习惯和路况对小汽车出行路径选择的影响

引用本文

宗芳, 路峰瑞, 唐明, 吕建宇, 吴挺. 习惯和路况对小汽车出行路径选择的影响[J].吉林大学学报（工学版）, 2018,48(4): 1023-1028
ZONG Fang, LU Feng-rui, TANG Ming, LYU Jian-yu, WU Ting. Impact of habit and traffic condition on travel route selection[J]. Journal of Jilin University Engineering and Technology Edition, 2018,48(4): 1023-1028 复制到剪切板

Doi:10.13229/j.cnki.jdxbgxb20170498
Permissions

习惯和路况对小汽车出行路径选择的影响

宗芳, 路峰瑞, 唐明, 吕建宇, 吴挺

吉林大学交通学院,长春 130022

通讯作者:唐明(1976-),男,讲师,博士.研究方向:运输系统规划与管理.E-mail:tangming@jlu.edu.cn

作者简介:宗芳(1979-),女,教授,博士.研究方向:运输系统规划与管理,经济数量分析理论与方法.E-mail:zongfang@jlu.edu.cn

基金:国家自然科学基金项目(50908099); 吉林省科技发展计划项目(20150204021SF).

摘要

基于Vissim构建道路实时路况模拟场景,设计SP(Stated preference)意向调查问卷,获取不同路况下小汽车路径选择数据。建立出行路径选择的二项Logit模型,解析习惯和实时路况对路径选择的影响程度。结果表明,习惯和路况对出行者的路径决策均有影响,总体来说,前者的影响高于后者。不同路况下二者的影响程度有所变化。本文模型能以较高精度预测在不同路况下小汽车遵循习惯路径或根据路况调整行驶路径的概率。研究结论可用于车载导航软件中的出行路径实时预测和推荐,在智能交通诱导方面具有一定应用价值。

关键词: 交通运输系统工程; 出行路径选择; SP调查; 二项Logit模型; 习惯; 路况

中图分类号:U491.2 文献标志码:A 文章编号:1671-5497(2018)04-1023-06

Impact of habit and traffic condition on travel route selection

ZONG Fang, LU Feng-rui, TANG Ming, LYU Jian-yu, WU Ting

College of Transportation, Jilin University, Changchun 130022, China

Abstract

A state-preference survey on drivers' route selection is conducted by designing the simulation scenario with real-time traffic condition in Vissim. A route selection forecasting model is constructed with binary logit model. The impact of habit and traffic condition on the drivers' route decision is estimated using this model. Results indicate that both the habit and traffic condition impact the drivers' route selection, however, the influence of habit is greater than the traffic condition. Besides, the effects of both factors vary with the changing traffic condition. A real-world forecasting experiment proves that the proposed model can be applied to predict the selection probability between habit route and alternative route according to traffic condition with satisfactory prediction accuracy. The results can be applied to real-time prediction and recommendation of travel route in vehicle navigation software.

Keyword: engineering of traffic and transportation system; travel route selection; stated preference(SP) survey; binary Logit model; habit; traffic condition

文章图片

0 引言

随着城市经济和人口的发展, 机动车保有量逐年增加, 小汽车出行量近年来在我国各城市呈现井喷式增长, 给道路交通系统带来很大压力, 导致城市交通拥堵问题日益严重, 对社会生产和生活造成巨大影响。如何解析小汽车出行的路径选择机理, 以较高精度实现出行路径实时预测, 通过有效诱导使出行者避开拥堵路径, 是缓解交通拥堵问题的一种有效方法。

在一次完整的小汽车出行过程中, 出行路径决策一般分为两个部分, 即出行者依据习惯、偏好等进行的出行前的路径初步规划, 以及依据实时路况等进行的出行中的路径调整。例如, 当规划路径过度拥挤时, 有些出行者可能选择绕道行驶, 但有些出行者会因为习惯、驾驶经验等原因继续留在拥堵路段, 而不改变路径。出行路径决策中的主要影响因素包括习惯、实时路况、出行属性和出行者属性等。在多因素共同的复杂影响下, 出行者做出路径的实时选择和调整。

