CN107368915A - 一种地铁乘客出行时间选择行为分析方法 - Google Patents
一种地铁乘客出行时间选择行为分析方法 Download PDFInfo
- Publication number
- CN107368915A CN107368915A CN201710457828.3A CN201710457828A CN107368915A CN 107368915 A CN107368915 A CN 107368915A CN 201710457828 A CN201710457828 A CN 201710457828A CN 107368915 A CN107368915 A CN 107368915A
- Authority
- CN
- China
- Prior art keywords
- mtd
- mrow
- msub
- passenger
- scene
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000013461 design Methods 0.000 claims abstract description 36
- 238000011835 investigation Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 2
- 238000011217 control strategy Methods 0.000 abstract description 5
- 239000000203 mixture Substances 0.000 abstract 2
- 238000009472 formulation Methods 0.000 abstract 1
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种地铁乘客出行时间选择行为分析方法，所述方法包括：S1：调研并筛选用于调研的地铁乘客出行场景属性，划分所述场景属性水平并分配属性水平值；S2：确定出行场景选择集数，根据D‑OPTIMAL设计方法设计地铁乘客出行场景组合，调研乘客出行偏好数据；S3：基于期望效用理论建立乘客出行的选择效用函数模型，标定所述模型的参数，确定乘客支付愿意原则值，本发明提供的方法可定量分析地铁乘客出行时间选择的影响因素，为高峰时段的客流控制策略的制定提供依据。
Description
技术领域
本发明涉及城市轨道交通乘客出行时间选择行为技术领域。更具体地，涉及一种地铁乘客出行时间选择行为分析方法。
背景技术
结合国家十三五重点研发计划任务“城市轨道系统安全保障技术”(2016YFB1200402)，针对早晚高峰时段的客流拥堵问题，北京地铁运营中采用进站限流措施控制客流，在站外设置限流栏控制进站乘客数量。该措施在一定程度上缓解了大客流对车站和线路造成的压力，但该措施未考虑乘客的主动适应性，不能最大程度地有效缓解拥堵状况。
改善拥堵状态主要从两方面进行：(1)改善车站设施，提高运能；(2)减少高峰时段的乘客出行需求，降低高峰时段客流量。改善车站设施是一个长期规划的过程，短期内无法顺利完成，因此，改变乘客出行时间成为减缓高峰拥堵的一个重要手段。
研究地铁乘客出行时间选择的研究较少，对影响因素进行调研和分析有利于掌握地铁乘客出行时间选择规律。目前多基于期望效用理论和离散选择模型对出行时间选择行为进行建模和分析，多项式分对数模型是最为常用的离散选择模型，但该模型无法避免IIA(无关方案独立性)问题；而混合对数模型通过考虑选项的异质性有效地解决了IIA问题。
因此，需要提供一种科学、准确地分析地铁乘客出行时间选择的方法，为地铁交通系统制定合理的客流控制策略提供理论支撑。
发明内容
本发明的目的在于提供一种地铁乘客出行时间选择行为分析方法，对地铁乘客出行行为进行更为准确地分析，分析乘客选择出行时间的意愿变化随影响因素变化的规律，为制定合理的客流控制策略提供理论支撑
为解决上述技术问题，本发明采用下述技术方案：
本发明公开了一种地铁乘客出行时间选择行为分析方法，所述方法包括：
S1：调研并筛选用于调研的地铁乘客出行场景属性，划分所述场景属性水平并分配属性水平值；
S2：确定出行场景选择集数，根据D-最优设计方法设计地铁乘客出行场景组合，调研乘客出行偏好数据；
S3：基于期望效用理论建立乘客出行的选择效用函数模型，标定所述模型的参数，确定乘客支付愿意原则值。
优选地，所述S1中包括：
S11：调研乘客对备选场景属性的打分矩阵，计算赋予权重系数的备选场景属性标准化矩阵；
S12：通过TOPSIS方法计算各个备选场景属性的影响指标，筛选用于调研的场景属性；
S13：划分所述场景属性的属性水平并确定各属性水平的属性水平值。
优选地，所述S11包括：
S111：将乘客对各场景属性因素的打分整理成矩阵如下，
式中，Pj表示第j个乘客，j＝1,2,...,J；Ai表示第i个因素，i＝1,2,...,I；rji表示第j个乘客对第i个因素的重要度打分；
S112：将得分矩阵中的每个元素进行标准化，得到标准化矩阵为
