基于Mixed-Logit的半补偿型方式划分模型研究

引入阈值的概念,建立基于Mixed-Logit模型的半补偿型方式划分模型,将选择过程划分为2个阶段,并在第二阶段采用Mixed-Logit模型,克服IIA特性和喜好随机性限制两大缺陷,最终达到更好地描述出行方式选择行为的目的.基于SP调查获取的样本数据,采用马尔科夫链蒙特卡洛算法结合数据扩张技术的方法对模型参数进行标定,利用命中率法对模型预测结果进行检验,并与MNL模型进行对比,验证了该模型应用于交通方式划分的可行性及优越性.

城市轨道交通乘客半补偿路径选择建模与应用

城轨网络规模的扩大使乘客可选的路径增多,但通常乘客只考虑容忍阈值范围内的路径(即有效路径集合生成),然后从中择优。本文构建的半补偿Mixed Logit模型,基于贝叶斯理论将两个子过程统一,并将偏好系数和阈值参数处理成随机变量以体现乘客的异质性。融合马尔科夫链蒙特卡洛法与数据扩张技术,可内生标定所有参数。基于广州地铁调查数据标定的结果显示,内生标定的出行时间和换乘次数阈值更精准,且所建模型更优。将模型应用于预测广州地铁六号线接入后的换乘量,平均相对误差为5.19%,说明所建模型适应于网络结构变化下的客流预测。

交通出行选择行为理论与模型应用分析

从交通出行选择行为理论与模型的发展历程和理论渊源出发,阐述随机效用理论、期望效用理论、累积前景理论、后悔理论及非/半补偿模型的基本原理和应用现状,并对其在决策准则、决策情景、决策者假设和决策策略等方面比较分析,指出在应用中存在的问题和适用性。基于效用最大化的模型在实践中应用广泛,但其理性人假设和补偿形式受到质疑,其替代模型在描述和预测出行选择行为上有更大潜力,但需进行有效性验证。与贝叶斯学习、博弈论等结合描述出行选择的动态过程、从出行产生的内在机理和决策心理出发构建出行选择行为模型及大数据环境下的交通出行行为研究将是今后研究的方向。