CN103412980B - 基于实验的出行方式选择心理决策过程信息获取方法 - Google Patents
基于实验的出行方式选择心理决策过程信息获取方法 Download PDFInfo
- Publication number
- CN103412980B CN103412980B CN201310296571.XA CN201310296571A CN103412980B CN 103412980 B CN103412980 B CN 103412980B CN 201310296571 A CN201310296571 A CN 201310296571A CN 103412980 B CN103412980 B CN 103412980B
- Authority
- CN
- China
- Prior art keywords
- information
- decision
- passenger traveling
- making
- psychology
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于实验的出行方式选择心理决策过程信息获取方法,属于城市交通行为分析领域,包括以下步骤:应用行为调查方法进行了出行方式选择心理决策过程实验设计,借鉴过程追踪技术的思想,进行出行方式选择心理决策过程实验实施过程设计,结合过程搜索界面记录信息搜索过程实验数据。运用统计分析的方法提取出行者心理决策过程信息。本发明可以用来获得出行者在进行出行方式选择决策时的心理决策过程信息,可用于从决策过程上分析出行方式选择行为,其应用将有助于从更深层次上分析出行者方式选择行为机理和认识出行行为规律,获得的决策过程信息数据和深入分析,也为交通政策的制定提供了参考。
Description
技术领域
本发明涉及一种基于实验的出行方式选择心理决策过程信息获取方法,属于城市交通行为分析领域,可以用来获得出行者在进行出行方式选择决策时的心理决策过程信息,并进行出行者的出行方式选择决策行为的分析,可以为出行行为分析和交通政策的制定提供新的方法。
背景技术
随着城市经济的快速发展,城市交通系统越来越完善,城市多种交通方式的协同运作,提高了交通运行效率,但伴随而来的交通问题也日益突出,也亟待解决,出行者是交通系统的主体,出行者交通行为的分析对制定交通政策具有重要的参考作用。人类决策行为是一个复杂的过程,既有主观因素的影响,也有许多外界环境因素的影响,出行者在进行出行方式选择决策时,往往也受多种因素的影响,经过多因素的综合考虑后做出选择决策。
目前,国内外对于出行方式选择决策行为的研究,主要是基于随机效用理论,建立非集计模型分析个人信息(性别、年龄、收入等)、出行方式信息(费用、时间)等对于出行方式选择的影响关系和影响程度。采用的主要是行为调查的方法,通过设计调查问卷获得个人出行行为数据,建立模型进行分析。而面对多种交通方式的选择决策,一般是需要消耗时间进行信息搜索、分析、对比的选择权衡,进而做出决策的,因此具有动态性的特点,基于效用理论的行为分析方法只考虑影响因素与选择行为的关系,不能获得决策过程中信息搜索、分析、对比过程数据,因此,也就不能解释偏好、认知能力、决策时间等因素对于决策行为的影响。
综上所述,由于传统行为调查方法不能获得心理决策过程信息的数据,而人类决策行为过程的复杂性和实验手段的限制,准确记录人进行方式选择的心理决策过程比较困难,因此,需要新的方法获取心理决策过程信息的数据,通过基于实验的出行方式选择心理决策过程信息获取方法,获得决策时间、初始偏好、信息记忆、注意程度等决策过程的数据,可用于从决策过程上分析出行方式选择行为,将有助于从更深层次上认识出行行为规律,也可以为交通政策的制定提供参考。
发明内容
基于以上分析,本发明提出了基于实验的出行方式选择心理决策过程信息获取方法,以出行者进行多种出行方式选择时的心理决策过程为对象,提出基于实验的心理决策过程各种信息的获取方法,为交通行为分析提供了方法借鉴。
本发明从心理决策过程的角度出发,重点考虑了出行者在进行多方式选择时对各种信息搜索、分析、对比的过程。将行为调查方法和过程追踪(Processtracing)技术相结合,在出行方式选择心理决策过程实验设计中,应用行为调查中的行为RP(Revealedpreference)和意向SP(Statedpreference)调查方法获得出行者出行信息,并构建决策行为情景。在出行方式选择心理决策过程实验实施中,应用过程追踪技术记录信息搜索过程信息,获得了决策时间、偏好等实验数据。最后运用统计分析的方法提取出行者心理决策过程信息。
本发明的特点是提供基于实验的出行方式选择心理决策过程信息获取方法,为出行方式选择行为的心理决策过程信息提取提供了方法,也为从心理角度分析出行者方式选择行为机理和认识行为规律提供了依据。
本发明的技术思路特征为:
1、出行方式选择心理决策过程实验设计
2、出行方式选择心理决策过程实验实施
3、出行方式选择心理决策过程信息的提取
