CN106951999A - 一种交通出行方式与出发时刻联合选择的建模与分析方法 - Google Patents

Abstract

本发明公开了一种交通出行方式与出发时刻联合选择的建模与分析方法，属于城市交通出行分析领域，包括：1、基于交叉嵌套logit原理构建模型；2、居民出行调查数据库与城市信息点数据的预处理及影响因素变量的选取；3、基于极大似然估计法进行参数估计及模型评价；4、采用蒙特卡洛方法进行仿真，模拟交通拥堵收费等不同情景下交通出行联合选择结果，评估交通需求管理措施对减少高峰出行及促进公共交通使用的绩效。本发明可用于分析通勤者出行方式与出发时刻联合选择行为，揭示影响通勤者交通行为的因素，其应用将有助于从更深层次上分析通勤者交通出行联合选择行为机理和认识出行行为规律，为交通政策的制定提供理论和技术支持。

Description

一种交通出行方式与出发时刻联合选择的建模与分析方法

技术领域

本发明涉及一种交通出行方式与出发时刻联合选择的建模与分析方法，属于城市交通出行分析领域。该方法可以揭示通勤者在进行出行方式与出发时刻选择决策时行为机制及其影响因素，并进行不同交通政策下的情景模拟，为交通政策的制定提供新的理论与技术支持。

背景技术

随着城市经济的快速发展，城市交通系统越发完善，多种交通方式的协同运作，提高了交通运行效率，但伴随而来的交通问题也日益突出，亟待解决。研究居民交通出行特征，挖掘出行方式与出发时刻选择机理，是制定合理交通诱导策略，调整优化居民出行结构的前提。相对于其它目的的出行者，通勤者的选择行为在时间和空间上具有更大的恒定性，此外，由于通勤行为集中在一定的短暂时期和一定的区域发生，使得通勤时段(早晚高峰)的交通尤为拥堵，这是城市交通问题中最为突出的问题。

出行方式和出发时刻的选择是居民交通出行的核心内容。目前，国内外对于交通出行的研究，主要是针对出行方式与出发时刻的单一选择，而出行方式与出发时刻之间亦存在关联，通勤者在进行决策时，需要对二者进行综合考虑。同时，现有的研究中主要是基于随机效用理论，建立非集计模型分析个人信息(如性别、年龄、收入等)、出行信息(如费用、时间等)对于出行方式或出发时刻选择的影响关系和影响程度，没有综合考虑建成环境信息，不能很好的揭示居民出行的时空分布规律。

现有的出行方式与出发时刻选择模型主要是多项logit(multinomial logit,MNL)模型和嵌套logit(nested logit,NL)模型。然而，MNL模型具有IIA(independent andirrelevant alternatives)性质，即假设每个备选方案的效用随机项相互独立且服从Gumbel分布，故MNL模型无法刻画备选方案之间的关联性，易导致预测的失误。NL模型允许每个巢内的备选方案之间具有相关性，而不同巢之间的备选方案是相互独立的，故能在一定程度上克服MNL模型的IIA性质，但NL模型在应用上仍具有局限性，对于出行方式与出发时刻联合选择问题，模型仅能考虑备选方案在一个维度上的关联性。

发明内容

本发明的目的为克服上述出行方式与出发时刻联合选择建模局限等技术问题，提出一个以广义极值(generalize extreme value,GEV)理论为基础的交叉巢式logit(cross-nested logit,CNL)模型结构，对交通出行方式与出发时刻联合选择进行建模与分析。本发明从CNL模型切入，不仅克服了现有多种联合选择建模方法的不足，而且充分考虑建成环境信息等多种影响通勤者出行方式与出发时刻选择决策的因素，为交通出行分析提供了方法借鉴，对揭示居民出行的时空分布规律具有重要意义。

本发明是一种交通出行方式与出发时刻联合选择的建模与分析方法，包括以下几个步骤：

步骤一、以居民出行调查数据库早高峰时段的通勤行为为研究对象，确定备选方案，并基于CNL原理构建模型；

步骤二、对城市信息点(Point of Information，POI)数据进行预处理，筛选、分类后得到建成环境信息，并综合考虑家庭信息、个人信息、出行信息中多种影响通勤者交通出行的因素，来建立数据样本文件；

