论文部分内容阅读
目的地选择模型是一种非集计的出行分布模型，具有能够同时考虑出行阻抗和出行吸引因素、可引入政策敏感变量对交通政策进行评估等优点。但现有的目的地选择模型多是利用小样本的出行调查数据进行建模，由于选择肢数量过大，只能采用统一的效用方程，无法给出小区之间的特定常数项。随着交通信息技术的发展，获取大量连续的出行数据为模型的改进提供了条件。在一定区域范围内，可获取几乎完整的OD出行矩阵数据的情况下，加入常数项能够提高模型预测准确度。
本文首先介绍了出行分布理论和基于效用最大化的离散选择模型理论。然后推导出了加入常数项的目的地选择模型效用表达式及参数估计方法，通过蒙特卡洛仿真试验发现，加入小区层面成对常数项会导致目的地选择模型的系数无法辨认。因此，提出了加入大区层面成对常数项的目的地选择模型，并给出了迭代算法，进行模型参数估计。这里“大区”是指若干个“小区”的空间集计，即“小区”的上一层面。改进后目的地选择模型的案例研究选用早高峰时段上海内环线内出租车乘客行程的GPS数据，总共包含504187条出行记录，随机抽取其中10000条作为样本，分别建立传统没有加入常数项的目的地选择模型和本文提出的加入大区层面常数项的目的地选择模型。将上海内环以内的961个居委会小区作为交通小区、52个街道作为上一层面的大区。结果发现，加入常数项的目的地选择模型估计的时间价值显著减小，表明传统没有加入常数项的目的地选择模型由于忽略两两大区之间的关联性，倾向于高估出行者的时间价值。本文提出的改进模型能够保证预测的大区层面的OD矩阵与观测得到的实际OD矩阵相同。因此，当某一区域范围内能够获得完整出行OD矩阵的情况下，可以应用该模型实现出行分布预测。
最后，利用小样本调查数据建立非通勤目的地选择模型，对比大样本被动采集数据和小样本主动采集数据两种来源数据的模型系数，并分析个人社会经济属性对目的地选择行为的影响，为今后的相关研究提供参考。
本文首先介绍了出行分布理论和基于效用最大化的离散选择模型理论。然后推导出了加入常数项的目的地选择模型效用表达式及参数估计方法，通过蒙特卡洛仿真试验发现，加入小区层面成对常数项会导致目的地选择模型的系数无法辨认。因此，提出了加入大区层面成对常数项的目的地选择模型，并给出了迭代算法，进行模型参数估计。这里“大区”是指若干个“小区”的空间集计，即“小区”的上一层面。改进后目的地选择模型的案例研究选用早高峰时段上海内环线内出租车乘客行程的GPS数据，总共包含504187条出行记录，随机抽取其中10000条作为样本，分别建立传统没有加入常数项的目的地选择模型和本文提出的加入大区层面常数项的目的地选择模型。将上海内环以内的961个居委会小区作为交通小区、52个街道作为上一层面的大区。结果发现，加入常数项的目的地选择模型估计的时间价值显著减小，表明传统没有加入常数项的目的地选择模型由于忽略两两大区之间的关联性，倾向于高估出行者的时间价值。本文提出的改进模型能够保证预测的大区层面的OD矩阵与观测得到的实际OD矩阵相同。因此，当某一区域范围内能够获得完整出行OD矩阵的情况下，可以应用该模型实现出行分布预测。
最后，利用小样本调查数据建立非通勤目的地选择模型，对比大样本被动采集数据和小样本主动采集数据两种来源数据的模型系数，并分析个人社会经济属性对目的地选择行为的影响，为今后的相关研究提供参考。