基于产生点-吸引点的港口道路网络交通量智能预判方法

摘要

本发明属于交通运输规划设计与管理技术软件开发领域，为提供符合港口道路特点和要求、迅速的由港口吞吐量预测出各条道路交通量、并予以评价对规划修改的方法，为此，本发明采用的技术方案是，基于PA和港口吞吐量的港区道路交通量智能预判方法，包括如下步骤：对港口规划年的吞吐量进行预测，根据预测的吞吐量生成节点的交通量，结合土地的利用形态，产生P-A矩阵，在交通分配阶段需将P-A矩阵转化为O-D矩阵，然后基于以有O-D矩阵，考虑港区节点和道路网络的容量约束，建立配流模型，分配的交通量分为一般和高峰两个时段，对道路的交通状态进行评价，包括港区各节点约束、港区道路路阻函数。本发明主要应用于交通运输规划设计。

说明书

技术领域

本发明属于交通运输规划设计与管理技术软件开发领域，具体讲，涉及基于产生点-吸引 点的港口道路网络交通量智能预判方法。

技术背景

根据港口的规划吞吐能力，按照不同出行方式、路径的特点在各种约束条件下确定分配 在具体进出港口、港区各条道路（集疏运）交通量，从而为港口道路网络规划、容量设计及 其调整提供基本依据，是港口交通运输规划的核心内容。在具体理论研究和工程应用中，道 路交通网络规划是以OD节点、四阶段法为核心的交通分配问题，这些已广泛应用于城市道 路网络、公路网规划及其相关设计中，且已有大量成熟的宏观、中观、微观商业开发软件， 如TransCAD,TransStar,Trip等。

针对不同于城市道路网络、公路网的港区道路网络，其规划方法分为两部分，一是利用 现有一般道路网络系统的方法，通过一定的修正予以确定。如林晓丹在《区域道路交通流和 港口集疏运关系研究》中提出了码头集装箱吞吐量和集卡交通量转化模型；白子建等在《一 种基于吞吐量反推的海港交通需求预测方法》中在充分考虑了不同性质用地货运特征不同的 基础上，得出一种基于吞吐量反推的海港交通需求预测方法；丁文涛在《基于船舶到港规律 的集装箱港区货运交通量需求预测方法》中按照“由船舶到港时间预测集卡车抵港分布”的 思路建立预测模型；Boer和Waal等在《Distributed e一Services for road container transport  simulation》中根据每小时的车辆到达率来预测港口交通需求的方法；Pope，et.al等在《A  network simulation of high-congestion road-traffic flows in cities with marine container terminals》 中建立了海港城市高拥堵交通流网络，从宏观的角度对未来不同情况下的交通进行预测。

二是采用现有物流仿真、港口仿真软件，通过相关数据处理予以完成。如李立等人的《基 于Arena的集装箱码头内部道路运输系统仿真研究》研究了一个基于Arena的集装箱码头内 部道路运输系统的仿真模型；Creton J P运用GPSS语言设计集装箱码头系统，模型中采用排 队系统和离散随机系统的建模方法等。

从已有相关文献阅读分析可知，针对港区道路交通网络规划的研究具有以下特点：

（1）采用已有以OD节点、四阶段法为核心的交通分配问题技术及其仿真软件针对的是 一般道路交通网络，而对港口这种以吞吐量为核心、以集疏运为其中心业务的港区道路交通 网络具有其独特的特点，加之运抵报关的实行，使得港口道路网络更加区别于一般的道路交 通网络，直接应用不能全面的反映港区道路交通网络的问题特点。

（2）采用与土地利用形态无法直接建立联系的起讫点的概念。一个分区的交通出行发生 量和吸引量主要是由这个分区的土地利用形态决定的，起讫点的概念不能解释交通需求与用 地模型之间的关系。

（3）对于港口道路网络的优化，学者大都停留在定性分析层面提出一些措施或建议，缺 乏说服力和科学性。

因此针对港区集疏运系统的特点和具体要求，在已有OD节点、四阶段法为核心的交通 分配理论方法基础上，研究出一种符合港口道路特点和要求、迅速的由港口吞吐量预测出各 条道路交通量、并予以评价对规划修改的方法，成为港口规划设计的基础工作。