出行路径的选择分析是出行行为分析的热点之一^[1]。栾琨^[2]将出行者的信息搜索、学习、认知更新和方案搜索等要素关联在一起, 构建了基于后悔最小化理论的出行路径选择行为模型。Chorus等^[3]构建了多模式信息下的出行仿真器, 验证了出行信息对驾驶员路径选择的影响。李春燕等^[4]研究驾驶人在先进的出行者信息系统提供的多源实时信息条件下的出行途中路径选择行为, 建立基于二元Logit模型的出行途中路径选择模型, 分析出行者对信息的参考概率。近年来, 以往研究的关注点主要集中于各种实时路况信息对出行选择行为的影响, 很少有研究考虑习惯或偏好对路径决策的影响。因此, 有必要在出行路径预测中同时考虑这两个因素。针对以往研究缺乏对二者影响权重的定量计算和对比, 本文将以意向数据调查和选择行为建模分析为主要手段, 解析出行者如何在不同的实时路况下对习惯偏好路径进行调整, 计算不同路况下习惯与路况等因素在路径决策中的影响程度, 解析出行路径选择机理。

1 出行路径选择行为SP调查数据分析

由于本研究需要获取不同路况下的路径选择数据, 因此采用Vissim软件构建道路实时路况模拟场景, 采用SP(Stated preference)调查方法^{[5, 6]}, 获取出行者的路径选择行为偏好。调查问卷主要涉及3方面信息:①受访者的年龄、汽车驾龄、职业和学历水平等个人基本信息; ②出行目的和出发时段等出行信息; ③针对不同路况情境的路径选择信息。其中, 路况模拟场景设置为有两条可选路径, 其中一条为出行者的习惯出行路径A(简称习惯路径A), 另一条为出行者因路况可以选择的其他路径B(简称备选路径B)。根据道路交通运行指数 ${(0 ~ 10)}^{[7]}$ 将路况分为畅通(0~2)、正常(2~6)和拥堵(6~10)3种状况, 分别在两条路径上设置不同的路况, 则习惯路径A和备选路径B生成9种路况组合。应用微观交通流仿真软件Vissim进行不同路况下的交通流仿真, 并向受访者显示不同路况的车辆运行动图, 由受访者根据动态交通流情境进行不同路况下的路径选择。例如, 当习惯路径 $A 拥堵, 备选路径 B$ 路况正常时, 两个路段的交通仿真效果截图如图1所示。

	Figure Option View Download New Window
	图1 习惯路径A、备选路径B的交通仿真效果截图Fig.1 Screenshot of traffic simulation for customary road A and alternative road B

本调查分为两部分, 第一部分为纸质问卷调查, 第二部分为网络问卷调查, 共获取样本703份。经数据处理和校核, 剔除不合理的数据, 最终获取有效样本615份, 有效数据5535条, 有效率为87.5%。将有效调查数据中的500份样本用于建模, 另外115份用于模型的预测精度分析。

根据调查数据, 设置个人社会经济属性、出行属性和路况信息组合等3组变量, 具体的变量设置和初步统计结果如表1和2所示。

表1 社会经济和出行属性变量设置及数据统计结果 Table 1 Setting and statistics of social economic and trip attribute variables

特性变量	变量分类	分类变量名	比例/%	特性变量	变量分类	分类变量名	比例/%
职业 $J$	公务员	$J_{1}$	18.62	年龄 $A$	18~30岁	$A_{1}$	36.84
	国企/私企	$J_{2}$	24.29		31~50岁	$A_{2}$	56.28
	服务业	$J_{3}$	2.83		51~70岁	$A_{3}$	6.88
	农林牧渔	$J_{4}$	2.43	驾龄 $Y$	一年以内	$Y_{1}$	23.89
	学生	$J_{5}$	22.67		1~5年	$Y_{2}$	26.72
	教师/律师/医生	$J_{6}$	19.43		5年及以上	$Y_{3}$	49.39
	离退休人员	$J_{7}$	0.4	出发时段 $T$	早高峰	$T_{1}$	47.37
	全职主妇	$J_{8}$	2.02		晚高峰	$T_{2}$	13.77
	其他	$J_{9}$	7.29		平峰	$T_{3}$	38.87
月收入水平 $R$	4 000以下	$R_{1}$	35.63	出行目的 $P$	上班/上学	$P_{1}$	43.32
	4 000-8 000	$R_{2}$	47.37		购物/饮食/娱乐	$P_{2}$	20.65
	8 000-12 000	$R_{3}$	8.5		看病	$P_{3}$	3.24
	12 000以上	$R_{4}$	8.5		走亲访友	$P_{4}$	12.15
学历水平 $S$	九年义务教育	$S_{1}$	4.05		公务	$P_{5}$	4.86
	高中/高职	$S_{2}$	6.07	下班		$P_{6}$	6.88
	本科/专科	$S_{3}$	59.11	其他		$P_{7}$	8.91
	硕士	$S_{4}$	21.05	学历水平 $S$	博士及以上	$S_{5}$	9.72

