简介：由黄海军撰写的《城市交通网络平衡分析理论与实践》是城市交通与轨道交通领域经典学术PDF，面向交通规划、交通工程专业师生及研究人员，系统阐释网络平衡分析的核心理论与求解方法。全书围绕交通网络拓扑结构、交通流动、交通时间、交通速度与交通容量等维度展开，既有理论模型推导，也覆盖交通监控系统、模拟仿真、优化算法、信息化系统以及交通规划设计等实践内容，可帮助读者建立从基础概念到工程应用的整体认知，尤其适合用于分析拥堵成因、评估路网承载能力及制定疏导方案。资源包内仅1个PDF文件，压缩包约8.1MB，内容紧凑、排版规整，便于在电脑或平板中反复研读。目前已有608人学习下载，适合城市交通课程教学、研究生课题参考或从业者进阶阅读。
1. 城市交通网络平衡分析：从理论到实践的完整技术地图
早上七点半的城市快速路，导航给出三条备选路线，走了几回你会发现到达时间相差无几。这不是导航算法在作弊，而是城市交通网络平衡分析描述的那种稳定状态——每个出行者都按自己的最优原则选路，流量会分布到一个没人愿意单独改变策略的点上。黄海军《城市交通网络平衡分析理论与实践》把这种经验感受提炼成完整框架：Wardrop平衡条件、数学规划模型、求解算法。我一直按这套框架做交通分配、路网评估和拥堵策略仿真，今天按工程师的使用逻辑拆解。读者是正在做交通需求预测、路网规划评估、交通管理策略仿真，或手头有OD数据但不知道如何分配到路网的工程师。读完你会知道：模型算法怎么选、参数怎么标、结果怎么验证、坑在哪。
2. 两种平衡原理：用户均衡与系统最优，本质差在哪
城市交通网络平衡分析的第一步，不是写代码，而是搞清楚你在算什么。Wardrop的两条原理是所有后续模型的地基，它们定义了什么是“平衡”，也定义了两种截然不同的参照系：个体最优和系统最优。搞不清这一点，后面建模、调参、解读结果都会跑偏。
2.1 Wardrop第一原理：为什么所有被使用路径的时间会趋同
Wardrop第一原理（用户均衡UE）表述很简洁：当路网达到平衡时，同一OD对之间所有被使用的路径行驶时间相等，且不大于任何未被使用路径的行驶时间。翻译成大白话，每个出行者都在找自己的最短路径，最终没有任何人能靠单方面换路来缩短通行时间。
这个原理的现实对应很直观。早高峰走哪条路都不快，你发现一条更快的新路，马上有其他司机涌进来，直到这条路的时间被抬高到和其他路相当。最有冲击力的推论是Braess悖论：给路网加一条新路，所有人的出行时间反而变长了。一个典型数值例子，从A到B有两条平行路径，每条由一段“快速路”和一段“窄路”组成，快速路的行驶时间是流量/100分钟，窄路固定25分钟。两条路径各承担1000流量时，每段快速路承担500，总时间 = 500/100 + 25 = 30分钟。修一条天桥连接两条窄路段，形成第三条路径，所有司机都选择先走快速路、经天桥切到另一条快速路，原本两条快速路各500流量变成各2000流量，通行时间飙升到40分钟，比修路前还慢10分钟。
这个悖论说明：个体最优的加总不等于系统最优。从数学上看，用户均衡解满足一组互补条件。设路径流量为f_p、路径时间为c_p、OD最短时间为u，平衡时满足：f_p > 0则c_p = u，f_p = 0则c_p ≥ u。这组条件恰好等价于一个凸规划的KKT条件，这就是后面Beckmann变换的由来——司机之间的博弈被一个等价优化问题刻画，才能交给计算机求解。
2.2 Wardrop第二原理：系统最优的数学表达与边际成本定价
Wardrop第二原理（系统最优SO）要求路网总行驶时间最小化。在系统最优状态下，流量分配遵循边际成本原则——每条路径的边际行驶时间加权后相等，而不是平均行驶时间相等。现实中不会自然出现SO状态，因为出行者没有动机关心边际成本，但它是评估拥堵收费、信号协调、限行政策效果的理论基准。
一个简单的两条路例子能看清两者差距。设OD流量d = 1000，路径1时间函数t1 = 10 + 0.1 f1，路径2时间函数t2 = 15 + 0.05 f2。UE条件要求f1 + f2 = 1000且t1 = t2，解得f1 ≈ 333、f2 ≈ 667，总行驶时间约39833分钟。SO条件最小化f1·t1 + f2·t2，解得f1 ≈ 250、f2 ≈ 750，总行驶时间约39625分钟。差距不大，但如果把函数系数拉大，差个10%很常见。