P-A矩阵技术是以土地利用性质基于产生点吸引点的一种新型交通规划技术，由于一般 城市交通出行量的主体是上下班人群，具有在一定时间范围内上班到一定时间范围内下班的 特点，使得P-A矩阵技术特别适用于一般工商业城市的客运交通规划中。港区道路出行者的 主体虽然是货运车辆，但主要是用于港口内部各个节点之间运输的白牌车，显著的具有产生 点出发-吸引点上班-下班回到产生点的特点，具有等同于一般工商业城市的客运交通特性， 非常适用于采用P-A矩阵交通规划技术。虽然已有基于P-A矩阵预测一般城市道路交通量的 研究成果，但尚未应用到港区道路交通规划的研究中。

发明内容

为克服现有技术的不足，本发明旨在提供符合港口道路特点和要求、迅速的由港口吞吐 量预测出各条道路交通量、并予以评价对规划修改的方法，为达到上述目的，本发明采用的 技术方案是，基于PA和港口吞吐量的港区道路交通量智能预判方法，包括如下步骤：

对港口规划年的吞吐量进行预测，根据预测的吞吐量生成节点的交通量，结合土地的利 用形态，产生P-A矩阵，在交通分配阶段需将P-A矩阵转化为O-D矩阵，然后基于以有O-D 矩阵，考虑港区节点和道路网络的容量约束，建立配流模型，分配的交通量分为一般和高峰 两个时段，最后根据分配的结果，对道路的交通状态进行评价，对拥挤路段进行再调整，包 括港区各节点约束、港区道路路阻函数，以期达到港区道路网络交通量的整体均衡。

产生P-A矩阵、在交通分配阶段需将P-A矩阵转化为O-D矩阵具体为：

（1）节点的选择

充分考虑港口土地利用形态，采用空间聚类分析的方法，将研究区域分类整合成内部关 联性强、交通特征相似的节点；

（2）弧与路径的确定

两个相邻节点之间带箭头的连线称为弧；一个交通网络，若两个节点之间存在着至少一 条点、弧、点、弧、点等的交错序列，使得联通该两个节点且对于任意弧的上下游节点就是 其交错序列的节点，则称为是联通两个节点间的路径或线路；弧表示的是港区的道路，港口 道路集疏运系统的作业主要是通过集装箱卡车、大中型货车完成，集装箱卡车用于完成集装 箱的集疏运，大中型货车用于完成集装箱的拼箱作业，车辆的行驶路径都比较固定，可替代 路径较少；

（3）P-A矩阵的构建

根据船期表确定各个集装箱码头的吞吐量，由集装箱码头吞吐量转化为集卡交通量，再 根据后方堆场运往各个集装箱码头公司的集装箱量和集疏运集装箱卡车平均装载率得到各个 后方堆场所产生的交通量；集港分为堆场集港和外部直接集港，堆场集港分为产地装箱和堆 场装箱两部分，产地装箱的集卡车和外部直接集港的集卡车通过卡子门抵达码头，堆场装箱 或需要进行拼箱的货物又会引发一部分货车流，分别从卡子门进入后方堆场，包括危险品的 特殊物品直接集港，所占比例很少；疏港包括提箱和转栈，特殊物品直接提箱，提箱量很少， 大部分的集装箱，在前方堆场提箱或者经过转栈后在后方堆场提箱，然后通过卡子门离开港 区；由于商务通勤原因还会引发部分客车流，客车按一定比例从卡子门到达后方堆场和通勤 点；施工车辆等非集疏运车辆比例很小，也会产生一定的交通量；

