交通碳排放量的变化情况可以更直观的出行结构的优化对交通减排的效果。
[0077]
(3)本发明通过相应交通政策对城市交通系统供给参数进行调控，进而引导居民出行需求变动，进一步对交通出行结构优化目标函数产生作用，最终实现城市交通出行结构优化。
[0078]
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
[0079]
本发明构建的碳减排目标下城市交通出行结构优化模型具有很强的普适性，适用于多个城市低碳交通研究，该模型综合考虑了城市交通系统、环境系统以及社会系统的有限承载力，有助于挖掘我国城市交通系统在现有交通条件和外部环境下的最优交通出行结构，进一步认识城市交通出行结构现状与最优结构之间的缺口，为城市进行政策调控提供方向性指导。
[0080]
第三，作为本发明的权利要求的创造性辅助证据，还体现在本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题：解决了现有方法没有充分考虑城市交通的路网效率、出行品质、外部成本、财政补贴等因素的问题。
附图说明
[0081]
图1是本发明实施例提供的从构建模型到求解最优解总过程的流程示意图；
[0082]
图2是本发明实施例提供的环境层面碳排放量模型构建和计算流程示意图；
[0083]
图3是本发明实施例提供的环境层面城市交通能源消耗量模型构建和计算流程示意图；
[0084]
图4是本发明实施例提供的交通层面平均出行成本模型构建和计算流程示意图；
[0085]
图5是本发明实施例提供的交通层面出行效率模型构建和计算流程示意图；
[0086]
图6是本发明实施例提供的经济层面政府运营补贴模型构建和计算流程示意图。
具体实施方式
[0087]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0088]
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
[0089]
如图1所示，所述基于交通系统的多目标最优出行结构优化方法包括如下步骤：
[0090]
s1：构建多目标优化模型，目标为碳排放和能源消耗最优、出行成本和出行效率最优、政府公共交通补贴最优三部分，约束条件包括出行需求和路网资源两部分，决策变量为交通出行结构，主要取公交、轨道交通、出租车/网约车、私家车四个类型；
[0091]
s2：使用满意度模型对原目标函数进行处理，将目标函数变成统一单位的函数；
[0092]
s3：根据模型公式分别计算碳排放总量c最优、能耗e最低、出行成本f最小、出行占用道路总面积s最小、政府补贴o最小，在满足对应的约束条件下，得到相应的多目标模型的非劣解；
[0093]
s4：对各类交通参数值进行调控，再求各子目标函数的值，再将值归一化后为每个目标赋予权值，不断调整权值获得一组不同权值的单目标问题，采用线性加权求和法将多目标模型转换为单目标优化模型进行求解，最终得到最优出行结构。
[0094]
如图2所示为s3中交通碳排放最小化目标函数建立的过程，其具体的说明和表现形式如下：
[0095]
不同交通方式在能源消耗和碳排放方面存在很大差异，各类交通方式碳排放强度依次是私家车、出租车、地面公交、轨道交通和自行车，私家车是每公里人均二氧化碳排放量最多的交通工具。因此，在目前资源环境刚性约束下，交通出行结构优化成为缓解交通碳减排压力的根本途径。
[0096]
模型如下：
[0097][0098]
式中：c是城市交通二氧化碳排放总量；i是交通方式类型((1-轨道，2-公交，3-出租车/网约车，4-私家车))；li第i种交通方式的平均出行距离；εi是第i种交通方式的二氧化碳排放因子；p是城市交通系统机动方式年总出行量；ri各种交通方式所占比例。
[0099]
其中不同交通方式的碳排放因子的取值参考表1：
[0100]
表1
[0101]
交通方式公交轨道交通出租车/网约车私家车二氧化碳排放因子(kg/pkm)19.87.5140.2116.9
[0102]
