都市圈通勤出行行为特性分析与建模

为研究都市圈范围内通勤出行的交通方式选择行为,分析出行特性,揭示个体属性、家庭属性及出行属性对方式选择的影响,本文建立都市圈通勤出行Nested Logit 模型,对北京都市圈内廊坊市“北三县”的4 385 个进京通勤者的出行方式选择机理进行研究. 结果表明,出行方式的费用、出行时间及换乘次数均对通勤者出行方式选择产生显著影响. 为验证模型的有效性,提出两种政策改善方案,分析各方案下出行方式划分率变化情况,数据显示综合改善效果下小汽车的出行方式比例下降2.46%,公交与地铁的出行比例分别提高1.73%和 0.75%,表明方案对交通方式分担率改善效果明显.     

都市圈通勤出行行为特性分析与建模

为研究都市圈范围内通勤出行的交通方式选择行为,分析出行特性,揭示个体属性、家庭属性及出行属性对方式选择的影响,本文建立都市圈通勤出行Nested Logit 模型,对北京都市圈内廊坊市“北三县”的4 385 个进京通勤者的出行方式选择机理进行研究. 结果表明,出行方式的费用、出行时间及换乘次数均对通勤者出行方式选择产生显著影响. 为验证模型的有效性,提出两种政策改善方案,分析各方案下出行方式划分率变化情况,数据显示综合改善效果下小汽车的出行方式比例下降2.46%,公交与地铁的出行比例分别提高1.73%和 0.75%,表明方案对交通方式分担率改善效果明显.     

基于累积前景理论的通勤者出行方式选择

为研究通勤者在不确定环境下对出行方式的选择,依据通勤者在出行方式选择中的思维习惯,引入行程时间和行程费用两个参照点,基于累积前景理论,对两个参照点的累积前景值进行规范化。考虑指标权重给出综合累积前景值,建立出行方式的选择模型。通过仿真算例,分析各自前景值和综合前景值的变化规律,以及参照点的变化对通勤者出行方式的影响。研究表明:考虑两个参考点的累积前景理论模型能够较好地描述通勤者对出行方式的选择行为;相比行程费用,行程时间对通勤者出行方式选择的影响较大;对于中等出行距离,地铁更接近通勤者的心理预期,与大中型城市的出行现象相符合。     

基于态度-行为模型的低收入通勤者出行方式选择

为了分析城市低收入通勤者交通方式选择行为,揭示个体社会经济属性、活动 属性和潜在态度变量对出行者出行方式选择的影响,基于抚顺市居民一日出行调查数 据,采用态度-行为模型探究低收入通勤者出行方式选择机理.首先基于多指标多原因模 型分析影响态度变量的外在因素,结果表明性别、驾照拥有情况和年龄对态度变量的构 成影响较大.然后,分别建立含潜变量和不含潜变量的多项Logit 模型,发现含潜变量的选 择模型更能解释出行行为,社会经济属性、活动属性和态度变量对低收入通勤者出行方 式选择影响存在一定差异.     

城市不同空间通勤行为可转移性研究

通勤者因地域及个体特征差异造成选择行为显著不同,本文旨在识别这一差异并揭示城市不同空间通勤行为的可转移性.在分析上海市通勤出行行为影响因素基础上,建立融入OD(Origin and Destination)变量的全空间及分OD空间的通勤方式选择模型,依据转移度量指标研究通勤出行模型空间可转移性.结果表明:全空间模型不能准确揭示不同出行空间通勤行为差异,除全空间模型可转移至内环外—内环内出行空间外,其他空间模型均不可转移;此外,各空间通勤者更偏好常规公交、地铁,且不同出行空间通勤者偏好存在显著差异.     