（4）P-A矩阵与O-D矩阵的转化

运抵报关或者是拼箱作业完成后，集装箱卡车将集装箱从后方堆场运至前方堆场，然后 又返回后方堆场，即由家出行；部分集装箱车辆通过卡子门，进入港区内部路网，直接运至 前方堆场，然后通过卡子门离开港区，即非由家出行；非由家出行中P-A矩阵与为O-D矩阵相 同，由家出行中交通量除以相应的系数得到回程出行量，将回程出行量反一个方向，其余部 分P-A矩阵与O-D矩阵相同，就可以将P-A矩阵转化为O-D矩阵。

建立配流模型具体为：

出行者分类及路径选择

（1）集疏运车辆

短、长集装箱卡车通过卡子门负责集装箱的集疏运，由于堆场装箱或者有拼箱的的需要， 引发了货车流，主要是加长型、货车，通过卡子门抵达堆场；

（2）非集疏运车辆

非集疏运车辆主要是油罐车、滚装车和一些施工车辆，其交通量正比于集装箱和货车的 总交通量，比例较少；

（3）商务与通勤

货主到堆场监装、联系业务以及工作人员的通勤，会引发一部分客车流，车辆类型主要 是小汽车，客车按一定比例从卡子门到达后方堆场和通勤点；

吞吐量与交通量的转化

采用相关预测方法对未来规划年集装箱吞吐量进行预测，转化的交通量由集卡交通量， 货车交通量，客车交通量三部分组成；

（1）货运量与交通量间的转化

港口货物的运输主要是通过集装箱卡车和货车两种方式，将货车和集装箱卡车转化为标 准集卡车；

（2）客运量与交通量间的转化

客运交通量主要是由商务通勤引发的，将小汽车转化为标准集卡车；

基于容量约束的港口交通网络配流模型

港区货运交通量分配采用多用户多路径用户最优配流模型：

$\min Z=\underset{a\in A}{\Sigma }{\int }_0^{x_a}{t}_a\left(x\right)\mathrm{dx}$

$s.t.\left(\begin{array}{cc}\underset{a}{\Sigma }{x}_a=Q& \left(1\right)\\ 0\le x_a\le {x_a}^{\max }& \left(2\right)\\ q_{i1}+q_{i2}+...+q_{\mathrm{im}}=q_{\mathrm{im}+1}+q_{\mathrm{im}+2}+...+q_{\mathrm{in}}& \left(3\right)\end{array}\right)$

t_a(x)表示路段a的以交通量为自变量的成本函数即交通阻抗函数；x_a表示路段a上的交通 量；Q为总的交通量；x_a^max表示路段a的通行能力；q_i1，q_i2…q_im表示节点i流入的交通量， q_im+1，q_im+2…q_in表示节点i流出的交通量。约束条件（1），即任意任意点对间的出行总量等 于各路段上流量之和；约束条件（2），即道路的容量限制；约束条件（3），即考虑节点的容 量约束，任意节点交通量的发生与吸引相等；

采用美国联邦公路局路阻函数构建某一OD对间交通成本函数

$t_a\left(x\right)={t_a}^0\times [1+\alpha \times {\left(\frac{x_a}{{x_a}^{\max }}\right)}^{\beta },$

则目标函数为

$\min Z=\underset{a\in A}{\Sigma }{\int }_0^{x_a}{t_a}^0\times [1+\alpha \times {\left(\frac{x_a}{{x_a}^{\max }}\right)}^{\beta }]\mathrm{dx}$

t_a⁰表示路段a上的平均车辆自由走行时间，L表示道路的长度，单位m，表 示平均速度，单位Km/h；a，β-参数。

采用粒子群算法对多用户的港口集疏运交通量进行分配，具体计算步骤如下：

（1）依照初始化过程，对粒子群的随机位置和速度进行初始设定；

（2）根据多用户均衡配流模型确定适应度公式，计算每个粒子的适应度值；

（3）对于将其适应度值与所经历过的最好位置pbest的适应度值进行比较，若较好，则 将其作为当前的最好位置；

（4）对于每个粒子将其适应值与全局所经历的最好位置gbest的适应度值进行比较，若 最好，则将其作为当前的全局最好位置；

（5）采用如下公式对粒子的速度和位置同时进行进化。

v_i＝v_i+c₁×rand()×(pbest_i-present_i)+c₂×rand()×(gbest_i-present_i)

present_i＝present_i+v_i

其中，v_i表示粒子的速度，pbest_i表示个体极值，gbest_i表示全局极值，present_i表示当 前粒子的位置，rand()是介于（0，1）之间的随机数，c₁、c₂是学习因子；