步骤三、采用biogeme软件，基于极大似然估计法进行参数估计，并根据估计结果进行通勤者出行方式与出发时刻联合选择决策行为分析及模型的评价；

步骤四、采用蒙特卡洛(Monte Carlo)方法进行仿真，模拟交通拥堵收费等不同情景下交通出行联合选择结果，评估交通需求管理措施对减少高峰出行及促进公共交通使用的绩效。

本发明的优点在于：

(1)本发明突出的优点就是不再进行出行方式与出发时刻的单一行为分析，而是基于CNL原理，将出行方式与出发时刻放在同一层中来构建模型。该模型可以捕获所有维度的相关性，分析通勤者出行方式与出发时刻联合选择行为，具有很强的创新意义；

(2)本发明创造性地使用POI数据，并对该数据进行完整的汇总及分析，得到建成环境信息，结合原有的家庭信息、个人信息、出行信息，获得更加全面的影响通勤者出行行为的因素；

(3)基于Monte Carlo方法进行仿真，模拟交通拥堵收费等不同情景下交通出行联合选择结果，评估交通需求管理措施对减少高峰出行及促进公共交通使用的绩效，为交通政策的制定提供了理论和技术支持。

附图说明

图1为本发明的方法流程示意图；

图2为本发明模型构建示意图；

图3为实施例中基于2015年昆明市居民出行调查数据库构建的模型示意图；

图4为实施例中昆明市研究区域示意图；

图5为实施例中2920个出行样本家庭端缓冲区示意图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明提出一种交通出行方式与出发时刻联合选择的建模与分析方法，流程图如图1所示，包括如下步骤：

步骤一、基于CNL原理构建模型

1)、模型结构：本发明以早高峰时段的通勤行为为研究对象。首先定义模型的选择项集合，它由2个子集合组成，分别是出行方式子集合M和出发时刻子集合T，并且出行方式与出发时刻子集合中各选择肢位于同一层中联合考虑。假设出行方式子集合M中包含m个选择肢，出发时刻子集合T中包含t个选择肢，则模型的最终选择集C＝{c₁,……,c_k}为M＝m和T＝t的联合选择集合，共包含k＝m×t个备选方案，如图2所示。

图2中的μ_m(0＜μ_m≤1)为异质参数，它反映模型每个“巢”内各选择肢的相关程度。其值越接近0相关性越大，越接近1相关性越小。

2)、效用函数：根据随机效用最大化理论，若对个人n而言，方案c_k(c_k∈C)的效用函数为U_kn，则当且仅当通勤者n选择方案c_k。U_kn是一个随机变量，它由确定性的系统项和随机的效用误差项组成。系统项V_kn是效用变量的函数，随机项ε_kn描述研究者无法观测到的因素对方案效用的影响。

U_kn＝V_kn+ε_kn (1)

其中，X_knl是影响通勤者在进行出行方式与出发时刻选择决策时的因素，θ_l需要采用极大似然估计法进行参数估计，以确定每种因素对通勤者出行方式与出发时刻选择的影响程度。

3)、选择概率：假设每个备选方案的效用随机项ε_kn均服从标准Gumbel分布，则K个备选方案的联合累积分布函数为：

CNL模型的选择概率是根据条件概率和边际概率相乘得到。

其中k表示备选方案；m表示巢；μ_m是巢m的异质参数；α_m是分配参数，在巢m中选择备选方案k的条件概率为：

其中α_mk是分配参数，其代表备选方案k中分配给巢m的部分，0≤α_mk≤1。因此，模型的改进结构能够使用同步模式来供应所有维度的相关性。同时，基于GEV结构，也可以获得用来控制每个备选方案属于每个巢的比例的分配参数α(0≤α_mk≤1)。当值为零时，表示备选方案根本不属于巢m。通常规定给定的备选方案在每个巢上的分配参数必须求和为1。假定给定的备选方案的非零分配参数固定为0.5的值，这就表示一个备选方案以相同的比例属于一次出行方式巢和一个出发时间巢。

