考虑出行者选择偏好的出行方式选择模型

引用本文

姚恩建, 陈伟迪, 卢天伟, 杨扬. 考虑出行者选择偏好的出行方式选择模型[J]. 北京交通大学学报, 2020,44(1): 42-48.
YAO Enjian, CHEN Weidi, LU Tianwei, YANG Yang. Transportation mode selection model considering traveler’s personal preferences[J]. JOURNAL OF BEIJING JIAOTONG UNIVERSITY, 2020,44(1): 42-48.
Doi:10.11860/j.issn.1673-0291.20190072 复制到剪切板

Permissions

北京交通大学学报编辑部所有

考虑出行者选择偏好的出行方式选择模型

姚恩建^a,^b, 陈伟迪^a, 卢天伟^a,^b, 杨扬^a,^b

a.北京交通大学交通运输学院,北京 100044

b.北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室,北京 100044

第一作者:姚恩建(1971—),男,贵州遵义人,教授,博士,博士生导师.研究方向为交通运输规划与管理. email:enjyao@bjtu.edu.cn.

收稿日期: 2019-07-09

基金: 国家重点研发计划(2018YFB1601300)

摘要

构建合理的出行方式选择模型是精确预测出行结构的关键.在现实出行条件中,不同出行者对于不同交通方式存在固有选择偏好,从而表现出一种非完全理性的出行方式选择行为.为进一步提高出行方式选择模型的预测结果精度,提出了一种考虑理性决策和固有选择偏好共同影响的出行方式选择模型.双因素共同作用决定出行者的出行方式选择结果,两者的影响权重与出行者对于备选方案的心理参考值有关.备选方案的特征变量数值与心理参考值差值绝对值较小时,选择行为更多地受到固有偏好的影响,反之,则更多地受到理性决策的影响.分析对比结果表明,所提出模型在出行方式选择结果的预测命中率上优于以完全理性决策为前提的传统分层Logit模型的预测结果.

关键词: 城市交通; 出行方式选择; 分层Logit模型; 固有选择偏好

中图分类号:U491.1 文献标志码:A 文章编号:1673-0291(2020)01-0042-07

Transportation mode selection model considering traveler’s personal preferences

YAO Enjian^a,^b, CHEN Weidi^a, LU Tianwei^a,^b, YANG Yang^a,^b

a. School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044, China

b. Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport, Beijing Jiaotong University, Beijing 100044, China

Fund:National Key R&D Plan (2018YFB1601300)

Abstract

The key to accurately predicting the travel structure is to establish a reliable model of transportation mode selection. In reality, people tend to be influenced by personal preferences when choosing different modes of transportation, it’s a subjective choice which is not totally rational. This paper establishes a model of transportation mode selection that considers rational decisions and personal preferences. The two factors determine the outcome together so that the prediction accuracy of the proposed model can be improved. Since they both influence the selection, their weight of influence is related to the psychological variables of travelers for alternative transportation modes. Personal preferences will make more impact on the choice behavior when the absolute difference between characteristic variable and psychological variable is small. Otherwise, the rational thinking will influence the selection more.The comparative results show that the model established in this paper has higher accuracy than the traditional Nested Logit model, which is based on totally rational choice, when it comes to predicting transportation modes.

Keyword: urban transportation; transportation mode selection; Nested Logit model; personal preferences

文章图片

随着城市的发展和社会经济水平的不断提高, 城市交通系统日趋完善, 出行方式也愈加丰富.长期以来, 人们为应对多样化的出行需求, 尝试建立多样的出行方式选择模型, 以求客观准确地刻画出行者的出行行为.

在传统非集计模型研究领域, Algers等^[1]通过SP(Stated Preference)、RP(Revealed Preference)调查数据并结合Logit模型进行出行选择行为分析.李鹏^[2]针对多种交通运输方式的选择, 加入了层次分析法进行辅助决策.随着大数据分析的广泛运用, 刘阳等^[3]基于深度神经网络, 构建了描述城市交通出行方式选择行为的小波神经网络预测模型.

在不断修正和改进过程中, 多项Logit(Multinomial Logit, MNL)模型因其概念明确、计算方便的特点, 逐渐成为目前出行方式选择研究领域中运用最为广泛的方法.但MNL模型要求出行者选择结果的影响因素彼此之间无相互影响, 这在现实条件下难以满足.针对该问题, Williams^[4]提出了分层的多巢Logit模型(Nested Logit, NL), 在实际预测中很大程度上解决了MNL模型的不相关选择项独立性假设(Independence of irrelevant alternatives, IIA)特性.姚丽亚等^[5]通过研究, 进一步证明了NL模型在预测中具有更好的预测精度.杨励雅等^[6]同时考虑了出行方式与出发时间, 联合建立了NL模型, 证实了NL模型优于MNL模型.因此, 在后续的研究中, NL模型被更广泛地应用于出行行为选择研究中, 同时也将作为本文模型构建的基础.