（6）如未达到结束条件通常为足够好的适应值或达到一个预设最大代数，则返回步骤（2）， 直到满足停止规则为止。

本发明具备下列技术效果：

（1）本发明克服了传统预测方法的不足，充分考虑了港口的货运交通特性，深入分析了 预约集港、运抵报关模式下对港口集疏运造成的影响，细致研究了集装箱码头、堆场、卡子 门以及连接堆场和码头的路网设施间的货运交通量，开发出了一种基于产生点吸引点的港口 道路网络交通量智能预判方法。

（2）充分考虑港口土地利用形态，结合港口设施，引入了与土地利用形态建立直接联系 的产生点（P）—吸引点（A）的概念，通过PA矩阵建立考虑节点、道路的容量约束的交通 网络配流模型。

（3）本发明对港口道路网络的优化进行了定量研究，克服了以往研究中单纯定性分析的 不足，为港口道路网络的优化提供了技术支撑，更加具有说服力和科学性。

附图说明

图1基于产生点-吸引点的港区道路网络规划流程图。

图2高峰小时货运吞吐量与交通量的转化过程。

图3粒子群算法计算框架图。

图4港区研究区域示意图。

图5后方堆场分区示意图。

图6高峰小时配流粒子群适应度曲线和种群适应度均值曲线。

图7高峰小时配流粒子适应度曲线走势。

图8非高峰小时配流粒子群适应度曲线和种群适应度均值曲线。

图9非高峰小时配流粒子适应度曲线走势。

图10调整后高峰小时配流粒子群适应度曲线和种群适应度均值曲线。

图11调整后高峰小时配流粒子适应度曲线走势。

图12调整后非高峰小时配流粒子群适应度曲线和种群适应度均值曲线。

图13调整后非高峰小时配流粒子适应度曲线走势。

具体实施方式

本研究旨在克服传统“四阶段预测法”中用地原单位在货运交通需求中的不足，充分考 虑港口用地性质，引入与土地利用形态直接建立联系的产生点（P）、吸引点（A）的概念， 从船舶到港诱发集卡车抵港的角度，在运抵报关、预约集港模式下，深入分析港区道路网络、 堆场、码头等的货运交通量，提出一种基于港口货物吞吐量反推交通量，并建立规划模型对 港区道路网络交通量进行智能预判的方法。为此，本发明采取的技术方案是，基于产生点- 吸引点的港口道路网络交通量智能预判方法，具体包括下列步骤：

首先对港口规划年的吞吐量进行预测，根据预测的吞吐量生成节点的交通量，结合土地 的利用形态，产生P-A矩阵，在交通分配阶段需将P-A矩阵转化为O-D矩阵，然后基于以有 O-D矩阵，考虑港区节点和道路网络的容量约束，建立配流模型，分配的交通量分为一般和 高峰两个时段，最后根据分配的结果，对道路的交通状态进行评价，对拥挤路段进行再调整， 包括港区各节点约束、港区道路路阻函数，以期达到港区道路网络交通量的整体均衡。

1.1港口道路集疏运网络系统

（1）节点的选择

充分考虑了港口土地利用形态，采用空间聚类分析的方法，将研究区域分类整合成内部 关联性强、交通特征相似的节点；

（2）弧与路径的确定

两个相邻节点之间带箭头的连线称为弧。一个交通网络，若两个节点之间存在着至少一 条点、弧、点、弧、点等的交错序列，使得联通该两个节点且对于任意弧的上下游节点就是 其交错序列的节点，则称为是联通两个节点间的路径或线路。弧表示的是港区的道路。港口 道路集疏运系统的作业主要是通过集装箱卡车、大中型货车完成，集装箱卡车用于完成集装 箱的集疏运，大中型货车用于完成集装箱的拼箱作业，车辆的行驶路径都比较固定，可替代 路径较少；

