哪位介绍一下DynaMIT的理论模型？

周华

大致描述一下其模型内在的思想或提供个参考文献都可以，多谢！

xjtuits

DynaMIT是一个十分复杂的系统，它的基本出发点应该是赋予交通系统中的车辆以个性特征，贴近实际地去分析和解决交通问题；主要功能是通过动态交通分配(DTA)去实现大面积网络范围内的实时交通状况估计与预测。该系统和DynaSmart-X一样，在立项时强调系统是能够具体实施的，并满足DTA所需的22个基本功能。由于解析的DTA模型尚不能实用化，FHWA支持的两套DTA系统均采用中观仿真的思路去实现动态交通分配，并且均吸收了解析DTA研究的理论成果。
它的基本思想是有效地仿真交通需求和交通供给之间的相互关系。供给仿真通过中观交通仿真器实现，需求仿真则需建立出行者行为模型和动态OD估计与预测算法，并采用反复迭代的办法寻找复合映射的不动点。下文对复合映射稍作解释
令交通网络为一有向图，考察的时间区间按等间隔分为若干时间段，交通需求由交通出行量描述，每个出行有如下属性：起点、迄点、出行时间、能否接收到诱导信息以及相关的行为模型参数、出行路径表、决策点列表（为响应诱导信息，出行者的出行决定或途中更改路径的决定假定均在决策点处发生，如出行起点、交叉口），并定义了三类变量集：
1) 路径流量集P：路径流量指在某个时间段沿着某条路径离开某个决策点前往某个目的地的交通量（车辆数）。
2) 交通状况集C：由网络中每个时间段内时变的路段阻抗组成。一般地，路段阻抗可定义为路段行程时间。
3) 诱导信息集M：为四元组〈信息类型，有效空间范围，有效时间范围，信息内容〉。
  这些变量的精确定义取决于采用的信息技术。
  上述集合间的映射关系定义为：
1) 网络加载映射S -> C：将时变的路径流量分配到网络中可得到相应的交通状况。
2) 诱导映射G:C->M：基于预测的交通状况，由交通诱导系统产生诱导信息。
3) 路径流映射D:M->：描述诱导信息对路径流量的影响。反映了出行者对诱导信息的响应行为，主要是通过路径选择模型和途中路径转换模型得到。
  其中，网络加载映射和路径流映射是随机的。前者的随机性与交通分配的随机性有关，后者的随机性与出行者行为模型的不确定性有关。
  基于预测信息的一致性交通诱导由如下的三个复合映射描述
1) D*G*S: P->
2) S*D*G: C->C
3) G*S*D: M->M
 
一致性诱导即需求解如下的不动点问题G*S*D: M->M。令T代表上述任意一个复合映射，则不动点x满足x=T(x) 。上述映射的不动点存在性是等价的，即如果一个映射存在不动点，则其它两个映射的不动点均存在；如果一映射不存在不动点，则其它两个映射的不动点也均不存在。若诱导映射没有不动点，则系统不可能提供一致性的交通诱导信息。上述不动点问题具有如下特征
1)均须进行复杂的仿真运算。ITS的复杂性以及为描述出行者对诱导信息的响应，通常采用随机的出行者行为模型和仿真法来研究上述问题，使得该不动点问题不可能用解析的公式来描述，而只能通过设定某些参数，运用仿真的手段求解。因此，求解上述问题的优化算法不可能利用映射的微分信息来加快寻优速度。
2)为一个大规模问题。上述每个映射都涉及到大量的变量。交通状况集C中的变量数至少为网络中所有路段数乘上考察的时间区间内的时间分段数；路径流量集P中的变量数为网络中所有路径数乘上考察的时间区间内的时间分段数，显然远大于C中变量的数目；诱导信息集M中的变量数取决于采用的信息技术。
3)映射具有随机性。运用随机仿真法来研究上述映射间的关系给不动点计算问题带来了随机因素。
  目前，可采用连续平均法（MSA算法）求解上述不动点问题，但这种算法的收敛速度较慢，更有效的求解算法尚在深入研究中。
许多极具创意的技术在DynaMIT中得到了应用，它是MIT几十位博士硕士近10年高强度工作的成果，两位十分优秀的数学博士为理论框架的建立和实施做了大量工作。比如，在大规模网络中如何确定车辆可供选择的路径？大规模网络中时变的最短路径搜索是一个困难的问题，为满足实时性，DynaMIT采用了一些很独特技术，离线产生这些路径，从而能够满足系统的实时性。

周华

多谢楼上回复！

tjtry

thanks

hxwfirst

论述得比较精辟啊

januar

原帖由 xjtuits 于 2005-3-30 01:03 发表

                               
登录/注册后可看大图

DynaMIT是一个十分复杂的系统，它的基本出发点应该是赋予交通系统中的车辆以个性特征，贴近实际地去分析和解决交通问题；主要功能是通过动态交通分配(DTA)去实现大面积网络范围内的实时交通状况估计与预测。该系统和 ...

很精彩  谢谢