CN110070255A - 引入共享单车后通勤者出行方式选择建模与分析的方法 - Google Patents
引入共享单车后通勤者出行方式选择建模与分析的方法 Download PDFInfo
- Publication number
- CN110070255A CN110070255A CN201910145410.8A CN201910145410A CN110070255A CN 110070255 A CN110070255 A CN 110070255A CN 201910145410 A CN201910145410 A CN 201910145410A CN 110070255 A CN110070255 A CN 110070255A
- Authority
- CN
- China
- Prior art keywords
- selection
- travel
- trip
- commuter
- model
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 11
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 8
- 238000011161 development Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 abstract 1
- 239000000203 mixture Substances 0.000 abstract 1
- 230000007613 environmental effect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000207447 Estrella Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种引入共享单车后通勤者出行方式选择建模与分析的方法，属于城市交通出行分析领域，包括以下步骤：1、基于混合logit原理构建模型；2、居民出行调查数据预处理及影响因素变量选择；3、基于极大似然估计进行参数估计及模型评价；4、采用蒙特卡洛方法进行仿真，模拟不同出行目的下居民出行方式选择结果。本发明可用于分析通勤者出行方式选择，可为城市交通及共享单车发展政策制定提供参考。
Description
技术领域
本发明涉及引入共享单车后通勤者出行方式选择建模与分析的方法，属于城市交通出行分析技术领域。
背景技术
共享单车作为“互联网+”模式下的一种新兴产物，具有出行方便、绿色环保、衔接公共交通及解决最后一公里出行的优势，数据表明，共享单车出现后，2016年-2017年居民自行车出行比例由5.5％提升到11.6％，小汽车出行占比由29.8％降到了26.6％。同时小汽车的出行次数减少了55％。提高了城市居民的出行效率，节省了城市空间，推动了骑行基础设施的完善，改变了居民出行方式结构，增加了共享单车与公共交通混合使用的概率，由此可见共享单车已经成为当下居民出行的主要选择方式之一。
出行方式选择对于分析和管理大城市的城市交通至关重要，由于通勤是城市交通需求的重要组成部分，为了减少CO2的排放，政府出台了一系列如车牌限制上路和道路收费等增加公共交通使用的政策；可以通过研究通勤者出行方式选择影响而针对性地提出缓解道路交通和减少碳排放政策，因此聚焦于通勤出行方式选择研究，并在传统出行方式中增加共享单车出行。
以往出行方式选择模型主要是巢式logit模型和多项logit模型，而此类标准logit模型具有IIA性质，无法刻画因素之间的关联性。
发明内容
为了解决上述出行方式选择建模局限等技术问题，本发明公开了一种引入共享单车后通勤者出行方式选择建模与分析的方法，提出了混合logit模型结构，对通勤者出行方式选择建模与分析。本发明从混合logit模型切入，不仅克服了现有选择建模方法的不足，而且充分考虑建成环境等多种影响通勤者出行行为选择的因素，为交通出行分析提供了方法，对揭示居民出行的时空分布规律具有重要意义可用于分析通勤者出行方式选择，可为城市交通及共享单车发展政策制定提供参考，其具体技术方案如下：
引入共享单车后通勤者出行方式选择建模与分析的方法，包括以下操作步骤：
步骤1、基于混和logit原理构建模型：
以居民出行调查数据的通勤者出行行为为研究对象，定义模型的选择项集合；
步骤2、数据预处理及影响因素变量的选取：
针对居民出行调查数据，需要在每个通勤者的家庭信息、个人信息、出行信息及出行意愿属性中选出影响因素变量，并进行统计及参数随机项分析选择；
步骤3、基于极大似然估计法进行参数估计与模型评价：
基于步骤1中建立的模型结构文件、系统参数文件，基于步骤2中提取的影响因素变量构建的数据样本文件，采用SAS软件，基于极大似然估计法进行参数估计，得到如下参数估计值：βj表示效用函数Xij影响单个被调查者选择出行方式j的系数，根据不同因素对应βj的数值大小及正负，即可确定每种因素对通勤者出行方式选择的影响程度；拟合优度R是为了对模型进行优劣性评价；