（3）P-A矩阵的构建

根据船期表确定各个集装箱码头的吞吐量，由集装箱码头吞吐量转化为集卡交通量，再 根据后方堆场运往各个集装箱码头公司的集装箱量和集疏运集装箱卡车平均装载率得到各个 后方堆场所产生的交通量。集港分为堆场集港和外部直接集港，堆场集港分为产地装箱和堆 场装箱两部分，产地装箱的集卡车和外部直接集港的集卡车通过卡子门抵达码头，堆场装箱 或需要进行拼箱的货物又会引发一部分货车流，分别从卡子门进入后方堆场，危险品等特殊 物品直接集港，所占比例很少。疏港包括提箱和转栈，危险品等某些特殊物品直接提箱，提 箱量很少，大部分的集装箱，在前方堆场提箱或者经过转栈后在后方堆场提箱，然后通过卡 子门离开港区。由于商务通勤原因还会引发部分客车流，客车按一定比例从卡子门到达后方 堆场和通勤点。施工车辆等非集疏运车辆比例很小，也会产生一定的交通量；

（4）P-A矩阵与O-D矩阵的转化

运抵报关或者是拼箱作业完成后，集装箱卡车将集装箱从后方堆场运至前方堆场，然后 又返回后方堆场，即由家出行；部分集装箱车辆通过卡子门，进入港区内部路网，直接运至 前方堆场，然后通过卡子门离开港区，即非由家出行。非由家出行中P-A矩阵与为O-D矩阵相 同，由家出行中交通量除以相应的系数得到回程出行量，将回程出行量反一个方向，其余部 分P-A矩阵与O-D矩阵相同，就可以将P-A矩阵转化为O-D矩阵。

1.2出行者分类及路径选择

（1）集疏运车辆

短、长集装箱卡车通过卡子门负责集装箱的集疏运，由于堆场装箱或者有拼箱的的需要， 引发了货车流，主要是加长型、货车，通过卡子门抵达堆场；

（2）非集疏运车辆

非集疏运车辆主要是油罐车、滚装车和一些施工车辆，其交通量正比于集装箱和货车的 总交通量，比例较少；

（3）商务与通勤

货主到堆场监装、联系业务以及工作人员的通勤，会引发一部分客车流，车辆类型主要 是小汽车。客车按一定比例从卡子门到达后方堆场和通勤点。

1.3吞吐量与交通量的转化

采用相关预测方法对未来规划年集装箱吞吐量进行预测，转化的交通量由集卡交通量， 货车交通量，客车交通量三部分组成。高峰小时货运吞吐量与交通量的转化过程如图2所示。

（1）货运量与交通量间的转化

港口货物的运输主要是通过集装箱卡车和货车两种方式，将货车和集装箱卡车转化为标 准集卡车；

（2）客运量与交通量间的转化

客运交通量主要是由商务通勤引发的，将小汽车转化为标准集卡车。

1.4基于容量约束的港口交通网络配流模型

港区货运交通量分配采用多用户多路径用户最优配流模型：

$\min Z=\underset{a\in A}{\Sigma }{\int }_0^{x_a}{t}_a\left(x\right)\mathrm{dx}$

$s.t.\left(\begin{array}{cc}\underset{a}{\Sigma }{x}_a=Q& \left(1\right)\\ 0\le x_a\le {x_a}^{\max }& \left(2\right)\\ q_{i1}+q_{i2}+...+q_{\mathrm{im}}=q_{\mathrm{im}+1}+q_{\mathrm{im}+2}+...+q_{\mathrm{in}}& \left(3\right)\end{array}\right)$

t_a(x)表示路段a的以交通量为自变量的成本函数（交通阻抗函数）；x_a表示路段a上的交 通量；Q为总的交通量；x_a^max表示路段a的通行能力；q_i1，q_i2…q_im表示节点i流入的交通量， q_im+1，q_im+2…q_in表示节点i流出的交通量。约束条件（1），即任意任意点对间的出行总量等 于各路段上流量之和；约束条件（2），即道路的容量限制；约束条件（3），即考虑节点的容 量约束，任意节点交通量的发生与吸引相等。