两个状态之间的总时间差，经济学上叫无谓损失。拥堵收费的最优费率恰好等于某个路段上边际成本与平均成本之差。UE和SO的差距不是学术玩具，它直接量化了城市拥堵管理的潜在收益空间——早高峰的UE与SO总时间差如果超过15%，说明通过收费或信号优化改善的潜力很大。
| 对比维度 | 用户均衡 UE | 系统最优 SO |
|---|---|---|
| 个体目标 | 最小自身行驶时间 | 最小总行驶时间 |
| 数学性质 | 变分不等式 / 凸规划 | 凸规划 |
| 流量条件 | 被用路径时间相等 | 路径边际时间相等 |
| 现实状态 | 自然形成 | 需要价格或管制干预 |
| 典型应用 | 现状评价、OD分配 | 收费定价、路网优化 |
2.3 变分不等式与解的性质：非对称阻抗下还能不能算
固定需求、路段阻抗只与本路段流量有关时，Beckmann凸规划可以干净地求解。但城市路网里有个常见情况会让这个框架失效：交叉口转向延误。左转车流会增加对向直行车流的延误，直行车流对左转延误的影响却又不同，这种交互在数学上就是非对称阻抗——不满足可分离条件，Beckmann变换的目标函数不存在。
这个场景下，用户均衡问题要用变分不等式（VIP）刻画：求路段流量x*，使得 t(x*)ᵀ (x - x*) ≥ 0 对所有可行流量x成立。VIP的好处是不需要目标函数，只需要阻抗映射具备单调性。如果阻抗函数严格单调，路段流量解唯一；如果只是单调不减，流量不一定唯一，但总行驶时间不随解变化。
工程上的应对做法两种：一是对角化算法，每轮迭代把非对称阻抗固定在当前解处，转成对称问题再用Frank-Wolfe；二是直接用MSA在VIP框架下迭代。我遇到带转向延误的路网时，通常先对角化加FW试跑，不稳定再切MSA。前提是承认问题已经不是经典凸规划，不能在Beckmann目标函数上做线性搜索。
3. 从平衡条件到可计算模型：Beckmann变换与BPR阻抗函数
平衡原理是目标，但要让计算机求解，得先把Wardrop互补条件变形成能优化的数学规划。同时，路段阻抗函数作为模型的输入核心，直接决定了流量分配的方向。这一章解决两个问题：目标函数怎么构造、阻抗函数怎么标定。
3.1 Beckmann变换：把博弈问题变成无约束凸规划
Beckmann在1956年证明了一个关键结论：满足特定条件的用户均衡，等价于下面这个凸规划的最优解：
min Z(x) = Σ_a ∫₀^{x_a} t_a(ω) dω
其中x_a是路段a的流量，t_a(·)是该路段的阻抗函数，约束为流量守恒（OD需求等于路径流量之和）和路段流量与路径流量的关联关系。这个变换的意义在于，把互补条件变成一阶最优性条件——对Beckmann函数求梯度，令其在可行域上为零，得到的恰好是Wardrop平衡条件。
必须强调，Beckmann目标函数本身没有直观的物理意义，它是个数学构造，单位是“时间×流量”的积分，不对应任何可观测的现实量。它的作用只是让一阶条件等于平衡条件。你可以把它理解成一种翻译技巧：交通工程师用这个技巧把多智能体博弈翻译成单目标优化，后者才有成熟的数值算法。
求解时用拉格朗日乘子处理流量守恒约束。对每个OD对引入乘子u_od，构造拉格朗日函数后，一阶条件推导出的结果就是之前提到的互补条件。这组推导在黄海军书里是核心章节，也是把理论和算法衔接起来的关键一步。实际编码时，你不需要显式处理路径变量，每次迭代重新找最短路径即可，这就是后面Frank-Wolfe算法的基础。
3.2 BPR阻抗函数：α和β不是拍脑袋定的
路段阻抗函数是整套模型的“心脏”。最常用的是美国公路局开发的BPR函数形式：
t_a(x_a) = t_a⁰ × [1 + α (x_a / C_a)^β]
其中t_a⁰是自由流时间，C_a是实际通行能力，α和β是待标定参数。教材里最常见的取值是α=0.15、β=4，许多人直接抄——但原版BPR参数标定对象是美国高速公路基本路段，不是全国通用值。
我一般按道路等级区分参数，城市路网至少分成三类：
| 道路类型 | α推荐范围 | β推荐范围 | 说明 |
|---|---|---|---|
| 高速公路基本路段 | 0.10~0.20 | 3.0~5.0 | 流量接近能力时阻抗增长快 |
| 城市快速路 | 0.15~0.25 | 3.0~4.0 | 受出入口影响，高峰更敏感 |
| 城市主干道 | 0.20~0.30 | 2.5~3.5 | 信号交叉口密集，β偏低 |
| 次干道/支路 | 0.25~0.40 | 2.0~3.0 | 受路边停车和非机动车干扰 |