如图3所示为s3中能源消耗最小化目标函数建立的过程，其具体的说明和表现形式如下：
[0103]
低能耗是指城市交通系统提高能源使用效率，降低单位运量的能源消费，同时逐步减少对石油等传统化石燃料的消耗，由传统能源消费转向生物能源、氢能源等新型清洁能源的使用，并逐步实现能源消费结构的优化。这一优化目标不仅可以缓解城市系统能源供需不平衡问题，还能在很大程度上促进低外部性和低碳排放目标实现。
[0104]
不同交通方式的能耗大小一般用能耗因子来衡量，是指单位人次在单位运输距离上产生的能源消耗大小，能耗因子主要由交通工具的承载力决定，因此不同交通方式在交通能耗方面的差异也比较大。模型如下：
[0105][0106]
式中：e是城市交通能源消耗总量；ei是第i种交通方式的平均每乘次能源消耗因子；li是第i种交通方式的平均出行距离；p是城市交通系统机动方式年总出行量；ri是各种交通方式所占比例。其中不同交通方式的能耗因子的取值参考表2。
[0107]
表2
[0108]
交通方式地面公交轨道交通出租车私家车能耗因子(mj/pkm)0.7140.3222.852.795
[0109]
如图4所示为s3中出行成本最小化目标函数建立的过程，其具体的说明和表现形式如下：
[0110]
交通方式的经济性和高效性是影响居民出行方式选择的重要因素。出行的经济成本与出行者的经济利益直接相关，是主导出行方式选择的一个重要因素。此外，随着城市生活节奏的加快，交通出行的时间成本成为交通出行成本中的主要部分，对居民出行行为的影响越来越大，不同交通工具对应的出行时间存在很大差异，节省时间成本，提高出行效率也已经成为城市交通出行结构优化需要考虑的重要目标，本发明将综合考虑出行的经济成本和时间成本，目标是使广义出行成本最小。
[0111]
本发明将从经济成本、时间成本两个方面计算居民平均每次出行成本。具体来看，私家车平均出行成本包括平均出行时间、平均燃油费和平均停车费；出租车的平均出行成本包括平均出行时间和平均出行车费；公交和轨道交通的平均出行成本则包括平均出行时间和票价。不同交通方式平均每次出行的经济成本不同。
[0112]
模型如下：
[0113][0114]
式中：f是平均出行成本(元)；ui是不同交通方式平均每次出行的经济成本；hi是不同出行方式的平均每次出行时间(小时)；w是每小时人均工资(元)；ri是各种交通方式所占比例。
[0115]
不同交通方式的平均经济成本的取值参考表3：
[0116]
表3
[0117]
交通方式地面公交轨道交通出租车私家车平均经济成本(元/乘次)2.542010
[0118]
如图5所示为s3中出行效率最大化目标函数建立的过程，其具体的说明和表现形式如下：
[0119]
在出行活动中，出行效率成为出行者在选择不同交通方式时最为关注的影响因素。交通系统的高效运行不仅是指出行者在整个出行活动中所花费的时间成本最小，还要求各类交通资源的高效配置和使用，在有限的交通资源供给和交通技术支撑下，通过高效的交通资源利用来最大程度满足日益增加的交通需求。具体到城市交通，高效率可以认为是在有限的路网承载力下，最大程度满足居民出行需求，即可以表示为路网效率。因此，交通系统的高效率目标是城市交通自身发展的内在要求和也是交通系统发展的必然趋势。
[0120]
城市交通路网资源的有效配置和高效利用，要求大力发展高效的交通方式，比如大运量的公共交通由于人均占用道路面积少，可以有效提高城市道路的通行能力，同时限制人均占用道路面积大的低效交通发展，因此城市交通出行结构优化是缓解城市道路运行压力的关键手段，不同交通出行方式在占用道路资源方面存在较大差异。城市交通路网效率是指城市路网系统投入与所满足的居民出行需求之间的关系，反映了交通系统资源分配
效率和交通资源利用效率，即一定道路资源条件下所能满足的交通需求越大，路网效率越高，反之，则越低。从城市道路资源有限的角度而言，运量大、占用道路面积小的交通方式在出行效率方面具有显著优势，因此文章以道路占用面积来分析城市路网效率。
[0121]
目标函数如下：
[0122][0123]