选择巢m的边际概率为：

因此，在CNL模型中选择备选方案k的概率是：

备选方案k的选择概率取决于以下两个关键因素：巢m的异质参数μ_m；效用函数V_k的确定性分量。该参数是基于极大似然估计法进行参数估计。

步骤二、数据预处理以及影响因素变量的选取

该步骤中需要使用及处理两部分数据，分别为居民出行调查数据库及POI数据，以提取影响通勤者在进行出行方式与出发时刻选择决策时的因素，具体处理步骤如下：

1)、居民出行调查数据库：该部分数据中，一般包含家庭信息、成员信息、出行信息三部分，且每部分中分别对每个家庭的情况，成员的个人情况，通勤者的出行情况进行了详细的统计。首先，需要在出行信息中筛选出出行目的为上班的通勤成员，并根据这部分成员的出行方式及出发时刻对步骤一中的模型进行准确的描述；其次，在三部分中分别提取影响通勤者在进行出行方式与出发时刻选择决策时的因素，并根据实际情况确定采用(0,1)变量或连续型变量，与有效出行ID进行匹配；最后，需要对每个变量进行解释说明，并根据所搭建的模型，统计出每种变量下，各选择肢所占比例，进行关联性分析。

2)、POI数据：该部分数据中包含某一城市中的所有信息点。首先，需要对该数据进行分类，将信息点划分为居住地、住宿、商业用地、服务设施、公司用地、景点、公交站点、地铁站点、道路密度、停车场、其它站点等建成环境信息点；然后，对于每个通勤者而言，起点都是家庭，因此需要统计出每个通勤者家庭周围的建成环境信息，每个家庭的缓冲区半径确定为500m-1000米。最后，需要统计出每个家庭端缓冲区内，上述建成环境变量用地密度，作为影响通勤者在进行出行方式与出发时刻选择决策时的因素。

步骤三、基于极大似然估计法进行参数估计与模型评价

1)、参数估计：基于步骤一中建立的模型编制描述模型结构文件、系统参数文件，基于步骤二中提取的影响因素变量构建数据样本文件，采用biogeme软件，基于极大似然估计法，使用C可行序列二次规划算法(C of the feasible sequential quadraticprogramming，CFSQP)进行参数估计。估计结果中包括效用函数V_k的确定性分量，巢m的异质参数μ_m，分配参数α_m，以及拟合优度ρ²等。

2)、结果分析与模型评价：通过参数估计，可以得到如下估计值。其中参数θ_l是影响通勤者在进行出行方式与出发时刻选择决策时的因素X_knl的系数，根据不同备选方案对应θ_l的数值大小及正负，即可确定每种因素对通勤者出行方式与出发时刻选择的影响程度；参数μ_m是每个巢m的异质参数，μ_m的大小表示每个巢中各选择肢可替代性的强弱。同时，通过与MNL模型、两种NL模型(以出行方式进行嵌套的NL模型和以出发时刻进行嵌套的NL模型)比较异质参数μ_m和拟合优度ρ²，可以评估各模型解释联合机制的优劣。其中，获得的异质参数μ_m个数越多的模型，就证明可以更好地获取每个备选方案之间的关联性。

步骤四、采用Monte Carlo方法进行仿真

首先，根据步骤三中参数估计结果，利用步骤一中CNL模型的备选方案选择概率公式，计算每个通勤者的出行选择概率；然后，借助Monte Carlo仿真方法模拟交通拥堵收费、提升公共交通服务等不同情景，并集计出每个备选方案的选择概率；最后，对出行方式与出发时刻联合选择的预测结果进行分析，通过与原有出行行为的比较，获得不同情境下，交通出行联合选择结果的改变情况，以评估交通需求管理措施对减少高峰出行及促进公共交通使用的绩效。

实施例

一种交通出行方式与出发时刻联合选择的建模与分析方法，具体如下：

1)、基于2015年昆明居民出行调查数据库，筛选出出行目的为上班的通勤出行成员，共计2920个样本。根据通勤者的出行方式与出发时刻，出行方式子集合M包括小汽车类、公共交通类(公交、地铁、单位客车、出租车)、步行和自行车类(自行车、电动车、摩托车等)3种选择肢，出发时刻子集合T包括高峰期(7点-9点)与非高峰期(0点-7点；9点-12点)2种选择肢，因此共包含k＝3×2＝6种备选方案。模型结构如图3所示。