ͨ���߳���ʱ������з�ʽѡ����Ϊ�о�

在分析通勤者出行时间与出行方式选择特征的基础上,建立出行时间—出行方式与出行方式—出行时间两个方向的Nested Logit模型.利用北京市第三次居民出行调查数据,借助BIOGEME软件对两个模型进行估计.首先通过包容系数对Nested Logit模型的结构关系进行辨识,结果显示,出行时间—出行方式选择模型比出行方式—出行时间选择模型合理,表明通勤者在选择出行时间后,在其约束下考虑合适的出行方式;在此基础上,对出行时间—出行方式选择模型的参数进行标定并分析标定结果,进一步揭示通勤者出行时间与出行方式的选择特征,从而为制定高峰时期相关管理政策提供理论依据.     

基于集成模型的多维活动-出行决策研究

对个体活动-出行行为的5个决策维度进行联合建模分析,包括连续型的通勤距离、离散型的日通勤出行方式和通勤出发时间、小汽车拥有和日非工作活动量.一方面,作为内生变量,这5个决策维度受到个体性别、收入、教育水平等社会经济属性影响;另一方面,它们之间的相互影响关系也通过可见的结构关系及不可见的相关关系得到证实.比如,通勤出行距离越长,出行者家庭小汽车的拥有量越大;通勤出行距离、公交出行方式的选择均对日非工作活动量有负面影响;当通勤者家庭拥有更多的小汽车或者通勤出行距离很长时,他们选择小汽车和公交车的概率更高.本文证实了个体活动-出行决策维度之间的复杂作用关系,证实了对多维活动-出行决策进行综合集成分析的重要性.     

学龄儿童出行方式特征及其影响因素

小学阶段学龄儿童处于出行有人陪伴与无人陪伴的过渡期,其上下学时间与城市交通高峰时段重叠,常引发区域性的交通拥堵或其他社会问题。基于北京市西城区5所不同类型小学的学生及家庭成员早高峰出行调查数据,分析表明步行是儿童最主要的出行方式,儿童出行方式选择与小学类型存在明显相关性。重点探讨儿童及家长出行方式选择的影响因素,包括儿童自身特征、家庭及其成员特征、城市交通与环境特征。结果显示,家庭及其成员特征对儿童出行方式选择具有决定性影响;现状城市公共交通无法满足儿童上下学的出行需求;家长对学校周边的交通环境满意度较低,导致儿童上下学以个体出行方式为主。     

自行车通勤方式文献综述

无论对通勤者个人还是整个社会,自行车通勤方式要优于其他出行方式.尽管如此,很大一部分通勤者还是放弃了自行车方式.为巩固自行车通勤激励政策的理论基础,研究了影响人们选择自行车通勤方式的决定因素;由于许多自行车通勤者并不是每天都骑车上下班,所以也考虑了其日常出行方式选择情况,以使用频率表示.为明确上述决定因素对自行车通勤的...     

小汽车通勤者主观幸福对出行方式选择的影响

为探讨主观幸福对出行方式选择的影响,以北京市开车通勤者为研究对象,在对出行行为分析的基础上,将通勤者的思维过程分为搜索规则和决策规则。在通勤成本变化场景下,采用机器学习算法定性探索主观幸福的作用阶段。结合相关性分析结果建立结构方程模型,定量分析主观幸福对出行方式选择行为的作用机理以及主观幸福的测量变量。研究结果表明:主观幸福对开车通勤者是否改变现有出行方式的决策具有显著影响;主观幸福包括通勤过程满意度(0.73)、场景实施前开车幸福感(0.66)、通勤成本增加后开车幸福感变化(-0.20)三个因素。将主观幸福纳入通勤出行方式选择指标体系,从心理层面为交通政策的制定提供新视角。     

���ڳ���ʱ��ģ�͵��ճ���ʱ�����

交通需求管理和控制与时间因素密切相关,对出行时耗的研究是出行行为分析的重要内容. 本文提出了用于出行时间分析的持续时间模型,讨论了通勤者日出行时间投入随出行者及其家庭社会经济属性、活动和出行特征变化的连续分布规律. 模型用已投入出行时间约束下出行结束的条件概率更准确地描述了出行的动态过程,从对活动与出行之间派生和竞争关系的分析,部分地反映了通勤者的时间分配行为. 分析表明,出行时间最小化的行为假设对大多数通勤者成立. 本研究为出行时耗的定量研究提供了更准确有效的分析工具,对于准确把握通勤者时间分配行为有重要意义.     

多方式诱导信息对通勤者出行链的动态影响模型

为研究多方式诱导下通勤者的动态选择行为,采用效用理论和多阶段决策方法,以出行链感知效用最大化为目标,建立了通勤者单日内以家为起点和终点的出行链选择行为动态规划模型,并利用Dijkstra算法求解.将出行链分割为相互联系的单次出行,每次出行均包含出行前和出行中决策节点,在每个决策节点上实现交通信息的动态加载,并考虑通勤者对信息的信任度和学习过程,使模型可更准确地描述实际决策过程.算例结果表明:多方式诱导信息使每位通勤者的出行链实际效用平均增加0.88%;且信任度越高,通勤者获得的收益越大,越倾向于通过缩短出行链长度,选择地铁或停车换乘方式以规避交通拥堵造成的效用损失.      

基于持续时间模型的日出行时间分析

交通需求管理和控制与时间因素密切相关,对出行时耗的研究是出行行为分析的重要内容. 本文提出了用于出行时间分析的持续时间模型,讨论了通勤者日出行时间投入随出行者及其家庭社会经济属性、活动和出行特征变化的连续分布规律. 模型用已投入出行时间约束下出行结束的条件概率更准确地描述了出行的动态过程,从对活动与出行之间派生和竞争关系的分析,部分地反映了通勤者的时间分配行为. 分析表明,出行时间最小化的行为假设对大多数通勤者成立. 本研究为出行时耗的定量研究提供了更准确有效的分析工具,对于准确把握通勤者时间分配行为有重要意义.     

工作者通勤出行活动模式的选择行为

用基于活动的出行需求理论分析出行行为,建立了工作者通勤出行活动模式选择行为模型．采用多项Logistic方法研究了1695个样本的个体特征和家庭特征对4种典型出行模式（HWH＋,HW＋WH,HWHWH,HWH）选择行为的影响,其中HWH＋表示上下班途中有其他停留,HW＋WH表示工作中外出（不含回家）并返回单位,HWHWH表示工作中回家并返回单位,HWH表示工作中无外出模式．结果表明,以HWH为参照,女性及家庭工作人数多的个体较多选择HWH＋模式;私营及个体职业者、受教育程度高及有驾照的个体较多选择HW＋WH模式;工人、服务员、职员以及年龄40岁以上、家庭中高收入、居住在中心区的个体较多选择HWHWH模式．     

并列瓶颈路网下个人与家庭混合通勤行为研究

通勤者的出行行为对早高峰期间拥挤政策的制定有着至关重要的作用。本文基于瓶颈模型构建并列瓶颈路网下个人与家庭混合出行的均衡出行模型，分析两类通勤者的出行需求情况、 两个瓶颈处的通行能力以及学校-工作开始时间差这3个因素对用户均衡、用户出行成本和系统性能的影响。结果表明：在并列瓶颈路网下，混合出行的用户均衡状态并不唯一；无论两个瓶颈的通行能力大小如何变化，增加学校-工作开始时间差对个人通勤者都是有利的；受瓶颈通行能力的影响，增加学校-工作开始时间差对家庭通勤者的影响是否有利是不确定的；并不是在任何情况下调节学校-工作开始时间差对交通系统都是有效的，而是只有在特定情况下对其进行调节 才能提高系统运行效率，降低系统总出行成本。     

随机边界模型在出行时间分析中的应用研究

以居民出行调查数据为来源,对通勤者和非通勤者分别建立出行时间模型,分析两类出行者出行时间的分布规律,比较其出行时间对各类影响因素的不同响应程度.研究表明,随机成本边界模型的组合误差结构为研究个体出行时间差异提供了很好的分析手段,能为交通规划和管理工作提供依据.     