式中：s是占用道路总面积；si是不同交通方式人均动态占地面积(平方米)；p是城市交通机动方式年总出行量；ri是各种交通方式所占比例。
[0124]
其中不同交通方式的人均动态占地面积的取值参考表4：
[0125]
表4
[0126]
交通方式地面公交轨道交通出租车私家车人均动态占道面积(m2)10.51815
[0127]
如图6所示s3中为政府运营补贴最小化目标函数建立的过程，其具体的说明和表现形式如下：
[0128]
交通系统作为城市发展的基础，离不开政府财政支持，包括基础设施建设投资、运营管理补贴等各方面。特别是公共交通，要使公共交通得到发展与推广，需要政府提供巨额财政支持。强大的财政补贴力度降低了乘客的出行成本，促使公共交通发展真正实现让惠于民，但同时巨额财政补贴也滋生了公交企业资源浪费、经营效率低下等不良现象，这样的补贴不可避免会造成政府财政负担增加。因此，在城市交通系统建设过程中，在保证出行需求的前提下，需要考虑如何通过优化资源配置减少资源浪费，以达到降低财政补贴缓解政府财政压力的目的。
[0129]
城市交通的财政补贴包括前期的建设补贴、中期的运营补贴和后期的拆除处理补贴，前期建设和后期拆除属于固定投入，不与客运量成严格的正相关关系，可当作常数处理，不影响目标函数的最优解，因此本发明只选择运营补贴作为目标参数，代表财政补贴。
[0130]
目标函数如下：
[0131][0132]
式中：o是公共交通运营补贴；oi是第i种交通方式平均每乘次运营补贴；p是城市交通机动方式年总出行量；ri是各种交通方式所占比例。
[0133]
其中不同交通方式的平均没乘次运营补贴的取值参考表5：
[0134]
表5
[0135]
交通方式地面公交轨道交通出租车私家车平均运营补贴(元/乘次)30.5
ꢀꢀ
[0136]
进一步，s1中的约束条件给出了决策变量需要满足的限制条件，用含有等式和不等式的约束函数来表示，本发明中构建的城市交通出行结构需要满足出行需求和路网资源这两个基本约束条件。
[0137]
(1)出行需求
[0138]
居民出行需求得以满足是交通出行结构优化的最基本约束条件，虽然模型中的交通出行结构优化并未考虑步行、自行车、电动自行车和摩托车，但这些交通工具也是满足居民日常出行的基本方式，所以在约束条件中也需要纳入考虑范围。表达式如下：
[0139][0140]
式中：li是不同交通方式的平均出行距离；ri是各种交通方式所占比例；p是城市交通机动方式年总出行量；pj是步行和非机动方式的出行总量(次数)；lj是步行和非机动方式出行的平均出行距离；是城市居民平均出行距离；q是城市年平均常住人口数量；γ是居民平均出行率。
[0141]
(2)路网资源
[0142]
随着城市建设用地日趋紧张，依赖道路建设来满足不断增加的交通需求已经无法实现，道路资源的供不应求导致交通拥堵成为很多大城市普遍面临的交通问题。道路网容量是城市交通发展的刚性约束条件。步行以及其他非机动化出行方式虽不在本发明研究的四种主要交通方式之列，但这些出行方式也需要占用一定的道路资源，因此道路网容量约束表达式如下：
[0143][0144]
式中：si是不同交通方式人均动态占地面积(平方米)；ri是各种交通方式所占比例；p是城市交通年总出行量(乘次)；sj是步行和非机动出行方式的人均动态占地面积；pj是步行和非机动出行的出行总量；是城市人均道路面积。
[0145]
进一步，s1中数学模型的决策变量为ri，代表交通出行结构，即各类交通方式(公交、轨道、出租车/网约车、私家车)的出行结构比例，其余参数均为已知变量。
[0146][0147]
式中：ri是各种交通方式所占比例。
[0148]
进一步，所述模型存在目标单位和量纲不统一的问题，所以需要进一步处理，将其统一，因此在s2中使用满意度模型进行转换：
[0149][0150]
式中：a
η
分别表示各个目标的满意度，b
η
对应原模型的目标函数(1)—(5)。
[0151]
进一步，所述s4中相应的求解说明和方法如下：
[0152]
