交通模型是城市交通量化分析和科学决策的基石，对准确把握城市交通发展规律、科学预测和推演未来具有重要意义 ^[1-2] 。70年来，伴随技术进步以及城镇化发展阶段的改变，西方发达国家一直在试图寻求相比传统四阶段模型(Four Step Model, FSM)更科学的解决方案，以适应日益精细化、复杂化的交通需求管理政策决策需求。基于活动链的模型(Activity-Based Model, ABM)是国际热门研究领域和新一代模型发展方向。然而大多数的研究仍集中在理论层面，直到1996年美国Bowman和Ben-Akiva提出了一套名为日活动计划的建模框架，ABM模型在实践领域才开始取得突破性进展 ^[3] 。20多年来，在美国已有30余个都市规划组织(Metropolitan Planning Organizations, MPO)完成或正在开发ABM模型 ^[4-6] 。而中国在此领域的工程实践，除了北京做出初步探索外 ^[7-8] ，基本处于空白 ^[9] 。

现有ABM模型过于复杂，片面追求精细化和模型的非集计化，在实践中面临诸多难以克服的障碍 ^[10-14] ，并不适合仍处于快速城镇化发展进程的城市。而传统四阶段模型正面临理论基础、大数据环境和实践应用的全面挑战，亦亟待转型升级 ^{[4-6, 9-12, 15]} 。因此，寻求在四阶段模型和ABM模型之间务实而折中的工程化解决方案，是中国城市迫切需要审慎思考和做出科学研判的一项重大课题。

本文在综合比较活动链和出行链模型现实局限性的基础上，提出了一种新的基于集计出行链的模型架构方法(Aggregate Tour-Based Mode, ATBM)。该方法基于活动理论和国内典型城市活动-出行特征分析，以基本出行链为分析单元，按集计的人群分类进行模型架构，有效弥合了四阶段模型的缺陷以及活动链模型在实践应用方面的障碍。基于武汉市的实证分析，揭示了该模型框架在千万级人口、3 400个以上交通小区(Traffic Analysis Zone, TAZ)和大规模复杂场景下的工程可行性。

无论是基于出行的四阶段模型，还是基于活动的ABM模型，最根本的目的都是为了模拟和再现人们的真实活动。只不过前一种是以数理统计理论为基础，注重的是人们活动出行的结果——交通流在空间的分布(路径选择、交通分配等)，以及出行涉及的发生吸引、交通分布、交通方式选择等，而忽略了人为什么要出行以及出行的细节(如出行时间选择等)，是一种逆向果因。而基于活动的模型则根植于社会学和人类行为学，将活动需求视为出行产生的根源，从源头上研究人们为什么要出行(活动产生的根源及其内在机制)以及怎样出行(时空、驻留、交通方式与行为模式等)，因而具有更强的理论解析能力 ^{[10, 12]} 。

在既往研究中，活动链和出行链的概念常常容易被混淆，因此有必要首先予以澄清和界定。图1列举了某个体24 h出行活动(Activity)。活动链(Activity Chain)顾名思义就是指某个体一日活动顺序链接的组合。图1可记为“HTHCWSWHQHO”。活动链模型就是以活动链为基本构造单元，试图最大程度还原和再现居民活动出行的一种建模方法。

图1 某居民典型日活动出行及出行链解析

宽泛的理解，出行链(Tour)指出行者一日出行顺序链接的组合，则出行链等同于活动链。但仔细梳理便不难发现，大部分活动链都是由若干个具有往返结构的单元构成。本文将出行者从某个起点出发，最后回到该起点的一系列出行顺序链接的独立往返单元，称之为出行链。一个活动链可以包含多个出行链，而一个出行链有且仅有一个独立往返单元(去程和回程)。因此，出行链模型就是以活动链的次级单元——出行链为基本构造单元的一种建模方法。

ABM模型由于需要构造和还原个体的活动链，甚至模拟家庭成员活动出行选择的复杂关系，因而偏向非集计的建模途径 ^{[5, 10-15]} ，对于一座动辄百万乃至千万人口的城市而言，ABM建模绝非易事。

1）模型运行时间和计算效率。纽约模型最初版本在大型服务器上运行一次需要一周时间，改进后仍然需要3天时间 ^[12] 。加拿大约克地区(2006年总人口约89万人)模型基于Z440服务器(Intel Xeon E5-1603v3，128Gb内存)运行一次需要30~35 h ^[16] 。

