电动自行车事故和车牌使用影响因素分析

为分析电动自行车事故和车牌使用影响因素,采用问卷调查和电话访谈方式采集了宁波市862个电动自行车用户有效样本,利用统计学方法构建了Bivariate Probit(BP)联立方程模型,计算了显著影响因素的边际效应,量化分析了电动自行车事故和车牌使用影响因素效用,并检验了两者之间潜在的关联关系.结果表明:BP模型不仅可以识别电动自行车事故和车牌使用的影响因素,而且可以有效刻画两者之间的潜在联系;两者之间关联系数为-0.475,表明电动自行车车牌的使用可以降低电动自行车事故概率;模型结果显示性别、年龄、驾驶执照、家庭是否拥有小汽车、电动自行车驾龄、法律遵守程度、驾驶行为、危险感知度等具有统计显著性,是影响电动自行车事故和车牌使用的显著因素.     

Probit模型及其在交通方式分担中的应用研究

离散选择模型的典型代表Logit模型简洁易用的特点使其在经济、交通等领域得到了广泛的应用，但同时Logit模型的两个重要缺陷限制了其应用范围。本文分析了Logit模型的固有缺陷，阐述了Probit模型的基本原理，研究了Probit模型的性质，并与Logit模型进行了对比研究，最后利用SAS统计软件MDC模块提供的仿真算法进行了实证性分析，研究结果表明，Probit模型克服了Logit模型IIA特性和喜好随机性限制的缺陷，表现出更为丰富的物理意义，对出行选择行为的模拟更接近实际，是一种具有广阔发展的前景的交通方式分担模型。     

考虑环保意识的低碳出行行为研究

低碳交通是城市交通发展的必然选择.为定量分析出行者环保意识对低碳出行选择行为的影响,本文基于出行者环保行为和环保态度,利用Rasch模型,构建了出行者潜在的环保意识.将出行者潜在的环保意识作为解释变量带入多变量Probit模型中,分析出行者环保意识对私家车限制政策赞同度和购买纯电动车意愿的影响.研究结果表明：在出行者低碳出行行为中,带入出行者环保意识能够提高模型的拟合度;环保意识对多设公交专用道、通过提高燃油税和停车费等减少市中心小汽车量的赞同度的平均边际效用为0.127、0.144;环保意识对现阶段、未来基础设施完善时购买纯电动汽车意愿的平均边际效用为0.133、0.116;未来购买纯电动汽车意愿比现阶段购买纯电动汽车意愿高0.182.     

Traffic state estimation and uncertainty quantification based on heterogeneous data sources: A three detector approach

This study focuses on how to use multiple data sources, including loop detector counts, AVI Bluetooth travel time readings and GPS location samples, to estimate macroscopic traffic states on a homogeneous freeway segment. With a generalized least square estimation framework, this research constructs a number of linear equations that map the traffic measurements as functions of cumulative vehicle counts on both ends of a traffic segment. We extend Newell’s method to solve a stochastic three-detector problem, where the mean and variance estimates of cell-based density and flow can be analytically derived through a multinomial probit model and an innovative use of Clark’s approximation method. An information measure is further introduced to quantify the value of heterogeneous traffic measurements for improving traffic state estimation on a freeway segment.     

基于父母出行特性的学生出行方式选择研究

研究家庭成员出行方式对学生出行方式选择的影响,可以更有针对性地制定 学生出行需求管理策略.以学生出行为研究对象,将父母出行方式作为选择方程的因变 量,学生出行方式作为结果方程的因变量,运用Heckman Probit 模型建立基于父母出行方 式选择的学生出行方式选择模型,利用海宁市数据进行验证.结果显示,父母选择小汽车 出行对学生选择小汽车和电动自行车出行有显著正向影响;父母选择公交出行对学生选 择小汽车和步行出行有显著负向影响;父母出行方式对学生选择公交出行无显著影响; 小汽车拥有情况、是否有人接送、公交满意度和出行距离对学生出行方式选择影响显著.     

信息作用下出行者短期决策行为分析

出行者信息系统的建立加强了出行和交通系统之间的联系,使得活动出行决策形成一个动态决策调整过程. 在分析信息作用下的活动出行需求变化的基础上,以信息对出行者的短期决策影响为研究对象,基于吉林市居民出行的SP调查数据,探讨了出行者出发时间、出行方式、路径选择决策行为之间的内在联系. 考虑出行者对信息持有的态度等影响因素,运用二元Probit模型定量分析了出行者决策行为的内在联系. 结果表明,出行方式选择行为与出发时间及路径选择之间密切相关,出行者的路径选择行为则相对独立. 研究结论可为城市交通需求预测及交通管理提供参考.     

����Probit��Ч�迹��������Logit·��ѡ��ģ��

原有的组合配对Logit模型(Paired Combinatorial Logit,PCL)中相似性系数的确定方法缺乏必要的理论依据,模型的同一分布假设导致它难以表征道路感知误差的异方差特质.为克服这些不足,本文提出了基于Probit等效阻抗的配对组合Logit路径选择模型.模型分上下两层:下层的每一配对采用Probit二元选择法,引入正态分布以表征感知误差的异方差性并提高了计算的准确性;提出随机等效阻抗的概念并以Clark公式计算每一配对的等效阻抗,为相似性系数的计算提供了清晰的理论依据;上层模型采用计算简便的多项Logit模型,利用相对阻抗来缓解Logit模型的长短路缺陷,通过条件概率计算路径的选择概率.新模型综合了Probit模型计算准确及Logit模型计算简便的优点,在两者之间取得了合理的平衡.经典路网的数值计算结果表明,该模型比传统Logit模型更为合理.     

Modeling the impact of pre-trip information on commuter departure time and route choice

The objective of this paper is to investigate the impact of pre-trip information on auto commuters’ choice behavior. The analysis is based on an extensive home-interview survey of commuters in the Taichung metropolitan area in Taiwan. A joint model for route and departure time decisions with and without pre-trip information is formulated. The model specifications are developed for both the systematic and random components. In particular, econometric issues associated with specifying the random error structure are addressed for parameter estimation purposes. Insights into the effects of attributes are obtained through the analysis of the model's performance and estimated parameter values. A probit model form is used for the joint model, allowing the introduction of state dependence and correlation in the model specification. The results underscore the important relationship between the different characteristics and the propensity of commuter choice behavior under two scenarios, with and without pre-trip information.