城市规划理论II 通勤与移居
城市规划理论II 通勤与移居
- 公共交通
- Beckmann连续交通模型
- 熵模型(Entropy Model)
- Hotelling's Migration Model
- 基础模型
- 模型的修正
这其实不是按逻辑顺序的第二篇博文,但我突然对这个topic感兴趣就提前写了。通勤指的是短期的市内或者市际的人员流动,移居则是长期地更换居住地,二者都分别有其他领域也在研究,比如交通科学、公共经济学等,这篇博文主要就以城市规划的数学模型作为落脚点进行探讨。研究的目标是对两地间的人流进行建模,进而对两地间的交通设施规划建设起到指导作用。
公共交通
假设两个不同的地点分别用惯性系(x,y)(x,y)(x,y)与(ξ,η)(\xi,\eta)(ξ,η)表示,其人口密度分别为O(x,y)O(x,y)O(x,y),D(ξ,η)D(\xi,\eta)D(ξ,η),前者的O表示origin,后者的D表示destination。假设两地的欧式距离为
t(x,y,ξ,η)=(x−ξ)2+(y−η)2t(x,y,\xi,\eta) = \sqrt{(x-\xi)^2 + (y-\eta)^2} t(x,y,ξ,η)=(x−ξ)2+(y−η)2
早期关于从起点到终点的人员流动的法则是Zipf法则,或者称为重力法则,其直觉就是牛顿引力公式,认为两地人员交互与两地距离成反比,与两地人口密度成正比。起点到终点的人员流量可以表示为
I(x,y,ξ,η)=O(x,y)D(ξ,η)t(x,y,ξ,η)I(x,y,\xi,\eta) = \frac{O(x,y)D(\xi,\eta)}{t(x,y,\xi,\eta)} I(x,y,ξ,η)=t(x,y,ξ,η)O(x,y)D(ξ,η)
这个III指的是interaction。尽管这个公式看上去非常合理,但它其实是没有理论支撑的,只是一个直觉上的经验法则,并且缺乏一个具体的函数形式,因此需要对这个模型做更精细的推导。
Beckmann连续交通模型
先不考虑人口密度的影响,假设O(x,y)=D(ξ,η)=1O(x,y)=D(\xi,\eta)=1O(x,y)=D(ξ,η)=1。定义人口流场(flow field)为ϕ\phiϕ,则
I=−∇⋅ϕ=1tI = -\nabla \cdot \phi = \frac{1}{t} I=−∇⋅ϕ=t1
人口流场是一个矢量场,III看成是它的通量,因此它的散度就是人口流动。流场与距离函数之间还有一个关系
ϕ∣ϕ∣=∇t\frac{\phi}{|\phi|}=\nabla t ∣ϕ∣ϕ=∇t
这里的梯度都是在惯性系(x,y)(x,y)(x,y)中求,这个公式后续的博文会讲,这里先当成假设吧。考虑
∇⋅ϕ=∇∣ϕ∣⋅∇t+∣ϕ∣∇2t=d∣ϕ∣dt+∣ϕ∣t=−1t\nabla \cdot \phi = \nabla |\phi| \cdot \nabla t + |\phi| \nabla^2 t \\ = \frac{d |\phi|}{dt} + \frac{|\phi|}{t} = -\frac{1}{t} ∇⋅ϕ=∇∣ϕ∣⋅∇t+∣ϕ∣∇2t=dtd∣ϕ∣+t∣ϕ∣=−t1
这个推导用到了场论的结论,不熟悉的话可以再回顾一下向量微积分或者场论。显然这个式子是关于∣ϕ∣|\phi|∣ϕ∣的可分离变量型的一阶ODE,可以直接写出它的解是
∣ϕ∣=Tt−1|\phi| = \frac{T}{t} - 1 ∣ϕ∣=tT−1
这里的TTT是积分常数。考虑一下∣ϕ∣|\phi|∣ϕ∣的实际意义,它指的是从(ξ,η)(\xi,\eta)(ξ,η)出发的经过(x,y)(x,y)(x,y)的人口总流动量。定义i(x,y)i(x,y)i(x,y)为经过(x,y)(x,y)(x,y)的人口总流动量,则
i(x,y)=∬∣ϕ∣dξdη=∬(Tt−1)dξdηi(x,y) = \iint|\phi| d \xi d \eta = \iint (\frac{T}{t} - 1) d \xi d \eta i(x,y)=∬∣ϕ∣dξdη=∬(tT−1)dξdη
考虑两个惯性系之间的伽利略变换
ξ=x+tcos(θ)η=y+tsin(θ)\xi = x + tcos(\theta) \\ \eta = y + tsin(\theta) ξ=x+tcos(θ)η=y+tsin(θ)
根据积分换元公式,可以将上述积分换到极坐标(t,θ)(t,\theta)(t,θ)中,
i(x,y)=∬(Tt−1)dtdθi(x,y) = \iint (\frac{T}{t} - 1) d t d \theta i(x,y)=∬(tT−1)dtdθ
这个积分就可以用Fubini定理计算,得到
i(x,y)=2π(1−r2)r=x2+y2i(x,y) = 2 \pi (1-r^2) \\ r = \sqrt{x^2 + y^2} i(x,y)=2π(1−r2)r=x2+y2
这里指的交并不是指交通工具,它其实还是人的流动。早期的实证研究是认可这个模型的,但是这个理论只是对引力模型的细化,尽管有了一个人流的具体表达式,但还是缺乏理论支撑。科学家们从统计物理和经济学的角度分别造出了理论来解释人口流动,从统计物理的角度设计的模型叫熵模型,从经济学角度设计的模型是Hotelling模型。
熵模型(Entropy Model)
