城市土地利用形态和出行特性对交通排放作用机理及优化研究

Urban form and travel characteristics are two main factors impacting transport emission. This program aims to understand the mechanism of land use and travel characteristics on transport emission. On this basis, the optimization of land use and travel behavior and transport emission has been solved. Firstly, This program focuses on describing the relationship among urban form, travel behavior and emissions by utilizing the Bayesian network models. Secondly, optimizing land use and travel characteristics with transport emission as objective function. Then, the pareto optimal set has been searched by applying multi-objective genetic algorithms Consequently, multi-objective optimizing model will be verified and evaluated. Thus, promoting the integration of spatial economics, environment engineering and urban transport planning and management providing some reference for urban transportation planning, travel demand management and urban spatial structure optimization and expected to relieve transport emissions.

城市土地利形态和出行特性是影响我国城市交通污染排放根源上的两大关键因素。本项目在解析城市土地利用形态和出行特性对交通排放的作用机理基础上，研究城市土地利用形态、出行特性和交通排放的优化问题。主要研究内容包括：构建基于居民出行行为的交通排放和土地利用形态贝叶斯网络模型，从微观层面刻画城市土地利用形态和出行特性对交通排放的作用机理；构建基于环境质量的城市土地利用形态和出行特性多目标优化模型，利用排序多目标遗传算法求解模型；最后，利用仿真平台进行评价和敏感性分析。本项目的研究意义在于：推进空间经济学、环境工程学与城市交通规划与管理的融合，提升我国城市交通的基础科学研究水平，为城市空间结构优化、城市交通规划与出行需求管理等方面的政策制定提供理论依据和决策参考，以期从根源上减少交通污染排放。

从个体角度分析居民出行碳排放的影响因素，用GEV模型估计个人属性、家庭属性、社会经济属性及土地利用属性对居民出行碳排放量影响程度的大小。从行为学角度，基于行为学机制提出了生命历程居住地址选择建模系统框架。人们基于不同因素选择居住地，包括当前情况、过去经验和未来规划。居住偏好的某些方面在一定时期可能不变，但同时还受家庭结构、就业、教育和出行的影响。生命历程分析可以解决跨期依赖问题，研究动态的居住地址选择，利用DU-DCLH模型来描述居住选址的决策过程。模型结果首先确定了DU-DCLH模型的描述生命历程动态居住迁移。其次，过去经验在居住地选择中占主导地位，能够解释75%的差异性。年龄越大，过去经验影响越大，而现状对于居住地选择的影响很小。基于居住地选择、交通出行选择及居住就业平衡理论，对居住就业空间分布进行优化研究。建立城市土地利用形态与出行特性多目标优化函数，按环境质量、系统出行时间成本、活动选址效用及社会收益三个目标函数，采用基于多目标值排序的遗传算法求其最优解集合。针对传统人口合成方法未考虑初始家庭权重以及方法的优化目标未考虑控制变量平均误差的离散程度，提出了一种新的启发式算法作为人口合成工具以克服传统方法中上述两方面的不足，该启发式算法以样本数据(如居民出行调查数据)中的家庭权重为初始解，通过不断调整初始权重，使家庭和个体的类型分布与实际相符。由于样本数据是通过随机抽样获得，能在一定程度上反映整个城市人口的结构特征，因此初始家庭权重与实际较为接近。此外，新的启发式算法将控制变量的平均误差和标准差均作为优化目标，从而避免合成人口中个别控制变量误差偏大的问题。