表1 社会经济和出行属性变量设置及数据统计结果 Table 1 Setting and statistics of social economic and trip attribute variables

表2 路况组合变量设置及数据统计结果 Table 2 Setting and statistics of traffic condition variables

路况组合		变量名	选择路径A 概率/%	选择路径B 概率/%
习惯路径A	备选路径B	变量名	选择路径A 概率/%	选择路径B 概率/%
拥堵	拥堵	$C_{1}$	78.86	21.14
拥堵	正常	$C_{2}$	28.46	71.54
拥堵	畅通	$C_{3}$	21.14	78.86
正常	拥堵	$C_{4}$	93.09	6.91
正常	正常	$C_{5}$	77.24	22.76
正常	畅通	$C_{6}$	55.28	44.72
畅通	拥堵	$C_{7}$	95.12	4.88
畅通	正常	$C_{8}$	88.21	11.79
畅通	畅通	$C_{9}$	65.45	34.55

表2 路况组合变量设置及数据统计结果 Table 2 Setting and statistics of traffic condition variables

表2所示的不同路况下的路径选择结果显示, 虽然大部分受访者选择路况更佳的路径, 但也考虑主观上的习惯因素。例如, 当习惯路径A畅通, 备选路径B拥堵时, 有95.12%的被调查者选择习惯路径A, 4.88%的被调查者选择备选路径B; 而当习惯路径A拥堵, 备选路径B畅畅通时, 仍有21.14%的被调查者选择习惯路径A。随着路径A和B的路况改变, 习惯和路况在路径决策中的权重也在改变。当习惯路径A正常, 备选路径B拥堵时, 93.09%的被调查者选择习惯路径A, 6.91%选择备选路径B。相比较习惯路径A畅通, 备选路径B拥堵时的路径选择结果, 选择备选路径B的比重稍有增加。说明被调查者在该路况组合下出行习惯的考虑比重下降, 而偏向了对路况的考虑。

2 出行路径选择的二项Logit建模

2.1 模型建立

Logit模型是出行行为预测分析中应用最为广泛的模型。基于效用最大化行为假说^{[8, 9, 10]}, 该模型将选择枝i对个人n来说的效用函数表示为:

$U_{in} = V_{in} + ε_{in}$ (1)

式中:i为选择枝标号, i=1表示遵循习惯路径(即选择习惯路径A), i=2表示因路况改变路径(即选择备选路径B); $ε_{in}$ 表示不可观测到的影响因素 ${\bar{X}}_{in}$ 以及系统或个人内部因素的效用变动项; $V_{in}$ 是可观测到的影响因素 $X_{in}$ 的效用。 $V_{in}$ 通常采用线性函数的形式表达:

$V_{in} = \overset{K}{\sum_{k = 1}} θ_{k} X_{kin}$ (2)

式中: $X_{kin}$ 是个人 $n$ 的选择枝 $i$ 的第 $k$ 个特性变量值; $θ_{k}$ 是相应的权重系数^{[11, 12]}。

在满足 $V_{in}$ 和 $ε_{in}$ 相互独立且 $ε_{in}$ 服从Gumbel分布的条件下, 遵循习惯路径的效用函数 $V_{1 n}$ 表达式为:

$V_{1 n} = \ln (\frac{P_{1 n}}{1 - P_{1 n}}) = m + \overset{K}{\sum_{k = 1}} θ_{k} X_{kn}$ (3)

式中: $P_{1 n}$ 为选择习惯路径 $A$ 的概率; $m$ 为线性函数中的常数部分。式(3)中 $P_{1 n}$ 也可表示为:

$P_{1 n} = \frac{\exp (m + \overset{K}{\sum_{k = 1}} θ_{k} X_{kn})}{1 + \exp (m + \overset{K}{\sum_{k = 1}} θ_{k} X_{kn})}$ (4)