非集计模型建立的假设基于效用最大化理论, 即出行者能够选择其备选方案内效用最大的出行方案^[7].影响选择结果的特性包含交通方式特性和出行者特性, 这些方式特性均为客观特性.而在实际出行情境中, 不同个体对于客观特性的敏感程度表现不一, 因此导致选择决策伴随一定的主观因素和随机性, 对选择结果并不一定完全基于绝对理性^[8].Simon^[9]将该行为决策称有限理性满意决策.有学者开始尝试将影响决策变量的主观程度考虑进传统的MNL模型中, 解释实际发生的出行方式选择行为.杨励雅等^[10]为克服Logit类模型的局限性, 以出行链为分析单元, 构建快速城市化进程中居民出行方式选择的结构方程模型.景鹏等^[11]为出行方式选择模型添加心理潜变量, 以计划行为理论为框架, 整合对通勤方式选择行为有影响的各种心理因素, 通过估计模型参数预测心理潜变量的拟合值, 并将其作为解释变量加入到传统Logit模型中形成混合选择模型.Krishnan^[12]首次提出了效用差概念, 以衡量影响出行者在不同出行方式间选择的影响因子, 并进一步修正Logit模型, 建立方式选择MPD(Minimum Perceivable Difference)模型.张新洁等^[13]针对MNL模型的IIA特性缺点, 结合效用差感知阈值理论, 在连续平衡交通分配方式下构建有限理性分层Logit(Bounded rationality nested Logit, BRNL)模型, 引入感知成本差, 假设当感知成本差足够大时, 出行者依据个人喜好做出选择判断.

上述研究已经证明引入主观因素对提高传统非集计模型预测精度的重要性.本文作者以传统NL模型为框架, 通过引入度量偏好程度的参数, 模拟出行者在选择出行方式时的决策过程, 形成有限理性的方式选择模型, 并结合案例检验其预测效果.

1 固有选择偏好特征

1.1 有限理性选择行为定义

理想状态下, 出行者在选择出行方式时, 会统筹考虑视野内备选出行方案的特征因素, 例如不同方案的出行时间、出行费用等, 并通过理性分析选择用户最优出行方式^[14].然而在实际出行情景中, 出行个体并非对备选方式的特征因素变化完全敏感, 可能忽略细小变化, 仅依据个人偏好做出不符合理性假设的选择^[15].本文认为此类情景中的出行者处于对特征因素的不敏感区间内, 其选择行为伴随一定程度的主观随机性和个人偏好.

1.2 选择偏好存在性验证及分析

为验证方式选择行为中存在非完全理性决策及不敏感区间假设的真实性, 将基于SP调查的方式进行出行者的出行选择行为数据采集, 并分析其选择行为特征.获得出行距离7~9 km的情境下, 地铁和公交的出行时间调整后(增加或减少)的被调查者选择意愿变化.特征变量取值情况见表1.

表1 特征变量取值 Tab.1 Description of characteristic variables

特征变量	变量说明
选择意愿	$Y$ 轴坐标, 选择意愿度从0至10对应非常不情愿至非常情愿
特征差值	$X$ 轴坐标, 出行时间差, min

表1 特征变量取值 Tab.1 Description of characteristic variables

本次SP调查对象以公共交通(公交、地铁)为主要出行方式的在校大学生(无车人群), 以互联网为传播渠道^[16], 共收回符合条件的问卷数量为200份, 经有效性判别、筛查后最终得到有效问卷数量为189份, 调查结果显示交通方式的消耗时间与选择意愿存在一定相关性, 如图1所示.

	Figure Option View Download New Window
	图1 地铁选择意愿— — 时间差值分布箱线图Fig.1 Box plot of subway preference vs. time difference

由图1可知, 横坐标各条件下的平均值和四分位数显示出行者对地铁的选择意愿与时间差值成负相关趋势, 即地铁出行时间越少, 出行者更倾向于选择地铁出行.当时间调整幅度处于[-10, +15] min时, 选择意愿的平均值和中位数没有显示出与时间调整幅度明显的相关性, 而是呈现出相对稳定的情况, -10、-5、0、+5、+10 、+15 min条件下的四分位数分布体现了此时出行者对特征变量改变的敏感性较弱, 其选择行为并非完全理性.因此, 上述结果证明了出行者在出行方式选择时带有一定的个人偏好和主观随机性, 本文将此类固有选择偏好和选择随机效应下的出行方式选择行为归为有限理性下的出行方式选择行为.

2 构建有理性的方式选择模型

2.1 改进NL模型结构

为描述选择情况, 探究出行者出行时间、出行费用与出行方式选择之间的相关性, 建立出行方式分层选择结构^{[17, 18]}, 见图2.