S113：每一个因素乘以相应的权重，这里假设乘客选择每个因素的概率一致，即wji＝1/7，因此得到赋予权重系数的标准化矩阵为
fji＝wji·vji,j＝1,2,3,...,J,i＝1,2,...,I。
优选地，所述备选场景属性包括地铁票价、出行距离、车站拥挤度、上班或上学时间约束、时间节省度、出行目的和出行时间改变量。
优选地，所述S2中包括：
S21：结合析因设计，确定出行场景选择集数；
S22：采用D-最优设计方法设计地铁乘客出行场景组合；
S23：通过问卷调研乘客出行偏好数据。
优选地，所述S22采用D-最优设计方法设计用于问卷的地铁乘客出行场景组合，根据Dp-error指标对场景属性组合矩阵进行效率性检验：
其中，为费希尔信息矩阵，K为场景属性的个数，Z为由元素znjt组成的M×K矩阵，P为由元素pnjt组成的M×M对角概率矩阵，T为选择场景总数，Jt为t场景下出行时间选项个数，xnjt为乘客n在场景t下选择出行时间j的1×K维属性向量，pnjt为乘客n在场景t下选择出行时间j的标准评定概率
其中，β'为先验系数。
当迭代计算次数超过预定最大值且Dp-error随时间变化量在阈值范围内，则认为出行场景组合设计达到最优。
优选地，所述S3中包括：
S31：基于期望效用理论建立乘客出行的选择效用函数模型，通过极大似然估计标定所述选择效用函数模型的参数；
S32：基于标定的选择效用函数模型的参数确定乘客支付愿意原则值。
优选地，所述S31结合期望效用理论，计算乘客n在场景t下选择出行时间j的选择效用函数为：
Unjt＝βn'xnjt+εnjt
其中，βn'为影响选择行为因素所对应的待估计系数向量，由βnjt构成；xnjt为乘客n在场景t下选择出行时间j的1×K维属性向量；K为场景属性的个数；εnjt为效用随机项，服从耿贝尔分布；
βnjt＝(β+Δzn+ηn)
其中，β为待估参数，zn为乘客n的社会经济和出行属性信息，ηn为服从特定分布的偏差项。
优选地，所述S32中乘客支付愿意原则值为标定的待估参数除以选择效用函数值。
本发明的有益效果如下：
本发明提供了一种地铁乘客出行时间选择行为分析方法。
(1)该方法定量识别了地铁乘客出行时间选择行为的关键影响因素，构建了一种高效的地铁乘客出行时间选择行为建模及标定方法，为掌握了地铁乘客出行时间选择规律提供了方法支撑；
(2)提出了一种基于支付愿意原则的乘客出行时间选择变化机理的分析方法。该方法解决了面对拥堵、票价变化等条件下乘客的出行时间如何变化的预测问题，可进一步基于支付愿意原则变化结果制定合理的客流控制策略，进一步减缓拥堵，保障地铁车站的日常运营安全。
附图说明
下面结合附图对本方法的具体实施方式作进一步详细的说明。
图1示出本发明一种地铁乘客出行时间选择行为分析方法实施例D的流程图。
图2示出本发明一种地铁乘客出行时间选择行为分析方法实施例D-最优设计和正交设计的统计分析对比图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本发明公开了一种地铁乘客出行时间选择行为分析方法，所述方法包括：
S1：调研并筛选用于调研的地铁乘客出行场景属性，划分所述场景属性水平并分配属性水平值。所述S1可包括：
S11：记录乘客对场景属性影响程度的认知，整理乘客对备选场景属性的打分矩阵，计算赋予权重系数的备选场景属性标准化矩阵，通过逼近理想解排序方法(TOPSIS)对备选场景属性进行排序、筛选，确定用于调研的场景属性。所述场景属性可考虑地铁票价、时间节省度、出行时间改变量和车站拥挤度等。
S111：将乘客对各场景属性因素的打分整理成矩阵如下，
式中：Pj表示第j个乘客，j＝1,2,...,J；Ai表示第i个因素，i＝1,2,...,I；rji表示第j个乘客对第i个因素的重要度打分。
S112：将得分矩阵中的每个元素进行标准化，得到标准化矩阵
S113：每一个因素乘以相应的权重，这里假设乘客选择每个因素的概率一致，即wji＝1/7，因此得到赋予权重系数的标准化矩阵，
fji＝wji·vji,j＝1,2,3,...,J,i＝1,2,...,I。
S12：通过TOPSIS方法计算各个备选场景属性的影响指标，筛选用于调研的场景属性。
S121：筛选正理想解和负理想解，
式中：表示第i列的最大值，表示第i列的最小值，i＝1,2,...,I。
S122：使用欧氏距离公式计算与正理想解、负理想解的偏差值，
S123：计算场景属性的重要度指标为
式中：的取值范围为[0,1]，越大，表明重要性越高。
S13：划分所述场景属性的属性水平并确定各属性水平的属性水平值。
S2：确定出行场景选择集数，根据D-最优设计方法设计地铁乘客出行场景组合，调研乘客出行偏好数据。所述S2可包括：
S21：结合析因设计，首先确定效用函数的主效用和交叉效用，由于不确定交叉效用，因此只考虑主效用，确定出行场景选择集数。
S22：基于D-OPTIMAL设计方法设计地铁乘客出行场景组合。
基于以上属性水平值的分配，采用D-optimal方法设计问卷场景组合，最后根据Dp-error指标对M×K维的属性组合矩阵进行效率性检验。Dp-error指标越小，则场景组合设计的效率越高。具体计算方法如下：
