基于前景理论的出发时刻选择模型研究

介绍了研究出行者出行选择问题的传统理论——“期望效用理论”的不足,分析了“前景理论”的基本思想和结构框架。基于前景理论,以实时交通信息影响下的日常上班出行为研究对象,具有重要的理论意义和实践价值。选择到达目的地的时刻作为参照点,确定了价值函数。通过对可供出行者选择的时间范围进行分段,研究了在不同时段出发,出行者如何预测路径的行程时间。出行者将选择可获得最大价值的时刻作为出发时刻,以此为目标建立了出发时刻的选择模型。通过设定到达目的地时刻的满意区间,研究了出行者下次出行是否改变和将如何改变出发时刻。     

基于计划延误成本的出发时间选择模型

出行时间不确定性对出行者造成诸多负面影响,其中之一就是计划延误成本增加.向出行者提供交通信息可减少出行时间不确定性的负面影响,减少计划延误成本.为了估计其负面效应和出行时间信息的价值,研究了一个出行时间不确定性下的出发时间选择模型.假定在不同的出发时间下,出行时间分布的形式不同.模型中出行者可得到交通信息服务系统(A T IS)提供的基于平均出行状况的交通信息或基于当日出行状况的交通信息,同时他对得到的信息有自己的感知值,基于此感知预测出行时间并选择出发时间.用算例反映了出行时间不确定性、不同信息状况和信息预测的质量对出行者广义出行阻抗的影响.结果表明交通信息的收益不应该只表现为传统的出行时间节省,它还能减少约30% ~40% 的计划延误成本.      

交通信息作用下的活动-出行决策行为研究

从交通信息对出行者出发时刻、出行路径、出行方式选择和日活动安排的影响及其作用机制等方面,评价了以活动理论为基础的各种研究方法和模型系统的优缺点;分析总结了近十几年间交通信息作用下的出行行为研究领域的研究进展;探索了改进信息作用下活动-出行行为预测方法的途径.结果表明:信息在诱导人们出行行为方面既有积极作用,也存在一定局限性,规划管理部门应正确认识和合理利用交通信息.     

考虑舒适度因素的出行价值模型

为了探究舒适度对出行者路径选择的影响,通过分析出行舒适度的影响因素,构建舒适度价值模型,从而建立考虑舒适度因素的出行价值模型。首先考虑行程时间、出行费用和舒适度3种出行价值的影响因素,建立出行价值模型;然后采用意愿调查法对出行者舒适度选择特征进行调查,以性别、年龄、出行方式、行程时间为特征变量,通过排序选择模型对舒适度选择概率进行标定,发现交通方式和行程时间两种影响因素对舒适度选择具有显著影响。通过计算出不同交通方式、不同行程时间对应的舒适度选择概率,从而得到不同出行状态下的舒适度概率分布,由此建立了基于舒适度排序选择模型的出行价值模型。最后以公交车出行价值为参考,进行算例分析,利用AHP层次分析法,对行程时间、出行费用和舒适度3种因素的单位价值进行判断,得出出行价值计算模型,分别针对考虑和不考虑舒适度的出行价值模型进行比较分析。结果表明,当考虑舒适度因素时,私家车和自行车的出行价值分别下降了2.6%和30.2%。由此可见考虑舒适度的出行价值模型能够更好地评价不同出行方式的价值差异。     

早高峰地铁通勤计划延误价值分析与实证

解释和预测通勤者的时间价值和出行行为是实施交通需求管理措施,进而缓解城市交通拥堵的基础研究工作之一.综合考虑出行时间、计划延误、厢内拥挤和地铁票价等影响因素,给出了地铁通勤者的出行效用表达式,基于Logit模型对地铁通勤者早高峰期间的出发时刻选择行为进行了研究.针对不同的地铁通勤情景进行组合,设计了意愿偏好调查问卷,在北京地区进行了实证调查.统计结果表明,对北京地铁的通勤者而言,早到和晚到上班地点的计划延误价值每分钟分别为0.237元和0.406元;厢内拥挤的程度和地铁票价的折扣变化都会影响地铁通勤的出发时刻选择.考虑收入的异质性对模型进行了改进,统计结果在0.05水平上是显著的.      