	Figure Option View Download New Window
	图2 出行方式选择结构Fig.2 Tree of alternative transportation modes

传统NL模型中的选择概率由其效用函数值决定, 而其效用函数值仅由特征变量及其相应系数决定, 没有考虑其中的主观偏好因素^[19].为更好地描述出行方式选择过程中的主观偏好, 本文对传统NL模型进行改进, 在其中加入固有偏好系数 $τ$ , 用于刻画出行者在出行决策时的主观偏好.选择概率 $p (x)$ 由固有偏好系数 $τ$ 和理性选择概率 $p_{i}^{NL} (x)$ 共同决定.根据图1的调查结果发现, 当实际消耗时间与出行者的心理参考值的差值在“ 0” 左右时, 选择概率趋于稳定, 此时的概率主要由固有选择偏好决定; 当时间差值变化逐渐扩大时, 选择概率呈现随时间差值变化, 此时的选择概率主要由理性选择(NL模型结果)决定.固有选择偏好和理性选择对选择概率的影响与时间调整幅度的关系见图3.

	Figure Option View Download New Window
	图3 双因素影响与时间调整幅度的关系Fig.3 Impact of changing run time on two factors

图3描绘的偏好系数 $τ_{i}$ 和理性选择概率 $p_{i}^{NL} (x)$ 之间的相互关系变化特点与钟型分布曲线极为相似, 故引入钟形曲线决定固有偏好系数 $τ_{i}$ 和理性选择概率 $p_{i}^{NL} (x)$ 对选择决策中的作用比例, 得到描绘有限理性选择过程的函数表达式

$z_{i} (x) = S_{i} (x) \times p_{i}^{NL} (x) + [1 - S_{i} (x)] \times τ_{i}$ (1)

式中: $z_{i} (x)$ 为出行方式 $i$ 的有限理性选择函数; $p_{i}^{NL} (x)$ 为NL模型计算所得出行方式 $i$ 的理性选择概率; $τ_{i}$ 为出行方式 $i$ 的固有偏好系数; $i$ 为出行方式, $i = 1, 2, 3, 4, 5$ 分别对应步行、自行车、地铁、公交及出租车; $S_{i} (x)$ 为比例分布函数, 其表达式为

$S_{i} (x) = \exp [- \frac{σ_{i} (x - x_{i}^{*})^{2}}{10^{σ_{i}}}]$ (2)

式中: $σ_{i}$ 为出行者对方式 $i$ 的偏好程度, 当 $σ_{i} > 5$ 时, 出行者选择行为基本失去理性; $x_{i}^{*}$ 为出行方式 $i$ 的特征变量固定值, 取当前的实际值或一定范围内的平均值; $x$ 为出行方式的特征变量, 时间或费用.

得到出行方式 $i$ 的选择概率

$p_{i} (x) = \frac{z_{i} (x)}{\overset{5}{\sum_{i = 1}} z_{i} (x)}$ (3)

2.2 出行方式选择概率计算方法

对于NL模型而言, 选择水平1中任意方案 $ir$ 的概率 $p^{NL} (ir)$ 等于选择水平2中 $r$ 条件的概率 $p^{NL} (r)$ 与在 $r$ 条件下选择 $i$ 方案的概率 $p^{NL} (i | r)$ 的乘积, 即

$p^{NL} (ir) = p^{NL} (i | r) \times p^{NL} (r)$ (4)

$p^{NL} (i | r)$ 和 $p^{NL} (r)$ 的求解函数如下

$p_{NL} (i| r) = \frac{e^{λ V_{(i | r)}}}{\overset{Ir}{\sum_{i = 1}} e^{λ V_{(i | r)}}}$ (5)

$p^{NL} (r) = \frac{e^{(V_{r} + V_{r}^{*})}}{\overset{R}{\sum_{r = 1}} e^{(V_{r} + V_{r}^{*})}}$ (6)

$V_{r}^{*} = \frac{1}{λ} \ln \overset{ir}{\sum_{i = 1}} \exp (λ V_{(i | r)})$ (7)

式中: $V_{(i | r)}$ 为在选择方案 $ir$ 时, 效用由于 $ir$ 和 $r$ 的组合而变化部分的固定项; $V_{r}$ 为在选择方案 $ir$ 时, 效用中与 $i$ 无关, 仅随 $r$ 变化部分的固定项. Ir为在r条件下水平1中的选择方案数; R为水平2中的选择方案数; λ 为尺度系数.

3 数据分析及模型参数确定

3.1 出行调查数据统计分析

本文所采用数据基于北京市第五次居民出行调查统计.为更为精准地研究选择偏好影响效果, 将研究对象设定为以公共交通为主要出行方式的无车人群, 并通过随机抽样的方式构建了20 996条出行方式备选集, 其中, 仅包括第2章中所提及5种交通方式的出行者调查数据样本, 其相关影响因素包括出行费用、出行时间, 具体的数据统计情况见图4.