采用美国联邦公路局路阻函数构建某一OD对间交通成本函数

$t_a\left(x\right)={t_a}^0\times [1+\alpha \times {\left(\frac{x_a}{{x_a}^{\max }}\right)}^{\beta },$

则目标函数为

$\min Z=\underset{a\in A}{\Sigma }{\int }_0^{x_a}{t_a}^0\times [1+\alpha {\times \left(\frac{x_a}{{x_a}^{\max }}\right)}^{\beta }]\mathrm{dx}$

t_a⁰表示路段a上的平均车辆自由走行时间，L表示道路的长度，单位m，表 示平均速度，单位Km/h；a，β-参数。

1.5基于粒子群算法的多用户港口集疏运交通量计算方法

采用粒子群算法对多用户的港口集疏运交通量进行分配，具体计算步骤如下：

（1）依照初始化过程，对粒子群的随机位置和速度进行初始设定；

（2）根据多用户均衡配流模型确定适应度公式，计算每个粒子的适应度值；

（3）对于将其适应度值与所经历过的最好位置pbest的适应度值进行比较，若较好，则 将其作为当前的最好位置；

（4）对于每个粒子将其适应值与全局所经历的最好位置gbest的适应度值进行比较，若 最好，则将其作为当前的全局最好位置；

（5）采用如下公式对粒子的速度和位置同时进行进化。

v_i＝v_i+c₁×rand()×(pbest_i-present_i)+c₂×rand()×(gbest_i-present_i)

present_i＝present_i+v_i

其中，v_i表示粒子的速度，pbest_i表示个体极值，gbest_i表示全局极值，present_i表示当 前粒子的位置，rand()是介于（0，1）之间的随机数，c₁、c₂是学习因子。

（6）如未达到结束条件通常为足够好的适应值或达到一个预设最大代数，则返回步骤（2）， 直到满足停止规则为止。

本发明的主要创新点：

（1）在港区道路交通规划中，应用P-A矩阵交通规划技术，分析集装箱码头、堆场、卡 子门以及连接堆场和码头的路网设施间的货运交通量。

（2）研究预约集港、运抵报关模式下，对港口集疏运造成的影响，找出仓储能力不足的 堆场和交通压力大的路段，对其进行优化。

（3）考虑节点、道路的容量约束，对港口道路网络的优化进行定量化研究。

根据港口的货物吞吐量转化为港口交通量，在此基础上考虑节点、道路的容量约束，对 交通网络进行配流，并建立模型对港区拥堵道路进行定量研究，为港口道路网络的优化提供 技术支撑。

下面结合附图和具体实施方式进一步详细说明本发明。

本研究旨在克服传统“四阶段预测法”中用地原单位在货运交通需求中的不足，充分考 虑港口用地性质，引入与土地利用形态直接建立联系的产生点（P）、吸引点（A）的概念， 从船舶到港诱发集卡车抵港的角度，在运抵报关、预约集港模式下，深入分析港区道路网络、 堆场、码头等的货运交通量，提出一种基于港口货物吞吐量反推交通量，并建立规划模型对 港口道路网络交通量进行智能预判的方法。

1.1港区集疏运系统模型的建立

本发明以天津港北疆港区为研究对象，具体包括TCT，东方海陆，联盟国际，五洲国际 四个集装箱码头有限公司，后方堆场，卡子门以及连接堆场和码头的路网设施。目前，北疆 港区四个集装箱码头有限公司的集装箱吞吐量分别为：TCT120万TEU，东方海陆80万TEU， 五洲国际400万TEU，联盟国际200万TEU。集装箱承运比例为92%，其中，直接集港比例 占4%，堆场集港比例占96%，堆场集港中，产地装箱为95%，平均装载率为1.3TEU，空车 取箱比例为15%，二次装箱比例为31%，货物到堆场装箱为5%，单位TEU吸引货车量2.5TEU， 单位TEU吸引客车量1.5TEU。