2)、在2015年昆明居民出行调查数据库中的家庭信息、成员信息、出行信息三部分中，选择出家庭人数、小汽车数量(家庭、单位)、自行车类数量(电动车、摩托车)、年龄、性别、职业、出行距离、出行时间、出行费用等作为影响因素变量。变量的选取与说明如表1所示。进而根据以上变量的划分，对该数据进行描述性分析，以获得家庭、个人、出行相关特征与出行方式与出发时刻的偏好之间关联的直观结果，如表2所示。

表1变量选取与说明

表2关联性分析

根据表格中所统计的数据信息，可以得到如下分析。小汽车拥有量较多家庭的通勤者更倾向于采用驾驶小汽车于高峰时段出行，而没有小汽车家庭的通勤者公共交通使用量明显提升，且倾向于非高峰时段出行；而随着摩托车、助动车、自行车数量的上升，通勤者更倾向于采用摩托车、电动车，自行车等方式出行；男性通勤者较女性出行车更倾向于采用小汽车并于高峰时段出行；职业为公务员的通勤者，则更倾向于采用小汽车并于高峰时段出行。

3)、本发明实施例中所研究的昆明市区域如图4所示。采用ArcGIS软件，将昆明市2016年POI数据划分为居住地、住宿、商业用地、服务设施、公司用地、景点、公交站点、地铁站点、道路密度、停车场、其它站点11类，变量的选取与说明如表2所示。将2015年昆明居民出行调查数据库中提取的2920个出行样本的家庭端信息点投影到昆明市地图中。以每个家庭端为中心，建立半径为500m的缓冲区，如图5所示。统计出每个缓冲区内上述11类用地的密度。

4)、基于CNL原理及上述模型编制描述模型结构文件、系统参数文件，将所选取的影响因素变量与2920个样本进行匹配，得到数据样本文件，并将以上文件导入biogeme软件中，基于极大似然估计法，使用CFSQP算法进行参数估计。参数估计结果如表3所示。

各影响因素的参数估计结果表明，这些特征对个人的通勤出行方式和出发时刻选择决策具有重要影响。在家庭信息方面，与其它备选方案相比，家庭人数较多的家庭，比较倾向于驾驶小汽车于非高峰时段出发，这表明人数较多的家庭共同乘坐小汽车出行的需求较高，并且为了使得每个乘客可以准时到达工作地点，因此选择于非高峰时段出发；如预期，无小汽车家庭的通勤者则倾向使用公共交通，步行或自行车去工作；而随着摩托车、助动车、自行车数量的上升，通勤者相比于其它出行方式更倾向于采用摩托车、电动车、自行车等方式出行，并且因此类交通方式受交通拥堵限制较小，通勤者倾向于高峰时段出发。

在个体特征方面，男性更倾向于高峰时期驾驶小汽车出行，并且不喜欢公共交通出行方式；而女性更倾向于使用公共交通，步行或自行车；青年人较中年人而言，明显不太倾向于开车上班，这可能是因为他们有限的汽车可用性，因此更喜欢使用公共交通，步行或自行车等出行方式；与其他方案相比，在政府机构工作的公务员群体在非高峰期出发的可能性显着降低，然而，他们更有可能选择步行和自行车在高峰期去工作地。

在出行信息方面，随着出行距离的增加，通勤者最倾向采用小汽车于非高峰时段出发，其次倾向于公共交通，而明显不会使用步行或自行车等出行距离有限制的交通方式；出行时间与出行费用的变化会对通勤者出行方式与出发时刻的选择产生影响。其中，出行时间的变化对公共交通使用量的影响程度较大，当公共交通的出行时间降低时，会吸引更多的通勤者转向公共交通的出行方式；而出行费用的变化对小汽车的使用量影响程度较大，当出行费用上升时，一部分通勤者将不会继续选择小汽车这种出行方式。