2.2 参数标定和检验

根据二项Logit模型的赋值原则, 将调查数据赋值后应用统计分析软件SPSS 21.0进行二项Logit模型的参数标定, 结果见表3。

表3 二项Logit模型参数标定结果 Table 3 Calibration results of binary Logit model

参数	标定值	标准差	$\|t\|$ 检验值
常数	0.814	0.301	2.704
$Y$	-0.094	0.046	2.043
$J_{1}$	-0.225	0.110	2.045
$J_{2}$	0.025	0.012	2.083
$J_{3}$	-0.310	0.132	2.348
$J_{4}$	-0.351	0.068	5.162
$J_{5}$	0.074	0.024	3.083
$J_{6}$	0.486	0.082	5.927
$J_{7}$	0.683	0.245	2.787
$J_{8}$	-0.011	0.005	2.200
$T_{1}$	0.064	0.030	2.133
$T_{2}$	-0.206	0.101	2.040
$C_{1}$	0.688	0.207	3.324
$C_{2}$	-1.569	0.196	8.005
$C_{3}$	-1.990	0.208	9.567
$C_{4}$	2.353	0.326	7.218
$C_{5}$	0.592	0.204	2.902
$C_{6}$	-0.434	0.187	2.321
$C_{7}$	1.984	0.286	6.937
$C_{8}$	1.391	0.240	5.796

表3 二项Logit模型参数标定结果 Table 3 Calibration results of binary Logit model

在模型标定步进过程中, 年龄 $A 、$ 月收入水平 $R 、$ 学历水平 $S$ 和出行目的 $P$ 的 $|t|$ 小于1.96, 说明这些变量对出行路径选择的影响不显著, 所以被筛除, 最终留下对出行路径选择影响显著的变量。根据参数标定结果, 选择习惯路径 $A$ 的效用函数如下:

$\begin{array}{l} V_{1} = 0.814 - 0.094 Y - 0.225 J_{1} + 0.025 J_{2} - \\ 0.310 J_{3} - 0.351 J_{4} + 0.074 J_{5} + 0.486 J_{6} + \\ 0.683 J_{7} - 0.011 J_{8} + 0.064 T_{1} - 0.206 T_{2} + \\ 0.688 C_{1} - 1.569 C_{2} - 1.990 C_{3} + 2.353 C_{4} + \\ 0.592 C_{5} - 0.434 C_{6} + 1.984 C_{7} + 1.391 C_{8} \end{array}$ (5)

标定结果表明, 驾龄 $Y$ 、职业 $J$ 、出行时间段 $T$ 和路况组合 $C$ 对路径选择有显著影响。其中, 驾龄 $Y$ 与选择习惯路径 $A$ 呈负相关, 说明随着年龄增长, 出行者根据不同路况的出行路径调整将更为灵活, 而对习惯路径的依赖性也越小。职业为国企/私企人员 $J_{2} 、$ 学生 $J_{5} 、$ 教师/律师/医生 $J_{6}$ 和离退休人员 $J_{7}$ 的出行者更看重习惯, 而职业为公务员 $J_{1} 、$ 服务业人员 $J_{3} 、$ 农林牧渔人员 $J_{4}$ 和全职主妇 $J_{8}$ 的出行者更看重路况信息。当出发时段为早高峰 $T_{1}$ 时, 出行者更倾向于遵循习惯, 出发时段为晚高峰 $T_{2}$ 时出行者更关注路况。此外, 路况组合变量对出行路径选择的影响非常显著, 习惯路径A拥堵、备选路径B $(C_{2}),$ 正常习惯路径A拥堵、备选路径B畅通 $(C_{3})$ 和习惯路径A正常、备选路径B畅通 $(C_{6})$ 与出行路径选择呈负相关, 这3种路况组合中习惯路径A的路况明显比备选路径B的路况差, 因此出行者对路况的考虑权重高于习惯, 出行者更多地根据路况信息选择出行路径; 其余路况组合变量均与选择习惯路径 $A$ 呈正相关, 说明其他路况组合下出行者可能更多地会根据习惯出行。因此, 总体来看习惯与路况相比, 其对出行者路径选择影响更大。也就是说, 在多数路况下出行者都倾向于选择习惯路径出行。

3 模型验证和实例分析

应用调查数据中的115份样本数据进行模型精度验证, 命中率如表4所示。

表4 模型预测精度 Table 4 Prediction accuracy

结果表明, 模型总体预测精度为81.4%, 可以接受。其中, 当观测样本为习惯路径 $A$ 时, 预测命中率较高, 为89.6%; 当观测样本为因路况选择路径 $B$ 时, 预测命中率较低, 为64.9%, 此时模型高估了不考虑路况变化而仍然选择习惯路径的概率, 出行习惯在被调查者选择路线时仍有一定影响, 有的被调查者仍旧遵循习惯选择习惯路线A。