	Figure Option View Download New Window
	图4 样本数据统计Fig.4 Sample data

3.2 建立方式效用函数

通过极大似然估计法对模型中各项的指标系数进行标定^[20], 确定各效用函数的特征项和固定项, 并对各项系数进行显著性检验, 结果见表2.

表2 系数标定结果 Tab.2 Calibration result of coefficients

调整优度比 $ρ^{2}$ 为0.393, 大于0.2, 说明模型拟合较好, 尺度系数 $λ$ 标定结果为0.537, 介于0到1之间, 说明模型结构合理.各参数的t值绝对值均大于1.96, 说明各变量对效用函数值影响显著.将上述标定结果代入效用函数公式, 得到基于本次调查数据下的各出行方式的效用函数表达式:

$V_{walk} = 3.20 - 0.0673 \times X_{time 1}$ (8)

$V_{bike} = - 0.372 - 0.0822 \times X_{time 2}$ (9)

$V_{bus} = - 0.0157 \times X_{cost 1} - 0.0694 \times X_{time 3}$ (10)

$V_{subw} = - 0.0157 \times X_{cost 2} - 0.0694 \times X_{time 4}$ (11)

$V_{taxi} = - 0.0257 \times X_{cost 3} - 0.0664 \times X_{time 5}$ (12)

3.3 假设情景及变量取值

《第五次北京城市交通综合调查》显示北京市居民的日平均出行距离为8.1 km^[21], 故以起讫点相距8.5 km的西直门地铁站、中关村地铁站为例.通过《2015年北京交通发展年报》^[22], 可得2014年北京市晚高峰时段(17:00— 18:00)5种出行方式的平均速度, 见表3(公共交通的平均速度包括进出站及换乘).据此计算各出行方式的平均出行时间, 作为特征变量固定值.通过百度地图API获取晚高峰时段各出行方式的实际出行时间、出行费用, 作为模型计算选择概率的特征变量值.以《2015年北京交通发展年报》中的2014年北京市各交通方式出行量的比例, 作为5种出行方式各自的固有选择偏好.模型中各变量取值见表3.

表3 模型中各变量取值 Tab.3 Values of variables in the model

变量	步行	自行车	公交	地铁	出租车
偏好系数 $τ_{i}$	0.04	0.14	0.37	0.33	0.12
出行费用/元	0	0	2	4	24
实际耗时/min	103	40	44	14	35
平均耗时/min	88	54	55	34	48
平均速度/(km/h)	5.5	9.0	8.8	14.2	10.1

表3 模型中各变量取值 Tab.3 Values of variables in the model

由于出行距离8.1 km已经远超第5次交通调查中步行的平均出行距离1.6 km, 因此所得步行方式选择概率缺乏实际意义, 在后续分析中仅反映步行方式受其他因素变化的影响情况.

4 模型结果分析

偏好程度 $σ$ 值对地铁选择概率的影响见图5, 其中地铁的最短出行时间为5 min.由图5可见, $σ$ 值可以用来反映出行者的选择偏好在选择行为中的作用强度, $σ$ 值越大, 选择行为越具有偏好倾向.

	Figure Option View Download New Window
	图5 时间与选择概率的关系Fig.5 Relationship between time and selection probability

从图5中可知:

1)NL模型计算出完全理性行为能力下地铁选择概率随出行时间变化的规律, 出行时间增加, 地铁选择概率降低, 两者呈现较为直观的负相关性.

2)当 $σ$ =3时, 出行者的选择行为变为有限理性.地铁出行时间在15~35 min内, 其选择概率没有明显变化, 此时的选择概率近似等于地铁的固有选择偏好0.33.在15 min之后的有限理性选择概率大于完全理性选择概率, 在15 min之前的有限理性选择概率小于完全理性选择概率.

3)当 $σ$ =5时, 随着地铁出行时间增加, 地铁的选择概率始终是0.33左右.也就是说, 出行者理性程度非常低, 其选择行为基本不受时间变动的影响, 完全依据个人喜好选择.

结合图1、图5, 当 $σ$ =3时, 出行者对于地铁出行时间的不敏感区间在[-10, 10] min, 和实际调查结果相似, 因此取 $σ$ =3, 得到地铁出行时间对各方式选择概率的影响关系见图6, 由图6可知:

	Figure Option View Download New Window
	图6 地铁出行时间对各方式选择概率的影响Fig.6 Influence of subway travel time on the selection probability of each mode

1)随着地铁出行时间增加, 地铁方式的选择概率逐渐降低, 其他方式的选择概率有不同程度的增加.说明乘坐地铁出行需要的时间越长, 出行者选择地铁的概率越低, 此时出行者更倾向于向其他交通方式转移.

2)地铁及其他出行方式的选择概率, 在出行时间为25 min上下范围内的变化趋于稳定.说明对于选择地铁出行的出行者, 出行时间在25 min上下范围内时, 其选择行为受固有选择偏好影响, 选择行为趋于有限理性, 而受时间变化的影响程度相对较弱.