为实现上述目的,本发明采用如下步骤:
(1)出行方式选择心理决策过程实验设计
①出行者个人基本信息
个人基本信息包括性别、年龄、职业、收入等,对不同的信息设置不同的选项内容。
②用RP行为调查方法获得出行者日常出行信息
RP行为调查是已实现的选择性行为的调查,这里主要包括三个日常出行信息:
上班/上学出行的出行方式,给出可供选择的出行方式选项。
出行经验往往对出行方式选择心理决策过程产生一定的影响,为了得到出行者已往出行经验的积累情况,这里称为出行者对各种方式的初始偏好,设计方法是给定几种日常的出行目的,例如访友、买衣服、出去吃饭、看电影等,给出可供选择的出行方式选项。被试快速选出在各种出行目的下呈现在头脑中使用的出行方式。
为了获得出行者在出行方式选择心理决策过程中对各种信息的注意程度,注意程度大的因素其信息可能会多次被搜索、对比、分析。设计方法是对出行方式选择影响因素进行重要性程度评估,首先选择出行者进行出行方式选择时经常会考虑的因素,然后对每个因素进行重要程度打分,重要性程度选项为:1代表很不重要;2代表不重要;3代表一般重要;4代表比较重要;5代表很重要。
③用SP意向调查方法创建虚拟决策情景
SP意向调查是在假设条件下,选择主体希望如何选择及如何考虑的选择意向调查。为了获得出行者进行出行方式选择时的心理决策过程信息,需要设计呈现给被试的出行方式选择虚拟决策情景,并以图的形式直观的呈现给被试,情景图底图可以选择有道路、轨道交通线路等交通信息的地图,图中标识虚拟出行的出发地、目的地信息,并用文字说明给出可供选择的出行方式。确定各种与出行方式选择有关的主要影响因素信息,并通过信息矩阵形式给出,对于可以量化的因素信息给出具体数值,对于无法量化的影响因素信息,可以用文字描述。
(2)出行方式选择心理决策过程实验实施
过程追踪(Processtracing)的思路是基于决策的认知加工理论,采用各种过程追踪技术,动态的分析决策活动,尝试了解决策过程中各种心理因素对于决策行为的影响。基于建立虚拟决策情景,设计信息搜索界面,以m×n矩阵方式呈现信息阵列,m为可用出行方式,n为出行方式选择的影响因素,其矩阵单元格为虚拟决策情景中设置的因素信息,被试通过搜索和比较各种出行方式的各因素信息值,进而做出方式选择。这样可以动态的记录、分析被试信息搜索、对比的操作,进而可以提取其决策过程的信息。
具体实施过程为,在信息搜索界面只呈现出行方式和影响因素的名称,具体信息值隐藏,被试必须点击所要察看因素信息的名称,此因素信息会显现,在思考对比之后,再点击察看下一个因素信息,上一个因素信息不隐藏,每查看完两个影响因素信息,需要给出此时对每种方式偏好意向程度,包括无意向、弱、中、强四个选项,为了分析信息搜索过程中信息记忆程度对多次信息搜索产生的出行方式选择偏好的影响,当信息记忆衰退时,表示前一时刻的信息搜索、对比、分析产生出行偏好到当前时刻会衰减,当信息记忆增强时,表示前一时刻的信息搜索、对比、分析产生出行偏好到当前时刻会增强,其实验方法是在第二次对几种方式偏好意向程度进行选择时,需要根据记忆选出第一次对几种方式的偏好意向程度的选择情况。整个信息搜索、对比、分析过程对查看因素数量和时间都没有限制,直到被试根据已经查看的信息可以做出方式选择决策时,可以点击“下一步”,选择一种出行方式。为了让被试熟悉信息搜索界面和操作过程,可以给出一个信息搜索的简单示例,被试熟悉实验过程后再进行正式实验。
以上实验内容可以采用Microsoftvisualstudio、Visualbasic、C#等编程实现界面的设计,界面中有针对实验必要的解释和操作文字说明,选项通过按钮形式呈现,被试根据实验设计内容在计算机上用鼠标按照实验提示完成实验内容。实验过程中计算机自动记录上述实验结果数据到指定的文件,包括实验设计中各内容选项的选择结果,被试搜索察看因素信息的名称、察看时间、顺序、不同时刻偏好意向程度的选择情况、出行方式的选择结果等。实验可以通过发送实验网址或发送实验程序文件包等形式完成。
(3)出行方式选择心理决策过程信息的提取
运用统计分析方法对决策过程信息进行提取,设有效实验样本A个,出行方式为I种,主要获得以下信息:
①出行者个人基本信息
根据实验获得的个人基本信息数据,统计所有样本的性别、年龄、职业、收入等的分布,分析被试群体的基本特征。
②出行者日常出行信息
上班/上学出行的出行方式:统计分析使用各种交通方式的分布,得出日常通勤出行主要使用的交通方式。
对各种出行方式的初始偏好Pi(0):设日常出行目的为K种,根据被试在各种出行目的k下快速选用的出行方式数据,分别统计各种出行目的下选用各种方式的数量Mki,汇总得到每种出行方式选择数量则各种交通方式的初始偏好可以表示为
对各种因素信息的注意程度:根据对影响因素的重要性程度打分,1代表很不重要;2代表不重要;3代表一般重要;4代表比较重要;5代表很重要。分别统计所有被试对于影响因素j的打分,得到J种影响因素的重要性合计分值Sj,则影响因素j的注意程度指标值为