再以被调查者#12进行单样本实例分析。被调查者#12年龄段为18~30岁, 有一年以内的汽车驾龄, 职业是学生, 月收入在4000元以下, 学历为本科, 该次被调查出行目的为上学, 出发时段为晚高峰。将这些自变量信息带入模型, 预测获得不同路况下分别选择习惯路径A和备选路径B(根据路况调整路径)的概率, 结果如表5所示。

表5 被调查者#12的预测结果 Table 5 Prediction results for respondent #12

路况组合	选择概率/%
路况组合	习惯路径A	备选路径B
$C_{1}$	78.2	21.8
$C_{2}$	27.3	72.7
$C_{3}$	19.7	80.3
$C_{4}$	95.0	5.0
$C_{5}$	76.5	23.5
$C_{6}$	53.8	46.2
$C_{7}$	92.9	7.1
$C_{8}$	87.9	12.1
$C_{9}$	64.3	35.7

表5 被调查者#12的预测结果 Table 5 Prediction results for respondent #12

表5中不同路况下两个选择枝的被选概率也可以看成是出行者对习惯或路况的考虑权重, 或者称为这两个因素对路径选择的影响权重。结果表明, 总体来说习惯的影响权重大于路况。具体来说:①当两条路径的路况相同时, 该被调查者倾向于遵循习惯; ②在习惯路径路况优于备选路径时, 对习惯考虑的权重均大于路况的权重; ③当备选路径B的路况优于习惯路径A时, 此出行者会偏向于考虑路况, 其中当习惯路径A正常, 备选路径B畅通 $(C_{6}$ )时, 虽然备选路径路况优于习惯路径, 但因习惯路径能够正常通行, 考虑习惯的权重仍然大于路况的权重。特别地, 当A拥堵、B畅通 $(C_{3})$ 时, 选择习惯路径A的概率为19.7%, 备选路径 $B$ 的概率为80.3%; 而相反当A畅通、B拥堵 $(C_{7})$ 时, 选择习惯路径A的概率为92.9%, 备选路径 $B$ 的概率为7.1%。可见, 出行者还是更多考虑习惯, 即使习惯路径拥堵, 仍然有19.7%的概率选择习惯路径; 而当备选路径拥堵时, 仅有7.1%的概率选择备选路径。这些均符合建模经验和出行者在路径选择中的一般性决策规律。

4 结束语

本文基于Vissim构建道路实时路况模拟场景, 设计SP意向调查问卷, 获取不同路况下小汽车出行路径选择数据。建立出行路径选择的二项Logit模型, 解析不同路况下习惯和实时路况对路径选择的影响程度。解决了以往研究在考虑习惯偏好因素以及习惯在路况影响权重的定量化对比分析方面较为欠缺的问题。结果表明, 习惯在出行者的路径决策中具有一定影响, 且不同路况下习惯和路况的影响程度均有所变化, 习惯在不同路况下在路径选择决策中的影响较大, 多数人即使是习惯路径路况较差时也能有一定的忍受力。所建模型能以较高精度预测小汽车行驶路径选择行为, 在路况影响较显著时由于习惯的影响仍较大, 对小汽车路径选择预测精度较低, 这是后期研究中需要改进的地方。建模方法对出行路径决策机理分析和预测建模精度具有一定理论意义。研究结论对车载导航软件中的出行路径实时预测和推荐具有理论参考价值, 在智能交通诱导方面具有一定应用价值。下一步研究将基于多日出行习惯进行路径选择行为预测, 并基于实时路阻进行诱导路径计算, 与本文所建模型叠加, 实现考虑习惯和实时路况下的出行路径的整体建模预测。

The authors have declared that no competing interests exist.