3)当地铁出行时间超过35 min后, 地铁的选择概率继续随出行时间增加而降低.说明此时出行时间超过了出行者的心理承受范围, 其选择行为重新趋于理性, 在选择出行方式时会理性考虑时间价值.

随机抽取出行距离在8 km左右的500组数据, 代入模型, 计算得到NL模型和有限理性模型的预测结果见表4, 命中率检验结果见表5.由此可知:

表4 模型预测的出行分担率结果 Tab.4 Split rate predicted by the model of travel mode selection %

表5 命中率检验结果 Tab.5 Test results of hit rate %

1)对于步行、自行车和公交选择概率的预测结果, 有限理性模型的预测概率比NL模型更高; 而对于地铁和出租车, 有限理性模型的预测概率比NL模型更低.

2)传统NL模型预测的步行、自行车的选择概率误差更小, 真实性更高; 有限理性选择模型预测的地铁、公交及出租车的选择概率误差更小, 真实性更高.

3)有限理性模型在5种方式上的结果命中率均高于传统NL模型, 体现了更好的适用性和更高的预测精度.偏好程度 $σ$ 值对各出行方式选择概率的影响见图7.由图7可知:

	Figure Option View Download New Window
	图7 偏好程度σ 值对选择概率的影响Fig.7 Effect of preference value $σ$ on selection probability

1)随着 $σ$ 值的增加, 出行者的理性程度逐渐降低, 出租车的选择概率逐渐减小, 其他交通方式的选择概率逐渐增加.

2)随着 $σ$ 值的继续增加, 出行者选择行为转变为完全非理性, 各方式的选择概率逐渐趋于恒定, 选择行为接近主观偏好, 选择结果接近固有偏好系数.

3)地铁方式选择概率随 $σ$ 值的变化较小, 非理性选择结果和理性选择结果相似, 说明地铁对出行者的黏度更高, 在通勤场景中选择地铁方式的出行需求相对刚性.

5 结论

1)在NL模型中引入了固有选择偏好作为影响出行者出行选择行为的重要因素, 与理性决策原则共同决定选择行为, 使选择模型对于实际选择情况的预测更加精准.

2)交通方式的特征变量不再直接决定模型的计算结果.当备选方案的特征变量在特定区间变化时, 出行者的选择行为体现出相对较强的个人偏好, 选择概率几乎不随之变动.当特征变量的变化超出特定区间时, 更多地体现出理性选择的特点, 选择概率随特征变量的改变而变化.

3)通过对模型参数 $σ$ 的估计, 可以描述不同出行者在选择时的不敏感区间, 准确预测复杂条件下的出行者方式选择结果, 为出行方式选择行为相关研究提供理论基础, 也为交通结构的合理调整提供科学依据.