其中，为费希尔信息矩阵，K为场景属性的个数，Z为由元素znjt组成的M×K矩阵，P为由元素pnjt组成的M×M对角概率矩阵，T为选择场景总数，Jt为t场景下出行时间选项个数，xnjt为乘客n在场景t下选择出行时间j的1×K维属性向量，pnjt为乘客n在场景t下选择出行时间j的标准分类评定概率，计算公式如下：
其中，β'为先验系数，可根据历史数据经验或文献获取。
当迭代计算次数足够大且Dp-error大小变化不明显时，则认为场景设计达到最优。
S23：通过问卷调研得到乘客出行偏好数据。
S3：基于期望效用理论建立乘客出行的选择效用函数模型，标定所述模型的参数，确定乘客支付愿意原则值。所述S3中包括：
S31：基于期望效用理论建立乘客出行的选择效用函数模型，通过极大似然估计标定所述选择效用函数模型的参数。其中，若对于乘客n，在场景t下选择出行时间j的效用函数为：
Unjt＝βn'xnjt+εnjt
式中：βn'为影响选择行为因素所对应的待估计系数向量，由βnjt构成；εnjt为效用随机项，服从耿贝尔(Gumbel)分布。
βnjt＝(β+Δzn+ηn)
式中：β为待估系数均值，zn为乘客n的社会经济和出行属性信息，ηn为服从特定分布的偏差项。
S32：基于标定的选择效用函数模型的参数确定乘客支付愿意原则值。
下面通过一个具体实施例对本发明作进一步说明，本实施例中首先确定备选的场景属性共7个：地铁票价、出行距离、车站拥挤度、上班或上学时间约束、时间节省度、出行目的和出行时间改变量。调研采取打分的方式记录乘客对影响因素重要度的认知，分数7代表影响最大，1代表影响最小。问卷发放地点选择在北京地铁西直门车站，最终共收回134份问卷。
通过TOPSIS方法计算各个备选场景属性的影响指标，并进行重要度排序，如表1所示。
表1重要度排序
由于时间节省度、车站拥挤度、地铁票价和出行时间改变量的值相对较大，因此选择这四个因素作为SP场景设计的属性。
基于2015年4月到6月开展的客流调查的调研结果，表2记录并统计了不同车站不同时段的客流进站和拥挤情况以及高峰时段持续时长。
表2车站不同时段进站时间和拥挤状况记录
注：由北京地铁运营数据显示人均地铁旅行时间为52分钟/每人。
由于2014年12月28日北京地铁票价整体上调，如果进一步采用上调的票价水平，与实际相比可行性不大，并且经统计北京地铁人均票价为4.4元，减少0.5元近似于票价打9折，减少1元近似于票价打8折，减少1.5元近似于票价打7折，本实施例中采用统一的人均票价。
结合表2客流调查的数据统计，最终属性水平划分见表3所示。地铁票价划分Ⅰ-Ⅳ级，各属性水平的属性水平值分别为原价、减少0.5元、减少1元以及减少1.5元；时间节省度划分Ⅰ-Ⅳ级，各属性水平的属性水平值分别为0％、10％、15％和20％；出行时间改变量划分Ⅰ-Ⅳ级，各属性水平的属性水平值分别为0、15、20和25分钟；车站拥挤度划分Ⅰ-Ⅳ级，分别为不拥挤、拥挤、较拥挤和很拥挤，各属性水平的属性水平值分别为每个车门排队人数小于5人、6～10人、11～20人和大于20人，不同属性水平的拥挤度与图片相对应。
表3属性水平划分
结合历史票卡数据及实际现场经验可知：当乘客在高峰时段按原计划正常出行时，拥挤程度较高(取较高的车站拥挤度II、III及IV)；而在非高峰时段出行的场景(即提前或延迟出行)下，拥挤程度会有所改善，可节省一定的旅行时间，可设定拥挤程度相对低的I和II水平。
进一步结合实际运营需要，假设乘客原时间出行情景下无票价优惠，而提前或延迟出行情景下会有不同程度的时间节省和票价优惠，进而减少车站的拥挤度。其中：不同场景下的时间节省范围值为预计出行时间下的旅行时间与原时间出行的旅行时间的差值，并可根据相应时段的历史票卡数据统计得到；车站拥挤程度变化范围可根据相同时段的车站仿真数据并结合调研结果近似给出，该仿真数据可由Anylogic等仿真软件给出。因此，具体属性水平值的分配见表4所示。
表4属性水平值分配
模型中有三个效用函数，每个效用函数有四个变量，因此最小自由度为12；同时，需保证属性组合矩阵的维数大于等于12，并且为属性水平分布值的公倍数(案例中选择维数为36，36满足三个选项中各个属性水平分布值的公倍数)，因此确定场景选择集数为12(36/3)。
采用D-optimal设计的Dp-error指标对场景组合设计效率进行检验，优化过程如表5所示：迭代次数为2375时，Dp-error变化率始终为0.1％、设计达到最优；同时采用SPSS19.0进行场景组合的正交设计，并进一步对比正交设计和D-optimal设计。其中：问卷中一个典型的场景设计组合如表6所示。
表5 Dp-error迭代结果
表6场景设计组合
问卷选择了高峰时段7:30-9:00北京地铁西直门、国家图书馆和科怡路车站发放，最终收回D-optimal方法设计的问卷522份，总样本数为1044；收回正交设计的问卷504份，总样本数为1008。
乘客出行时间选择的统计结果如图2所示，可以看出：两种问卷收集的样本分布有较大的相似性，如：有近三分之二的调查者选择了提前出行，而只有很少一部分调查者选择延迟出行。