熵模型,或者说Alan Wilson模型,它的直觉来自于描述粒子分布的Boltzmann定理。Boltzmann定理说的是处在不同能级的粒子数服从Boltzmann分布
NiN∝e−Ei\frac{N_i}{N} \propto e^{-E_i} NNi∝e−Ei
其中指数函数的形式可以由薛定谔方程得到,也可以由最大熵原理来得到。人流在不同地点的分布可以类比粒子在不同能级的分布,Alan Wilson用的最大熵原理来得到的分布形式。假设始发站iii出发的人次用OiO_iOi表示,到达终点站jjj的人次用DiD_iDi表示,从OiO_iOi到DjD_jDj的旅行人次用TijT_{ij}Tij表示。假设TTT是旅行总人次,则
T=∑i∑jTij=∑iOi=∑jDjT = \sum_{i}\sum_{j} T_{ij} = \sum_{i} O_{i} = \sum_{j} D_j T=i∑j∑Tij=i∑Oi=j∑Dj
在给定了TijT_{ij}Tij之后,所有旅行人次的路线可以用多项式系数来表示,记为
E=(∑i∑jTij)!∑i∑jTij!E = \frac{(\sum_{i}\sum_{j} T_{ij})!}{\sum_{i}\sum_{j} T_{ij}!} E=∑i∑jTij!(∑i∑jTij)!
用Stirling公式将阶乘近似为指数,并对EEE取对数可以得到
logE≈T(logT−1)−∑i∑jTij(logTij−1)=TlogT−∑i∑jTijlogTij=∑i∑jTij(logT−logTij)\log E \approx T(logT -1)- \sum_{i}\sum_{j} T_{ij} (log T_{ij}-1) \\ = TlogT - \sum_{i}\sum_{j} T_{ij} log T_{ij} \\ = \sum_{i}\sum_{j} T_{ij} (logT - log T_{ij} ) logE≈T(logT−1)−i∑j∑Tij(logTij−1)=TlogT−i∑j∑TijlogTij=i∑j∑Tij(logT−logTij)
定义这个人口流动系统的熵为
H=logET=−∑i∑jTijTlog(TijT)H = \frac{logE}{T} = - \sum_{i}\sum_{j} \frac{T_{ij}}{T} log(\frac{T_{ij}}{T}) H=TlogE=−i∑j∑TTijlog(TTij)
根据熵增原理,系统的熵总是倾向于增大的,当这个人口流动系统均衡时,系统的熵应该取最大值。在没有其他约束的时候,最大化熵总是会得到均匀分布,为了让这个模型更符合实际,引入交通成本约束,用cijc_{ij}cij表示从iii到jjj的交通成本,则
∑i∑jcijTij=T\sum_{i}\sum_{j} c_{ij} T_{ij} = T i∑j∑cijTij=T
再假设OiO_iOi与DjD_jDj是已知量,则这个最大熵问题就有了三个约束。在这种线性约束下,最大熵的结果必定是指数形式的。这个最优化问题无法找到解析解,可以用IIS(improved-iterative scaling)算法求解,参考Della Pietra et al (1997),之后写信息论的博文的时候再介绍这个算法。
Hotelling’s Migration Model
Hotelling是著名的统计学家、经济学家,他著名的成果包括多元统计的Hotelling T统计量,canonical 相关性分析,产业组织的Hotelling竞争模型等。
基础模型
基础模型由两部分构成,第一部分是人口在随时间的非线性增长,第二部分是人口在二维空间的线性扩散。假设人口增长服从Malthus模型
dpdt=γ(s−p)p\frac{dp}{dt} = \gamma (s-p)p dtdp=γ(s−p)p
其中sss是平稳状态的人口。这个是比较简单的可分离变量型的ODE,其解为
p=s1+ce−γtp=\frac{s}{1+ce^{-\gamma t}} p=1+ce−γts
ccc是积分常数。在Malthus模型中加入扩散项,模型可以扩展为
dpdt=γ(s−p)p+δΔp\frac{dp}{dt} = \gamma (s-p)p + \delta \Delta p dtdp=γ(s−p)p+δΔp
其中Δ=∇⋅∇\Delta=\nabla \cdot \nablaΔ=∇⋅∇是Laplace算子,Δp=0\Delta p=0Δp=0是典型的扩散方程。假设δ\deltaδ是人口扩散系数。从而空间中人口的增长与流动可以用这个PDE表示。
模型的修正
PDE中sss的含义是人口增长的极限,它在基础模型中被假设是一个常数,但事实上sss具有再生产性。假设sss是人口ppp的函数,则PDE可以被修正为
dpdt=γ(s(p)−p)p+δΔp\frac{dp}{dt} = \gamma (s(p)-p)p + \delta \Delta p dtdp=γ(s(p)−p)p+δΔp
城市规划理论II 通勤与移居相关推荐
- UA PHYS515 电磁理论II 静电场问题6 正交函数系简介
UA PHYS515 电磁理论II 静电场问题6 正交函数系简介 完备标准正交函数系 常用的正交系 正交系与Laplace方程 完备标准正交函数系 Poisson方程的解可以用正交函数系表示,在不同的 ...
- UA PHYS515 电磁理论II 静电场问题5 用Green函数法求解interior Dirichlet问题的例子
UA PHYS515 电磁理论II 静电场问题5 用Green函数法求解interior Dirichlet问题的例子 例2 均匀金属空心外壳厚度可忽略的接地球球心位于原点,半径为aaa,用球坐标(r ...
- UA PHYS515 电磁理论II 静电场问题4 用Green函数法求解Dirichlet问题
UA PHYS515 电磁理论II 静电场问题4 用Green函数法求解Dirichlet问题 上一讲我们讨论过Dirichlet问题的积分解: Φ(r⃗)=∫Vρ(r⃗′)G(r⃗,r⃗′)dx′d ...
- UA PHYS515A 电磁理论II 静电学问题的一个例子
UA PHYS515A 电磁理论II 静电学问题的一个例子 例 假设有一个中空球形导体,中空部分也是一个球形,半径为aaa,球心与导体相同,导体半径为bbb:球心处有一个+q+q+q的点电荷,距离圆心 ...
- UA PHYS515 电磁理论II 静电场问题3 边值问题及其解的唯一性
UA PHYS515 电磁理论II 静电场问题3 边值问题及其解的唯一性 Dirichlet问题与Neumann问题 边值问题解的唯一性 Green函数解释Image charge method 上一 ...
- UA PHYS515 电磁理论II 静电场问题2 电荷与静电场的几何: Green函数法的物理背景
UA PHYS515 电磁理论II 静电场问题2 电荷与静电场的几何: Green函数法的物理背景 单个电荷形成的静电场 Green函数的一些数学结果 Green恒等式与Green定理 Green定理 ...
- 城市规划理论1 选址理论
城市规划理论1 选址理论 Weber问题 Leon Moses模型 Weber问题 最早正式提出选址问题(Location Problems)的经济学家是Alfred Weber.在他1909年的书中 ...
- UA PHYS515 电磁理论II 静电场问题1 对称性与Image Charge Method
UA PHYS515 电磁理论II 静电场问题1 对称性与Image Charge Method 对称法与Image Charge Method的理论基础 例1:接地导电板外的自由电荷 例2:均匀电场 ...
- 哈工大三本计算机考研,纯干货【普通三本逆袭哈工大】—城市规划考研必胜经验...
[专业课]楼主就想起来什么就总结点什么吧,你们就知足吧!话说专业课是你相对来说比较吃亏的一科目(与本校学生相比较),为什么说吃亏呢? No.1:人家本校都学过,至少知道每门课的知识点是什么,每个老师都 ...
最新文章
- 获取VirtualBox COM对象失败,Unable to start the virtual device
- 通过输入流获取的xml格式字符串转为json和map格式
- PostgreSQL的clog—从事务回滚速度谈起
- Spring框架中的控制反转和依赖注入
- 读书笔记----10日摘抄整理(11)
- 4G模块UICC逻辑通道入口+CGLA
- 鞋城模板+html,西安锦绣鞋城整合营销策划方案
- C/C++面试宝典2022版(最新版)
- ArcGIS 对起伏度、坡度和道路等及进行重分类处理
- 数学建模学习笔记(三十一)模糊评价法
- android cpu调度策略_最完整的Android CPU模式设置和功能
- 万能弹窗代码,能突破大部分弹窗拦截插件
- As a developer —— dotNet —— 01VB是什么
- 三、box 盒子模型
- Tensorflow + 基于CNN神经网络的面部表情识别
- Ubuntu鼠标一直闪烁,win10鼠标正常
- 教宗通谕《在希望中得救》
- Leetcode_35_Search Insert Position
- struct ethtool_ops详解
- 青云QingCloud发布重量级产品 云计算赋能企业核心业务
热门文章
- 算法导论之有关数论的算法
- 关于VC的dialog框PreTranslateMessage不响应现象及解决办法
- Leetcode 203. 移除链表元素 解题思路及C++实现
- php定义枚举,PHP中Enum(枚举)用法实例详解
- 蛋疼的配置go opengl的记录 running gcc failed: exit status 1 in golang in windows
- Mysql迁移到Postgresql
- 通过gps给定的两个经纬度坐标,计算两点之间的距离
- Linux 技术篇-文件大小查看方法实例演示,查看指定文件大小,查看列表下所有文件夹和文件的大小
- Python+selenium 自动化-启用带插件的chrome浏览器,调用浏览器带插件,浏览器加载配置信息。
- Python过滤掉numpy.array中非nan数据