CN106202895B - 基于感知重要度的交通出行意向行为数据分析方法 - Google Patents

Abstract

基于感知重要度的交通出行意向行为数据分析方法，属于城市交通行为调查及分析领域，包括以下步骤：考虑到多因素多水平意向组合对调查数据可靠性带来的影响，采用正交实验设计方法并结合判断，创建多组两因素多水平组合假设方案。被调查者首先从多因素中选择对其出行选择影响最为重要的2个因素，然后软件从多组两因素多水平假设组合方案中提取这两个重要感知因素的假设组合方案，被调查者根据每个假设水平组合条件做出意向选择。本发明可以得到出行者在假设的复杂交通条件下的出行行为和选择意向数据，提高了多因素假设交通条件下意向调查数据的可靠性和模型的精度，可以为出行行为调查方法改进和交通政策的制定提供参考借鉴。

Description

基于感知重要度的交通出行意向行为数据分析方法

技术领域

本发明涉及一种基于感知重要度的交通出行意向行为数据分析方法，属于城市交通行为调查及分析领域，可以用来快速获得出行者在假设的复杂交通条件下的出行行为和选择意向数据，提高了基于意向调查数据的出行行为建模精度，可以为出行行为调查方法改进和交通政策的制定提供参考借鉴。

背景技术

出行者是交通系统的重要组成部分，分析出行者的出行行为特征和规律是进行交通规划、交通管理、交通政策制定的前提，交通调查是获得交通行为数据的主要方法，其中，交通出行意向调查则是获得出行者在假设的交通条件下的行为反应的重要工具，也是进行出行行为建模的主要数据获取方法。

目前，国内外对于出行意向行为数据获取和分析的研究，主要是采用意向调查的方法设计调查问卷，以获得个人出行行为和意向数据，进而基于随机效用理论，建立非集计模型分析个人信息、出行信息、政策调控因素等对出行选择意向的影响关系和影响程度。

意向调查方法一般是选择出行行为及调控的主要影响因素，通过设置因素的变化水平，进而利用正交实验设计方法，得到多因素多水平组合意向调查设计表。但是影响出行者出行行为的因素往往较多，如果在意向设计中选择的因素过多，其因素水平组合数量较大，会增加被调查者的负担，从而影响调查数据的可靠性，所以一般会选择2-3个重要影响因素，设置2-3个左右的因素水平，但是这样选择的因素过少，又不能反映其它因素对于意向选择结果的影响。而且出行者对于同一出行环境条件下的因素的感知各不相同，例如对于3分钟的公交等车时间的感知长短，每个人可能都不一样，而在出行行为建模中往往只考虑因素实际指标的大小，没有考虑出行者对因素感知差异性的影响。

因此，改进多因素复杂交通出行条件下的意向调查数据获取和分析建模方法，对于出行者行为和意向数据的有效获取十分必要，也对出行行为分析有一定的帮助。

发明内容

基于以上分析，本发明提出了基于感知重要度的交通出行意向行为数据分析方法，以多因素假设交通运行条件下的出行者出行行为反应为对象，提出了基于感知重要影响因素的调查数据分析方法，可以为交通行为分析提供方法借鉴。

本发明从多因素假设交通条件下的出行行为分析角度出发，为提高意向调查数据的可靠性和模型的精度，考虑到每个出行者关注的主要因素不同，因此，调查设计是基于出行者感知(或关注)的重要因素来创建因素组合情境假设，并将调查内容通过编程软件发布到iPad上，实现了一些用纸面问卷无法实现的问题的数据收集，被调查者通过对手持iPad的电子问卷的操作就可以快速完成调查。所获得的数据采用非集计模型进行建模，提出了感知距离的概念和计算方法，进而分析影响因素与意向选择行为的关系。

本发明的特点是实现了基于感知因素重要度的出行者意向行为数据的自动获取，减少了问卷调查所需的大量人力、物力、时间的投入，而且样本回收率高，有效样本量大。同时基于该调查数据所建立的模型精度更高。因而，可以作为交通出行行为数据获取的有效的辅助工具，同时对于基于效用最大化的行为分析模型理论体系的完善具有一定的参考价值。