③信息记忆程度:将第二次凭记忆对第一次各出行方式的意向偏好程度的选择结果与第一次意向偏好程度选择结果比较,对某一出行方式,两次选择结果相同则记为1,不相同则记为0,统计所有样本选择结果的匹配情况,汇总得到选择结果相同的个数设为w,则将正确率w/AI作为总体样本信息偏好记忆的程度。
④信息搜索数量:被试从开始进行信息检索到最后做出决策所检索点击查看的因素信息总量作为信息搜索数量,用来评价出行者决策过程中分析信息多少的指标。
⑤信息搜索深度:信息搜索数量与因素信息总数的比值,其值越大,表示被试经过多次信息的分析、比较、权衡,过程中往往使用了可补偿性的决策策略,越小表示采用了不可补偿决策策略。
⑥决策时间:被试从开始进行信息检索到最后做出决策所花费完成一次出行方式选择心理决策过程的总时间,单位为秒。决策时间越长表示决策过程越复杂。
⑦出行方式选择与决策时间的关系
将所有被试进行出行方式选择的决策时间进行分段汇总,统计在不同决策时间情况下选择各种交通方式的比例,绘制出行方式选择比例随决策时间变化的曲线图,分析出行方式选择与决策时间的关系。
附图说明
图1本发明的心理决策过程信息获取方法步骤图;
图2本发明的心理决策过程实验过程流程图;
图3本发明的心理决策过程实验设计界面;
(1)个人基本信息(2)日常出行信息(3)对各种因素信息的注意程度(4)虚拟决策情景(5)信息搜索过程提示信息(6)练习实验(7)信息搜索过程实验(8)出行方式选择
图4本发明的出行方式选择比例与决策时间的关系图。
具体实施方式
选择停车换乘(Park&Ride)决策行为为例,停车换乘作为一种联合交通出行模式,通常是指在中心城区(或拥堵区域)外围设立停车换乘设施,鼓励私人小汽车出行者在其停车,换乘公共交通进入市中心,停车换乘出行比例的增加,将有助于缓解城市中心区的交通压力,促进城市公共交通系统的利用。应用基于实验的出行方式选择心理决策过程信息获取方法,进行实验设计和实施,得到心理决策过程信息,并进行初步分析,提出相应的增加停车换乘出行的政策措施建议。出行方式主要包括停车换乘、小汽车和公交+地铁。
阶段一:心理决策过程实验设计
①个人基本信息
个人基本信息包括性别、年龄、职业、收入、家庭拥有小汽车数量。其选项设置为:
性别:男,女;
年龄:≤20岁,21~30岁,31~40岁,41~50岁,51~60岁,≥60岁;
职业:公务员,事业单位人员,高级管理人员,专业技术人员,自由职业者,大中专学生,工人,其他;
收入水平(元/月):0~2000,2001~4000,4001~6000,6001~8000,8001~10000,﹥10000;
家庭拥有小汽车数量:1辆,2辆,3辆,≥4辆。
②用RP行为调查方法获得出行者日常出行信息
日常出行信息包括上班/上学出行的交通方式、是否使用过停车换乘设施、对各种出行方式的初始偏好和对各种因素信息的注意程度。其选项设置为:
上班/上学出行的出行方式(多选):公交,小汽车,停车换乘(小汽车+地铁),公交+地铁,其他;
是否使用过停车换乘设施:是,否。
对各种出行方式的初始偏好:给定8种日常出行目的,包括访友、买衣服、出去吃饭、看电影、去超市、去公园、去书店、去医院。被试快速选出在各种出行目的下呈现在头脑中使用的出行方式,出行方式选项为公交,小汽车,停车换乘(小汽车+地铁),公交+地铁,其他。
出行者在出行方式选择心理决策过程中对各种因素信息的注意程度:出行者在出行方式选择时经常会考虑的因素包括:驾车时间、换乘步行等车时间、乘车时间、燃油费、公交、地铁车票费、停车费、乘坐舒适性、交通运行情况、换乘次数。对每个因素进行重要程度打分,重要性程度选项为:很不重要,不重要,一般重要,比较重要,很重要。
③用SP意向调查方法创建虚拟决策情景
给定出行方式选择决策情景,为从家(北京昌平区北七家镇)到达工作地(北京东直门附近)的出行方式选择,底图为北京市电子地图,图中标注家和工作地位置,可选出行方式为3种:小汽车、公交+地铁、停车换乘。被试需要搜索、对比、分析影响因素信息,然后做出出行方式选择。影响因素信息如表1所示。
表1各种交通方式影响因素信息表
阶段二:心理决策过程实验实施
实验设计内容采用microsoftvisualstudio2010编程实现界面的设计,界面中有针对实验必要的解释和操作文字说明,选项通过按钮形式呈现。在信息搜索界面呈现表1影响因素信息矩阵内容,具体信息值隐藏,被试必须点击所要察看因素信息的名称,此因素信息会显现,在思考对比之后,再点击察看下一个因素信息,上一个因素信息不隐藏,每查看完两个影响因素信息,需要给出此时对每种方式偏好意向程度,包括无意向、弱、中、强四个选项,为了分析信息搜索过程中信息记忆程度对多次信息搜索产生的出行方式选择偏好的影响,在第二次对几种方式偏好意向程度进行选择时,需要根据记忆选出第一次对几种方式的偏好意向程度的选择情况。整个信息搜索、对比、分析过程对查看因素数量和时间都没有限制,直到被试根据已经查看的信息可以做出方式选择决策时,可以点击“下一步”,选择一种出行方式。为了让被试熟悉信息搜索界面和操作过程,给出购买手机的信息搜索的简单示例,被试熟悉实验过程后再进行正式实验。整个心理决策过程实验设计界面如图3所示。