标定方法是用实测行程时间和流量数据做最小二乘拟合。先把BPR函数取对数线性化：ln(t/t⁰ - 1) = ln α + β·ln(x/C)，然后对散点做线性回归，斜率和截距就是β和ln α。没有本地实测数据时，至少把道路类型区分开，而不是全路网套一个值。
注意BPR函数在饱和度x/C大于1时仍有定义，但超过1.2以后阻抗曲线非常陡，模型给出的阻抗数值可信度很低，不适合讨论严重过饱和场景。如果分析对象是常态拥堵路网，建议换用带排队延误的阻抗模型，或者把容量值调低让饱和度回归正常区间。
3.3 固定需求与弹性需求：什么时候不能偷懒
教科书先讲固定需求，因为模型简单、收敛性好。但做政策评估时问题来了：如果分析拥堵收费或公交优先，出行需求本身会响应出行成本的变化——有人改时间、有人改目的地、有人取消出行。固定需求会显著高估或低估策略效果。
弹性需求模型的思路是在固定需求基础上加需求函数：q_od = D_od(u_od)，需求是OD间最短出行时间的减函数，最常见的形式是指数函数或幂函数。求解时可以把需求函数纳入超网络框架：为每个OD对添加一条虚拟路段，其阻抗是需求函数的反函数，这样弹性需求问题被转回固定需求形式，Beckmann变换仍然适用。
我的判断标准：如果分析场景会显著改变OD间的出行成本（变化超过20%），弹性需求是底线。做拥堵收费评估、公交专用道效益测算这种场景，需求转移是核心结论的一部分，固定需求会得到偏乐观的拥堵改善数字。如果只是做现状路网评价，OD数据来自调查或预测模型，固定需求通常够用。要注意弹性需求模型收敛更慢，对OD需求函数的参数标定要求也更高，不要让模型复杂度超过数据支持能力。
4. 求解交通平衡的算法实现：Frank-Wolfe与MSA怎么选
模型建好了，下一步是求解。固定需求用户均衡最经典的两个算法是Frank-Wolfe和MSA。二者的区别本质上是搜索步长的确定方式不同：前者每轮做一维搜索找最优步长，后者用固定递减步长。这个差别在具体项目中会直接影响收敛速度、结果稳定性和实现复杂度。
4.1 Frank-Wolfe算法：核心步骤与可运行的代码骨架
Frank-Wolfe算法（FW）用于求解带线性约束的凸规划，恰好匹配Beckmann变换的约束结构。算法步骤：
- 初始化：按自由流阻抗做一次全有全无分配，得到初始路段流量x⁰
- 按当前流量用BPR函数更新路段阻抗
- 在当前阻抗下再做全有全无分配，得到辅助流量y
- 在方向d = y - x上做一维搜索，求最优步长λ ∈ [0,1]，最小化Beckmann目标函数
- 更新流量：x ← x + λ(y - x)
- 检查收敛，不满足回到第2步
一个最小实现骨架：
import numpy as np def frank_wolfe(network, od_matrix, max_iter=500, tol=1e-4): # network: 包含路段数、自由流时间、容量、BPR参数的数据结构 # od_matrix: 二维数组，od_matrix[i][j] 是起点 i 到终点 j 的需求量（辆/小时） num_links = network.num_links x = np.zeros(num_links) # 路段流量初始化为 0 # 第一步：自由流时间下做全有全无分配 t = network.free_flow_time.copy() x = network.all_or_nothing(t, od_matrix) # 所有 OD 流量沿最短路径加载 for k in range(max_iter): # 按当前流量计算 BPR 阻抗 t = network.bpr_impedance(x) # 全有全无分配，得到辅助流量 y y = network.all_or_nothing(t, od_matrix) # 步长方向：辅助流量减当前流量 d = y - x # 一维搜索：在 [0,1] 内找最优步长 lam lam = _line_search_beckmann(network, x, d) # 更新流量，限制非负 x = x + lam * d x = np.maximum(x, 0) # 相对 Gap 判断收敛 gap = _relative_gap(network, x, t, od_matrix) if gap < tol: print(f"第 {k+1} 轮迭代收敛，相对Gap = {gap:.6f}") break return x逻辑说明：all_or_nothing函数先做最短路径搜索（一般用Dijkstra），然后把OD流量一次性加载到最短路径上，得到路段流量向量。这个函数每轮迭代都要调用，是全算法最耗时的部分。_line_search_beckmann在方向d上找最优步长，通常用二分法或黄金分割法。_relative_gap计算的是当前流量下总行驶时间与理论最短时间之差占总行驶时间的比例。