参考文献

文献列表

[1]	Ye X. Development of models for understand ing causal relationship among activity and travel variables[D]. Tampa: University of South Florida, 2006. [本文引用:1]
[2]	栾琨. 基于规则的出行路径和出发时间选择行为研究[D]. 长春: 吉林大学交通学院, 2013. Luan Kun. Travel route and departure time choice behavior based on rules[D]. Changchun: College of Transportation, Jilin University, 2013. [本文引用:1]
[3]	Chorus C G, Molin E J E, Arentz T A, et al. Validation of a multimodal travel simulator with travel information provision[J]. Transportation Research Part C: Emerging Technologies, 2007, 15(3): 191-207. [本文引用:1]
[4]	李春燕, 陈峻, 孙正安, 等. ATIS条件下驾驶员出行途中路径选择行为研究[J]. 深圳大学学报理工版, 2016, 33(2): 164-172. Li Chun-yan, Chen Jun, Sun Zheng-an, et al. Driver's route choice behavior analysis under ATIS[J]. Journal of Shenzhen University(Science and Engineering), 2016, 33(2): 164-172. [本文引用:1]
[5]	杜光. 基于SP调查的城市公共交通出行时间价值研究[D]. 北京: 北京交通大学交通运输学院, 2009. Du Guang. Study on travel time value of urban public transportation based on stated preference survey [D]. Beijing: College of Traffic and Transportation, Beijing Jiaotong University, 2009. [本文引用:1]
[6]	蒋寅, 李彤, Di Bona Richard E. 基于SP调查的天津市居民出行行为时间价值[J]. 城市交通, 2009, 7(2): 68-73. Jiang Yin, Li Tong, Di Bona Richard E. Value of travel time: an sp survey in Tianjin[J]. Urban Transport of China, 2009, 7(2): 68-73. [本文引用:1]
[7]	北京交通发展研究中心. DB11/T 785—2011 城市道路交通运行评价指标体系[S]. 北京: 北京市质量监督局, 2011. [本文引用:1]
[8]	陆化普. 交通规划理论与方法[M]. 北京: 清华大学出版社, 1998. [本文引用:1]
[9]	陆化普, 殷亚峰. 规划理论的非集计方法及应用[J]. 公路交通科技, 1996, 3(1): 22-28. Lu Hua-pu, Yin Ya-feng. Disaggregate analysis method and its application in planning[J]. Journal of Highway and Transportation Research and Development, 1996, 3(1): 22-28. [本文引用:1]
[10]	赵鹏, 藤原章正, 杉惠赖宁. SP调查方法在交通预测中的应用[J]. 北方交通大学学报, 2000, 24(6): 29-32. Zhao Peng, Fujiwara Akimasa, Sugie Yoriyasu. The application of stated preference survey method on traffic[J]. Journal of Northern Jiaotong University, 2000, 24(6): 29-32. [本文引用:1]
[11]	宗芳. 基于非集计模型的交通需求管理策略评价研究[D]. 长春: 吉林大学交通学院, 2008. Zong Fang. Transportation demand management policy evaluation based on disaggregated model[D]. Changchun: College of Transportation, Jilin University, 2008. [本文引用:1]
[12]	杨兆升. 交通运输系统规划: 有关理论与方法[M]. 北京: 人民交通出版社, 1998. [本文引用:1]

2006

0.0

... 出行路径的选择分析是出行行为分析的热点之一^[1] ...

2013

0.0

. 2013, :-

Travel route and departure time choice behavior based on rules[D]. Changchun: College of Transportation,

基于规则的出行路径和出发时间选择行为研究

Luan Kun

栾琨

出行行为分析一直是交通科学领域研究的前沿课题，个体出行者在出行过程中的决策行为及其相互影响的结果表现为系统层面的流量、速度、可靠性等属性，对出行行为的分析和研究是诊断城市交通问题、制定交通管理政策的重要基础。路径选择和出发时间选择是出行行为的重要维度，为许多交通问题的研究提供了理论基础。传统的路径选择和出发时间选择行为的分析多是在规范假设下展开的，认为出行者是绝对理性的，面对临时决策时总有清晰的认识、明确的目标、无限的认知能力、稳定的偏好等等，并总是遵循效用最大化准则，较少考虑出行者的有限理性问题。本文围绕出行者的路径选择和出发时间选择问题，以出行者的出行决策行为研究为切入点，在有限理性的框架下构建基于规则的出行路径和出发时间选择行为模型，通过引入空间知识获取、学习及认知更新和方案搜索等关键行为要素，研究在认知局限约束下的出行决策行为。论文成果丰富了出行行为分析理论，为更合理、科学地制定交通需求管理政策提供理论指导和决策支持。论文进行了以下几个方面的研究：（1）以活动-出行理论为基础，分析了出行行为的三种决策理论。界定了有限理性决策过程的关键行为要素，解释了出行行为的形成和各关键要素之间的关系，为基于规则的出行行为分析提供了研究框架。（2）介绍了出行调查的两种方法：RP调查和SP调查，重点分析了SP调查的属性选择和情境设计原理，结合出行路径和出发时间选择行为对调查数据的具体要求，设计了基于序列正交设计法的出行路径和出发时间选择行为意愿调查方案。调查所得数据为后续研究提供数据支持。（3）将出行者的信息搜索、学习、认知更新和方案搜索等出行决策关键要素关联在一起，提出了基于RIPPER规则的出行路径搜索和选择行为模型。建模方法包括空间知识的呈现、搜索模型规范的定义、连续属性的离散化、属性的选择、路径搜索和选择规则的计算等。提出了主观搜索收益和感知搜索成本的概念，用以确定方案搜索开始和停止的条件。（4）构建了基于后悔最小化理论的出行者路径选择行为模型，详细分析了隐含在后悔最小化模型和效用最大化模型数学公式之内的决策机理，并结合出行路径的SP调查数据，分别建立采用完全理性和有限理性决策理论的路径选择模型，并分析了预测结果之间的差异。（5）将基于规则的出行行为分析框架用于出发时间选择行为的研究，提出基于PART决策树规则的出发时间行为模型，模型结合精心设计的出发时间调查方案，得到出行者出发时间搜索和选择的规则。论文的创新点主要体现在以下几个方面：（1）在有限理性框架下，提出了基于规则的出行路径和出发时间选择行为分析理论框架；在这个理论框架中，界定了有限理性决策过程的关键要素，包括出行预期、信息获取、学习和认知更新、方案生成和搜索过程，并将搜索理论应用在选择集的生成阶段；（2）定义了主观搜索收益和感知搜索成本，提出了基于出行预期的搜索过程启动和终止规则，构建了基于成本收益分析的出行选择方案搜索过程模型；（3）设计了基于序列正交设计法的出行路径和出发时间选择行为意愿调查方案，为基于规则的出行行为研究调查方案的设计提供研究基础；（4）分析了后悔最小化理论和效用最大化理论所蕴含的决策机理，解释了两个模型在决策过程和选择概率方面的差异。

