DTA和应对不确定性的EMA简析

本文介绍两种新兴交通规划工具——包含动态交通分配（Dynamic TrafficAssignment, DTA）的多层次交通模型和探索性建模和分析（Exploratory Modeling and Analysis, EMA）集成，RTCSNV如何使用这些工具以改善决策经验。

1、DTA和应对不确定性的EMA

与静态交通分配相比，DTA使规划者能够以更大的操作敏感性和更高的时间分辨率来评估项目。静态分配是规划者分析拥堵模式的传统工具，但它们与DTA不同，没有考虑到时变需求、排队和队列溢出的影响。  

EMA为规划者提供了在决策和政策制定过程中处理深度不确定性的技术路线。深度不确定性是指围绕一个或多个变量的不确定性，这些变量在预测模型中的影响是至关重要的，但其数值的确定很难，或者不能达成共识，也不能从经验数据中得到参考。EMA利用现有的模型，如RTCSNV目前使用的预测模型，探索一系列可能的结果，并从中找出有助于决策的模式或趋势。

例如，如果洛杉矶和拉斯维加斯之间的高速铁路建成并全面投入使用，可能会出现区域交通模式的转变，具体情况很难预计。有多少出行将通过高速铁路，或者将通过汽车或哈里-里德国际机场到达？燃油价格将发生什么变化，它们将如何改变出行者的方式选择计算？此外，如果联网和自动驾驶车辆（CAVs）的接受度和市场份额增加，自动驾驶车辆的出行是否会变得比高速铁路服务更具竞争力？不确定性是任何学科的预测所固有的，但要回答这样的问题，需要做出某些假设，这些假设不能有把握地做出，或难以达成共识。

EMA不是做一个假设，而是探索从一个特定的分布中提取的许多假设。EMA提供了一种分析一个或多个政策策略的方法，以减轻不确定性变量的不利影响。这些政策杠杆可能只在孤立的情况下有效，或者只在相互结合的情况下有效，或者只在不确定变量的某些数值范围内有效。相比传统情景规划方法的局限性，EMA的凸显的优势是不确定性变量和政策杠杆的组合效应。

2、EMA简介

2.1 TMIP-EMAT

TMIP EMA工具箱，或TMIP-EMAT，是在联邦公路局（FHWA）出行模型改进计划（TMIP）的管理和资助下开发的，它是一个开源软件工具箱。

TMIP-EMAT是一种探索性建模和分析的方法。它为严格的分析方法提供了一个框架，以处理不确定性，并利用所有类型的出行预测模型做出明智的决策。TMIP-EMAT与现有的交通模型或工具相结合，并增强其功能，对一系列可能的情况进行探索性分析。我们将现有模型或工具称为“核心模型”。

TMIP-EMAT的工作流程是：

（1）将任何数量的分析因素（包括不确定性变量和政策杠杆）的假设值组织成核心模型的输入。

（2）通过调用核心模型来执行模型实验。

（3）整理模型产生的输出测度指标，以便进行可视化和分析。

TMIP-EMAT提供了以下功能，以增强基础核心模型的功能：

（1）以适合将 "XLRM "鲁棒决策框架的抽象性转化为具体的、特定应用形式的方式，将探索性范围正规化并加以提炼的结构。

（2）一个设计实验的系统化过程，以使用核心模型进行评估，并支持自动运行这些实验。

（3）一个数据库结构，用于组织和存储大量实验的结果。

（4）一个从实验结果中自动创建元模型的工具，该工具使用机器学习技术，快速接近核心模型的输出，而不需要对每一个相关的输入组合实际运行。

（5）一套分析和可视化工具，以探索模型的输入和输出之间的关系，并制定强大的政策策略，可能在一系列可能的未来情况下有效。

TMIP-EMAT本身不是一个独立的模型或工具，它必须与一个单独的核心模型相结合。此外，用TMIP-EMAT进行的任何分析的质量取决于基础核心模型的质量和能力。例如，核心模型不包含交通网络详细建模，那么TMIP-EMAT将不允许分析人员研究取决于交通拥堵的微观细节的政策问题。

TMIP-EMAT是作为一种灵活的、适用于许多不同核心模型的方法。它不是一个完全开发的软件解决方案。正因为如此，开发一个新的TMIP-EMAT实施方案来连接一个新的核心模型，至少需要一个具有一定技术专长的开发人员。它需要对核心模型的技术操作有详细了解的人，至少有基本的Python技能，将需要在核心模型和TMIP-EMAT工具之间写一个连接器。

2.2 核心模型

核心模型不需要用Python语言，它可以用任何计算机语言创建和运行。它应该接受一系列的输入，并产生一个或多个输出，或 "测度指标"。输入可以包括变量输入（例如，燃料成本）以及模型参数输入（例如，车辆行驶对燃料成本的弹性）。核心模型的例子包括，但不一定限于以下内容：

（1）区域或全州的出行需求模型；

（2）基于活动的出行需求模型；

（3）基于出行链的出行需求模型；

（4）草图规划或战略模型；

（5）微观仿真模型；

（6）走廊级出行需求模型。

TMIP-EMAT可用于系统地探索输入变量和模型参数的不确定性，以及这些不确定性对性能指标的影响。它有助于将模型预测作为模型结果的范围而不是单一的结果进行研究，它提供了一个定义不确定性和可视化输出的机制。

TMIP-EMAT也可用于了解不确定性与政策决策（如延长一条公交线）的相互作用，其中不确定性与决策者无法控制的模型输入和变量有关，而政策杠杆是决策者可以控制的模型输入。

如果现有的工具或模型运行起来计算成本很高，TMIP-EMAT可以生成核心模型的元模型，描述一组模型输入如何影响特定的测度指标。这些元模型被表述为核心模型输出的回归模型，运行速度非常快（微秒级），并允许系统地探索模型输入的不确定性，同时限制计算昂贵的核心模型运行数量。

2.3 终端用户要求

首先，需要有一个现有的核心模型，而且应该有一个系统地探索该模型的愿望，以更好地了解不确定性及其对未来潜在结果的影响。

在与TMIP-EMAT整合之前，核心模型应该完全校准和验证。由于TMIP-EMAT使用核心模型作为分析的基础，核心模型的任何缺陷都会传播到TMIP-EMAT的结果，并可能导致用户得出不适当的结论。

强烈建议能够以编程方式而不是手动方式运行核心模型。尽管有可能从手动操作核心模型开始进行这种分析，但这个过程往往容易出错，而自动执行核心模型将减少错误并提高整体建模效率。

如上所述，在可编程执行的核心模型上部署TMIP-EMAT需要存在或开发一个应用编程接口（API）到现有的核心模型。该API使TMIP-EMAT能够以编程方式定义场景，启动和运行核心模型，检索错误和状态，并从核心模型导入指标。这个API还必须有一个面向Python的接口，以便与TMIP-EMAT连接，即使核心模型本身不使用Python。

最后，核心模型应该对所研究的政策直接敏感，或者能够以某种方式调整为对这些政策敏感。例如，一个传统的出行需求模型可以通过调整车辆可用性、高速公路容量或车内出行时间的价值等参数，使其对引入自动驾驶汽车的某些影响敏感。

2.4 模型的输入、输出和配置

2.4.1 输入

核心模型。核心模型使用一个API与TMIP-EMAT接口。API使TMIP-EMAT能够以编程方式定义场景、启动、检索错误和状态，并从核心模型导入指标。API应该允许配置所有的不确定因素和输入到系统的政策杠杆，以及配置所需的性能指标。核心模型应该得到很好的验证，以确保模型的敏感度是合理的。

不确定性的定义。不确定性的定义包括为分析而选择的风险变量的总体范围、相关性和分布。不确定性代表影响核心模型预测的外生输入，可能包括输入变量、模式参数或模式结构。输入到TMIP-EMAT的不确定因素集通常小于核心模型的全部输入域。应根据变量在分析范围内的重要性（考虑政策杠杆和感兴趣的指标）以及变量对相关性能指标的相对影响来选择不确定性。

政策杠杆的定义。政策杠杆的定义包括在分析中测试的具体策略/选择，包括潜在的杠杆选择范围。杠杆（即政策杠杆）代表对核心模型的输入，影响模型的预测，但可由规划者或决策者控制。它们可以包括对模型的单个变量输入（例如，收费价格），也可以代表对模型的组合变化（例如，一条公交线的延伸）。

测度指标的定义。必须定义将被分析的一组指标。一个测度指标是核心模型的一个输出，代表了一个可以衡量不确定性和杠杆变化的影响的标尺。通常情况下，核心模型会有大量的中间和最终输出，这里可以考虑。应根据它们与分析和决策者的相关性来选择指标。

2.4.2 输出

TMIP-EMAT的一个主要输出是模型的模拟运行数据库，包括每个模拟的相关不确定性和政策杠杆输入以及每个运行的性能指标输出。TMIP-EMAT使用Monte Carlo或Latin Hypercube方法从其定义的分布中对不确定性输入进行采样，并对每个杠杆的潜在值进行采样。对于每次模拟，模型输入的集合与核心模型（或核心模型的元模型代表）一起使用，以产生该模拟的测度指标输出集合。用户有能力指定所进行的模拟数量。

为描述不确定性、杠杆和测度之间的关系而开发的元模型本身就是TMIP-EMAT的输出（这只适用于使用元模型的情况）。元模型可作为 EMA 工作台的直接输入，以支持有指导意义的探索性分析，并可用于验证核心模型的运行（例如，验证模型对输入变量和/或参数的敏感性是否合理和适当）。

TMIP-EMAT中内置了多种工具，可用于生成可视化和表格，以更好地理解输出。这些工具包括以下内容：

风险分析可视化

可以生成性能指标的表格，显示每个指标的百分位数范围。表格可以根据分析中包含的杠杆的不同值进行细分。

可以生成模型运行结果的双向散点图，显示不确定性对不同政策杠杆的性能指标的影响。

可以绘制出不确定因素对总体指标范围的相对重要性/贡献，以了解哪些不确定因素的影响最大。

开放式探索性分析的可视化

TMIP-EMAT中的互动工具可用于检查测度指标和政策杠杆之间的关系。交互式滑动和切换功能可用于将探索性分析细化到特定的模拟运行集。

条件不确定性分布图可用于说明在不同政策下，不确定性变量对实现指标的特定目标的重要性（或缺乏重要性）。

引导探索性分析的可视化

病人规则归纳法（PRIM）的权衡曲线和性能表说明了满足特定测度指标标准的方案发现的数量。

其他PRIM可视化显示了算法所确定的不确定因素和杠杆的限制范围。

3、RTCSNV的DTA和EMA整合实例

越来越多的研究和一些实际应用已经确定了将TMIP-EMAT与出行需求预测模型相结合的前景。作为FHWA TMIP赞助的项目的一部分，Caliper与南内华达州区域交通委员会 (RTCSNV) 合作，展示TMIP的探索性建模分析工具 (EMAT) 工具与TransCAD和TransModeler的集成使用。例如与RTCSNV的TransCAD模型一起使用，以探讨COVID后访客水平和电子商务的不确定性等问题。在TransModeler中，它被用于探索对体育赛事的不同需求水平以及交通流量的某些方面。

TMIP-EMAT是一个开源Python 程序，用于支持不确定性下的分析。Caliper开发了一个API，允许用户从GISDK调用EMAT函数，并有助于在TransCAD和TransModeler中运行大量模型实验。该API还有助于轻松创建TransCAD仪表板，以可视化EMAT结果，例如模型实验和要素得分的散点图。新的API允许TransCAD和TransModeler用户从GISDK访问EMAT函数，因此不需要单独的Python脚本。  

在该项目之前，Caliper已经具有使用DTA的探索性建模分析 (EMA) 的经验。2018 年，作为FHWA TMIP资助项目的一部分，Caliper将佛罗里达州杰克逊维尔地区的ABM-DTA模型和EMA集成到一起。研究联网/自动驾驶汽车 (CAV) 和拼车的影响。

3.1 组织模式

由FHWA/TMIP牵头，RTCSNV提供项目管理和模型，Caliper负责软件开发和应用研究。

探索性建模与分析EMA+RTCSNV仿真模型DTA模式包括：

（1）探索性建模与分析EMAT

❖ 是一种分析框架

❖ 假设存在深度不确定性时管理假设情景的方法

❖ 以新的、不同的方式利用现有模型的决策工具

❖ 当可能的结果数量太多时，作为传统情景分析的替代方法

（2）区域交通规划的RTCSNV仿真模型DTA

❖ 出行需求预测

❖ 项目优先级

❖ 项目评估

❖ 备选方案分析

3.2 核心模型

包括RTCSNV之前开发的三个区域模型：

3.2.1 TransCAD交通需求模型

主要特征：

❖基准年和长期预测；

❖四阶段和高级范式；

❖易于使用的流程图界面；

❖先进的公共交通、交通分配方法；

❖用于数据分析、可视化的本地地理信息系统（GIS）；

❖高效的计算性能。

潜在的场景应用：

❖人口结构和就业变化导致的需求变化；

❖由于新交通方式、运营变化而导致的交通方式转换；

❖收费、票价、服务参数（如行车间隔）；

❖拟建公路项目的影响；

❖容量增加，速度限制改变；

❖新设施建设。

3.2.2 TransDNA中观DTA模型

主要特征：

❖中观仿真；

❖遵循容量限制；

❖捕捉交通动态；

❖在TransCAD线图层上运行；

❖比其他DTA解决方案更快的设置；

❖快速运行。

潜在的场景应用：

❖可靠性分析→流量指标的可变性；

❖需求模式变化的影响→特别活动，恶劣天气等；

❖由于容量减少而路径变更→施工区域，事件等；

❖因通行收费而选择的路径；

❖公交流量增加的影响。

3.2.3 TransModeler微观DTA

主要特征：

❖车道级几何图形和操作；

❖信号的精确建模；

❖延误、服务水平（LOS）的详细报告；

❖模拟ITS解决方案/策略的范围；

❖模拟管理车道、联网和自动驾驶车辆（CAV）等。

潜在的应用场景：

❖工作区的影响，交通维护；

❖服务水平，拥堵收费对收入的影响；

❖交通控制优化；

❖事件响应计划；

❖CAV市场渗透的效率。

3.2.4 多解析度的地区交通规划模型

3.3 不确定性变量

3.4 交通政策措施

3.5 输出数据和可视化

审核编辑：刘清