5)、将基于上述数据所构件的MNL模型，出行方式位于上层的NL模型、出发时刻位于上层的NL模型以及CNL模型的异质参数μ和拟合优度ρ²进行对比，如表4所示。从表格中结果可以看出，CNL模型具有5个异质参数，数量多于其它三种模型，因此本发明所搭建的模型在获取备选方案相关性方面较传统的MNL模型，两类NL模型更有优势。对比各个异质系数的数值，公共交通类出行方式的异质系数μ_T在三种出行方式中最大，这表明出行条件改变时，通勤者更倾向于改变公共交通类的出行方式而非改变出发时刻。同理，高峰时段出发的异质系数μ_P的值较小于非高峰时期μ_O，这就表明在高峰时段出发的通勤者更倾向于改变自己的出行方式而非出发时刻。就拟合优度而言，本发明所建立的CNL模型最终ρ²值为0.590，高于MNL模型和两种NL模型，在解释联合机制中表现最好。

表4其它相关参数

以上详细描述了本发明的优选实施案例，但是本发明并不局限于上述实施案例的具体细节，在本发明的整体结构范围内，可以对本发明的部分步骤进行多种变换并重新组合，本发明对各种可能的组合方式不再列举，这些变换组合均属于本发明的保护范围。

Claims (3)

1.一种交通出行方式与出发时刻联合选择的建模与分析方法，包括以下几个步骤：

步骤一、基于交叉嵌套logit(cross-nested logit,CNL)原理构建模型；

以居民出行调查数据库早高峰时段的通勤行为为研究对象。首先定义模型的选择项集合，它由2个子集合组成，分别是出行方式子集合M和出发时刻子集合T，并且出行方式与出发时刻子集合中各选择肢位于同一层中联合考虑。假设出行方式子集合M中包含m个选择肢，出发时刻子集合T中包含t个选择肢，则模型的最终选择集C＝{c₁,……,c_k}为M＝m和T＝t的联合选择集合，共包含k＝m×t个备选方案；

步骤二、数据预处理以及影响因素变量的选取

该步骤中需要使用及处理两部分数据。针对居民出行调查数据库，需要在每个通勤者的家庭信息(如家庭人数、家庭拥有小汽车数量等)，个人信息(如年龄、性别、职业等)，出行信息(如出行时间、出行费用等)中筛选出影响因素变量，并进行详细统计及关联性分析；针对城市信息点(Point of Information，POI)数据，需要将信息点划分为居住地、住宿、商业用地、服务设施、公司用地、景点、公交站点、地铁站点、道路密度、停车场、其它站点等建成环境信息点，并统计出每个通勤者家庭端(500米-1000米)缓冲区内各类建成环境变量的用地密度，作为另一组影响因素变量；

步骤三、基于极大似然估计法进行参数估计与模型评价

采用开源biogeme软件，编制描述模型结构文件、系统参数文件与数据样本文件，基于极大似然估计法，使用C可行序列二次规划算法(C of the feasible sequentialquadratic programming，CFSQP)进行参数估计。因此，可以得到如下参数估计值：其中参数θ_l是影响通勤者在进行出行方式与出发时刻选择决策时的因素X_knl的系数，根据不同备选方案对应θ_l的数值大小及正负，即可确定每种因素对通勤者出行方式与出发时刻选择的影响程度；参数μ_m是每个巢m的异质参数，μ_m的大小表示每个巢中各选择肢可替代性的强弱。同时，通过与多项Logit(multinomial logit,MNL)模型、两种巢式Logit(nested logit,NL)模型(以出行方式进行嵌套的NL模型和以出发时刻进行嵌套的NL模型)比较异质参数μ_m和拟合优度ρ²可以进行模型的评价，以评估各模型解释联合机制的优劣。其中，获得的异质参数μ_m个数越多的模型，就证明可以更好地获取每个备选方案之间的关联性。

步骤四、采用蒙特卡洛(Monte Carlo)方法进行仿真

首先，根据步骤三中参数估计结果，利用步骤一中CNL模型的备选方案选择概率公式，计算每个通勤者的出行选择概率；然后，借助Monte Carlo仿真方法模拟交通拥堵收费、提升公共交通服务水平等不同情景，并集计出每个备选方案的选择概率；最后，对出行方式与出发时刻联合选择的预测结果进行分析，通过与原有出行行为的比较，获得不同情境下，交通出行联合选择结果的改变情况，以评估交通需求管理措施对减少高峰出行及促进公共交通使用的绩效。