基于路网拥挤度的交通拥挤收费费率研究

针对交通拥挤路段收费费率的问题,建立了交通拥挤收费的双层规划模型,上层模型为最小化交通路网的拥挤度,下层模型为固定需求的用户平衡。在下层模型中广义出行成本函数考虑了出行时间、油耗和费率。并采用遗传算法进行求解。通过算例分析,得出结论:当广义出行成本函数考虑了油耗的因素时,要使路网的流量达到系统平衡状态,路段收费的费率是不相同的;合理的收费费率能获得最小的路网拥挤度,路网的拥挤度和用户总出行时间并不能同时达到最优。     

高速公路可变收费货车出行者出行时间选择模型研究

以效用理论为基础,通过意向调查研究了高速公路货车出行者出行选择模型。针对许多高速公路在高峰时段交通量较大,而其他时段交通量较小的现状,在不同时段采用不同的收费标准,分析可变收费实施后不同属性货车出行者出行选择行为,确定影响出行者出行时间选择的模型变量,得到货车出行者在各水平收费标准时的出行时间选择模型。以京沪高速为实例,设计调查问卷,进行意向调查,通过对调查结果进行分析,选择货车所载货物类型、车货重量作为属性变量,建立了该高速公路货车出行者在两种不同方案下的出行时间选择模型并进行了标定。利用模型标定结果可对可变收费方案进行评价,从而优化可变收费方案,提高高速公路的运行效率。     

观测路径出行时间下随机网络交通需求估计

道路网络起讫点（OD）需求是城市决策长期交通规划和短期交通管理中的基础参数,准确的交通需求更是实施交通拥堵控制、限行限速、路径诱导等措施的先决条件。综合运用观测的轨迹已知和未知路径出行时间,建立随机网络交通需求估计双层规划模型。上层广义最小二乘模型最小化历史交通需求与待估交通需求、观测路径出行时间与待估路径出行时间之间的偏差,约束为交通需求、路段流量、路段出行时间与路径出行时间之间的传播关系,通过高斯混合模型（GMM）对其中轨迹未知的观测出行时间依概率聚类。下层为随机网络交通出行均衡模型,分别运用出行时间预算和随机用户均衡处理路网不确定性和出行者感知误差。上、下层之间通过交通需求和OD-路段关联比例进行信息传递。设计迭代算法框架求解双层规划模型,迭代算法包含求解上层模型的最速下降法、求解下层模型的相继平均算法和求解GMM模型的最大期望（EM）算法。通过算例表明轨迹未知的路径出行信息的加入在提升需求估计精度的同时也增大了估计值的方差;设计的迭代算法能够稳定收敛到10^-5的精度;GMM软聚类方法估计的交通需求显著优于硬聚类方法估计的需求值;交通需求值对观测路径出行时间的扰动更加敏感。研究考虑出行者风险态度,通过轨迹信息的重新构建揭示城市交通需求演化规律。     

基于驾驶员行为的交通信息发布方式选择研究

信息技术在交通方面的应用越来越广泛,交通诱导信息的发布可大大提高路网的运营能力,为缓解交通供需矛盾提供了一个有力工具。交通诱导信息作为城市交通流分布的重要影响因素,通过改变驾驶员的出行时间、出行方式和出行路径,使道路上的交通流重新分配。本文以SP调查数据为支撑,从出行行为角度分析交通诱导信息方式对驾驶员出行选择行为的影响。利用非集计模型建立驾驶员选择行为模型,预测分析拥堵状态下,驾驶员对不同交通诱导方式的选择行为,进而有序地引导驾驶员出行选择,以达到缓解交通拥堵的目的。     