本发明的技术思路特征为：

1、基于感知重要度的出行行为意向调查设计

2、界面设计和基于iPad的发布实施

3、基于感知距离的意向行为数据建模方法

为实现上述目的，本发明采用如下步骤：

(1)基于感知重要度的出行行为意向调查设计

确定出行行为研究的出行对象群体，对其进行预调查，初步掌握该类出行者的出行行为特征和影响其出行选择的重要因素，针对出行者对这些因素的现状情况的感知程度进行调查设计，因素感知程度选项一般根据调查内容确定，比如对出行者对现状自行车骑行环境的感知，问题选项设置可以为差、一般、较好。

选择重要的4-6个因素进行意向调查设计，因素两两组合，得到多组两因素组合，给定因素变化的假设水平，假设水平设置为相对于现状条件感知程度水平的改变量，比如增加1倍、减少50％等，采用正交实验设计方法并结合主观判断，排除不合适的意向组合问题，得到多组两因素多水平假设组合方案。

每个被调查者只回答自己认为对出行选择最为重要的前2个因素的组合意向问题，减少了被调查者的负担，提高了调查数据的精度。

(2)界面设计和基于iPad的发布实施

为实现调查数据的自动化高效率采集，使用Swift作为开发语言，XCODE6.0作为开发平台，将上面的调查内容进行编程，界面设计力求简洁、清晰，每页问题数量适中，其中每一组两因素多水平组合问题单独设置为一个界面。

被调查者可以通过触选方式做出选择，被选择的选项文字将由黑色变为红色并在旁边出现“√”表示选中，被调查者也可以通过触选其他选项来改变原选择。也可通过设置滑动按钮的方式进行选择，向右滑动按钮，同时出现“√”符号表示选中，也可以滑回按钮取消选择。每个界面下方设置“前一页”“后一页”按钮实现页面转换功能，并设置“保存”“清空”“回传”按钮实现数据的保存、清除和上传功能。

将以上设计程序发布到iPad上，选定调查对象，通过手持iPad终端进行调查，每调查完一个样本，点击界面下方的“保存”按钮，保存成功后点击“清空”选项清除本次调查内容，继续做下一个调查，所有调查数据均保存到指定的数据文件中。采集多个样本数据后，通过“回传”按钮，设置好邮箱可以批量导出所有数据，软件自动记录意向调查做出选择的时间。

调查实施过程中，被调查者根据界面显示的问题和选项作出选择。其中，基于最重要的2因素的意向调查实施方法是被调查者首先从多因素中先选择自己认为对其出行选择影响最为重要的2个因素，然后软件自动从多组预存的两因素多水平假设组合方案中提取这两个重要因素的假设组合方案，被调查者对该组假设组合问题做出意向选择。

(3)基于感知距离的意向行为数据建模方法

根据回收导出的调查数据，对问题选项及因素变化水平进行赋值量化。由于不同出行者对现状交通条件下的因素感知也不尽相同，即感知参考点存在差异性。所以在意向调查中，面对同样的两因素多水平假设组合方案，即选择情景时，由于每个人感知参考点不同，每个人的理解也不同。这里定义感知距离作为衡量个体对现状交通条件因素的感知水平与假设组合方案因素水平之间的心理差距。感知距离通过多维属性的欧式空间距离进行计算，公式如下：

其中，d_n表示出行者n的感知距离，a_q2表示意向组合方案中因素q的假设水平值，a_q1表示被调查者感知现状因素q的水平值，m为意向组合方案中的因素数量。Sqrt表示平方根函数。

根据以上公式计算每个被调查者的感知距离，并将其代入非集计Logit模型中得到改进的意向选择行为模型，用来分析影响因素与意向选择之间的关系，选项i为出行者在意向调查设计中一定的因素组合方案下出行者的选择项，A_n是所有选择选项的集合。效用函数为以下公式：

U_in＝V_in+ε_in (2)

其中，V_in是出行者n选择选项i的固定效用部分，ε_in是出行者n选择选项i的随机效用部分。

固定部分的效用函数可以表示为：

其中，p是影响出行者n选择选项i的影响因素(除了意向调查设计方案中的影响因素)数量，θ_k是影响因素变量X_ink的模型标定系数，X_ink是出行者n选择选项i的第k个因素。d_in是基于意向设计方案的影响因素计算得到的感知距离，δ是感知距离的模型标定系数。

假设随机项ε_in服从Gumbel分布，logit模型为：

其中，P_in是出行者n选择选项i的概率。

以上模型通过最大似然估计(Maximum likelihood estimation(MLE))法，利用回归分析软件便可得出回归系数θ₁,…,θ_k和δ。MLE是计算logit回归系数的方法，通过寻求对数似然函数log likelihood(LL)²的最大化，求解出具有最大可能取得所给定的样本观测数据的参数估计。