2.根据权利要求1所述的一种交通出行方式与出发时刻联合选择的建模与分析方法，所述的步骤一中，各备选方案的效用函数计算方法如下：

根据随机效用最大化理论，若对个人n而言，方案c_k(c_k∈C)的效用函数为U_kn，则当且仅当通勤者n选择方案c_k。U_kn是一个随机变量，它由确定性的系统项和随机的效用误差项组成。系统项V_kn是效用变量的函数，随机项ε_kn描述研究者无法观测到的因素对方案效用的影响。

U_kn＝V_kn+ε_kn (1)

$V_{kn}=\underset{l=1}{\overset{L}{\Σ}}{\mathrm{\θ}}_l{X}_{knl}---\left(2\right)$

其中X_knl是影响通勤者在进行出行方式与出发时刻选择决策时的因素，θ_l需要采用极大似然估计法进行参数估计。

3.根据权利要求1所述的一种交通出行方式与出发时刻联合选择的建模与分析方法，所述的步骤一中，各备选方案的选择概率计算方法如下：

假设每个备选方案的效用随机项ε_kn均服从标准Gumbel分布，则K个备选方案的联合累积分布函数为：

$G\left(y\right)=\underset{m}{\Σ}{\[{\mathrm{\Σ}}_k{\left({\mathrm{\α}}_m{y}_k\right)}^{1/{\mathrm{\μ}}_m}\]}^{{\mathrm{\μ}}_m}---\left(3\right)$

CNL模型的选择概率是根据条件概率和边际概率相乘得到。

$p\left(k\right)=\underset{m}{\Σ}p\left(k\right|m)p\left(m\right)---\left(4\right)$

其中k表示备选方案；m表示巢；μ_m是巢m的异质参数；α_m是分配参数，在巢m中选择备选方案k的条件概率为：

$p\left(k\right|m)=\frac{{\left({\mathrm{\α}}_{mk}{e}^{V_k}\right)}^{1/{\mathrm{\μ}}_m}}{{\mathrm{\Σ}}_k{\left({\mathrm{\α}}_{mk}{e}^{V_k}\right)}^{1/{\mathrm{\μ}}_m}}---\left(5\right)$

其中α_mk是分配参数，其代表备选方案k中分配给巢m的部分，0≤α_mk≤1。通常规定给定的备选方案在每个巢上的分配参数必须求和为1。

选择巢m的边际概率为：

$p\left(m\right)=\frac{{\[{\mathrm{\Σ}}_k{\left({\mathrm{\α}}_{mk}{e}^{V_k}\right)}^{1/{\mathrm{\μ}}_m}\]}^{{\mathrm{\μ}}_m}}{{\mathrm{\Σ}}_m{\[{\mathrm{\Σ}}_k{\left({\mathrm{\α}}_{mk}{e}^{V_k}\right)}^{1/{\mathrm{\μ}}_m}\]}^{{\mathrm{\μ}}_m}}---\left(6\right)$

因此，在CNL模型中选择备选方案k的概率是：

$\begin{array}{c}p\left(k\right)=\underset{m}{\Σ}p\left(k\right|m)p\left(m\right)\\ =\underset{m}{\Σ}\{\frac{{\left({\mathrm{\α}}_{mk}{e}^{V_k}\right)}^{1/{\mathrm{\μ}}_m}}{{\mathrm{\Σ}}_k{\left({\mathrm{\α}}_{mk}{e}^{V_k}\right)}^{1/{\mathrm{\μ}}_m}}\·\frac{{\[{\mathrm{\Σ}}_k{\left({\mathrm{\α}}_{mk}{e}^{V_k}\right)}^{1/{\mathrm{\μ}}_m}\]}^{{\mathrm{\μ}}_m}}{{\mathrm{\Σ}}_m{\[{\mathrm{\Σ}}_k{\left({\mathrm{\α}}_{mk}{e}^{V_k}\right)}^{1/{\mathrm{\μ}}_m}\]}^{{\mathrm{\μ}}_m}}\}\end{array}---\left(7\right)$

备选方案k的选择概率取决于以下两个关键因素：巢m的异质参数μ_m；效用函数V_k的确定性分量。该参数是基于极大似然估计法进行参数估计。