公路网络可达性研究

可达性是公路网规划方案的重要评价指标之一。由于研究目的、研究范围等不同,国内外在可达性的定义及模型形式等方面存在一定的差异。文章以公路网络的可达性为研究对象,首先剖析了结点的交通需求、结点层次以及驾驶员路径选择行为对可达性的影响,进而对现有可达性模型进行改进,建立了综合考虑结点的交通需求、结点层次以及驾驶员路径选择行为这三个因素,以结点间最短路线长度和最短出行时间以及结点重要度为变量的公路网络可达性模型。     

具有变需求的多模式随机动态同时的路径和出发时间问题研究

为了解决在多种交通模式条件下出行者的路径与出发时间选择问题,提出了一个变分不等式模型用于模拟具有变需求的多模式随机动态出行选择行为。推荐了一个改变的投影压缩算法求解相应的变分不等式问题,并给出了算法的迭代步骤。最后在一个相对真实的路网上进行了仿真试验,从两个OD对之间的一个路径上的路径入口流量率以及增补的路径旅行费用状况中可以看出,小汽车和卡车的路径入口流量率以及增补的路径旅行费用都可以达到一种平衡状态,表明了模型和算法的有效性和正确性。     

基于数据驱动的城市快速路段拥堵状态辨识及诱导对象选择方法

交通诱导实施效果不佳的主要原因之一是具有差异性出行特征的出行者无法接受单一的诱导方案。针对城市快速路高峰时段拥堵问题, 研究了考虑车辆出行特征差异的交通诱导对象精准识别方法, 以保障诱导方案的实施效果。利用高德路况数据提取拥堵路段, 根据拥堵路段与相邻路段交通状态的相关性提出拥堵源路段识别方法; 利用车牌识别数据提取使用快速路车辆的出行特征, 包括快速路出行强度、地面道路出行强度、快速路出发时刻离散度和快速路路径选择多样性; 采用K-means++算法对车辆出行特征进行聚类, 识别出显著影响道路交通状态的出行者, 并为出行者推荐适合其出行特征的错峰或绕行诱导方案。以苏州快速路为例, 研究发现: 针对拥堵源路段的交通诱导能有效改善拥堵路段的交通状态; 类型3车辆(高频出行且易绕行)占单月工作日早高峰所有使用快速路车辆总数的14%, 却占单日早高峰总交通量的51%, 是重点诱导对象; 通过精准识别, 可推荐诱导车辆数占总车辆数的47%。      

拥挤道路收费与停车收费组合优化模型研究

道路拥挤收费和停车收费是交通需求管理中的两大有效手段,合理地实施收费可以达到缓解交通拥挤的目的.文中针对交通网络中私家车用户可以在任意公交站点处发生换乘这一广泛情形,讨论了弹性需求下的路段拥挤收费和停车收费组合优化策略,并给出基于混沌优化方法的启发式算法求解所建立的双层规划模型.结果表明,所建模型有助于个体出行方式和出行路径的决策,且组合收费在使得公众易于接受实施拥挤收费政策的同时,也可以吸引更多出行者选择换乘公共交通方式,这将有利于减轻交通拥挤程度和环境压力.     

基于元胞自动机的动态路段走行时间计算模型

为建立合理的动态交通网络中路段走行时间模型,分析了动态路段走行时间函数的一般形式,对比国内外常用的几种离散型动态路段走行时间函数,基于元胞自动机交通流模型,建立了动态路段走行时间模型。模型可以根据实际路段驶入率、驶出率,推算出任意时刻进入路段车辆的走行时间,并利用M atlab对模型进行求解和数值分析。结果表明,车辆进入路段后的交通状态是动态路段走行时间的主要影响因素;根据累积驶入驶出车辆数曲线可以直接求出动态路段走行时间,能够为动态交通网络中路径走行时间求解奠定基础。      

Development of a behaviorally induced system optimal travel demand management system