附图说明

图1本发明的意向行为数据分析方法步骤图；

图2本发明的意向调查设计流程图；

图3本发明的基于iPad的界面设计图。

(1)出行信息和感知重要因素选择界面

(2)2因素意向组合设计界面示例

(3)数据回传界面

具体实施方式

以出行者的公共自行车换乘地铁出行选择意向为例，公共自行车是节能环保的绿色出行方式，公共自行车在英国伦敦、中国杭州等城市得到了成功的应用，结合地铁系统建设的公共自行车服务系统，作为前端和后端衔接的绿色交通方式，对于公共自行车与地铁系统的有效接驳换乘，提高公交系统可达性，提升公共交通系统的竞争力和吸引力，促进公交出行具有重要的作用，

应用基于感知重要度的交通出行意向行为数据分析方法，进行意向调查设计和实施，得到出行者的出行行为特征和意向数据，并运用模型进行影响因素的分析，为公共自行车系统发展政策的制定提供参考。出行意向选择选项为在一定的假设条件下是否选择公共自行车换乘地铁出行，如果选择公共自行车换乘地铁出行则勾选“是”，否则勾选“否”。

阶段一：基于感知重要度的出行行为意向调查设计

为了分析出行者使用公共自行车换乘地铁的出行意愿和影响因素，调查内容包括以下部分：

日常出行和对现状交通条件的感知问题及选项设置包括以下几个方面：

上班出行时间：0～30分钟，31～60分钟，61～90分钟，≥90分钟。

是否有公共自行车租赁卡：是，否。

是否使用过公共自行车换乘地铁出行：是，否。

家附近500m内公共自行车租赁点的数量：1～2个、3～5个、≥6个、无。

家与公共自行车租赁点的距离：≤100m、100～300m、300～500m、≥500m。

对目前公共自行车骑行环境的评价：差，一般，较好。

对目前公共自行车存取车方便性、车位和车辆可得性的评价：不方便、经常没车位或车，一般，很方便、有空车位和车。

根据对公共自行车使用者的出行行为调查，初步确定影响公共自行车使用的4个主要因素：骑行环境；家与公共自行车租赁点距离；存取车的方便性、车位和车辆的可得性；家附近500m内的租赁点数量。给定4因素的假设水平，如表1所示。

将4个因素两两组合，根据表1设置的因素假设水平，采用正交实验设计方法和主观判断得到6组两因素多水平假设意向组合方案。如表2～表7所示。

表1意向调查中4因素假设水平设置和变量赋值

表2意向组合2—骑行环境和家与公共自行车租赁点的距离

表3意向组合2—骑行环境和存取车的方便性、车位和车辆的可得性

表4意向组合3—骑行环境和家附近500m内的租赁点数量

表5意向组合5—家与公共自行车租赁点的距离和存取车的方便性、可得性

表6意向组合6—家与公共自行车租赁点的距离和附近500m内的租赁点数量

表7意向组合7—存取车的方便性、可得性和家附近500m内的租赁点数量

阶段二：界面设计和基于iPad的发布实施

根据意向调查设计内容，利用编程语言进行界面的设计，每个界面最多设置4个问题，每组2因素意向组合方案单独设置为一个界面。

意向调查设计是被调查者首先从4个主要因素中选择认为对其选择使用公共自行车换乘地铁出行最重要的2个因素，然后软件从表2～表7中自动提取这两个重要因素的组合问题，被调查者只回答基于这2个因素的一组意向水平组合问题。被调查者查看信息，回答在每种水平组合条件下是否选择使用公共自行车换乘地铁出行。如果选择公共自行车换乘地铁出行，则向右滑动界面右侧的按钮，也可以滑回按钮取消选择。通过这样的设计既可以减少被调查者回答问题的负担，又可以增加数据的可靠性。

将以上设计程序发布到iPad上，通过手持iPad终端在北京市地铁站周边的公交站点进行调查，调查对象为乘坐公交来换乘地铁的出行者，其为潜在的公共自行车换乘地铁出行群体，每调查完一个样本，点击界面下方的“保存”按钮，保存成功后点击“清空”按钮清除本次调查内容，继续做下一个样本，所有调查数据均保存到同一个数据文件survey.txt中。采集多个样本数据后，通过“回传”按钮批量导出所有数据，设置回传到的邮箱后，点击“发送”，完成本次调查数据的回收。