多目标规划模型中目标之间或者约束条件之间有可能存在冲突。比如出行效率最大化与碳排放最小化和能源最小化之间存在矛盾；而在能源消耗减少的同时，交通碳排放也会随之减少，因而这两个目标函数之间存在一定程度上的协同关系。所以，在模型求解过程中不一定能获得最优解，往往得到的是可行域中的有效解，所以本发明最终求解得到的
是多目标模型的非劣解(帕累托解)，后面将采用线性加权求和法将多目标规划模型转换为单目标优化模型进行求解。
[0153]
本发明采取的求解方法如下：通过各类交通参数值的变动引起城市交通发展的内部条件和外部环境发生变化，进而促进城市交通出行结构优化。一般而言，城市交通系统承载力在短期内不会发生大的变化，因此在城市交通系统承载力有限的前提下，碳减排目标下的城市交通出行结构优化可以通过交通政策引导对交通系统参数进行调控，实现交通出行结构优化并最终完成交通碳减排目标。本发明考虑的交通参数主要是指上述多目标规划模型中涉及到的交通参数，交通出行结构优化最终体现在居民出行方式的改变上。
[0154]
通过调整交通系统供给因素，进而带动交通系统需求因素变化，最终实现城市交通出行结构优化。具体过程则是在城市交通出行结构优化模型的基础上，参考表6关于交通参数变动范围进行设置，通过调整具体函数中不同类型交通参数来完成，再把多目标每一个子目标归一化，然后给每个目标赋予一个权值，然后通过不断调整这些权值，从而获得一组不同权值的单目标问题，然后再去同时解决这一组问题。
[0155]
表6
[0156][0157][0158]
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
[0159]
以某市为例，进行碳减排目标下城市交通出行结构优化模型的构建，根据统计年鉴显示，某市2019年常住人口数为1343.88万人，平均出行率为2.21次/日，人均工资为每小时60元，所有出行方式平均出行距离为10.7千米，城市人均道路面积为14.45平方米，机动化日均出行量为2125万乘次，步行和非机动方式出行量分别为1938万人次/日和459万人次/日，平均出行距离为3.62千米和4.1千米。
[0160]
出行结构中公交方式(地面公交12.4％、轨道交通8.5％)占20.9％，出租车方式(含巡游出租车、网约出租车)占4.1％，私家车方式占17.5％，慢行交通占比为57.5％左右，其他交通参数的参考如表7。
[0161]
表7 2019年深圳市交通参数值
[0162]
符号含义单位轨道交通地面公交出租车私家车l平均出行距离km13.487.611.2εco2排放因子kg/pkm7.519.8140.2116.9e能源消耗因子mj/pkm0.3220.7142.852.795u平均出行经济成本元/乘次62.529.1210
h平均出行时间小时0.730.650.360.56s人均动态占地面积m20.511815o公共交通运营补贴元/乘次0.53
‑‑
[0163]
将上述具体交通参数代入，通过整理可以得到具体的初始模型。
[0164]
目标函数：
[0165]
min c＝213562.5r1+336600r2+2264230r3+2782220r4[0166]
min e＝9168.95r1+12138r2+46027.5r3+66521r4[0167]
min f＝49.8r1+41.5r2+50.72r3+436r4[0168]
min s＝1062.5r1+2125r2+38250r3+31875r4[0169]
min o＝1062.5r1+6375r2[0170]
约束：
[0171]
2.85r1+1.7r2+1.615r3+2.38r4≥2.29
[0172]
10.625r1+21.25r2+382.5r3+318.75r4≤639.15
[0173]
r1+r2+r3+r4＝1
[0174]
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
[0175]
可以通过线性加权法，基于matlab软件求解上述模型，再依据结果和表6的参数范围调整对应的参数，迭代求解后得到最优交通出行结构。