2）模型收敛问题。城市交通供给水平的变化会导致交通需求的重新分布，进而影响交通供给水平，因而交通模型在供给和需求之间需要进行多次迭代以达到收敛和稳定。受制于模型运算效率，当前ABM模型通常以预先设定的少量迭代结束(通常不大于5)，无法实现收敛水平检验。

3）结果的不确定性。由于ABM模型基于蒙特卡洛模拟，导致每次运行的输出结果不同。这也是其在政府投资项目中应用受阻的重要原因，因为大多数成本收益分析是不可能基于一个具有不确定性的运算结果。

4）应用障碍。ABM模型需要精细化的个体数据予以支撑，而对于仍处于快速城镇化进程中的城市而言，未来预测年很难得到与之匹配的精细化数据，因而在中长期预测分析方面尚存在障碍，不足以完全取代四阶段模型。在美国部分城市，为了兼顾不同的应用场景，人们有时候不得不同时维护四阶段和ABM两套模型。除此之外，高昂的研发和高性能计算投入、既有模型升级的沉默成本和技术不确定性因素等，也是ABM模型在现实应用方面尚待克服的障碍之一 ^[14-17] 。

相比而言，出行链模型则具备充分的灵活性，一方面可以将相关联的活动连接为一个整体，最大限度地确保出行链内部往返出行在出行时间、交通方式和出行主体上的一致性与约束性，以改进四阶段模型的理论缺陷问题；另一方面适度降低了活动链建模的复杂性，换取的优势是可以适用于集计和非集计两种灵活建模途径。但即便如此，构造出行链模型仍绝非易事。以武汉市为例，2020年12月居民活动-出行调查(1.5万户，0.5%抽样率)共得到原始活动链559种，经过清洗、校核后，筛选出有出行且以家为初始起点并最终回到家的样本，其活动链类型共344种，解析为出行链后仍有153种之多 ^[18] 。因此采取非集计化途径同样面临类似活动链的复杂性障碍。

目前在出行链模型方面较有代表性的研究包括英国交通部支持开发的DIADEM ^[19] ，ATKINS公司团队2006年为英格兰西部伙伴关系城市群开发的GBMF ^[20-21] ，以及PTV公司在中东国家巴林、卡塔尔、阿拉伯联合酋长国、土耳其以及国内的北京等项目中采用的方法 ^[22] 。现实局限性包括：1)缺乏对出行链的结构解析和完整描述，未能从四阶段模型完全独立；2)模型输出不能保证出行链的完整性，输入的出行链结构被打断，无法重构分析整体出行链的行为特征；3)对于关键计算过程缺乏清晰的数学定义，如联合的目的地选择和方式选择模型，出行链往返过程中交通方式的可变性等，整个需求建模过程在很大程度上是黑盒化的，用户很难根据出行链类型来理解出行方式；4)没有定义活动持续时间的概念，对于城市按停车时长进行收费等需求管理政策缺乏响应等。

尽管如此，出行链模型仍然展现了广阔的发展前景 ^[23] 。从现实发展的角度来看，中国超(特)大城市新一代交通模型研发，首先宜立足于出行链模型，实现基础理论的更新升级，然后视未来发展需要，逐步探索转向活动链模型的可行性。

基于上述分析，本研究提出了一种新的集计出行链模型方法(Aggregate Tour-Based Mode, ATBM)。该方法以基本出行链为分析单元，以人群为对象按照集计的方式进行模型构建，充分考虑各出行链去程和回程在时间、交通方式以及主目的地选择和中途停留点选择的时空制约因素和内在一致性。

所谓基本出行链(Base Tour)，就是基于居民活动-出行解析，从活动链提炼出行链，然后按照往返的逻辑，将出行链去程的终点设定为主目的地，去程和回程过程中其他次要活动停留点称为中途停留点。基本出行链就是只保留主目的地而去除了中途停留点的一类特殊出行链。如图1中“HCWH”，上班(W)为主目的地，上班途中送小孩上学(C)停留的地点(学校)为中途停留点，“HWH”即代表基本出行链。在1个统计周期内(如24 h)不能构成完整往返结构(只有去程或者回程)的出行链，称之为半程出行链(Half Tour)。由此，图1活动链可解析为基于家工作出行链(HCWH)、基于家其他出行链(HTH，HQH)、基于工作地的出行链(FSF)以及半程出行链(HO)。其中“HCWH”，先基于“HWH”建模，然后补全中途停留点C。整个解析的思路和逻辑遵循“活动链—出行链—基本出行链—中途停留点”，实现“复杂/非集计—简化/非集计—再简化/集计—还原”的过程。集计出行链模型整体架构如图2所示。

