基于决策场理论的出行者动态决策行为研究

为了研究出行者进行路径选择时的动态决策过程,本文采用决策场理论,研究 了多属性条件下,机动车出行者的微观和宏观动态决策行为.分析了决策场理论的基本模 型,构建了出行者动态决策行为场景和框架,以历史出行时间、预测出行时间和两者综合 值作为出行者决策的路径属性,并根据属性与实际出行时间的差值为依据,提出了出行 者注意力权重矩阵计算方法.通过算例分析发现,自由流出行时间对出行者决策影响较 大,出行者对路径属性的依赖性非常强,决策过程中存在路径偏好反转的现象,表明出行 者动态决策过程是随时间不断变化的,路径选择是时间累计的结果.     

基于决策过程的停车换乘行为研究

文中从决策过程分析的角度出发,利用决策过程分析理论,采用计算机仿真的方法,分析了多方式选择情景下的停车换乘行为.通过一次选择决策行为分析得出,出行者存在多方式选择权衡比较、偏好反转等决策现象,通过分析决策阈值、初始偏好对停车换乘选择行为的影响得出,采取一定的措施,如为出行者提供停车换乘设施信息服务、通过免费换乘减少对小汽车的依赖性等,将会影响出行者的决策行为过程而使其转向停车换乘出行.     

铁路出发旅客衔接方式选择的复合异质性模型

鉴于多属性决策中存在的属性偏好和处理两类异质性现象,以铁路出发旅客衔接方式选择问题为对象,对两类异质性的效用表达进行了讨论,构建了能同时描述旅客属性偏好和处理异质性的复合异质性(Hybrid)非集计模型.采用成都东客站SP调查数据进行模型标定,结果表明,Hybrid模型的拟合度优于单一异质性模型.旅客属性处理规则自述结果与Hybrid模型分类结果的对比分析表明,模型对旅客属性处理特征的表达准确.进一步对不同类型旅客属性标定结果的分析显示,Hybrid模型可实现对衔接方式选择行为的精细化描述.     

有偏好的交通网络路径选择模型

在城市交通网络中,已知路径的时间属性与费用属性,分析了出行者对路径有、无主观偏好时的路径选择问题。当无偏好时,利用信息熵理论和多属性综合决策方法给出了获得路径综合属性值的计算模型;当有偏好时,对不同的路径通过互反判断矩阵给出主观偏好,然后利用互反判断矩阵之间的偏差建立关于属性权重向量的优化模型,并采用解析的方法对模型进行求解,得到每个属性的权重,从而进一步计算出每条路径的综合属性值,属性值最大的路径为最优路径。分析结果表明:在无偏好时最佳选择路径2的综合属性值为0.918;在有偏好时最佳选择路径4的综合属性值为0.965,与无偏好的相差较大,且6条路径的选择次序不同。可见,出行者的主观偏好对路径选择结果有较大的影响。     

基于粗糙集聚类算法的铁路通道客运市场细分

对铁路通道内客运市场的细分,是研究铁路通道客流分担、客运产品设计的基础. 根据宝鸡-兰州铁路通道旅客出行方式选择调查数据,结合粗糙集理论,首先,构建了铁路通道旅客出行方式选择决策表,对条件属性进行属性约简,并计算各属性的权重;其次,考虑到避免传统聚类算法的“维数陷阱”,提出了基于粗糙属性重要度的K-means聚类算法,并在UCI数据集上进行仿真实验;最后,运用该算法对调查数据样本进行聚类.结果表明：将铁路通道客运市场细分为6类时,具有最好的聚类效果;经统计分析发现,不同子市场的旅客出行行为有明显的偏好.     

基于驾驶员偏好的最优路径选择

现实生活中,驾驶员往往依据自身偏好来选择路径,对不同的路径属性有不同的要求,且对其属性值存在一个可接受范围,而不是一个精确值. 本文对存在驾驶员偏好的最优路径选择问题进行了研究,提出了一种能够综合反映驾驶员偏好的最优路径选择方法. 首先基于可能度和区间数相离度的多属性决策方法,建立驾驶员偏好与路径属性总偏差最小的优化模型,并解出路径属性权重;其次算出各路径的综合属性值,建立路径间的可能度矩阵及其排序向量,据此选出最优路径;最后以算例进行验证,结果表明本文给出的路径选择方法具有很好的可行性和适用性.     

�������Ϸ����Ĺ������������о�

公交服务质量是影响公交出行分担率的重要因素. 本文利用联合分析方法对乘客对于公交服务的属性偏好进行研究. 通过实际调查及数据分析,得出了可靠性、发车间隔、步行时间等方面属性水平的效用值,并由此确定了各种属性的权重. 研究结果表明乘客最为重视的是可靠性,其次是车内环境、步行时间、发车间隔,而站台环境和价格所占权重较小. 本文还对南京市的公交服务质量进行了调查. 结果表明乘客对于高峰时期可靠性、车内环境和发车间隔的评价低于非高峰时期,且乘客对于可靠性的评价很低,对于高峰时期的车内环境和发车间隔的评价也较低.     

有偏好的多属性灰色关联路径选择模型

路径选择模型是动态交通诱导的核心问题.针对出行者不同偏好及路径属性不 完全确定条件下,提出了一种路径属性为区间值的有偏好路径选择模型.建立了以交通拥 挤程度、行程时间、行程距离和行程时间可靠性为属性的路径选择指标体系,给定路径属 性的区间值及出行者偏好值,计算每条路径客观信息与主观偏好的灰色关联系数.为了减 少主观偏好与客观信息的偏差,构建了单目标最优化模型,得到路径属性的权重值,进而 求得各路径主观偏好与客观信息的关联度,并根据关联度大小进行排序.最后以福州三坊 七巷交通网络为例,给出路径选择实例.结果表明该方法简单有效.     

����TOPSIS�ij��з�������ָ��Ȩ�ص�ȷ������

旅客出行偏好选择问题是旅客出行行为分析理论的一个重要部分,而旅客对出行方案的选择是基于对各种方案的评价指标的综合分析。但旅客对各评价指标的侧重程度,即属性权重的计算,目前常用方法都有一定的局限性。本文以旅客出行偏好选择为背景,借助多指标评价方法TOPSIS的评价准则,以实际的大规模旅客调查数据为基础,分析、确定旅客对出行方案各属性指标的权重,为旅客出行行为分析提供重要、客观、可靠的依据。经过实例验证,证明了该方法的有效性,并将计算结果代入多项Logit模型,进一步验证了计算结果的合理性。此外,该方法计算简便、易于实现,对于各种交通方式下的旅客出行偏好选择问题具有普遍适用性。     

���ڼ�ʻԱƫ�õ�����·��ѡ��

现实生活中,驾驶员往往依据自身偏好来选择路径,对不同的路径属性有不同的要求,且对其属性值存在一个可接受范围,而不是一个精确值. 本文对存在驾驶员偏好的最优路径选择问题进行了研究,提出了一种能够综合反映驾驶员偏好的最优路径选择方法. 首先基于可能度和区间数相离度的多属性决策方法,建立驾驶员偏好与路径属性总偏差最小的优化模型,并解出路径属性权重;其次算出各路径的综合属性值,建立路径间的可能度矩阵及其排序向量,据此选出最优路径;最后以算例进行验证,结果表明本文给出的路径选择方法具有很好的可行性和适用性.     

基于个体出行数据的公共交通出行链提取方法

公共交通个体出行信息的提取对掌握公共交通出行的时空特征,改善居民通勤出行效率具有重要意义.研究从公交刷卡数据、公交定位数据、轨道AFC数据等海量公共交通多源数据的关联匹配与处理方法入手,提出了公共交通出行链信息提取中,换乘关系判断、通勤行为判别及出行起讫点匹配的方法与规则,标定了出行链匹配阈值参数,建立了基于个体出行数据的公共交通通勤出行链提取模型.提取模型的准确度验证表明:出行链结构提取及通勤出行判别的成功率均达到100%,出行阶段起讫点匹配成功率为87.5%,准确性为97.1%,满足了公共交通出行特征提取的需求.该方法为公共交通通勤出行判别及基于个体的微观通勤出行时空特征的深入分析奠定了基础.     

突发公共卫生事件下应急定制公交线路优化

考虑突发公共卫生事件下的疫情防控要求, 构建了一种应急定制公交线路优化方法; 对城市中已经封闭的小区和路段进行筛查, 并将这些小区和路段设置为应急定制公交禁行区域; 以所有应急定制公交总运行时长最短为目标, 以乘客上座率不超过安全阈值为约束, 同时考虑供需匹配, 构建了突发公共卫生事件下应急定制公交线路优化模型; 设计了遗传算法来求解该模型, 采用三段式混合编码方式进行染色体编码, 3段染色体分别由定制公交停车场编号、上车站点编号和下车站点编号组成, 运用贪婪策略解码染色体; 采用模拟案例验证了模型与算法的可行性, 并将优化结果与正常情况下基于相同客运任务的定制公交线路优化方案进行了对比。研究结果表明: 在完成相同客运任务的情况下, 应急定制公交线路所需车辆数比正常情况下多2辆, 车辆的总运行时长也比正常情况下增加6.997 h; 正常情况下的定制公交线路优化模型不能直接用于突发公共卫生事件场景, 针对应急场景构建的定制公交线路优化模型与算法能从众多备选方案中快速计算得到优化方案, 不仅能满足防疫要求, 还能满足人们的出行需求。      

基于时空行为规律挖掘的公交乘客分类方法

应用智能公交系统(APTS)提取个体乘客出行信息，构造了公交出行链，研究了基于时空行为规律挖掘(STBRM)的公交乘客分类方法；应用时间序列表征乘客出行时间特征，利用互相关距离(CCD)算法计算了个体乘客出行时间规律；应用带噪声基于密度的空间聚类(DBSCAN)算法，挖掘了个体乘客的出行空间规律；依据出行强度和出行时空规律，将乘客划分为极少出行、时间规律、空间规律、时空规律和不规律等5个群体；以出行天数、类似上车时间数量和类似上车站点数量为聚类指标，应用K-Means++算法将乘客划分为高规律、中规律和低规律3类，比较了本文提出的STBRM方法和K-Means++聚类方法的分类结果，揭示了2种方法分类结果之间的关系。研究结果表明: 当时段划分长度取5 min，时间规律性判断阈值取3.0时，利用CCD算法识别时间模式规律乘客的效果最佳，与常用的DBSCAN算法相比，识别率提升了14.64%；增加时间窗长度能够提高时间、空间模式规律判定结果的稳定性；时间窗长度达到3周后，空间模式规律的乘客比例下降趋缓，达到6周后趋于稳定；时间窗长度达到2周后，时间模式规律的乘客比例增长趋缓，达到4周后趋于稳定；时间规律、空间规律和时空规律等3类乘客数量仅占总乘客数量的30.4%，但其出行量占到了总出行量的84.7%，公交依赖度很高，应作为公交机构重点保障的对象；本文提出的STBRM方法与K-Means++聚类方法的分类结果具有较强的关联性，规律性极高或极低的群体高度重合。      

共享单车影响下接驳公交线路设计与车辆配置方法

针对轨道交通的“第一/最后一公里”问题,接驳公交和共享单车是通勤用户最常选择的两种公共交通方式。为理解共享单车对接驳公交出行需求和线路设计等规划运营方面的影响,提出供需交互状态下的接驳公交线路设计与车辆配置模型。需求端考虑出行时间和出行费用,基于用户在共享单车和接驳公交之间的模式选择行为,动态计算接驳公交实际出行需求;供应端考虑车辆容量、数量和流平衡约束,以最小化公交运营成本和用户出行成本之和为目标,建立混合整数非线性规划模型,优化接驳公交线路设计及车辆配置。模型采用拉格朗日松弛算法进行求解。该方法应用于北京市回龙观地铁站周边出行小区接驳公交线路设计,公交及单车出行需求采用真实的IC卡数据,以及摩拜单车骑行数据,站点间行驶时长采用高德驾车路径规划API(Application Programming Interface)数据。实验结果表明,车辆总数为10,线路数量为2时,考虑共享单车影响的接驳公交规划模型相较于只考虑单一模式可以有效避免规划需求误差。此时,各站点到地铁站的平均运行时间是15.58 min,乘客平均等待时间是3.35 min;在线路数量为4时,各站点到地铁站的平均运行时间...     

停车换乘设施使用者调查

为了探讨停车换乘设施吸引的出行需求行为特性,在北京市进行了停车换乘设施使用者问卷调查.采用行为调查和意向调查相结合的方式,深入分析停车换乘设施使用者的出行行为特性和换乘行为意愿.结果显示,停车换乘者主要是全职通勤和中等偏高收入出行者,其驾车到达停车换乘设施的时间集中在6～30 min,乘坐公共交通的时间为30～60 m...     

大学校园校内巴士规划与设计——以深圳大学为例

本文针对目前大学校园内部人员出行存在的种种问题,研究了大学校园内部巴士的规划与设计方法,对校内出行的现状特征与需求意愿进行调查.深入分析校园内部人员出行的行为特征,包括出行方式、出行距离、出行频率、出行起讫点、出行目的、出行时间等方面,总结校内出行与普通出行的不同之处,并基于出行满意度与意愿调查的结果,提出校内公共交通...     

城市轨道交通新线开通对出行方式选择的影响研究

为研究城市轨道交通新线开通对出行方式选择的影响,开展了出行方式转换的SP(Stated Preference)调查,构建全目的和通勤出行方式选择的MNL模型(Multinomial Logit model)。定量分析了个体属性和交通方式属性对出行者交通方式选择的影响。研究表明：乘客感知的轨道交通全目的出行时耗负效用为相同时耗公交的91%,而通勤时耗负效用为全目的出行的1.89倍;轨道交通出行总时耗对分担率影响最显著,前者增减50%时,后者变动约10%;公交是轨道交通的主要竞争方式,当前者出行耗时提高50%时,后者分担率将增加6.8%;停车费小幅提高和出行时耗增加不能显著促使小汽车使用者转向轨道交通,交通需求管理是引导出行转移的重要途径。     

出行策略与行程时间不确定下的公交客流分配方法

利用杭州市公交线路站点GIS数据和车辆运行GPS数据进行分析,将公交车到站时间分为站点停靠时间和站间行程时间,得到公交车站点之间运行可能总时间的分布概率.通过实际的公交路网结构,定义扩展的公交网络有效路径.在考虑公交线路联合发车频率和根据乘客路径选择的广义成本下,建立出行策略与行程时间不确定下的公交客流分配模型,并将公交线路发车时刻表引入用户均衡模型中,设计了基于扩展网络最短路的Method of Successive Average(MSA)算法求解,通过对两个交通小区间高峰小时的客流分配结果验证模型和算法的有效性.     

基于LightGBM算法的公交行程时间预测

在城市公交网络运行中,公交车的站点间行程时间会受到道路和环境条件的影响. 本文对公交车运行过程中的车辆速度特征、道路特征及天气特征等进行了分析.建立了基于特征的 LightGBM (Light Gradient Boosting Machine)公交行程时间预测模型,通过调整 LightGBM算法中的相关参数,以分配各个影响特征和因素的权重大小.然后利用天津市某条公交线路 24天的公交车 GPS数据对模型进行了训练和验证,并与基于历史平均值和卡尔曼滤波的行程时间预测模型进行对比.比较结果表明,LightGBM模型在 MAE (Mean Absolute Error)和 MAPE (Mean Absolute Percentage Error)这两个指标上均大幅度优于其他两个模型,说明 LightGBM模型在公交车行程时间预测上具有很好的稳定性和应用前景.