[0176]
表8 2019年深圳市最优交通出行结构
[0177]
出行结构最优值实际值r10.510.20r20.240.29r30.050.01r40.200.50
[0178]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0179]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
技术特征：1.一种基于交通系统的多目标最优出行结构优化方法，其特征在于，所述基于交通系统的多目标最优出行结构优化方法包括如下步骤：s1：构建多目标优化模型的目标函数、约束条件及决策变量，所述多目标包括碳排放和能源消耗、出行成本和出行效率、公共交通补贴；约束条件包括出行需求和路网资源，决策变量包括交通出行结构，有公交、轨道交通、出租车/网约车、私家车s2：使用满意度模型对原目标函数进行处理，将目标函数转换成统一单位的函数；s3：根据统一单位的函数分别计算碳排放总量c、能耗e、出行成本f、出行占用道路总面积s、补贴o，在满足对应的约束条件下，得到相应的多目标模型的非劣解；s4：对各类交通参数值进行调控，求各子目标函数的值，再将值归一化后为每个目标赋予权值，调整权值获得不同权值的单目标，采用线性加权求和法将多目标模型转换为单目标优化模型进行求解，最终得到最优出行结构。2.如权利要求1所述的基于交通系统的多目标最优出行结构优化方法，其特征在于，在步骤s1中交通出行结构包括公交交通、轨道交通、出租车/网约车、私家车；所述目标函数为：式中：c是城市交通二氧化碳排放总量；i是交通方式类型；l
i
第i种交通方式的平均出行距离；ε
i
是第i种交通方式的二氧化碳排放因子；p是城市交通系统机动方式年总出行量；r
i
各种交通方式所占比例；式中：e是城市交通能源消耗总量；e
i
是第i种交通方式的平均每乘次能源消耗因子；l
i
是第i种交通方式的平均出行距离；p是城市交通系统机动方式年总出行量；r
i
是各种交通方式所占比例；式中：f是平均出行成本(元)；u
i
是不同交通方式平均每次出行的经济成本；h
i
是不同出行方式的平均每次出行时间(小时)；w是每小时人均工资(元)；r
i
是各种交通方式所占比例；式中：s是占用道路总面积；s
i
是不同交通方式人均动态占地面积(平方米)；p是城市交通机动方式年总出行量；r
i
是各种交通方式所占比例；
式中：o是公共交通运营补贴；o
i
是第i种交通方式平均每乘次运营补贴；p是城市交通机动方式年总出行量；r
i
是各种交通方式所占比例；所述s1中多目标规划模型约束条件为：式中：l
i
是不同交通方式的平均出行距离；r
i
是各种交通方式所占比例；p是城市交通机动方式年总出行量；p
j
是步行和非机动方式的出行总量(次数)；l
j
是步行和非机动方式出行的平均出行距离；是城市居民平均出行距离；q是城市年平均常住人口数量；γ是居民平均出行率。式中：s
i
是不同交通方式人均动态占地面积(平方米)；r
i
是各种交通方式所占比例；p是城市交通年总出行量(乘次)；s
j
是步行和非机动出行方式的人均动态占地面积；p
j
是步行和非机动出行的出行总量；是城市人均道路面积。式中：r
i
是各种交通方式所占比例。3.如权利要求1所述的基于交通系统的多目标最优出行结构优化方法，其特征在于，所述s2中多目标规划模型满意度模型为：式中：a
η
分别表示各个目标的满意度，b
η
对应原模型的目标函数(1)—(5)。4.如权利要求1所述的基于交通系统的多目标最优出行结构优化方法，其特征在于，所述s4中求解最优出行结构的方法包括：s41：分别构建碳排放总量c、能耗e、出行成本f、出行占用道路总面积s、补贴o的优化模型；s42：确定出行需求和路网资源的约束条件；s43：建立满意度模型，用于原模型目标函数单位和量纲统一；s44：将目标归一化再结合调整交通参数和权重值，通过优化模型求解最优交通出行结构。5.如权利要求4所述的基于交通系统的多目标最优出行结构优化方法，其特征在于，所述s41中碳排放总量c、能耗e、出行成本f、出行占用道路总面积s、政府补贴o优化模型为：私家车、出租车、地面公交、轨道交通和自行车碳排放强度的计算公式为：