模型参数采用极大似然估计方法估计，并且借助软件NLOGIT 5.0进行标定。
模型中的变量主要包括两类：影响出行时间选择的场景属性；乘客个人的社会经济和出行属性，变量定义见表7：
表7模型变量定义
模型参数标定结果见表8，对比标定结果发现：两种调研设计标定的参数符号与预期一致，且显著性都较高；采用D-optimal设计的问卷进行调研时，模型的拟合度较好。
对比系数的估计误差发现：除了系数βDTC，正交设计方法其他系数的估计误差均比D-optimal设计大。这表明D-optimal方法对于模型系数精度的估计有明显的提高，因此更适合于场景组合的设计。
对比异质性系数的挖掘发现：D-optimal方法比正交设计更深入，捕捉到了出行目的对βTTS、月收入对βCROWD、地铁出行频率对βCROWD和βTTS的异质性影响，进一步揭示了乘客随不同个人属性的选择偏好；而正交设计并未得出明显的异质性结果。其中，βTTS为时间节省度参数，βCROWD为车站拥挤度参数，βDTC为出行时间改变量参数，βFARE地铁票价参数。
表8模型标定结果
根据支付愿意原则(WTP)，分析乘客出行时间的选择意愿受各场景属性的影响程度，支付愿意原则值由时间节省、出行时间改变量和车站拥挤度的标定系数除以选择效用函数得到，该值从费用的角度揭示了时间节省、出行时间改变量和车站拥挤度属性变化对乘客出行意愿的影响。
WTP值计算结果见表9，该结果表明：如果旅行时间节省提升的一个水平，乘客愿意花费1.2331元；如果车站拥挤程度降低的一个水平，乘客愿意花费0.1547元；如果出行时间改变量降低一个水平，乘客愿意花0.9527元，此处乘客花费的费用为由选择效用函数得到的费用。
表9时间节省、出行时间改变量和车站拥挤度的WTP值
由此可见，大部分乘客多选择提前出行。因此，若是在高峰时段前一定时段内实行一定的票价优惠，则有利于减少高峰时段的乘客出行需求特别是低收入人群和非工作出行人群。
本发明公开的一种地铁乘客出行时间选择行为分析方法，基于D-OPTIMAL设计方法和Mixed Logit模型对地铁乘客出行时间选择行为进行建模及标定，采用TOPSIS对地铁乘客出行高峰时段和非高峰时段下的场景属性进行了筛选，基于D-OPTIMAL设计方法对地铁乘客出行下的情景属性组合进行了设计，对模型参数进行标定，由参数系数计算得到时间节省、出行时间改变量和车站拥挤度的支付愿意原则值，以此作为制定客流控制策略的依据。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (9)
1.一种地铁乘客出行时间选择行为分析方法，其特征在于，所述方法包括：
S1：调研并筛选用于调研的地铁乘客出行场景属性，划分所述场景属性水平并分配属性水平值；
S2：确定出行场景选择集数，根据D-最优设计方法设计地铁乘客出行场景组合，调研乘客出行偏好数据；
S3：基于期望效用理论建立乘客出行的选择效用函数模型，标定所述模型的参数，确定乘客支付愿意原则值。
2.根据权利要求1所述的方法，其特征在于，所述S1中包括：
S11：调研乘客对备选场景属性的打分矩阵，计算赋予权重系数的备选场景属性标准化矩阵；
S12：通过TOPSIS方法计算各个备选场景属性的影响指标，筛选用于调研的场景属性；
S13：划分所述场景属性的属性水平并确定各属性水平的属性水平值。
3.根据权利要求1所述的方法，其特征在于，所述S11包括：
S111：将乘客对各场景属性因素的打分整理成矩阵如下，
<mrow>
<mi>R</mi>
<mo>=</mo>
<mtable>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>A</mi>
<mi>I</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mn>1</mn>
<mi>I</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>P</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mn>2</mn>
<mi>i</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mn>2</mn>
<mi>I</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>P</mi>
<mi>j</mi>
</msub>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mi>j</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mi>j</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mi>j</mi>
<mi>I</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>P</mi>
<mi>J</mi>
</msub>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mi>J</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mi>J</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mi>J</mi>
<mi>i</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>r</mi>
<mrow>
<mi>J</mi>
<mi>I</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mrow>
式中，Pj表示第j个乘客，j＝1,2,...,J；Ai表示第i个因素，i＝1,2,...,I；rji表示第j个乘客对第i个因素的重要度打分；
S112：将得分矩阵中的每个元素进行标准化，得到标准化矩阵为
<mrow>
<msub>
<mi>v</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>r</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<msqrt>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>I</mi>
</msubsup>
<msubsup>
<mi>r</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mfrac>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>J</mi>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>I</mi>
<mo>.</mo>
</mrow>
S113：每一个因素乘以相应的权重，这里假设乘客选择每个因素的概率一致，即wji＝1/7，因此得到赋予权重系数的标准化矩阵为
fji＝wji·vji,j＝1,2,3,...,J,i＝1,2,...,I。
4.根据权利要求2所述的方法，其特征在于，所述备选场景属性包括地铁票价、出行距离、车站拥挤度、上班或上学时间约束、时间节省度、出行目的和出行时间改变量。
5.根据权利要求1所述的方法，其特征在于，所述S2中包括：
S21：结合析因设计，确定出行场景选择集数；
S22：采用D-最优设计方法设计地铁乘客出行场景组合；
S23：通过问卷调研乘客出行偏好数据。
6.根据权利要求5所述的方法，其特征在于，所述S22采用D-最优设计方法设计用于问卷的地铁乘客出行场景组合，根据Dp-error指标对场景属性组合矩阵进行效率性检验：
<mrow>
<mi>D</mi>
<mi>p</mi>
<mo>_</mo>
<mi>e</mi>
<mi>r</mi>
<mi>r</mi>
<mi>o</mi>
<mi>r</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>det&Omega;</mi>
<mi>P</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mi>K</mi>
</mrow>
</msup>
</mrow>
1
<mrow>
<msubsup>
<mi>&Omega;</mi>
<mi>P</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>Z</mi>
<mo>&prime;</mo>
</msup>
<mi>P</mi>
<mi>Z</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>J</mi>
<mi>t</mi>
</msub>
</munderover>
<msub>
<msup>
<mi>z</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mi>n</mi>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<msub>
<mi>p</mi>
<mrow>
<mi>n</mi>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<msub>
<mi>z</mi>
<mrow>
<mi>n</mi>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>n</mi>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>J</mi>
<mi>t</mi>
</msub>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<msub>
<mi>p</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>J</mi>
<mi>t</mi>
</msub>
</mrow>
其中，为费希尔信息矩阵，K为场景属性的个数，Z为由元素znjt组成的M×K矩阵，P为由元素pnjt组成的M×M对角概率矩阵，T为选择场景总数，Jt为t场景下出行时间选项个数，xnjt为乘客n在场景t下选择出行时间j的1×K维属性向量，pnjt为乘客n在场景t下选择出行时间j的标准评定概率
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>&beta;</mi>
<mo>&prime;</mo>
</msup>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>J</mi>
<mi>t</mi>
</msub>
</msubsup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>&beta;</mi>
<mo>&prime;</mo>
</msup>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，β'为先验系数。
当迭代计算次数超过预定最大值且Dp-error随时间变化量在阈值范围内，则认为出行场景组合设计达到最优。
7.根据权利要求1所述的方法，其特征在于，所述S3中包括：
S31：基于期望效用理论建立乘客出行的选择效用函数模型，通过极大似然估计标定所述选择效用函数模型的参数；
S32：基于标定的选择效用函数模型的参数确定乘客支付愿意原则值。
8.根据权利要求7所述的方法，其特征在于，所述S31结合期望效用理论，计算乘客n在场景t下选择出行时间j的选择效用函数为：
Unjt＝βn'xnjt+εnjt
其中，βn'为影响选择行为因素所对应的待估计系数向量，由βnjt构成；xnjt为乘客n在场景t下选择出行时间j的1×K维属性向量；K为场景属性的个数；εnjt为效用随机项，服从耿贝尔分布；
βnjt＝(β+Δzn+ηn)
其中，β为待估参数，zn为乘客n的社会经济和出行属性信息，ηn为服从特定分布的偏差项。
9.根据权利要求7所述的方法，其特征在于，所述S32中乘客支付愿意原则值为标定的待估参数除以选择效用函数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710457828.3A CN107368915B (zh) | 2017-06-16 | 2017-06-16 | 一种地铁乘客出行时间选择行为分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710457828.3A CN107368915B (zh) | 2017-06-16 | 2017-06-16 | 一种地铁乘客出行时间选择行为分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107368915A true CN107368915A (zh) | 2017-11-21 |
| CN107368915B CN107368915B (zh) | 2021-04-23 |
Family
ID=60305270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710457828.3A Active CN107368915B (zh) | 2017-06-16 | 2017-06-16 | 一种地铁乘客出行时间选择行为分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107368915B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564396A (zh) * | 2018-03-23 | 2018-09-21 | 同济大学 | 基于D-error有效设计的多模式交通出行问卷调查设计方法 |
| CN109165454A (zh) * | 2018-09-03 | 2019-01-08 | 北京交通大学 | 一种基于价格内生性的乘客出行时间选择行为建模方法 |
| CN112052898A (zh) * | 2020-09-03 | 2020-12-08 | 五邑大学 | 一种城际高铁乘客的潜在分类模型构建方法和系统 |
| CN113361984A (zh) * | 2021-08-11 | 2021-09-07 | 北京航空航天大学杭州创新研究院 | 基于互馈模型的空港客流与运力流动态耦合方法和系统 |
| CN113537554A (zh) * | 2021-06-02 | 2021-10-22 | 五邑大学 | 一种乘客支付意愿预测方法、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110313822A1 (en) * | 2008-02-26 | 2011-12-22 | Joshua Burdick | Method of Assessing Parking Fees Based Upon Vehicle Length |
| CN105447603A (zh) * | 2016-01-06 | 2016-03-30 | 北京交通大学 | 一种轨道交通不确定客流需求下的车站限流方法 |
| CN105882695A (zh) * | 2016-03-17 | 2016-08-24 | 北京交通大学 | 针对城市轨道交通路网客流拥堵的前瞻性关联控制方法 |
-
2017
- 2017-06-16 CN CN201710457828.3A patent/CN107368915B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110313822A1 (en) * | 2008-02-26 | 2011-12-22 | Joshua Burdick | Method of Assessing Parking Fees Based Upon Vehicle Length |
| CN105447603A (zh) * | 2016-01-06 | 2016-03-30 | 北京交通大学 | 一种轨道交通不确定客流需求下的车站限流方法 |
| CN105882695A (zh) * | 2016-03-17 | 2016-08-24 | 北京交通大学 | 针对城市轨道交通路网客流拥堵的前瞻性关联控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| HOOGENDOORN S.等: "A State-of-the-Art Review：Developments in Utility Theory,Prospect Theory and Regret Theory to Investigate Travellers’Behaviour in Situations Involving Travel Time Uncertainty", 《TRANSPORT REVIEWS》 * |
| 李春晓 等: "基于广义动态模糊神经网络的短时车站进站客流量预测", 《都市快轨交通》 * |
| 杨利强等: "基于Mixed Logit模型的城市轨道交通出行时间价值估计", 《城市轨道交通研究》 * |
| 王方等: "交通SP调查的均匀设计方法", 《城市交通》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564396A (zh) * | 2018-03-23 | 2018-09-21 | 同济大学 | 基于D-error有效设计的多模式交通出行问卷调查设计方法 |
| CN109165454A (zh) * | 2018-09-03 | 2019-01-08 | 北京交通大学 | 一种基于价格内生性的乘客出行时间选择行为建模方法 |
| CN112052898A (zh) * | 2020-09-03 | 2020-12-08 | 五邑大学 | 一种城际高铁乘客的潜在分类模型构建方法和系统 |
| CN112052898B (zh) * | 2020-09-03 | 2024-01-05 | 五邑大学 | 一种城际高铁乘客的潜在分类模型构建方法和系统 |
| CN113537554A (zh) * | 2021-06-02 | 2021-10-22 | 五邑大学 | 一种乘客支付意愿预测方法、装置及存储介质 |
| CN113537554B (zh) * | 2021-06-02 | 2024-02-20 | 五邑大学 | 一种乘客支付意愿预测方法、装置及存储介质 |
| CN113361984A (zh) * | 2021-08-11 | 2021-09-07 | 北京航空航天大学杭州创新研究院 | 基于互馈模型的空港客流与运力流动态耦合方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107368915B (zh) | 2021-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107368915B (zh) | 一种地铁乘客出行时间选择行为分析方法 | |
| de Luca et al. | Validation and comparison of choice models | |
| Li | Application of finite mixture of logistic regression for heterogeneous merging behavior analysis | |
| CN102156732A (zh) | 基于特征站点的公交ic卡数据站点匹配方法 | |
| Xie et al. | Modelling the effects of road pricing on traffic using ERP traffic data | |
| Robitaille et al. | Effectiveness and equity of vehicle mileage fee at federal and state levels | |
| Düllmann et al. | Determinants of the asset correlations of German corporations and implications for regulatory capital | |
| Dubedi et al. | Modeling automobile drivers’ toll-lane choice behavior at a toll plaza | |
| Kodi et al. | Safety evaluation of an adaptive signal control technology using an empirical Bayes approach | |
| Navandar et al. | Empirical analysis of level of service based on users perception at manual tollbooth operation in India | |
| Mei et al. | Modelling the effects of parking charge and supply policy using system dynamics method | |
| Small et al. | Uncovering the distribution of motorists' preferences for travel time and reliability: Implications for road pricing | |
| Bera et al. | Commuters' Willingness-to-Pay for the Attributes of Plug-in Hybrid Electric Vehicle: A Case Study in Kolkata, India | |
| CN108564396A (zh) | 基于D-error有效设计的多模式交通出行问卷调查设计方法 | |
| Barrell et al. | The application of cost-benefit analysis to transport investment projects in Britain | |
| Deng | Incorporation of micro-level analysis in strategic urban transport modelling: with a case study of the Greater Beijing | |
| Haider et al. | Updated analysis of Michigan traffic inputs for pavement-ME design | |
| Cottrell | Estimating the probability of freeway congestion recurrence | |
| Xie et al. | Real-time personalized tolling for managed lanes | |
| Zhong et al. | Highway usage efficiency and debt burden: Evidence from China | |
| Hosseinlou et al. | Road pricing effect on the emission of traffic pollutants, a case study in Tehran | |
| Shaja et al. | Estimating the Marginal Productivity of Roads and Vehicles in Sri Lanka | |
| Viton | Will mixed logit change urban transport policies? | |
| Yagi et al. | Policy Analysis for New Commuter Rail and Road Pricing Alternatives Using an SP Survey in Abidjan | |
| Banabak | Housing Rents and Integrated Rental Market Neighbourhood Impacts-Evidence from the City of Vienna |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |