后悔视角下的应急疏散出行方式决策行为分析

鉴于应急疏散者出行决策的后悔规避心理,以政府公交车、自有私家车和借用私家车三类疏散交通方式选择问题为例,选取平均运行时间、运行时间不确定性、平均等待时间和预期感知服务水平等属性变量,分别构建了基于随机后悔最小化和效用最大化的多项Logit 模型.以应急疏散意向行为调查数据为基础,表明后悔模型的模型拟合度优于效用模型,对属性变量间关系的刻画更符合实际.进一步通过弹性计算和敏感性分析,揭示出平均运行时间这一属性最为敏感.研究表明,应急疏散者是后悔规避的,其决策行为试图将后悔感知最小化,而非预期效用最大化,从随机后悔视角描述疏散决策行为更为准确.     

考虑异质性的经典随机后悔最小化模型改进研究

传统基于后悔理论的交通行为模型对异质性考虑不充分，对真实选择行为的解释存在不足.本文利用韦伯比率，考虑出行者对各方式属性变量感知的异质性，对经典随机后悔最小化模型进行改进，分别建立基于随机效用最大化，经典随机后悔最小化和改进经典随机后悔最小化的选择模型；以网约车选择行为为例进行实证研究，验证改进模型效果.结果表明：3种模型参数标定结果具有一致性，改进模型的拟合优度(0.271)和命中率(75.8%)相较于另外两个模型均较优；改进模型能更好地描述多维属性决策过程中的半补偿原则和折中效应，可以提高模型对真实选择行为的解释能力.     

考虑异质性的经典随机后悔最小化模型改进研究

传统基于后悔理论的交通行为模型对异质性考虑不充分，对真实选择行为的解释存在不足.本文利用韦伯比率，考虑出行者对各方式属性变量感知的异质性，对经典随机后悔最小化模型进行改进，分别建立基于随机效用最大化，经典随机后悔最小化和改进经典随机后悔最小化的选择模型；以网约车选择行为为例进行实证研究，验证改进模型效果.结果表明：3种模型参数标定结果具有一致性，改进模型的拟合优度(0.271)和命中率(75.8%)相较于另外两个模型均较优；改进模型能更好地描述多维属性决策过程中的半补偿原则和折中效应，可以提高模型对真实选择行为的解释能力.     

基于累积前景理论的机场群旅客出行决策行为分析

基于累积前景理论研究了机场群旅客出行决策行为.针对不同出行需求的旅客,综合计划延误时间、票价、出行在途时间“可靠性”和“不可靠性”动态设置出行决策参考点,并考虑航班容量限制因素,构建了旅客出行选择模型,并将实证调查数据分别与累积前景理论和期望效用理论仿真结果进行对比验证.研究表明：前景理论模型能够有效地描述机场群航空旅客的出行路径决策过程,旅客选择行为随着出行目的不同而不同;与期望效用理论模型比较,该模型对描述航空旅客决策行为具有更好的适应性.因此,机场应根据自身市场定位并结合旅客有限理性特点优化航班频率、票价和航线网络结构.     

后悔理论视角下的出行选择行为(英文)

应用随机后悔最小化理论与随机效用最大化理论,分别建立RRM-MNL模型和RUM-MNL模型研究了出行方式选择行为。在模型参数、拟合优度方面对2个模型进行了比较,应用直接弹性分析了在交通管理措施评价方面的区别,并通过城际出行方式中的飞机、火车、长途汽车、小汽车4种出行方式数据进行实际验证。分析结果表明:相比于RUM-MNL模型,RRM-MNL模型能够描述在多属性方案选择过程中的部分补偿性决策行为和折衷效应,能更真实地反映实际出行行为选择过程;等待时间、出行时间和出行费用对飞机、火车和长途汽车3种出行方式的选择概率都具有弹性;在RRM-MNL模型中,等待时间对3种方式的弹性值分别较RUM-MNL模型的低7.30%、13.14%和7.70%。可见,对于同一属性变量,出行者具有不同的选择偏好,会表现出不同的选择行为。     

基于效用理论的城市轨道交通运营管理优化策略

基于交通客流形成机理,分析了城市出行者交通需求产生和出行决策;提出了交通需要是交通需求的必要条件,出行者支付能力是交通需求的充分条件;认为出行决策是依据出行者效用最大化原则。基于效用理论的交通方式分担模型,讨论了城市轨道交通与常规公交竞争博弈机理。以广州市轨道交通为例,将时段客流分为高峰期、中峰期和低峰期3类,研究其交通客流特征。结果表明:在高峰期客流充足,城市轨道交通运输资源得到了充分利用;在平峰期和低峰期客流稀少,资源闲置。根据效用最大化理论,将分时段弹性票价运营策略和适当调整发车时间间隔策略运用于广州市轨道交通中峰时段,结果表明:实行综合优化策略的日客流量增加了14.9%。     

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.      

出行需求驱动的高速公路路网演化模型

基于复杂网络理论构建高速公路路网演化模型,提出了一种上层模型为加权出行需求网络及下层模型为高速公路网络的双层复杂交通网络模型.设计了双层复杂交通网络的演化准则:①上、下层网络各自演化,出行网络的连接服从强度准则,高速公路路网按照强度驱动连接准则和投资约束机制演化,这些演化准则能避免优先连接准则和效用最大准则的冲突;②上、下层网络相互影响,出行网络的变化通过边权耦合机制影响高速公路网络的演化,高速公路网络的变化影响出行阻抗从而影响着出行网络.以湖南省高速公路网络的演化过程为例,对该模型进行了仿真.仿真结果表明,分析模型是有效的.     

基于集成学习和居民属性数据的出行方式预测模型

传统的效用理论模型以整体效用最大化为目标，忽略了影响居民出行方式选择肢间可能存在相关性以及部分效用相互补偿性。基于集成学习的居民出行方式预测模型可以有效表达出行效用的个体偏好、差异性和补偿性，解决了不同出行特征影响因素对于不同人群有不同效用表征问题。本文依托大样本居民属性数据，针对不同个体对不同影响因素的感知差异，结合居民出行调查的个人属性、出行属性及环境属性等相关影响因素进行综合分析，构建个体级居民的出行特征向量；研究构建基于集成学习方法的居民出行方式预测模型；以广州市为例进行实证分析，通过准确率、精确率、召回率和F1值这4个指标，对模型预测结果进行综合评价；针对部分出行属性相似导致细分的出行方式判别精度不高，按照大类方式、慢行交通、公共交通、个体机动化交通这4个类别构建层次化LightGBM (Light Gradient Boosting Machine)模型，并对GBDT (Gradient Boosting Decision Tree)、Random Forest、LightGBM、层次化LightGBM这4个模型预测结果进行综合对比。分析结果表明：LightGBM模型预测慢...     

基于NL-累计前景理论的出行方式选择预测模型研究

为改进效用理论在个体风险偏好、非完全理性决策、方式整体效用等方面的表述局限,联立出行方式与出发时段构建双因素出行方案,并建立基于巢式 Logit(NL)-累计前景理论的出行方式选择预测优化模型.通过累计前景理论将 NL模型所获方案客观效用及选择概率主观化,构建累计权重函数、价值函数并以前景值的形式描述出行方式对出行者的实际感知价值,最后通过调查数据进行建模与验证.结果表明,与仅基于 NL模型进行的方式预测相比,所建模型综合命中率从74.8%上升至85.2%,各方式预测命中率更为均衡.