参考文献

文献列表

[1]	ALGERS S, BESER M. Modelling choice of flight and booking class-a study using stated preference and revealed Preference data[J]. International Journal of Services Technology and Management, 2001, 2(1/2): 28. [本文引用:1]
[2]	李鹏. 基于层次分析法的交通方式选择及评价研究[J]. 铁道运输与经济, 2013, 35(5): 34-36. LI Peng. Research on transport mode selection and evaluation based on AHP[J]. Railway Transport and Economy, 2013, 35(5): 34-36. (in Chinese) [本文引用:1]
[3]	刘阳, 赵晖. 基于小波神经网络的城市交通出行方式交互预测[J]. 长安大学学报(自然科学版), 2015, 35(增1): 41-44. LIU Yang, ZHAO Hui. Interactive prediction for traffic modal split based on wavelet neural networks[J]. Journal of Chang’an University(Natural Science Edition), 2015, 35(S1): 41-44. (in Chinese) [本文引用:1]
[4]	WILLIAMS H L. On the formation of travel demand models and economic evaluation measures of user benefit[J]. Environment and Planning A: Economy and Space, 1977, 9(3): 285-344. [本文引用:1]
[5]	姚丽亚, 孙立山, 关宏志. 基于分层Logit模型的交通方式选择行为研究[J]. 武汉理工大学学报(交通科学与工程版), 2010, 34(4): 738-741. YAO Liya, SUN Lishan, GUAN Hongzhi. Study on modal split method based on Nested Logit model[J]. Journal of Wuhan University of Technology(Transportation Science & Engineering), 2010, 34(4): 738-741. (in Chinese) [本文引用:1]
[6]	杨励雅, 邵春福, HAGHANI A. 出行方式与出发时间联合选择的分层Logit模型[J]. 交通运输工程学报, 2012, 12(2): 76-83. YANG Liya, SHAO Chunfu, HAGHANI A. Nested Logit model of combined selection for travel mode and departure time[J]. Journal of Traffic and Transportation Engineering, 2012, 12(2): 76-83. (in Chinese) [本文引用:1]
[7]	龙雪琴, 宋嘉骐, 王建军, 等. 面向有限理性决策的出行者行为研究[J]. 公路交通科技, 2016, 33(5): 105-110. LONG Xueqin, SONG Jiaqi, WANG Jianjun, et al. Study on traveler’s behavior for bounded-rational decision-making[J]. Journal of Highway and Transportation Research and Development, 2016, 33(5): 105-110. (in Chinese) [本文引用:1]
[8]	ZHOU X M, YU X F, YANG X G, et al. Traffic-mode choice predict model of the comprehensive transportation hub based on nest logit model[C]//International conference of logistics engineering and management (ICLEM). Reston, VA: American Society of Civil Engineers, 2010: 3377-3384. [本文引用:1]
[9]	SIMON H A. A behavioral model of rational choice[J]. The Quarterly Journal of Economics, 1955, 69(1): 99-118. [本文引用:1]
[10]	杨励雅, 邵春福, 李霞. 城市居民出行方式选择的结构方程分析[J]. 北京交通大学学报, 2011, 35(6): 1-6. YANG Liya, SHAO Chunfu, LI Xia. Structural equation model analysis of travel mode choice for urban residents[J]. Journal of Beijing Jiaotong University, 2011, 35(6): 1-6. (in Chinese) [本文引用:1]
[11]	景鹏, 隽志才, 查奇芬. 考虑心理潜变量的出行方式选择行为模型[J]. 中国公路学报, 2014, 27(11): 84-92. JING Peng, JUAN Zhicai, ZHA Qifen. Incorporating psychological latent variables into travel mode choice model[J]. China Journal of Highway and Transport, 2014, 27(11): 84-92. (in Chinese) [本文引用:1]
[12]	KRISHNAN K S. Incorporating thresholds of indifference in probabilistic choice models[J]. Management Science, 1977, 23(11): 1224-1233. [本文引用:1]
[13]	张新洁, 关宏志, 赵磊, 等. 有限理性视野下出行者出行方式选择分层Logit模型研究[J]. 交通运输系统工程与信息, 2018, 18(6): 110-116. ZHANG Xinjie, GUAN Hongzhi, ZHAO Lei, et al. Nested logit model on travel mode choice under boundebly rational view[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(6): 110-116. (in Chinese) [本文引用:1]
[14]	关宏志, 李涛. 有限理性在交通领域应用研究综述[J]. 北京工业大学学报, 2018, 44(8): 1157-1164. GUAN Hongzhi, LI Tao. Review on the application of bounded rationality in transportation[J]. Journal of Beijing University of Technology, 2018, 44(8): 1157-1164. (in Chinese) [本文引用:1]
[15]	左志, 潘晓锋. 基于有限理性的交通方式划分模型[J]. 大连理工大学学报, 2014, 54(5): 531-536. ZUO Zhi, PAN Xiaofeng. Traffic modal split model based on bounded rationality[J]. Journal of Dalian University of Technology, 2014, 54(5): 531-536. (in Chinese) [本文引用:1]
[16]	胡晓伟, 王健, 孙广林. 有限理性下出行者方式选择行为[J]. 哈尔滨工业大学学报, 2011, 43(12): 114-118. HU Xiaowei, WANG Jian, SUN Guanglin. Traveler’s mode choice behavior analysis under bounded rational[J]. Journal of Harbin Institute of Technology, 2011, 43(12): 114-118. (in Chinese) [本文引用:1]
[17]	温惠英, 曾文创. 适于交通方式划分的NL模型巢式层次结构研究[J]. 交通信息与安全, 2010, 28(4): 35-38. WEN Huiying, ZENG Wenchuang. Nested structure of nl mode suitable for traffic mode split[J]. Journal of Transport Information and Safety, 2010, 28(4): 35-38. (in Chinese) [本文引用:1]
[18]	皇甫佳群, 周康, 孙明洁. 基于NL模型的交通方式划分[J]. 山东交通学院学报, 2011, 19(3): 39-43. HUANGFU Jiaqun, ZHOU Kang, SUN Mingjie. Traffic mode split based on the model of NL[J]. Journal of Shand ong Jiaotong University, 2011, 19(3): 39-43. (in Chinese) [本文引用:1]
[19]	ABDEL-ATY M, ABDELWAHAB H. Calibration of a florida nested-logit mode-choice model[C]//Canadian Society For Civil Engineering 30Th Annual Conference. Montreal: Canadian Society for Civil Engineering, 2002: 1-11. [本文引用:1]
[20]	潘驰, 郭志达. 社会互动效应下通勤者出行方式选择行为研究[J]. 交通运输系统工程与信息, 2017, 17(6): 101-106. PAN Chi, GUO Zhida. Commuter behavior mechanism of travel mode choice based on the perspective of social interaction[J]. Journal of Transportation Systems Engineering and Information Technology, 2017, 17(6): 101-106. (in Chinese) [本文引用:1]
[21]	北京市交通委员会. 第五次北京城市交通综合调查[R]. 北京: 北京市交通委员会, 2016. Beijing Municipal Commission of Transport. The Fifth Comprehensive Survey of Beijing Urban Transport[R]. Beijing: Beijing Municipal Commission of Transport, 2016. (in Chinese) [本文引用:1]
[22]	北京交通发展研究院. 2015年北京交通发展年报[R]. 北京: 北京交通发展研究院, 2016. Beijing Transport Institute. Beijing Transport Annual Report in 2015[R]. Beijing: Beijing Transport Institute, 2016. (in Chinese) [本文引用:1]