... 栾琨^[2]将出行者的信息搜索、学习、认知更新和方案搜索等要素关联在一起,构建了基于后悔最小化理论的出行路径选择行为模型 ...

2007

0.0

... Chorus等^[3]构建了多模式信息下的出行仿真器,验证了出行信息对驾驶员路径选择的影响 ...

2016

0.0

. 2016, 33(2):164-172 DOI:doi:10.3724/SP.J.1249.2016.02164

Driver's route choice behavior analysis under ATIS

ATIS条件下驾驶员出行途中路径选择行为研究

Li Chun-yan , Chen Jun , Sun Zheng-an

李春燕, 陈峻, 孙正安

摘　要：在假设驾驶人对不同来源交通信息的参考程度不同的情况下,研究驾驶人在先进的出行者交通信息服务系统（advanced traveler information systems,ATIS）提供的多源实时信息条件下的出行途中路径选择行为,针对传统logit模型不能模拟影响变量对目标变量的非线性影响的缺点,利用BP（back propagation）神经网络模型进行信息参考行为的影响因素筛选,通过二元logit模型分析交通信息的参考概率,且作为自变量建立驾驶人出行途中路径选择模型.以南京驾驶人在广播和可变信息板（variable message signs,VMS）两种信息发布源条件下的出行路径选择行为进行模型验证,发现年龄和学历是影响广播信息参考的主要因素,年收入和对本地道路的熟悉程度是影响VMS信息参考的主要因素,驾驶人在接收到外界信息时改变出行路径的概率较大,在未接收到外界信息时选择原路径概率较大.

... 李春燕等^[4]研究驾驶人在先进的出行者信息系统提供的多源实时信息条件下的出行途中路径选择行为,建立基于二元Logit模型的出行途中路径选择模型,分析出行者对信息的参考概率 ...

2009

0.0

. 2009, :- DOI:doi:10.7666/d.y1780841

Study on travel time value of urban public transportation based on stated preference survey

基于SP调查的城市公共交通出行时间价值研究

Du Guang

杜光

随着我国国民经济快速发展,城市居民出行需求不断增加,公共交通系统的建设资金投入也随之增加。为了科学合理地评价公共交通系统的社会效益,需对城市公共交通乘客出行成本进行量化研究,其中,出行时间价值是进行乘客出行成本分析的一个重要部分。因此,本文在充分考虑公交出行者主观意愿、客观条件的基础上,基于陈述偏好调查法(Stated Preference，简称SP调查法)开展公共交通出行时间价值的模型研究。首先,本文在国内外出行时间价值和SP调查研究成果综述的基础上,设计了城市公共交通出行时间价值模型框架,确立了模型构建的基本流程及各模块相互关系,并深入分析了公共交通出行时间价值的影响因素,确定模型框架所需数据基础。其次,基于SP调查法进行北京市公共交通出行数据采集。依据SP调查法设计原则,结合北京市公共交通出行特征,确定调研对象、出行特征属性水平值,并采用均匀设计法设计出行情境表,从而获取不同出行目的、不同收入层次和不同换乘次数下公共交通出行者出行意愿数据。在原始数据的基础上,依据数据校核原则对数据进行筛选,有效保证模型的精度。接着,选取出行时间价值基础模型,在对出行时间价值影响因素分析的基础上,引入“出行者收入”作为模型新增变量,基于SP调查数据确定了改进型时间价值求解模型。最后,本文分别对工作商务、社会娱乐和上下学三种出行目的、不同换乘次数情况下的出行时间价值模型进行参数标定,计算得到北京市公共交通出行者在不同出行条件下的出行时间价值。