参数说明：max_iter在FW算法中建议200到500轮，再往后FW的收敛会变得非常慢，属于一阶方法的固有尾部效应。tol设1e-4是工程上比较合理的平衡点，再小意义不大。_line_search_beckmann的搜索精度设1e-6就够，太精确会把时间浪费在目标函数几乎平坦的区间上。
4.2 MSA方法：小规模路网的简单选择
MSA（Method of Successive Averages）思路更直接：每轮迭代仍做全有全无分配，但步长不搜索，固定取λₖ = 1/(k+1)。这意味着前期步长大、快速逼近大致区域，后期步长小、抑制震荡。
def msa(network, od_matrix, max_iter=200): # network 和 od_matrix 定义同上 num_links = network.num_links x = np.zeros(num_links) # 初始全有全无分配 t = network.free_flow_time.copy() x = network.all_or_nothing(t, od_matrix) for k in range(1, max_iter + 1): t = network.bpr_impedance(x) y = network.all_or_nothing(t, od_matrix) # 固定步长 1/(k+1)，注意这里 k 从 1 开始 x = (1 - 1 / (k + 1)) * x + (1 / (k + 1)) * y x = np.maximum(x, 0) return x逻辑说明：MSA的步长序列满足两个条件：λₖ趋近于0，且Σλₖ发散。直观理解是，后期每轮迭代只对流量做微小修正，所以不会剧烈震荡，但也意味着收敛慢。代码里没有显式的收敛判断，工程上通常用相邻两轮迭代的流量差来判断：如果‖x^{k+1} - x^k‖小于阈值就提前终止。
MSA适合什么场景？第一，路网规模小（几百条路段以内）；第二，模型里有非对称阻抗，无法可靠地做一维搜索；第三，你只想快速得到一个大致的流量分布用于敏感性测试。实际项目中，我常用MSA做算法对照组，验证FW的结果是否稳定。
4.3 收敛判据：相对Gap、流量变化量与迭代曲线怎么看
收敛判断直接决定你什么时候可以信任结果。不同判据的工程含义差别很大：
| 判据 | 定义 | 工程建议 |
|---|---|---|
| 绝对Gap | Σ x_a t_a(x_a) − Σ q_od · u_od | 受OD总量影响，不同路网不可比 |
| 相对Gap | 绝对Gap / 总行驶时间 | 推荐主判据，1e-4以内可接受 |
| 流量变化量 | ‖x^{k+1} − x^k‖ | 辅助判据，防止Gap失真 |
我习惯同时看两个指标：相对Gap和关键路段流量的逐轮变化。如果Gap已经小于1e-4，但某条关键路段流量在相邻轮次之间波动超过5%，说明模型在迭代之间来回跳，没有真正稳定。这种情况多半是步长选取或者路网拓扑的问题，而不是迭代次数不够。
另一个实用技巧是画Gap迭代曲线——横轴迭代轮数，纵轴相对Gap对数坐标。FW的收敛曲线应该是平滑下降的，如果曲线出现周期性起伏，说明流量在等价路径之间震荡，这时候要回到5.5节的对称路网问题去排查。
5. 交通平衡分析避坑指南：五个让结果变“玄学”的常见问题
新手和熟手用同一套模型，结果却可能差出20%以上，问题往往不在算法，而在输入数据的细节处理。这章列五个我在项目里踩过、也看别人踩过的坑，每条按现象、原因、解决的顺序写清楚。
5.1 路段容量取经验值，饱和度偏差离谱
现象：同一套OD数据、同一个路网，容量取规范推荐值和取现场调查值，饱和度能差出15%以上，流量分配方向也随之改变。
原因：BPR函数里容量在分母上，容量偏差直接改变阻抗增长速度。容量低估，阻抗偏高，流量被推向“看起来更宽”的替代路径；容量高估则相反。