在具体的实验中，将后方堆场划分为9个区域，假设通过七号门、五号门、四号门、二 号门进入港内直接集疏港的集卡车来自四个港外虚拟区域，即该实验中共有13个堆场区域， 选择北疆港区的11条道路构成集疏运网络，其研究区域如图4所示。后方堆场示意图如图5 所示。根据调查，集装箱卡车在港区道路的的平均运行速度为40Km/h，构成路网道路的基本 情况如表1所示。图5中，1表示天津港箱货公司集装箱散货中心，2表示华韩集装箱公司、 港服八万四货场，3表示天津港储运股份有限公司，4表示天津港集装箱货运有限公司集装箱 堆场，5表示振华堆场、新世纪物流、港强集团货场、宏保物流，6表示物华货场，7表示天 津港集装箱物流中心，8表示海森公司集装箱堆场、中国对外贸易运输总公司天津储运分公 司，9表示物捷堆场一区、二区、整合货场，10表示通过五号路直接集港车辆，11表示通过 四号路直接集港车辆，12表示通过二号路直接集港车辆。

表1 构成路网道路的基本情况

根据实际调研，得知不同堆场区域到4个集装箱码头公司的车辆行驶方向，从天津港统 计年鉴得知各码头公司与各后方堆场之间的集装箱周转量，在此基础上推算出当前各码头公 司与各个后方堆场的集疏港比例关系。具体见表2，表3。

表2 卡子门与堆场、前方码头的业务关系

注：1-4为海关监管堆场5-9为后方堆场10-13为前方码头

表3 后方堆场与前方码头的业务关系

表4 卡子门与堆场、码头的集疏运量关系

表5 堆场、卡子门与前方码头的集疏运量关系

注：1-9为堆场10-13为卡子门

表6 高峰小时卡子门与堆场间节点交通量的生成

表7 高峰小时堆场与码头间节点交通量的生成

表8 非高峰小时卡子门与堆场间节点交通量的生成

表9 非高峰小时堆场与码头间节点交通量的生成

表10 高峰小时P-A矩阵

表11 非高峰小时P-A矩阵

表12 高峰小时O-D矩阵

表13 非高峰小时O-D矩阵

1.2规划年吞吐量与交通量的转化

根据往年统计数据，运用时间序列预测法，预测天津港北疆港区2030年的集装箱吞吐量 为2400万TEU，其中TCT集装箱吞吐量为360万TEU，东方海陆集装箱吞吐量为240万TEU， 五洲国际集装箱吞吐量为1200万TEU，联盟国际集装箱吞吐量为600万TEU。根据基年的 P-A矩阵运用增长系数法，并乘以相关修正系数得到2030年高峰小时的P-A矩阵和平峰小时 的P-A矩阵，见表14，表15所示。根据得到的规划年的P-A矩阵，推导出O-D矩阵，见表 16，17。根据高峰小时和非高峰小时的OD矩阵，对北疆港区道路网络进行配流。

表14 规划年高峰小时P-A矩阵

表15 规划年非高峰小时P-A矩阵

表16 规划年高峰小时O-D矩阵

表17 规划年非高峰小时O-D矩阵

1.3基于容量约束的港口道路交通网络配流模型

交通量分配采用多用户多路径最优配流模型：

$\left(\begin{array}{c}\min Z=\underset{a\in A}{\Sigma }{\int }_0^{x_a}{t}_a\left(x\right)\mathrm{dx}\\ =\underset{a\in A}{\Sigma }{\int }_0^{x_a}{t_a}^0\times [1+\alpha \times {\left(\frac{x_a}{{x_a}^{\max }}\right)}^{\beta }]\mathrm{dx}\end{array}\right)$