2001

0.0

... 在传统非集计模型研究领域,Algers等^[1]通过SP(Stated Preference)、RP(Revealed Preference)调查数据并结合Logit模型进行出行选择行为分析 ...

2013

0.0

... 李鹏^[2]针对多种交通运输方式的选择,加入了层次分析法进行辅助决策 ...

2015

0.0

... 随着大数据分析的广泛运用,刘阳等^[3]基于深度神经网络,构建了描述城市交通出行方式选择行为的小波神经网络预测模型 ...

1977

0.0

... 针对该问题,Williams^[4]提出了分层的多巢Logit模型(Nested Logit, NL),在实际预测中很大程度上解决了MNL模型的不相关选择项独立性假设(Independence of irrelevant alternatives,IIA)特性 ...

2010

0.0

... 姚丽亚等^[5]通过研究,进一步证明了NL模型在预测中具有更好的预测精度 ...

2012

0.0

... 杨励雅等^[6]同时考虑了出行方式与出发时间,联合建立了NL模型,证实了NL模型优于MNL模型 ...

2016

0.0

龙雪琴, 宋嘉骐, 王建军, 等. 面向有限理性决策的出行者行为研究[J]. 公路交通科技, 2016, 33(5): 105-110.

LONG

Xueqin

, SONG

Jiaqi

, WANG

Jianjun

, et al. Study on traveler’s behavior for bounded-rational decision-making[J]. Journal of Highway and Transportation Research and Development, 2016, 33(5): 105-110. (in Chinese)

In order to analyze the regularity of traveler's route choice behavior under emergency incidents, the traveler's behavior decision-making model is established by introducing prospect theory. First, the accident dissipation time is analyzed, and the model of accident dissipation time is established. Then, the traveler's behavior decision-making process is analyzed, and the traveler's behavior decision-making frame is established. By applying prospect theory, the utility function for traveler's route choice is put forward in terms of traveler's earning and loss respectively, and the route utility is analysed by using continuous-discretion method. At last, the traveler's route choice model is established to describe traveler's behavior. A simulation case study is conducted under an assumption scene to research the bounded-rational traveler's route decision-making behavior and the influence of expect trip time on traffic accident dissipation time and route choice result. A comparative experiment is used to prove the consistence between the simulation result and experiment result, and the applicability of bounded rational decision-making in traveler's route choice area.

1. School of Highway, Chang'an University, Xi'an Shaanxi 710064, China; 2. Beijing Key Lab of Traffic Engineering, Beijing University of Technology, Beijing 100124, China

为了研究突发事件下出行者进行路径选择的行为规律,引入前景理论建立了出行者行为决策模型。首先分析了事故消散时间,建立了事故消散时间模型。然后分析了出行者行为决策过程,搭建了出行者行为决策框架。进一步采用前景理论,分别针对出行者收益和损失,提出了出行者路径选择的效用函数,并采用连续离散的方式对路径效用进行了分析。最后建立了出行者路径选择模型,对出行者行为进行刻画。通过一个仿真算例,在假定的出行场景下,研究了出行者有限理性路径决策行为,分析了期望出行时间对事故消散时间和路径选择结果的影响。采用试验对比的方法,证明了仿真结果和试验结果的一致性,验证了有限理性决策在出行者路径选择领域的适用性。

... 非集计模型建立的假设基于效用最大化理论,即出行者能够选择其备选方案内效用最大的出行方案^[7] ...

2010

0.0

... 而在实际出行情境中,不同个体对于客观特性的敏感程度表现不一,因此导致选择决策伴随一定的主观因素和随机性,对选择结果并不一定完全基于绝对理性^[8] ...

1955

0.0

... Simon^[9]将该行为决策称有限理性满意决策 ...

2011

0.0

... 杨励雅等^[10]为克服Logit类模型的局限性,以出行链为分析单元,构建快速城市化进程中居民出行方式选择的结构方程模型 ...

2014

0.0

景鹏, 隽志才, 查奇芬. 考虑心理潜变量的出行方式选择行为模型[J]. 中国公路学报, 2014, 27(11): 84-92.