解决：容量至少按车道数、道路隔离形式、信号密度分等级取值。有条件时用高峰小时实测流量反推容量，无条件时查当地城市道路设计规范的分级推荐值。不要在项目里图省事给所有快速路设同一个值。
5.2 路网拓扑漏连边，算出的是另一个路网的平衡
现象：模型中某条主干道流量远低于实测，平行的一条次干道却堵得离谱，怎么调参数都调不回来。
原因：主干道和次干道之间的连接匝道漏了，或者交叉口禁左、单行线方向没有建模，OD需求被模型强行挤到次干道上。
解决：第一轮分配后做路段级流量对比，误差超过30%的路段先查拓扑再查参数。我一般把路网导成GeoJSON，叠加卫星影像逐条核对可通行方向，特别是匝道方向和禁左规则。这一步虽然耗时，但比后期调参划算得多。
5.3 收敛判据设太严，计算量翻十倍结果没变
现象：相对Gap从1e-3降到1e-5，迭代次数从150涨到1200，但关键路段流量变化不到1%。
原因：FW算法是典型的一阶方法，越接近最优解收敛越慢，这就是“尾部效应”。追Gap极值是在和算法固有的收敛速度作斗争。
解决：把收敛标准固定在1e-4，判断收敛时以关键路段流量是否稳定为准，而不是一味压低Gap。如果项目要求极高精度，可以FW跑150轮后切MSA，用小步长做精细调整，两三百轮迭代能得到比纯FW更好的稳定结果。
5.4 忽略交叉口转向延误，城市路网模型失真
现象：CBD区域路段流量分配结果和实测总是对不上，白天和夜间误差模式还不一样。
原因：BPR函数只描述路段行驶时间，不含交叉口排队延误。城市核心区里这部分可能占出行时间的30%到50%，尤其信号周期长、饱和度高的交叉口。
解决：简单做法是从路网数据里提取交叉口转向关系，按直行、左转、右转分别加上额外延误常数，再用信号配时数据标定。复杂做法是用节点延误函数替代路段BPR函数的一部分。如果项目时间紧，至少保证饱和度高的交叉口有转向延误，否则分配结果没有参考价值。
5.5 对称路网配对称OD，两条等价路径流量震荡不收敛
现象：迭代到后半程，两条完全等价的平行路径上的流量一直在跳，Gap曲线出现周期性波动，始终稳定不下来。
原因：等价路径上的最优解本身不唯一，任何数值扰动都会让全有全无分配把流量全部加载到其中一条，下轮又跳到另一条，形成一个极限环振荡。
解决：把等价路径合并成一条组合路径，或者改用MSA的步长策略，或者对迭代流量做指数平滑（例如每次更新后x ← 0.5x_old + 0.5x_new）。环线加棋盘式路网最容易出现这个问题，发现Gap曲线锯齿状波动时优先考虑。
6. 验证与进阶：用小型路网跑通全流程，再上真实项目
6.1 最小可复现实验：9节点12路段经典路网
建议找9个节点、12条有向路段、4个OD区的经典测试路网，先在这个规模上把FW和MSA都跑通。这个规模下每轮迭代毫秒级完成，适合做参数敏感性分析。
| 参数 | 取值建议 |
|---|---|
| 路段自由流时间 | 2~6分钟 |
| 路段容量 | 1000~2000 pcu/h |
| BPR参数 | α=0.15, β=4 |
| OD总量 | 2000~5000 pcu/h |
| 收敛判据 | 相对Gap ≤ 1e-4 |
跑通之后做三组扰动测试：第一组把某条路段容量降低30%，看流量如何转移；第二组把某个OD需求翻倍，看哪些路段先饱和；第三组把β从4改成3，看阻抗函数形状变化对分配方向的影响。这三组测试做完，你对模型的直觉就建立起来了。
6.2 结果合理性检查：流量守恒、实测对比与逻辑一致性
第一个维度是流量守恒：每个OD对的分配流量总和必须等于OD需求，误差应在0.1%以内。第二个维度是路段流量与实测对比，误差大的路段回到拓扑和参数排查。第三个维度是逻辑一致性，比如路网里某条路正在施工，模型里却没有体现，说明路网数据过期了，这时候调任何参数都没有意义。
我的习惯是每轮分配都保留一份完整输出，含路段流量、阻抗、Gap迭代曲线。Gap曲线能直接反映模型收敛形态：平滑下降是正常的，锯齿状是震荡，缓慢爬行是收敛判据太严或路网建模有误。这套检查流程帮我在路网规模从几十条路段跳到几千条路段时少走很多弯路。做交通分配这些年，我最深的体会是：城市交通网络平衡分析不是一个“跑完出结果”的开关，每个参数选择都在影响结果的含义——容量、拓扑、收敛判据，每一项都要经得起追问。希望这些从项目里磨出来的经验能帮到你。
本文还有配套的精品资源，点击获取