TCT，东方海陆，五洲国际，联盟国际的交通吸引量用y₁、y₂、y₃、y₄表示；9个后方 堆场区域产生的交通量用z₁、z₂......z₉表示；4个虚拟的堆场的交通产生量用w₁、w₂、w₃、 w₄表示；11条道路上的交通量用x₁、x₂……x₁₁表示，

x₃₁、x₃₂表示同一条路中两个路段的交通量，其余同理，x₇₂、x₇₃和x₈₁、x₈₂表示同一路段 不同方向的交通量；a，β-参数，a=0.15，β=4。

1.4基于粒子群算法的多用户港口集疏运交通量计算方法

根据上述模型，应用遗传算法，通过matlab进行优化求解。图6为高峰小时配流适应度 曲线和种群适应度值曲线，图7为高峰小时配流粒子适应度曲线走势图，图8为正常小时配 流适应度曲线和种群适应度值曲线，图9为非高峰小时配流粒子适应度曲线走势图，表18为 高峰小时道路路网上的交通量分配结果，表19为正常小时道路路网上的交通量分配结果。

表18 高峰小时道路路网交通量分配情况

表19 非高峰小时道路路网交通量分配情况

根据以上配流结果，可以得出新港六号路，临海路，新港四号路，新港二号路交通压力 突出，高峰小时道路交通处于饱和状态，交通拥挤程度都大于1；平峰小时道路交通相对其 它道路而言，交通量也比较集中，具体见表20。

表20 拥堵路段分配结果及所占通行能力比例

新港二号路其所处位置为堆场密集区，引发巨大的交通流量，由上表可以看出，其在高 峰和平峰时段道路的交通量均达到过饱和状态。新港四号路，东环路以西交通压力较小，高 峰小时交通量在20%左右，东环路以东，高峰小时交通量为1165标准集卡，交通拥挤程度超 过1，交通处于饱和状态。临海路是从物流中心到码头前沿的必经通道，交通压力突出。新 港六号路连接临海路，南北之间的货运交通只能依赖六号路-临海路，高峰小时交通量为1142 标准集卡，交通处于饱和状态。

1.5港区道路网络的优化

针对拥挤路段，提出相应的改善措施：

新港二号路：拆除机动车道北侧的绿化带，拓宽道路，改为双向六车道。

新港四号路：东环路以东路段，拆除两侧绿化带，拓宽道路为双向八车道。

新港六号路：拆除绿化带，拓宽道路为双向八车道。

临海路：全程采用高架桥的形式，高架桥路线与临海路走向一致，在六号堆场引一个向 上的上坡匝道，在新港四号路分为两个定向下坡匝道，分别引向东堤路、五洲国际入口方向， 以达到快速集疏港，缓解交通压力的目的。

对拥挤路段进行规划调整后，道路的基本情况见表21。

表21 调整规划后道路的基本情况

根据调整规划后的道路网络的情况，建立模型，将交通量重新进行分配。交通量分配采 用多用户多路径最优配流模型：

$\left(\begin{array}{c}\min Z=\underset{a\in A}{\Sigma }{\int }_0^{x_a}{t}_a\left(x\right)\mathrm{dx}\\ =\underset{a\in A}{\Sigma }{\int }_0^{x_a}{t_a}^0\times [1+\alpha \times {\left(\frac{x_a}{{x_a}^{\max }}\right)}^{\beta }]\mathrm{dx}\end{array}\right)$

根据上述模型，应用遗传算法，通过matlab进行优化求解。图10为调整后高峰小时配 流适应度曲线和种群适应度值曲线，图11为调整后高峰小时配流粒子适应度曲线走势，图 12为调整后正常小时配流适应度曲线和种群适应度值曲线，图13为调整后非高峰小时配流 粒子适应度曲线走势，表22为高峰小时道路路网上的交通量分配结果，表23为正常小时道 路路网上的交通量分配结果，表24为规划后拥堵路段分配结果及饱和度。

表22 调整后高峰小时道路路网分配结果

表23 调整后非高峰小时道路路网分配结果

表24 规划后拥堵路段分配结果及所占通行能力比例

道路经过调整规划后，拥挤路段的交通状况得到了明显缓解。其中，高峰小时和平峰小 时交通量所占通行能力的比例大大减小，道路成本明显降低，有效地证明了规划的科学合理 性。