图2 集计出行链模型整体架构

该模型架构最上层为模型输入层，包括居住人口、就业岗位、学区学位、社会经济、拥车率等常规四阶段模型通用的输入参数，以及交通网络、运行管理政策等供给模型参数。模型输入层与四阶段法基本相同，因而有效降低了模型升级的难度，同时亦确保模型在规划年预测方面具有同样的可支撑性。所不同的是需要更精细的数据维度、人群分类、模型时段划分与参数设置等。

在输入层下方是居民活动-出行解析层。设置这一层的目的是确保在开始出行链需求计算之前，能够通过居民活动-出行解析，精准研判建模城市的本地化特征，找到基本出行链类型。在本框架中，共设置基于家工作出行链、基于家上学出行链、基于家其他出行链、基于工作地出行链和基于其他出行链(主要针对对外集散点和城市进出口建模)5大类，依次对应居民通勤、通学、生活、工作和商旅5个主要活动类别和城市空间活动单元(见图3)。而半程出行链经过集计后，亦可纳入上述分类范畴，从而确保模型架构的统一性，并可以适应常住人口、流动人口等各类出行链，实现从简单到复杂、在统一的框架下进行建模。

图3 活动链解析与基本出行链分类体系

出行链需求建模层共包含出行链生成模型、基于时空约束的出行链目的地-方式联合选择模型、交通需求与供给迭代嵌套模型三个组成部分。最后是模型输出层，在模型整体达到收敛条件下，将出行链需求矩阵转换为出行OD矩阵，并进行最终的交通分配和结果输出，此环节亦与既有四阶段模型相通。由于进行了时段划分和时间选择建模，模型架构具备输出分时OD和支持动态交通分配的条件。

出行链需求建模层的三个组成部分是技术核心。其中出行链生成模型通常按照人群类别和基本出行链进行交叉分类，得到不同人群和出行链类别的生成量，是模型计算的基础。

在出行链目的地-方式联合选择模型中，整合了出行链时间选择模型、主目的地和出行方式选择模型以及中途停留点模型三个子模型。如图2中步骤3所示，最右边的分支用于自下而上的可达性对数和计算，中间的分支用于自上而下的需求计算，最左侧的分支用于出行链中往返行程的中间停留点建模。在寻求行为真实性和模型敏感性的同时，出行链时间选择模型明确考虑了出行链内部各出行的出发时间以及活动持续时间，以便真实反映诸如分时计费的停车成本和不同群体出行链的时间特性。而出行链方式选择模型将去程和回程分开计算，则可以精细地刻画往返方式选择的一致性和可变性。中途停留点模型作为可选子模块，以适应出行链无中途停留点和有中途停留点等不同情形。在该架构中，直到最后一个步骤“分时段需求计算”方才由出行链(Tour)拆分为出行(Trip)，体现了出行链在整个模型计算过程中的完整性和一致性。

模型框架同步引入了交通需求与供给迭代嵌套机制，以实现供需模型之间的迭代反馈并确保模型快速收敛至可接受的水平，从而确保模型结果的稳定性。正如前文所述，这一机制有效弥补了ABM模型的缺陷。基于差距函数GAP进行收敛判别，其计算公式为

式中： X 和 C 分别为当前需求矩阵和综合阻抗； D 为经迭代后的下一轮需求更新； i 和 j 分别为交通小区起终点； p 为活动类别； c 为人群类别； m 为交通方式； T 为出行链时段划分。根据英国交通部发布的《交通分析指南》(Transport Analysis Guidance) ^[24] ，模型收敛Gap值低于0.2%为合格标准，更高水平的收敛需要达到Gap低于0.1%。为加速模型收敛过程，当前的需求矩阵和下一轮需求矩阵在进行迭代更新时，引入了MSA平滑计算方法。