实验过程中计算机自动记录上述实验结果数据到指定的Excel文件中,包括实验设计中各内容选项的选择结果,被试搜索因素信息的名称、察看时间、顺序、不同时刻偏好意向程度的选择情况、出行方式的选择结果等。
实验对象为家庭有车且开过车的人,其对于停车费、燃油费等出行因素有一定的认知。实验实施时间为2012年5月到6月,调查采用发送电子实验文件包的方式,被试在自己的电脑上按照实验提示完成实验内容,并在指定时间返回实验结果文件。实验共回收有效样本124份。
阶段三:心理决策过程信息的提取
根据实验数据,运用统计分析方法对决策过程信息进行提取分析,主要获得以下内容:
①出行者个人基本信息
统计分析得到性别分布中68%是男性,32%为女性。年龄分布中90%的人为21~40岁之间,职业分布中主要为公务员,事业单位人员,专业技术人员。收入分布中83%的人月收入为2000~10000元。92%的人拥有1辆小汽车,8%的人拥有2辆小汽车。
②上班/上学出行的出行方式:日常上班/上学使用公交、小汽车、停车换乘(小汽车+地铁)、公交+地铁、其他出行的比例分别为27.4%、40.2%、8.2%、17.8%、6.4%。说明对于该出行群体日常以使用小汽车出行为主,其次是公交。仅有13%的人使用过停车换乘。
③对各种方式的初始偏好Pi(0):小汽车、公交+地铁、停车换乘、其他分别为66.36%、26.87%、1.05%、5.72%,说明出行者对小汽车的初始偏好比较大,而由于对小汽车的初始偏好,会减少决策过程中信息搜索、对比、分析的过程,一味的偏爱使用小汽车出行,因此,要提高停车换乘出行比例,就要克服小汽车出行者对小汽车的依赖性,如通过采用免费换乘公交的方式来改变决策环境,从而可以减少其对小汽车出行的依赖性
④对各种因素信息的注意程度
表2各种因素信息的注意程度
从表中可以看出,出行者对于交通运行情况、换乘次数、换乘、等车时间信息比较关注。因此,改善换乘公交服务水平,如减少换乘次数、换乘方便等,将有助于提高停车换乘出行比例。
⑤信息记忆程度:将第二次凭记忆对上次各交通方式意向偏好程度的选择结果与第一次意向偏好程度选择结果比较,计算得到信息记忆程度为0.915,说明在决策过程中,信息记忆对决策过程有较大的影响。
⑥信息搜索数量:被试从开始进行信息检索到最后做出决策所检索点击查看的因素信息总量为9个、8个的分别占44%和21%,搜索因素信息数量≤4个的占17%,说明也有一部分被试查看了少量的信息就做出了出行方式选择决策,搜索因素信息数量为10个的占8%,说明一部分被试重复点击查看因素信息,进而做出了出行方式选择决策。
表3因素信息搜索数量、深度分布
信息搜索数量 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
信息搜索深度 | 0.11 | 0.22 | 0.33 | 0.44 | 0.56 | 0.67 | 0.78 | 0.89 | 1.00 | 1.11 |
百分比 | 0.01 | 0.10 | 0.02 | 0.04 | 0.01 | 0.09 | 0.00 | 0.21 | 0.44 | 0.08 |
⑦信息搜索深度:信息搜索深度为1.00、0.98、1.11的分别占44%、21%、8%,说明大多数被试经过多次信息的分析、对比、权衡过程,在决策过程中使用了可补偿性的决策策略。
⑧决策时间:被试完成一次出行方式选择心理决策过程所花费的总时间分布中,决策时间为10s<t≤20s占24%,其次为30s<t≤40s的占19%。68%的被试决策时间t≤40s。也有一部分被试决策时间较长,其中t>60s的占10%,说明部分出行者的决策过程较为复杂。
表4决策时间分布
⑨出行方式选择与决策时间的关系
将所有被试做出出行方式选择的决策时间进行分段汇总,统计在不同决策时间下选择各种交通方式的比例,得到出行方式选择与心理决策时间的关系图。
从图4可以看出,随着决策时间的增加选择小汽车出行的比例逐渐减小,选择停车换乘出行的比例逐渐增加,选择公交+地铁出行的比例逐渐减少,但是趋势比较平缓,基本在20%~30%之前,说明增加决策时间,将有助于增加选择停车换乘出行的比例。因此,采取必要的交通干预措施,如为出行者提供停车换乘设施信息服务,促进决策者进行认真地决策思考,增加决策者的思考时间,将有助于提高停车换乘的出行比例。
以上是本发明的几个典型实施例,本发明的实施不限于此。
Claims (3)
1.一种基于实验的出行方式选择心理决策过程信息获取方法,其特征在于:所述方法包括以下步骤:
步骤一:出行方式选择心理决策过程实验设计;
步骤二:出行方式选择心理决策过程实验实施;
步骤三:出行方式选择心理决策过程信息的提取;
所述步骤一中,应用行为调查和意向调查相结合的方法进行了出行方式选择心理决策过程实验设计,实验设计内容为:
对出行方式的初始偏好:给定几种日常的出行目的,给出可供选择的出行方式选项;被试者快速选出在各种出行目的下呈现在头脑中使用的出行方式;
对因素信息的注意程度:为了获得出行者在出行方式选择心理决策过程中对各种信息的注意程度,实验设计方法是对出行方式选择影响因素进行重要性程度评估,首先选择出行者进行出行方式选择时经常会考虑的因素,然后对每个因素进行重要程度打分,重要性程度选项为:1代表很不重要;2代表不重要;3代表一般重要;4代表比较重要;5代表很重要;
创建虚拟决策情景和信息矩阵:为了获得出行者进行出行方式选择时的心理决策过程信息,需要设计呈现给被试者的出行方式选择虚拟决策情景,并以图的形式直观的呈现给被试者,情景图底图选择有道路、轨道交通线路的地图,图中标识虚拟出行的出发地、目的地信息,并用文字说明给出可供选择的出行方式;确定各种与出行方式选择有关的主要影响因素信息,并通过信息矩阵形式给出,对于可以量化的因素信息给出具体数值,对于无法量化的影响因素信息,用文字描述。
2.根据权利要求1所述的基于实验的出行方式选择心理决策过程信息获取方法,其特征在于:所述步骤二中,借鉴过程追踪技术的思想,进行出行方式选择心理决策过程实验实施过程设计,运用过程搜索界面,记录信息搜索过程实验数据;
基于建立虚拟决策情景,设计信息搜索界面,以m×n矩阵方式呈现信息阵列,m为可用出行方式,n为出行方式选择的影响因素,其矩阵单元格为虚拟决策情景中设置的因素信息,被试者通过搜索和比较各种出行方式的各因素信息值,进而做出方式选择;具体实施过程为,在信息搜索界面只呈现出行方式和影响因素的名称,具体信息值隐藏,被试者必须点击所要察看因素信息的名称,此因素信息会显现,在思考对比之后,再点击察看下一个因素信息,上一个因素信息不隐藏,每查看完两个影响因素信息,需要给出此时对每种方式偏好意向程度,包括无意向、弱、中、强四个选项,为了分析信息搜索过程中信息记忆程度对多次信息搜索产生的出行方式选择偏好的影响,当信息记忆衰退时,表示前一时刻的信息搜索、对比、分析产生出行偏好到当前时刻会衰减,当信息记忆增强时,表示前一时刻的信息搜索、对比、分析产生出行偏好到当前时刻会增强,其实验方法是在第二次对几种方式偏好意向程度进行选择时,需要根据记忆选出第一次对几种方式的偏好意向程度的选择情况;整个信息搜索、对比、分析过程对查看因素数量和时间都没有限制,直到被试者根据已经查看的信息可以做出方式选择决策时,可以点击“下一步”,选择一种出行方式。
3.根据权利要求2所述的基于实验的出行方式选择心理决策过程信息获取方法,其特征在于:所述步骤三中,运用统计分析的方法提取出行者心理决策过程信息;设有效实验样本A个,出行方式为I种,主要获得以下信息:
对各种出行方式的初始偏好Pi(0):设日常出行目的为K种,根据被试者在各种出行目的k下快速选用的出行方式数据,分别统计各种出行目的下选用各种方式的数量Mki,汇总得到每种出行方式选择数量则各种交通方式的初始偏好表示为
对各种因素信息的注意程度:根据对影响因素的重要性程度打分,1代表很不重要;2代表不重要;3代表一般重要;4代表比较重要;5代表很重要;分别统计所有被试者对于影响因素j的打分,得到J种影响因素的重要性合计分值Sj,则影响因素j的注意程度指标值为
信息记忆程度:将第二次凭记忆对第一次各出行方式的意向偏好程度的选择结果与第一次意向偏好程度选择结果比较,对某一出行方式,两次选择结果相同则记为1,不相同则记为0,统计所有样本选择结果的匹配情况,汇总得到选择结果相同的个数设为w,则将正确率w/AI作为总体样本信息偏好记忆的程度;
信息搜索数量:被试者从开始进行信息检索到最后做出决策所检索点击查看的因素信息总量作为信息搜索数量,用来评价出行者决策过程中分析信息多少的指标;
信息搜索深度:信息搜索数量与因素信息总数的比值,其值越大,表示被试者经过多次信息的分析、比较、权衡,过程中往往使用了可补偿性的决策策略,越小表示采用了不可补偿决策策略;
决策时间:被试者从开始进行信息检索到最后做出决策所花费完成一次出行方式选择心理决策过程的总时间,单位为秒;决策时间越长表示决策过程越复杂;
出行方式选择与决策时间的关系:将所有被试者进行出行方式选择的决策时间进行分段汇总,统计在不同决策时间情况下选择各种交通方式的比例,绘制出行方式选择比例随决策时间变化的曲线图,分析出行方式选择与决策时间的关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310296571.XA CN103412980B (zh) | 2013-07-13 | 2013-07-13 | 基于实验的出行方式选择心理决策过程信息获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310296571.XA CN103412980B (zh) | 2013-07-13 | 2013-07-13 | 基于实验的出行方式选择心理决策过程信息获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103412980A CN103412980A (zh) | 2013-11-27 |