... 1 出行路径选择行为SP调查数据分析由于本研究需要获取不同路况下的路径选择数据,因此采用Vissim软件构建道路实时路况模拟场景,采用SP(Stated preference)调查方法^[5,6],获取出行者的路径选择行为偏好 ...

2009

0.0

2011

0.0

1998

0.0

... 基于效用最大化行为假说^[8,9,10],该模型将选择枝i对个人n来说的效用函数表示为: ...

1996

0.0

. 1996, 3(1):22-28

Disaggregate analysis method and its application in planning

规划理论的非集计方法及应用

Lu Hua-pu , Yin Ya-feng

陆化普, 殷亚峰

This paper mainly discusses the concept of disaggregate analysis method, the procedure of parameters estimation of model and statistic test etc. In the end,the model is used to analyze the modal split when LRT is constructed in the near future for Dalian city.

本文就非集计分析方法进行了讨论,通过对一种基本模型──Logit模型的分析,探讨了模型的基本概念、标定及检验、模型应用等问题,并应用两项Logit模型简单分析了大连轻轨交通在未来客运结构中的作用。

... 基于效用最大化行为假说^[8,9,10],该模型将选择枝i对个人n来说的效用函数表示为: ...

2000

0.0

. 2000, 24(6):29-32 DOI:doi:10.3969/j.issn.1673-0291.2000.06.006

The application of stated preference survey method on traffic

SP调查方法在交通预测中的应用

Zhao Peng , Fujiwara Akimasa , Sugie Yoriyasu

赵鹏, 藤原章正, 杉惠赖宁

摘　要：比较了ＳＰ调与ＲＰ调查，对ＳＰ调查的主要过程、注意事项等进行了说明，介绍了实际调查案例，利用调查数据对ＰＣＬ模型进行了推算，并对交通方式分担率进行了研究，结果证明ＰＣＬ模型比ＭＮＬ模型具有更高的精度。

... 基于效用最大化行为假说^[8,9,10],该模型将选择枝i对个人n来说的效用函数表示为: ...

2008

0.0

. 2008, :-

Transportation demand management policy evaluation based on disaggregated model

基于非集计模型的交通需求管理策略评价研究

Zong Fang

宗芳

分析居民的策略响应行为和路网运行状态,预测交通需求管理(Transportation demand management,TDM)策略的实施效果,评价其可行性,是制定和实施合理有效的TDM策略,解决城市交通拥挤问题的关键。本文旨在建立具有一般适用性的交通需求管理策略可行性分析模式和评价模型系统,并应用于具体的TDM策略评价。　本文首先论述了非集计模型的基本建模理论、模型标定和检验方法,研究了非集计建模所需数据的调查方法和非集计模型的集计方法。其次,阐述了交通需求管理的基本概念和策略分类,提出了TDM策略评价指标体系,结合应用非集计模型、基于活动的出行需求预测方法和“四阶段”预测模型,建立了TDM策略评价模型系统。最后,将策略的可接受性分析预测、居民的宏观策略响应行为预测和微观路网运行状态分析有机结合,应用非集计Multi-nomial Logit(MNL)、Nested logit(NL)等模型,建立了交通结构优化策略评价模型系统,并将其应用于佛山市南海区交通需求管理策略的制定和评价。研究结果表明,本文提出的以非集计出行需求预测理论为基础的交通需求管理策略可行性分析模式、评价方法和模型系统可以应用于一般的TDM策略的评价分析。研究成果可以为诊断城市交通问题、制定和实施高效的交通管理策略提供科学有效的决策分析方法和工具。对于推动TDM策略在我国的进一步研究和推广应用,解决城市交通问题具有一定的理论价值和实际意义。

... θk是相应的权重系数^[11,12] ...

1998

0.0

... θk是相应的权重系数^[11,12] ...