1）实现了基于活动理论的居民出行链完整建模。

相比于既有出行链模型，本模型架构确保了出行链从生成、时间选择、主目的地选择、方式选择再到中途停留点的完整性和一致性。即出行链需求建模输入的是出行链(生成矩阵)，输出的仍然是出行链(OD矩阵)。在此机制下，基于不同的人群类别和基本出行链，理论上可以实现针对任意群体和个体的活动建模，因此亦保留向上升级为ABM模型的条件。

2）以基本出行链为分析单元，有效降低了居民活动建模的复杂度，亦同时确保了居民主体活动特征的一致性。

以武汉市为例，尽管活动链和出行链分别有344种和153种，但出行链中86.9%的样本属于基本出行链，而有停留点的样本整体占比13.1%，其中92.3%只有一个停留点 ^[13] 。先对基本出行链进行建模，然后再针对中途停留点进行单独建模，亦将显著降低中途停留点选择集的数量，提高模型的现实可靠性和运算效率。

3）使用多约束的目的地选择来满足供需平衡，同时使用可达性变量(下层效用的logsum)和结合用地的规模变量(size variable)作为目的地选择过程中的输入，提升了模型的可解析性。

基于家工作出行链、基于家上学出行链属于稳态出行，在出行链的两端存在紧密的职住、住学关系约束以及时间约束，可以适应大数据环境下模型校核；而基于工作地出行链则属于一端固定、非稳态、时间紧约型，其中工作地可以与基于家工作出行链相关联；基于家其他出行链和基于其他出行链均属于出行链一端固定、时间非紧约、非稳态类型(见图3)。除了基于家上班出行链之外，基于家上学出行链又可以细分为小学、中学、大学等不同的类别，以对应不同的出行群体。相比传统四阶段模型中的交通分布重力模型以居住人口、就业岗位等作为约束条件，目的选择模型可以更精细地反映职住、学区划分、兴趣点等相关信息。

4）模型架构清晰透明，易于升级和维护。

相比四阶段模型，本架构增加了出行链时间选择模型(去程出发时间和回程出发时间)、考虑了出行链去程和回程交通方式选择的一致性和可变性，用目的地选择模型代替交通分布模型，并允许在去程、回程插入一个或多个(通常最多3个)中途停留点，更接近现实决策情景。而在数据需求方面，仅需要对居民出行调查和SP调查 ^[25] 进行针对性的改进。由于是基于人群的建模，在人群样本覆盖足够的情形下，本模型架构需要的抽样率比传统模型更低。

本文以武汉市为例，验证整个模型架构的可行性和实际性能。武汉市位于中国中部，是常住人口逾1 200万人的超大城市。早在1999年，该市就已经构建了完善的四阶段模型并持续维护升级，模型范围为全市域8 569 km ² ，具有良好的实践基础。本文构建了3 476个交通小区和1 678个交通小区两种不同颗粒的交通小区系统，并使用同口径的模型参数、网络和基础数据。输入数据包括第七次人口普查，第四次经济普查，现状用地，建筑，兴趣点，各类学校学生人数、教职工数、学位数以及学区划分等。用于模型标定和校核的数据包括手机信令、公共交通刷卡、交管卡口，出租汽车、公共汽车GPS等大数据，全市2020年12月开展的1.5万户居民活动-出行家访调查、1 500份SP调查 ^{[18, 25]} 以及流动人口、查核线等专项调查数据。

出行链需求模型共考虑了12类人群、9种基本出行链，形成68种“人群+出行链”组合，同时划分主城内外2个圈层地域、5个出行时段和5种交通主方式。在供给模型方面，共包含10.8万条路段，4.3万个节点，1 457条公共交通线路(含轨道交通、公共汽(电)车、BRT等，分上下行)，对1.1万个节点进行了交叉口转向校核。为配合需求模型中的时段划分，真实反映不同时段的交通运行和服务状况，供给模型亦划分为5个不同时段的网络，并结合每个时段交通供给的差异性进行了细致的建模。

由于时间变量具有连续性和持续性特征，而出行链去程起始时间和回程起始时间的组合有无限多个，因此通常以时段的形式表示。以 t ^o 代表出行链去程出发时段、 t ^r 代表出行链回程出发时段，则有： t ^o  <  t ^r 。以 T _O 代表去程出发可选择的时段， T _r 代表回程出发可选择的时段，则有： t ^o  ∈  T _O ， t ^r  ∈  T _r 。令 t 为由 t ^o 和 t ^r 构成的一个完整出行链，记 t =（ t ^o , t ^r ）。将一日划分为 n 个时段，记为 T ₁ , T ₂ ,?, T _n ，在不考虑超过一个循环周期(超过1 d)的情况下，去程和回程的时段组合共有（ n +1）× n /2个。以5个时段为例，如AM (06:00—09:00)，MD (09:00—16:00)，PM (16:00—19:00)，EN (19:00—22:00)，NT (22:00—06:00)，则对于出行链生成模型所得到的每一类细分的“人群+出行链”，其去程和回程出发时段可选组合将有15种(见表1)。

表1 出行链时序组合系数矩阵示例

为保证活动-出行的一致性，本文提出的出行链目的地-方式联合选择模型采取三层Logit模型。根据往返行程逻辑，返程方式受到去程方式的影响，因此在构建Nested-Logit模型(NL模型)时，回程方式的选择置于去程方式的下层。首先进行去程方式(主方式)的选择，在确定去程方式后，再进行回程方式(从属方式)选择(见图4)。

图4 出行链目的地-方式联合选择模型

1）方式选择。

实证模型共考虑了5种主要交通方式，M ={ 小汽车驾驶人、小汽车乘客、公共交通、出租汽车/网约车、非机动交通 }。根据行为的一致性，设定小汽车驾驶人是唯一不可变方式，即若去程为小汽车驾驶人，则回程亦限定为小汽车驾驶人；其他四类为可变方式。因此，各出行链去程和回程方式可选组合共17种(见表2)。

表2 出行链中的去程-回程方式组合

对于不可变方式(小汽车驾驶人)，由于去程和回程方式相同（ m ^r =  m ），则全天效用采用出行效用的加权平均值进行计算，即

式中： i 为出发地； j 为目的地； p 为出行目的； c 为人群类型； m 为交通方式； U _ijpcm 为 c 类人群以 m 类交通方式完成出行目的 p 时，从小区 i 到小区 j 的工作日全天加权平均效用； U _ijpcmt ^o ， U _jipcmt ^r 分别为上述情况下，小区 i 到小区 j 间去程和回程的效用； W _pct 为 c 类人群完成出行目的 p 时，出行链 t 在该时段的出行需求占全日总需求的比例，并满足 (见表1)。

对于可变方式，出行链方式选择需要先进行主方式  m  (去程)选择，再进行回程的从属方式(sub mode)  m ^r  选择。对于出行链  t  =（ t ⁰ , t ^r   ），需要通过计算全部方式组合（ m , m ^r ）下去程和回程的效用，再加权得到全天的平均效用值。

式中： α ₁ 和 α ₂ 分别为去程和回程交通方式的占比，当方式不同时， α ₁ =0.9 ， α ₂ =0.1 (结合实际调查确定)，当方式相同时， α ₁ =1 ， α ₂ =0 ； U _jipcm*t ^r  代表在混合方式出行（ m  ∈ mix, m ^r  ≠  m ）情况下，在进行回程目的地选择过程中，次方式(回程)选择的效用，计算公式为

式中：mix 为可变方式构成的集合； m* 为当去程为可变方式时，mix 类型中与去程方式不同的其他出行方式， λ ^m _pc 为主交通方式选择的缩放系数。

2）目的地选择。

出行链主目的地选择处于主方式选择的上层。目的地选择效用包含两个部分，前半段为子过程即目的地选择的下一层——方式选择部分全部方式的logsum值，对应该部分的参数为 β ^d _pc ；后半段为对应出行目的 p 下目的地规模变量( Size Variable )的对数值以及对应每一个规模变量的系数 σ _jp   ，不同的规模变量以 k 表示。目的地选择效用的计算方法如下：

目的地选择概率计算采取单约束和双约束两种方式。对于基于家工作出行链，主目的地选择通过二维矩阵形式的IPF算法(rectangular IPF)实现双约束平衡；基于家上学出行链通过二维方阵形式的IPF算法(square IPF)实现双约束平衡；其余出行链则基于单约束机制。根据上述效用函数，可以计算得到出行链主目的地选择、去程主交通方式选择和回程次交通方式选择的概率。其中出行链主目的地选择概率

主交通方式(去程)选择概率

次交通方式(回程)选择概率

式中： B _jp 为 j 小区出行目的为 p (上班/上学)的平衡系数，该系数表示IPF计算的调整结果。

以员工下班途中去吃饭、购物的“HWEH”出行链建模为例，通过“橡皮筋”算法，在中途停留点选择模型中度量停留点与原本的返程路线间的空间偏移程度。在从目的地返回出发地的途中，由中途停留点 q （ q ∈ Q ）产生的阻抗

式中： IMP _jqcm ^r 为目的地至中途停留点的阻抗； IMP _qicm ^r 为中途停留点至出发地的阻抗； IMP _jicm ^r 为出发地至目的地不含中途停留点的阻抗。

在确定中途停留点时，模型假设每一位出行者都以最小化出行总费用为目标。中途停留点所在交通小区对应的吸引力变量与主交通方式选择过程中使用的保持一致。中途停留点为 q 的回程出行效用

式中： β ^d _pc 为效用参数； SizeVariable _pcq 为停留点所在地规模变量。

在完成效用计算后，使用标准的单约束目的地选择来确定中途停留点 q 对应的交通小区。

模型参数标定和校验是一项庞大而系统的工作，其中出行链生成模型参数拟合分别采用多项Logistic回归的方法和R语言中multinom函数进行拟合；时间选择模型分别基于R语言中polr函数和lm函数进行拟合；而效用的参数标定则基于SP调查用biogeme包进行参数标定；中途停留点则基于Hurdle模型进行参数标定和拟合。实证模型从出行链生成、时间选择、出行距离分布、交通方式划分以及查核线断面流量、高峰小时的方向不均衡性、公共交通客流量等方面进行了全方位的校核，并结合手机信令数据、居民活动-出行调查数据和查核线数据进行了特征对比，总体结果显示良好(见图5~图7)。

图5 典型出行链生成校核

图6 典型出行链目的地选择模型出行距离校核

图7 分区域交通结构校核

在模型收敛与运算效率方面，实测结果显示，在Precision7730移动工作站(Intel(R)Xeon(R)E-2186MCPU@2.90 GHz；RAM128 Gb)硬件环境下，模型冷启动达到正常收敛水平(Gap<0.2%)，共迭代24次，耗时28.1 h；继续运行可进一步达到Gap<0.1%的收敛水平，耗时约49.6 h，迭代43次(见图8)。在适当降低交通小区数量至1 678个以后，模型同样可以达到上述收敛标准，迭代次数分别为30次和58次，耗时分别为9.5 h和17.8 h。测试结果验证了该模型架构的现实可行性和运行稳定性。这一结果和性能亦显著优于ABM模型公开测试的结果。

图8 模型运行收敛指标(GAP)及运行时长

现实性与敏感性用于检验模型对输入参数变化的响应能力，基于弹性量表达。弹性量 η /%定义为1%的时间或费用或其他特征(如运行速度或服务水平)变化引起的出行需求变化，

其中 P ₁ 和 P ₂ 分别代表基本情形和变化情形， Q ₁ 和 Q ₂ 分别代表与 P ₁ 和 P ₂ 对应的需求出行量。本文主要结合城市交通需求管理政策研究常见的三种典型场景：燃油价格波动、公共交通票价调整和停车收费费率变化进行测试分析。结果显示(见表3)：燃油费增长10%，全市范围总体平均弹性值为-0.17(即燃油费1%的增长将导致需求下降0.17%，下同)；公共交通票价提高10%，总弹性量为 -0.63；停车费率增加10%，小汽车出行的弹性量为-0.68，且主城区的弹性量为-0.9，说明主城区对停车收费变化更敏感。模型亦可以敏感捕捉到停车收费变动对小汽车乘客和驾驶人的影响(假设小汽车驾驶人和乘客平均分担停车费用，见表4，弹性量分别为-0.77和-2.67，说明小汽车乘客弹性高于驾驶人，对费用更敏感)。由于国内尚无相关标准，经与文献[26]推荐的弹性值参照比对，模型弹性变化均在参考值范围内或基本相当。