The basic design concept of most advanced traveler information systems (ATIS) is to present generic information to travelers, leaving travelers to react to the information in their own way. This “passive” way of managing traffic by providing generic traffic information makes it difficult to predict the outcome and may even incur an adverse effect, such as overreaction (also referred to as the herding effect). Active traffic and demand management (ATDM) is another approach that has received continual attention from both academic research and real-world practice, aiming to effectively influence people's travel demand, provide more travel options, coordinate between travelers, and reduce the need for travel. The research discussed in this article deals with how to provide users with a travel option that aims to minimize the marginal system impact that results from this routing. The goal of this research is to take better advantage of the available real-time traffic information provided by ATIS, to further improve the system level traffic condition from User Equilibrium (UE), or a real-world traffic system that is worse than UE, toward System Optimal (SO), and avoid passively managing traffic. A behaviorally induced, system optimal travel demand management model is presented to achieve this goal through incremental routing. Both analytical derivation and numerical analysis have been conducted on Tucson network in Arizona, as well as on the Capital Area Metropolitan Planning Organization (CAMPO) network in Austin, TX. The outcomes of both studies show that our proposed modeling framework is promising for improving network traffic conditions toward SO, and results in substantial economic savings.     

Urban travel time reliability at different traffic conditions

The decision making of travelers for route choice and departure time choice depends on the expected travel time and its reliability. A common understanding of reliability is that it is related to several statistical properties of the travel time distribution, especially to the standard deviation of the travel time and also to the skewness. For an important corridor in Changsha (P.R. China) the travel time reliability has been evaluated and a linear model is proposed for the relationship between travel time, standard deviation, skewness, and some other traffic characteristics. Statistical analysis is done for both simulation data from a delay distribution model and for real life data from automated number plate recognition (ANPR) cameras. ANPR data give unbiased travel time data, which is more representative than probe vehicles. The relationship between the mean travel time and its standard deviation is verified with an analytical model for travel time distributions as well as with the ANPR travel times. Average travel time and the standard deviation are linearly correlated for single links as well as corridors. Other influence factors are related to skewness and travel time standard deviations, such as vehicle density and degree of saturation. Skewness appears to be less well to explain from traffic characteristics than the standard deviation is.     

信息影响条件下考虑出行异质性的路径选择模型

出行者路径选择行为的研究对于预测城市交通流时空分布规律及维持网络经济、高效运转具有重要意义.为了探究多类型异质出行者路径选择行为的异同,研究了基于累积前景理论的多类别异质出行者路径选择模型.通过定义出行者参考点,引入考虑时间价值系数的风险敏感系数计算方法,以保证异质出行者拥有异质的风险偏好,研究分析了是否提供实时路况信息2种情境下常规通行者与通勤者路径选择行为的异同.数值算例表明,拥有较大参考点的出行者更倾向于保守地选择一条出行时间较长的道路,而其他人则更加冒险.此外,与通勤者相比,当备选方案均可以满足自身出行需求且自身参考点足够大时,常规出行者更愿意忽视风险,以获得更高的出行收益.      

基于神经网络客流预测的高峰期公交时刻表优化

为了加强公交发车时刻与高峰期客流需求波动间的协调性,需要依据实时客流需求进行时刻表优化.根据IC卡采集到的上车乘客数据,分别采用BP神经网络和RBF神经网络算法预测计算得到断面客流量.兼顾优化决策和评价模型,设计完善了基于客流预测的公交时刻表动态优化流程.计算文山市公交线路客流数据,发现案例中采用RBF神经网络预测得到的断面流量精度较BP神经网络高出4.9%.基于RBF神经网络和BP神经网络预测客流需求优化的公交时刻表与现状运行时刻表相比,乘客出行成本分别降低了4.11%和1.35%,企业运营成本分别降低了7.06%和4.60%.定量验证了动态优化方法的可行性和有效性.      

考虑共享停车的用户出行选择研究

为探讨共享停车的出现对用户出行选择的影响,将出行者划分为共享停车和普通停车两种用户类型,分别构建停车阻抗函数,并基于分层Logit(NL)建立停车和路径联合选择结构模型.进一步提出带有两种停车方式的随机用户均衡模型,并改进相继平均算法对模型进行求解,通过算例分析发现预约费用从4元变化到12元时,共享停车需求量从378辆...