论文部分内容阅读
交通需求预测是有效开展所有交通规划以及交通管理工作的基石,是分析城市交通运输体系的重要组成部分。作为最经典的交通需求预测方法,“四阶段法”在过去几十年的实际生产过程中运用十分广泛。同时,面对“四阶段法”暴露出的缺陷,国内外学者也对“四阶段法”进行了诸多改进,但仍无法有效解决交通调查费用高、数据集计等带来的问题,也无法满足交通规划目标多元化的发展需求。基于此,非集计模型被引用到交通领域,以满足新时期的发展需要。经过国内外学者们的不断努力,非集计模型已拥有了一套完整的理论体系,并进入到实际运用研究阶段。在非集计模型中,最常用的模型有:基于出行链的模型和基于活动的模型。基于出行链的非集计模型以出行链为分析单位;而基于活动的非集计模型则以活动为分析单位,包含在家的活动,科学地反映出了出行者的出行发生过程。在非集计模型中,常用的预测选择概率的模型为Logit模型。最普遍的Logit模型有Multinomial Logit模型、Nested Logit 模型、Mixed Logit 模型、Probit Logit 模型等。其中,由于 Nested Logit 模型允许各方案之间存在相互联系,且易于理解,因此被广泛应用到理论研究与实践运用当中。目前,为灵活调整效用函数,主要采用启发式的算法在R中标定NL模型结构内的相关参数。但当NL模型巢式结构的水平不断增加或者特性变量的数量不断增多时,启发式算法的运算量将急剧上升,从而延长预测周期,增加预测者工作量。为此,本文首先详细介绍和对比了集计模型和非集计模型,着重阐述了 NL模型以及NL模型参数估计的基本步骤。在此基础上,在R中对现有启发式算法进行改进,不但能够自动标定模型中的参数,还实现了特性变量的自动筛选功能。最后以2007年日本东京都23区的交通调查数据为例,建立在东京都CBD区域活动的出行者的二阶活动模型,利用本文提出的算法对模型参数进行估计,确定其巢式结构。在本案例中,每次运算时间不超过5分钟左右,且所有统计量均在有效范围内,进而肯定了该算法的高效性。本文的研究成果为推动非集计模型在实际生产过程中的运用做出了一定贡献。