表3 基于多方案的模型弹性测试比较

表4 武汉市主城区范围内停车费用弹性值

寻求城市交通模型从传统四阶段模型向基于活动的模型发展转型，探索现实可行的工程化方案，是中国城镇化发展进程由高速增长向高质量精细化发展、寻求城市交通科学治理的必由之路。本文结合武汉市实际调查数据，进行了模型体系整体重构探索和实证研究，有以下几点启示。

1）客观认识四阶段模型、出行链模型和活动链模型的关系。

四阶段模型虽然在理论上存在局限性，但中国城市在过去30年来高速城镇化进程中主要面向中长期发展决策，四阶段模型仍然是最经济可行和科学简便的通用预测方法。在寻求转型升级过程中，从集计模型转向非集计的活动链模型不可能一蹴而就。本文提出的集计出行链模型兼有四阶段模型和活动链模型的优点，实证测试可行，不失为一种务实的选择，应加大研究力度和实践推广。

2）避免盲目陷入模型精细化和复杂化陷阱。

即便是出行链模型，亦需要庞大的资源消耗。出行链的人群类别、基本出行链种类、出行链的时段划分、交通方式选择的数量和交通小区颗粒度(数量)是核心制约因素。在当前大数据环境下，交通小区划分完全可以做到地块级、时段的划分可以做到小时级甚至更精细，人群的维度和基本出行链的种类亦可以更多维和更细，但每个维度的增加都将导致后续计算量几何级增长。仅以时段划分为例，5个时段和15个时段的计算量、耗时和参数约相差7倍。本文实证案例所遵循的维度，似乎可以提供一个通用的标准，即在约2 000个交通小区下，模型运行达到合格收敛水平基本可以控制在12 h以内(one night标准，通常指不超过一个晚上，如模型人员下班前启动运行，次日上班可以得到收敛结果)，而计算机资源的消耗重点在于CPU性能和内存，3 476个交通小区情形下内存消耗接近当前单机128 GB极限值。

3）重视和强化模型的校核校验。

作为一项庞大的系统性研究，本文实证重在阐述模型架构的工程可行性，围绕模型收敛性能、运算效率、现实性与敏感性等方面进行了分析，这些指标均是活动模型是否具备工程实践应用价值至关重要的标准。传统四阶段模型用短期的小样本居民出行调查扩样推导居民出行OD，进而用于模型参数标定和校核，这一思路正日益受到大数据研究者的质疑。城市交通模型似乎更应该是基于居民出行特征的提取和内在行为机理的剖析，然后植入现实模拟环境中进行验证，这恰恰是活动模型所倡导的方向。对于模型的精度测试和验证，除了模型本身之外，还涉及输入的居住人口、就业岗位等外部边界条件，亦取决于调查数据的质量以及各校验数据的统计口径和时间匹配性，需理性看待，本文未详细展开论述。

4）在实践中检验和更广泛的实证测试。

本模型架构及实证模型在功能上可以覆盖四阶段模型的所有方面，因此可以完全取代四阶段模型，而且在数据基础方面与四阶段模型接近，因此亦可以轻松应用于规划年预测，这是ABM模型目前难以企及的；在广度方面，理论上可以将常住人口、流动人口、对外交通集散点和城市进出口等所有出行链类别囊括在一个统一的模型框架下。对于差异化停车收费、复杂的公共交通换乘优惠、交通拥堵收费等大多数城市交通需求管理决策类型，实证模型都能找到相应的解析途径，因而具有广阔的应用前景，限于篇幅的原因，本研究还有待于更多城市的实践佐证和探索。关于出行链模型和四阶段模型的对比验证，如目的地选择模型与常规重力模型的比较等，亦值得进一步深入研究。

5）加强出行链模型标准、指南和常态化居民活动出行调查机制建设。

最后，不可否认的是，中国在四阶段模型应用和研究方面虽然积累了丰富实践经验，但至今尚未有一套完整的建模指南，参数标定与模型校验亦缺乏系统性的标准，这无疑加大了新技术研究推广的难度。尤其是建模的数据基础方面，业内已经充分认识到大数据并不能完全取代小样本调查。而人工调查如何确保质量，既需要经费与政策保障，更需要类似人口普查、经济普查等自上而下的常态化制度建设。出行链模型作为一项崭新的课题，对调查数据质量要求更高，立新规而开新局，不失为一个契机。本文仅抛砖引玉，期待国内外同仁的共同推动、交流和努力。