式中：c是城市交通二氧化碳排放总量；i是交通方式类型；l
i
第i种交通方式的平均出行距离；ε
i
是第i种交通方式的二氧化碳排放因子；p是城市交通系统机动方式年总出行量；r
i
各种交通方式所占比例；城市交通能源消耗总量计算公式如下：式中：e是城市交通能源消耗总量；e
i
是第i种交通方式的平均每乘次能源消耗因子；l
i
是第i种交通方式的平均出行距离；p是城市交通系统机动方式年总出行量；r
i
是各种交通方式所占比例；平均出行成本计算公式如下：式中：f是平均出行成本(元)；u
i
是不同交通方式平均每次出行的经济成本；h
i
是不同出行方式的平均每次出行时间(小时)；w是每小时人均工资(元)；r
i
是各种交通方式所占比例；占用道路总面积的计算公式如下：式中：s是占用道路总面积；s
i
是不同交通方式人均动态占地面积(平方米)；p是城市交通机动方式年总出行量；r
i
是各种交通方式所占比例；政府补贴计算公式如下：式中：o是公共交通运营补贴；o
i
是第i种交通方式平均每乘次运营补贴；p是城市交通机动方式年总出行量；r
i
是各种交通方式所占比例。6.如权利要求4所述的基于交通系统的多目标最优出行结构优化方法，其特征在于，所述s42中约束条件为：出行需求约束条件如下：式中：l
i
是不同交通方式的平均出行距离；r
i
是各种交通方式所占比例；p是城市交通机动方式年总出行量；p
j
是步行和非机动方式的出行总量(次数)；l
j
是步行和非机动方式出行的平均出行距离；是城市居民平均出行距离；q是城市年平均常住人口数量；γ是居民平均
出行率。路网资源约束条件如下：式中：s
i
是不同交通方式人均动态占地面积(平方米)；r
i
是各种交通方式所占比例；p是城市交通年总出行量(乘次)；s
j
是步行和非机动出行方式的人均动态占地面积；p
j
是步行和非机动出行的出行总量；是城市人均道路面积。7.如权利要求4所述的基于交通系统的多目标最优出行结构优化方法，其特征在于，所述s43中满意度模型为：式中：a
η
分别表示各个目标的满意度，b
η
对应原模型的目标函数(10)—(14)，这样原模型转化成满意度模型，每个目标函数转换成统一单位和量纲的函数；所述s44中将目标归一化再结合调整交通参数和权重值具体包括：在城市交通出行结构优化模型的基础上，结合交通参数变动范围进行设置，调整具体函数中不同类型交通参数，再把多目标每一个子目标归一化，然后给每个目标赋予一个权值，通过调整这些权值，获得一组不同权值的单目标。8.一种实施权利要求1～7任意一项所述基于交通系统的多目标最优出行结构优化方法的基于交通系统的多目标最优出行结构优化系统。9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～7任意一项所述基于交通系统的多目标最优出行结构优化方法。10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～7任意一项所述基于交通系统的多目标最优出行结构优化方法。
技术总结本发明属于交通系统出行结构优化领域，公开了一种多目标最优出行结构优化方法、系统、设备及介质，所述优化方法包括构建以碳排放和能源消耗最优、出行成本和出行效率最优、政府公共交通补贴最优等三部分为目标的多目标优化模型，决策变量为交通出行结构，约束条件为出行需求和路网资源，并提出了一种统一单位和量纲的满意度模型，将目标归一化后再结合调整交通参数和权重值的求解方法，通过优化模型求解最优交通出行结构。本发明的目的是为城市交通发展模式提供全面的决策支撑，具有普适性强、涵盖范围全面等优点。涵盖范围全面等优点。涵盖范围全面等优点。
技术研发人员：邹志云 杨应科 张协铭 代虎
受保护的技术使用者：华中科技大学
技术研发日：2022.06.01
技术公布日：2022/11/1