阶段三：基于感知距离的意向行为数据建模方法

调查于2015年1月和3月进行，共获得样本112份，有效样本102份。

出行意向选择选项A_n包括2项：选择公共自行车换乘地铁出行赋值为“1”和不选择选择公共自行车换乘地铁出行赋值为“2”，选项i取“1”或“2”。

感知距离通过多维属性的欧式空间距离进行计算，4个主要的意向组合条件中的影响因素即a_q(q＝4)为骑行环境；家与公共自行车租赁点距离；存取车的方便性、车位和车辆的可得性；家附近500m内的租赁点数量。根据出行者对于4个因素的感知和出行的评价，并结合在假设意向组合方案中同因素假设水平的赋值表1，a_q1分别取4个变量的感知现状的水平值，即“不变、现状”的赋值，a_q2分别取出行者对4个变量的感知水平值，如骑行环境变量有三个感知水平，根据出行者的选择取“大大改善”、“不变、现状”或“变差”的赋值。根据公式(1)计算每个被调查者在不同的假设条件下的感知距离d_n。

其他影响是否选择公共自行车换乘地铁出行的因素X_ink还包括上班出行时间、是否有公共自行车租赁卡、感知距离、骑行环境、家与公共自行车租赁点的距离、存取车的方便性、可得性、家附近500m内的租赁点数量、年龄。在模型1中影响因素数量p＝8,k＝1,2,…,8，包括以上8个因素，在模型2中p＝4,k＝1,2,…,4，包括因素上班出行时间、是否有公共自行车租赁卡、感知距离、年龄。对于影响因素变量的取值，其中上班出行时间、年龄、收入、家与公共自行车租赁点的距离、家附近500m内的租赁点数量是连续变量，是否有公共自行车租赁卡是分类变量，选择“是”赋值为“1”，选择“否”赋值为“2”，存取车的方便性、可得性是分类变量，不方便、经常没车位或车赋值为“1”，一般赋值为“2”，很方便、有空车位和车赋值为“3”。进而得到固定部分的效用函数V_in的值。

假设随机项ε_in服从Gumbel分布，根据公式(2)(3)(4)建立logit模型，采用最大似然估计法，利用回归分析软件得出回归系数θ₁,…,θ_k和δ，分析主要影响因素和感知距离与意向选择行为之间的关系，表8所示的模型1和模型2显示了重要的影响因素的标定系数和系数的t检验值。

表8模型估计结果

备注：***，**，*表示重要性水平分别为1％，5％，10％。

McFadden Pseudo R-squared是评价logit模型精度的指标，通过对数似然值计算得到，公式为：McFadden Pseudo R-squared＝1-logL/logL₀，logL为最大对数似然函数值，logL₀为假设模型标定系数值为0时的似然函数值。

一般认为logit模型的McFadden Pseudo R-squared达到0.2～0.4，就认为模型的精度足够高了，从模型估计结果看，模型1的精度为0.35，模型2为0.26，可以认为精度比较高，说明基于感知重要的2因素的意向行为数据获取方法的可行性，模型同时又可以分析多种因素对选择行为的影响。

从影响公共自行车换乘地铁选择意向的因素看，模型1中，骑行环境、家与公共自行车租赁点的距离、存取车的方便性、可得性、家附近500m内的租赁点数量是最重要的影响因素，其系数均为正，表明随着这些因素服务水平的提升，选择公共自行车换乘地铁的比例会增加。其次是是否有公共自行车租赁卡，系数为负，说明如果出行者有公共自行车租赁卡，则更愿意使用公共自行车换乘地铁出行。其他因素也有一定的影响，但是影响不显著。

由于感知距离是通过意向调查设计表中4个主要因素计算得到的，因此与4因素之间有一定的相关性，所以在模型2中只代入感知距离变量，重点分析感知距离对公共自行车换乘地铁出行的影响，标定结果显示感知距离对结果的影响非常显著，系数为1.26，t检验值为7.46，表示随着感知距离的增加，选择公共自行车换乘地铁出行的比例逐渐增加，即如果出行者对对现状交通条件因素的感知水平越差，面对同样的意向选择组合假设方案时感知距离越大，更愿意选择公共自行车换乘地铁出行。此外，年龄也有重要的正的影响，年龄越大越容易选择公共自行车换乘地铁出行。

以上研究结论对于促进人们的公共自行车换乘地铁出行和公共自行车发展政策的制定具有一定的参考价值。

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 (1)

1.基于感知重要度的交通出行意向行为数据分析方法，其特征在于：包括以下步骤：

步骤一：基于感知重要度的出行行为意向调查设计；

步骤二：界面设计和基于iPad的发布实施；

步骤三：基于感知距离的意向行为数据建模；

所述步骤一内容如下：

确定出行行为研究的出行对象群体，对其进行预调查，初步掌握出行者的出行行为特征和影响其出行选择的重要因素，针对出行者对这些因素的现状情况的感知程度进行调查设计，因素感知程度选项根据调查内容确定，

选择重要的4-6个因素进行意向调查设计，因素两两组合，得到多组两因素组合，给定因素变化的假设水平，假设水平设置为相对于现状条件感知程度水平的改变量，采用正交实验设计方法并结合主观判断，排除不合适的意向组合问题，得到多组两因素多水平假设组合方案；

每个被调查者只回答自己认为对出行选择最为重要的前2个因素的组合意向问题；

所述步骤二内容如下：

为实现调查数据的自动化高效率采集，使用Swift作为开发语言，XCODE6.0作为开发平台，将上面的调查内容进行编程，界面设计力求简洁、清晰，其中每一组两因素多水平组合问题单独设置为一个界面，每个界面最多设置4个问题；

被调查者可以通过触选方式做出选择，被选择的选项文字将由黑色变为红色并在旁边出现“√”表示选中，被调查者也可以通过触选其他选项来改变原选择；也可通过设置滑动按钮的方式进行选择，向右滑动按钮，同时出现“√”符号表示选中，也可以滑回按钮取消选择；每个界面下方设置“前一页”“后一页”按钮实现页面转换功能，并设置“保存”“清空”“回传”按钮实现数据的保存、清除和上传功能；

将以上设计程序发布到iPad上，选定调查对象，通过手持iPad终端进行调查，每调查完一个样本，点击界面下方的“保存”按钮，保存成功后点击“清空”选项清除本次调查内容，继续做下一个调查，所有调查数据均保存到指定的数据文件中；采集多个样本数据后，通过“回传”按钮，设置好邮箱可以批量导出所有数据，软件自动记录意向调查做出选择的时间；

调查实施过程中，被调查者根据界面显示的问题和选项作出选择；其中，基于最重要的2因素的意向调查实施方法是被调查者首先从多因素中先选择自己认为对其出行选择影响最为重要的2个因素，然后软件自动从多组预存的两因素多水平假设组合方案中提取这两个重要因素的假设组合方案，被调查者对该组假设组合问题做出意向选择；

所述步骤三内容如下：

定义感知距离作为衡量个体对现状交通条件因素的感知水平与假设组合方案因素水平之间的心理差距；感知距离通过多维属性的欧式空间距离进行计算，公式如下：

其中，d_n表示出行者n的感知距离，a_q2表示意向组合方案中因素q的假设水平值，a_q1表示被调查者感知现状因素q的水平值，m为意向组合方案中的因素数量；Sqrt表示平方根函数；

根据以上公式计算每个被调查者的感知距离，并将其代入非集计Logit模型中得到改进的意向选择行为模型，用来分析影响因素与意向选择之间的关系，选项i为出行者在意向调查设计中一定的因素组合方案下出行者的选择项，A_n是所有选择选项的集合；效用函数为以下公式：

U_in＝V_in+ε_in (2)

其中，V_in是出行者n选择选项i的固定效用部分，ε_in是出行者n选择选项i的随机效用部分；

固定部分的效用函数表示为：

其中，p是影响出行者n选择选项i的影响因素数量，影响因素是除了意向调查设计方案中的影响因素；θ_k是影响因素变量X_ink的模型标定系数，X_ink是出行者n选择选项i的第k个因素；d_in是基于意向设计方案的影响因素计算得到的感知距离，δ是感知距离的模型标定系数；

假设随机项ε_in服从Gumbel分布，logit模型为：

其中，P_in是出行者n选择选项i的概率；

以上模型通过最大似然估计法，利用回归分析得出回归系数θ₁,…,θ_k和δ；通过寻求对数似然函数的最大化，求解出具有最大可能取得所给定的样本观测数据的参数估计。