CN103412980B true CN103412980B (zh) | 2016-03-09 |
Family
ID=49605992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310296571.XA Active CN103412980B (zh) | 2013-07-13 | 2013-07-13 | 基于实验的出行方式选择心理决策过程信息获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103412980B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202895B (zh) * | 2016-07-02 | 2019-03-29 | 北京工业大学 | 基于感知重要度的交通出行意向行为数据分析方法 |
CN106951999A (zh) * | 2017-03-29 | 2017-07-14 | 北京航空航天大学 | 一种交通出行方式与出发时刻联合选择的建模与分析方法 |
CN108399466B (zh) * | 2017-10-12 | 2021-09-07 | 东南大学 | 一种考虑到居民出行习惯的od分配方法 |
CN108009747B (zh) * | 2017-12-21 | 2020-05-22 | 北京工业大学 | 一种出行方式多次动态决策过程信息获取方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609471A (zh) * | 2012-01-18 | 2012-07-25 | 康睿 | 一种用于精准分析互联网用户网络行为的方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8527623B2 (en) * | 2007-12-21 | 2013-09-03 | Yahoo! Inc. | User vacillation detection and response |
-
2013
- 2013-07-13 CN CN201310296571.XA patent/CN103412980B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609471A (zh) * | 2012-01-18 | 2012-07-25 | 康睿 | 一种用于精准分析互联网用户网络行为的方法和装置 |
Non-Patent Citations (1)
Title |
---|
北京市居民出行方式选择意向研究;尹静;《中国优秀硕士学位论文全文数据库》;20121015(第10期);论文第13-14页第1.4节,第23页第3.1节-第30页第3.4节,第32-33页第4.2节,第54页表5-1 * |
Also Published As
Publication number | Publication date |
---|---|
CN103412980A (zh) | 2013-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Giuliano et al. | Is the journey to work explained by urban structure? | |
Corcoran et al. | Spatio-temporal patterns of a Public Bicycle Sharing Program: the effect of weather and calendar events | |
Prillwitz et al. | Moving towards sustainability? Mobility styles, attitudes and individual travel behaviour | |
CN104933286B (zh) | 一种基于大数据的城市空间品质评价方法 | |
Shi | Study on a stratified sampling investigation method for resident travel and the sampling rate | |
CN103412980B (zh) | 基于实验的出行方式选择心理决策过程信息获取方法 | |
Panczak et al. | Estimating temporary populations: a systematic review of the empirical literature | |
Song et al. | Subway network expansion and transit equity: A case study of Gwangju metropolitan area, South Korea | |
Tushara et al. | Mode choice modelling for work trips in Calicut City | |
Kim et al. | The size of the station influence area in Seoul, Korea: Based on the survey of users of seven stations | |
Aultman-Hall et al. | The implications of long-distance tour attributes for national travel data collection in the United States | |
Gould | Cell phone enabled travel surveys: the medium moves the message | |
Wang et al. | Identifying urban functional areas and their dynamic changes in Beijing: Using multiyear transit smart card data | |
CN108009747A (zh) | 一种出行方式多次动态决策过程信息获取方法 | |
Zheng et al. | Understanding the impact of the built environment on ride-hailing from a spatio-temporal perspective: A fine-scale empirical study from China | |
Kohla et al. | Comparing trip diaries with GPS tracking: Results of a comprehensive Austrian study | |
Long et al. | Profiling underprivileged residents with mid-term public transit smartcard data of Beijing | |
Xiong et al. | Urban vacant land in rapidly urbanized areas: Status, micro-level drivers, and implications | |
Bencure et al. | Factors affecting decision-making in land valuation process using AHP: a case in the Philippines | |
Del Rosario et al. | Estimating door-to-door travel time using a synthetic population enriched with smart card data | |
Gan | Investigation of driver response to the enhanced urban freeway variable message sign information | |
Muscillo et al. | Circular City Index: An Open Data analysis to assess the urban circularity preparedness of cities to address the green transition--A study on the Italian municipalities | |
Cho et al. | Space–Time Sequential Similarity for Identifying Factors of Activity‐Travel Pattern Segmentation: A Measure of Sequence Alignment and Path Similarity | |
Hasrul et al. | Exploring Research Trends and Themes in Intelligent Transportation Systems in the Last 10 Years (2014–2023) | |
Yang et al. | Macrolevel traffic safety longitudinal comparison in Shanghai, China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |