基于用地混合熵的城市交通生成预测模型

李永晟，夏 超

(长安大学，西安 710064)

基于用地混合熵的城市交通生成预测模型

李永晟，夏 超

(长安大学，西安 710064)

以城市规划年土地利用为切入点，以土地利用规模、性质以及片区土地利用混合度为基础，采用回归分析方法，得到不同用地的出行吸引权重，并引入用地混合熵的概念，建立了城市交通生成预测模型．模型应用于陕西西安市主城区规划年需求预测分析，预测结果表明：不同片区的用地混合程度会导致需求的差异性；除雁塔区以外，其他四个交通大区出行发生量与吸引量误差均在±5%以内，具有较好的可行性和可靠性．

交通生成预测；回归分析；用地混合熵；需求预测

1 研究背景

城市交通规划的核心是对交通流量的预测．对于传统的四阶段预测方法，出行生成预测是第一阶段，本阶段模型的输入(输出)值对于最终的流量预测结果起着关键的作用．在出行生成预测阶段，城市土地利用数据是其依赖的基础资料[1]．然而，近年来，我国城市土地利用空间布局发生了巨大变化，如果还是按照现状的调查资料进行预测，将难以保证模型的准确性，也就难以反映规划年土地利用与交通需求的相关关系[2-3]．因此，本文以城市交通需求与土地利用的相互作用关系为基础，以土地利用特性为变量，充分考虑规划年不同片区的用地布局情况，引入用地混合熵来建立交通生成预测模型．通过实例应用，模型具有较好的适用性和可操作性．

2 建模思路和步骤

交通生成预测包括交通发生预测和交通吸引预测两方面．由于预测方法类似，因此仅以交通吸引预测方法为例，其基本思路如图1所示．

图1 基于用地混合熵的城市交通生成预测流程

基本步骤如下．

(1)确定交通生成总量．

式中：G为居民出行总量；uP、sP分别为规划的常住人口数和流动人口数；Tu、Ts分别为常住人口人均出行次数和流动人口人均出行次数．规划人口数取决于该城市的总体规划，人均出行次数取决于现状居民人均出行次数以及规划年的经济发展水平和土地利用强度[4]．

(2)确定各类用地的出行吸引权重．

根据住房和城乡建设部批准的GB50137—2011《城市用地分类与规划建设标准》[5]，我国城市建设用地分为8大类，即居住用地(R)、公共管理与公共服务用地(A)、商业服务设施用地(B)、工业用地(M)、物流仓储用地(W)、道路与交通设施用地(S)、公用设施用地(U)、绿地与广场用地(G)．由于不同的用地类型在出行的吸引或者发生上有很明显的差异，因此区别用地性质对出行生成预测至关重要．

建立方程B＝SC，其中B={b1,b2,…,bn}T为n个交通小区的出行量；C={c1, c2,…,c8}T为8类用地单位面积出行吸引量；S为n×8矩阵，即每个交通小区的各类用地面积．由现在各个交通小区出行量数据和各类用地规模，通过多元回归分析，得到各类用地单位面积吸引量C，将其单位化后得到各类用地的出行吸引权重[6]．

(3)确定各小区用地混合熵．

一般情况下，在确定各类用地的吸引权重后，往往会引入“容积率”这一概念来确定区域内土地开发的强度．但是，在进行城市交通规划时，往往还没有详细准确的容积率数据资料，而只能采用均值．显然，这种均值做法不能准确反映不同片区的土地开发利用特性．

引入用地混合熵，构造具有熵结构的用地混合程度指标H，以表达用地形态内在特征的异质性指数，它反映了各交通小区内部空间形态的多样性特征和城市功能空间混合使用程度．在此，假设交通小区的出行与该小区自身的用地混合程度直接相关，构建用地混合熵模型[7-8]为

式中：Hi为交通小区i的用地混合熵；ni为交通小区i中用地类型的数目；pik为交通小区i中k类型用地在小区总用地中的比例，具体计算公式为

式中：bik为交通小区i中k类型用地面积．

显然，当pik＝0时，lnpik无意义．因此对pik＝0的计算加以修正，将其定义为

(4)各交通小区出行吸引量预测．

式中：Ki为第i个交通小区的出行吸引权重；Ka、Kb、Kc、Kd、Ke、Kf、Kg、Km分别为居住用地(R)、公共管理与公共服务用地(A)、商业服务设施用地(B)、工业用地(M)、物流仓储用地(W)、道路与交通设施用地(S)、公用设施用地(U)、绿地与广场用地(G)的出行吸引权重，其和为1；Sia、Sib、Sic、Sid、Sie、Sif、Sig、Sim分别为第i个交通小区各类用地面积比例；Hi为第i个交通小区用地混合熵；Ai为第i个交通小区出行吸引量．

3 实例分析

西安市是陕西省省会，国家重要的科研、教育和工业基地，我国西部地区重要的中心城市，国家历史文化名城．西安市现辖9区4县，土地总面积10,108,千米2，常住人口855.29万人[9-11]．

随着经济的不断发展，西安市城市空间结构逐渐由单核向区域一体化发展，逐渐形成“九宫格局、棋盘路网、轴线突出、一城多心”格局．“九宫格局”即：明城墙内的行政、商业、旅游中心，东部以纺织城为中心的工业区，东南部以曲江新区为中心的旅游度假区，南部以雁塔区、长安区为中心的科研文教区，西南以高新区为中心的高新产业区，西部以三桥为中心的工业区、仓储区，西北部的汉长安城，北部以经济开发区为中心的加工、装备工业区，东北部围绕浐河灞河为中心的旅游度假区[9-11]．

3.1 交通生成总量预测

根据西安市居民出行调查，得到现状居民的出行基本特征．通过分析规划年西安市的社会经济发展目标，参考国内外同等城市经验，确定规划年西安市居民人均出行次数，进而得到规划年全市总出行量．

考虑到规划年西安市的发展情况，只分析西安市主城区中的新城、碑林、莲湖、雁塔、未央五个交通大区．根据公式(1)预测五个交通大区的出行总量，详见表1．

表1 区域日出行总量预测

3.2 回归分析各类用地出行吸引权重

通过分析各交通大区出行量和各类用地规模等数据，应用多元回归分析获得各类用地单位面积吸引量，单位化后得到各类用地的出行吸引权重．出行吸引权重详见表2．

表2 各类用地出行吸引权重值

3.3 确定各交通大区的用地混合熵

首先，根据城市规划年的土地使用情况，统计得到每个交通大区不同用地的面积，详见表3．应用公式(3)或(4)得到不同交通大区不同用地的比例，然后根据公式(2)，得到不同城区的用地混合熵，详见表4．

3.4 各交通大区出行吸引预测

利用公式(5)确定各交通大区的出行吸引权重，并计算各交通大区出行吸引量，详见表5．

表3 各交通大区土地利用情况 104,m2

表4 各交通大区用地混合熵

3.5 出行发生量计算

出行发生量预测采用与吸引预测类似的方法，结果同见表5．分析发现，除雁塔区外，各交通大区出行发生量与吸引量误差均在±5%以内，一致性较好．

4 结 论

(1)通过分析交通需求与城市人口、土地利用的直接相关关系，揭示了交通需求产生机理，简化了繁琐的交通调查和基础资料收集工作．

(2)根据交通生成机理，在考虑了不同交通区、不同土地利用特征和交通可达性引起的交通需求差异的基础上，引入了用地混合熵．根据不同交通区的土地利用情况，分别建立出行产生和吸引模型．模型误差分析表明，除雁塔区外，各交通大区出行发生量与吸引量误差均在±5%以内，模型一致性较好．

(3)在充分考虑城市未来土地使用特性的基础上，利用土地使用与交通生成的相互关系，建立了交通生成预测模型．通过回归分析，得到不同用地性质的出行吸引权重，并引入了用地混合熵，以衡量各交通小区内部空间形态的多样性特征和城市功能空间混合使用程度，提高了预测的合理性和简捷性．

［1］ 徐吉谦，陈学武. 交通工程总论[M]. 北京：人民交通出版社，2008.

［2］ 李 炬. 城市居民出行调查的理论研究与实践[D]. 西安：长安大学，2011.

［3］ 王圆圆. 西安市出行生成问题研究[D]. 西安：长安大学，2004.

［4］ 张晓明. 城市交通出行生成模型的研究[D]. 北京：北京工业大学，2000.

［5］ GB50137—2011，城市用地分类与规划建设标准[S].

［6］ 杨 敏，李文勇，陈学武，等. 城市交通生成预测实用分析模型及其应用[J]. 公路交通科技，2005，22(12)：109-112.

［7］ 陈志凡，李勤奋，赵 烨. 基于熵权的模糊物元模型在农用地土壤健康评价中的应用[J]. 中国土地科学，2008，22(11)：31-37.

［8］ 李 江，郭庆胜. 基于信息熵的城市用地结构动态演变分析[J]. 长江流域资源与环境，2002，11(5)：393-396.

［9］ 西安市规划局. 西安市城市总体规划(2008—2020年)[R]. 西安：西安市规划局，2008.

［10］ 西安市城市规划设计研究院，中国城市规划设计研究院. 西安市城市综合交通体系规划(2011—2030年)[R]. 西安：西安市城市规划设计研究院，2012.

［11］ 西安市交通管理委员会. 西安市城市交通发展年度报告(2012年)[R]. 西安：西安市交通管理委员会，2013.

（编辑校对：胡玲玲）

Generation Forecasting Model of Urban Transportation Based on Entropy of Mixed-use Land

LI Yong-sheng，XIA Chao
(Chang’an University，Xi’an 710064，China)

Considering the urban planning of land use, the present authors establish a model of urban transportation based on the scale and nature of land use, and mixing degree of land use by obtaining the trip attracting rate per standard land unit through regression analysis, and by introducing the concept of entropy of land use. The model has been applied to the practice of annual demand forecast analysis of the planning of the main city area of Xi’an in Shaanxi province. The forecast results show that differenc,es in the mixing degree of different patches of land will result in different demand. Except Yanta Area, the deviation between the transportation generation and attraction of other areas is less than ±5%, which has good feasibility and reliability .

transportation generation forecast；regression analysis；entropy of land-use；demand forecast

U491.14

A

2095-719X(2014)05-0328-04

2014-09-09；

2014-10-14

李永晟（1990—），男，湖北黄冈人，长安大学硕士生．