个体对通勤时间的态度和偏好视角下的职住空间失调

研究职住空间失调能够帮助我们更好地理解个体对职住分离的态度和偏好,并有助于在制定政策时考虑通勤者更真实的需求和期望.本次研究采用理想通勤时间和实际通勤时间的匹配程度来度量职住空间失调,并以昆明市为案例进行了实证研究.描述性统计结果表明,大多数通勤者认为他们的职住空间是失调的,有41.04%的通勤者遭受重度空间失调.进一步,基于序次Logistic回归模型分析了职住空间失调的影响因素.结果表明,出行方式、居住区位、年龄、受教育程度和家庭有无小孩对职住空间失调有显著影响.同时,由于个体对通勤时间的态度和偏好的异质性,更长的通勤时间并不总是意味着职住空间更加失调.     

基于出行者认知的理想通勤时间研究

理想通勤时间对住址选择及职住关系、通勤出行方式选择和城市土地利用与空间布局等相关研究有重要意义.以昆明市为案例,研究了理想通勤时间的分布及其与实际通勤时间的差异,并基于序次Logistic回归模型分析了影响理想通勤时间的因素.研究结果表明,理想通勤时间在[10,20)min区间所占比例最大,并不总趋于0,这印证了通勤出行具有一定的正效用.71.3%的通勤者对实际通勤时间不满意,期望缩短通勤时间,仍有8.4%的通勤者的理想通勤时间大于实际通勤时间.年龄、性别、受教育程度、家庭年收入、居住区位对理想通勤时间有显著的影响.     

基于智能卡数据的轨道与公交复合网络通勤方式选择行为研究

轨道交通网络和常规公交网络作为公共交通系统的主要组成部分，研究乘客在两网复合网络上的方式选择行为有助于提升公共交通系统的协同运营。然而，以往的研究通常只对单个网络出行进行研究，未考虑到出行完整性。针对此不足，基于多源数据融合、轨道与公交网络拓扑融合，提出乘客在公共交通复合网络上的完整出行提取方法；复杂网络中方式选择的本质是路径选择，因此在构建耦合换乘站点的公共交通复合网络基础上，建立5种考虑多种因素组合的多项Logit选择模型，以分析在复合网络中对乘客出行行为影响最显著的因素组合；最后将模型应用于北京市某工作日的公共交通网络及刷卡数据。研究结果表明，基于完整出行的选择模型优于基于出行阶段的选择模型；通勤者在公共交通复合网络上的方式选择行为与考虑在车时间、候车时间、换乘时间、换乘次数的出行总时间及票价因素显著相关，且出行总时间的影响更大；换乘、候车时间对通勤乘客在公共交通复合网络中方式选择的影响较低，通勤者更加偏好出行总时间短的路径。研究结果可为提升轨道与公交的协同程度提供技术支持。     

基于SVM的高原川道型城市通勤者出行方式选择研究

为探究典型高原川道型城市(西宁市)的出行者对交通出行方式选择的行为,以大规模的居民出行调查数据为基础,提取个人、家庭社会经济属性及出行特征指标,将包含小汽车出行和出租车出行的私人交通方式与公共交通方式这2项通勤方式选择作为目标变量,并通过显著性检验得出影响出行方式选择的8项决策变量.针对29960次有效出行样本,合理划分出训练样本集和测试样本集.基于此,分别构建支持向量机(SVM)和传统的二项Binary logistic (BL)模型以识别通勤者的出行方式选择,选取3项定量指标分方式的分类预测精度、总体分类预测精度和平均绝对百分比误差以对比不同模型的分类结果.研究结果表明:相比BL模型,SVM对分类数据具有更好的拟合效果,对出行方式选择的预测适用性良好,具体来说,对私人交通方式的预测,SVM的预测准确率比BL模型的预测准确率高出8.08％,公共交通则高出了2.76％;SVM的总体分类准确率比BL模型的预测准确率高出4.82％.