JING

Peng

, JUAN

Zhicai

, ZHA

Qifen

. Incorporating psychological latent variables into travel mode choice model[J]. China Journal of Highway and Transport, 2014, 27(11): 84-92. (in Chinese)

To systematically research the impacts of psychological factors on travel mode choice behavior, the paper constructed three multiple indicators and multiple causes (MIMIC) models for motorcycle, bus and car, according to the expanded theory of planned behavior (TPB) with variety of psychological factors included with respect to commuter mode choice behavior. The fitted values of latent variables from estimation of MIMIC were introduced into the conditional logit model (CLM) as explanatory independent variables, so as to establish a hybrid choice model (HCM). The empirical data were collected and used to compare the different influences of parameters between the traditional discrete choice model (DCM) and HCM. The predication capabilities of the two models were tested by using the change of monthly income. The results show that not all of the psychological latent variables have significant effect on commute mode choice behavior. The outcome of estimation of HCM has a higher degree of fitting and much more robust prediction than the traditional DCM without latent variables.

1. Antai School of Economics & Management, Shanghai Jiao Tong University, Shanghai 200052, China; 2. School of Automobile and Traffic Engineering, Jiangsu University, Zhenjiang 212013, Jiangsu, China; 3. School of Finance & Economics, Jiangsu University, Zhenjiang 212013, Jiangsu, China

为系统考虑心理因素对出行方式选择行为的影响,以计划行为理论为框架整合了对通勤方式选择行为具有影响的各种心理因素,分别对摩托车、公交车和小汽车构建了3种多指标多原因模型,估计模型参数后预测心理影响潜变量的拟合值,作为解释自变量加入到传统的条件Logit模型中形成了混合选择模型。采用实证数据分别以公交车和小汽车作为效用基础项估计并比较了传统离散选择模型和混合选择模型中各参数影响的异同,最后利用月收入的变动检验了2个模型的预测能力。结果表明:不是所有的心理影响潜变量都对通勤方式选择行为有显著性影响,混合选择模型比传统不带潜变量的选择模型对实证数据具有更高的拟合度,其预测值也更为稳健。

... 景鹏等^[11]为出行方式选择模型添加心理潜变量,以计划行为理论为框架,整合对通勤方式选择行为有影响的各种心理因素,通过估计模型参数预测心理潜变量的拟合值,并将其作为解释变量加入到传统Logit模型中形成混合选择模型 ...

1977

0.0

... Krishnan^[12]首次提出了效用差概念,以衡量影响出行者在不同出行方式间选择的影响因子,并进一步修正Logit模型,建立方式选择MPD(Minimum Perceivable Difference)模型 ...

2018

0.0

... 张新洁等^[13]针对MNL模型的IIA特性缺点,结合效用差感知阈值理论,在连续平衡交通分配方式下构建有限理性分层Logit(Bounded rationality nested Logit, BRNL)模型,引入感知成本差,假设当感知成本差足够大时,出行者依据个人喜好做出选择判断 ...

2018

0.0

... 1 有限理性选择行为定义理想状态下,出行者在选择出行方式时,会统筹考虑视野内备选出行方案的特征因素,例如不同方案的出行时间、出行费用等,并通过理性分析选择用户最优出行方式^[14] ...

2014

0.0

... 然而在实际出行情景中,出行个体并非对备选方式的特征因素变化完全敏感,可能忽略细小变化,仅依据个人偏好做出不符合理性假设的选择^[15] ...

2011

0.0

... 本次SP调查对象以公共交通(公交、地铁)为主要出行方式的在校大学生(无车人群),以互联网为传播渠道^[16],共收回符合条件的问卷数量为200份,经有效性判别、筛查后最终得到有效问卷数量为189份,调查结果显示交通方式的消耗时间与选择意愿存在一定相关性,如图1所示 ...

2010

0.0

... 1 改进NL模型结构为描述选择情况,探究出行者出行时间、出行费用与出行方式选择之间的相关性,建立出行方式分层选择结构^[17,18],见图2 ...

2011

0.0

... 1 改进NL模型结构为描述选择情况,探究出行者出行时间、出行费用与出行方式选择之间的相关性,建立出行方式分层选择结构^[17,18],见图2 ...

2002

0.0

... 传统NL模型中的选择概率由其效用函数值决定,而其效用函数值仅由特征变量及其相应系数决定,没有考虑其中的主观偏好因素^[19] ...

2017

0.0

... 2 建立方式效用函数通过极大似然估计法对模型中各项的指标系数进行标定^[20],确定各效用函数的特征项和固定项,并对各项系数进行显著性检验,结果见表2 ...

2016

0.0

... 1 km^[21],故以起讫点相距8 ...

2016

0.0

... 通过《2015年北京交通发展年报》^[22],可得2014年北京市晚高峰时段(17:00#cod#x02014 ...