步骤4、采用蒙特卡洛方法进行仿真：
首先根据步骤3中的参数估计值结果，利用步骤1中混合logit模型的选择概率公式，计算每个通勤者在不同情况下的出行方式选择概率；然后借助蒙特卡洛方法模拟各因素不同情况下每个出行方式的选择概率；最后对出行方式选择的预测结果进行分析，通过与原有的出行行为比较，获得不同情况下出行方式选择结果的改变情况，为城市交通及共享单车发展政策制定提供参考。
进一步的，所述步骤1的具体过程：根据随机效用最大化理论，对个人i而言，选择不同出行方式j的效用函数为Uij，是由固定效用、随机效用和误差部分组成，随机项εij描述研究者无法观测到的因素对选择出行方式效用的影响，误差项ξij表示选项之间存在的相关性，是为了解决一般logit模型的IIA假设问题，
Uij＝βj·Xij+εij+ξij (1)
其中，Xij表示影响通勤者在进行出行行为选择的因素的矢量形式，βj表示变量Xij影响单个被调查者选择出行方式j的可估计参数的矢量形式；εij表示在居民出行方式选择中不可观测的影响因素的随机组成部分。
进一步的，所述步骤1中，不同条件下通勤者选择各出行方式的概率计算方法如下：
其中，表示β和的概率密度函数；β和分别表示描述这个密度函数的均值和方差的参数矢量形式。
进一步的，所述步骤3中，采用极大似然估计法对各参数进行估计的计算方法如下：
本发明的有益效果是：
1、本发明的优点即在基于混合logit原理构建通勤者出行方式选择模型，对相关的影响因素进行分析；
2、本发明通过对数据进行完整的调查得到建成环境信息、和原有的家庭信息、个人信息、出行信息相结合，并且增加了出行意愿以获得更加全面的通勤者出行选择的影响因素；
3、基于蒙特卡洛方法进行仿真，模拟不同条件下通勤者出行选择结果，为城市交通及共享单车发展政策制定提供参考。
附图说明
图1为本发明的方法流程示意图，
图2为本发明蒙特卡洛方法流程示意图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
图1为本发明的方法流程示意图，结合附图可见，本引入共享单车后通勤者出行方式选择建模与分析的方法，
包括如下步骤：
步骤1、基于混合logit原理构建模型
1)、模型构建：本发明以南京市某工作日进行通勤出行行为的居民为研究对象，首先定义模型的选择项集合。
2)、效用函数：根据随机效用最大化理论，对个人i而言，选择不同出行方式j的效用函数为Uij，是由固定效用、随机效用和误差部分组成，随机项εij描述研究者无法观测到的因素对选择出行方式效用的影响，误差项ξij表示选项之间存在的相关性，是为了解决一般logit模型的IIA假设问题。
Uij＝βj·Xij+εij+ξij (1)
其中，Xij表示影响通勤者在进行出行行为选择的因素的矢量形式，βj表示变量Xij影响单个被调查者选择出行方式j的可估计参数的矢量形式；εij表示在居民出行方式选择中不可观测的影响因素的随机组成部分。
3)、选择概率：不同条件下通勤者选择各出行方式的概率计算方法如下：
其中，表示β和的概率密度函数；β和分别表示描述这个密度函数的均值和方差的参数矢量形式。
4)、极大似然法进行参数估计：采用极大似然估计法对各参数进行估计的计算方法如下：
步骤2、数据预处理及影响因素变量的选取
该步骤需要使用及处理数据，以提取影响通勤者在进行出行方式选择的因素，具体步骤如下：
首先从所有数据中整理出行家庭属性、个体属性、出行信息和建成环境因素相关数据，并根据实际情况确定采用(0,1)变量或者连续型变量；最后对每个变量进行解释说明，并根据所搭建的模型，统计出每种变量下，各选择肢所占比例。
步骤3、基于极大似然估计法进行参数估计与模型评价
1)、参数估计：基于步骤1中建立的模型结构文件、系统参数文件，基于步骤2中提取的影响因素变量构建的数据样本文件，采用SAS软件，基于极大似然估计法进行参数估计。估计结果包括效用函数Xij的系数βj的数值，拟合优度R等。
2)、结果分析与模型评价：通过参数估计，可以得到如下估计值。其中参数βj表示变量Xij影响单个被调查者选择出行方式j的系数，根据不同因素对应βj的数值大小及正负，即可确定每种因素对通勤者出行方式选择的影响程度；拟合优度R是为了对模型进行优劣性评价。
步骤4、采用蒙特卡洛方法进行仿真
首先，根据步骤3中的参数估计结果，利用步骤1中的混合logit模型的出行方式选择概率公式，计算每个通勤者出行选择概率；然后借助蒙特卡洛方法模拟不同情境下的出行选择概率；最后对出行方式选择的预测结果进行分析，与原有的出行行为比较，得到选择结果改变情况，为城市交通及共享单车发展政策制定提供参考。
实施例
一种引入共享单车后通勤者出行方式选择建模与分析的方法，具体如下：
1)、基于2017年南京市工作日通勤者出行调查数据，共计493个样本。根据通勤者出行方式，可知出行方式集合包括私家车、公共交通(公交、地铁、出租车)、步行、自行车和共享单车这5种选择。
2)、在2017年南京市居民出行调查中，家庭属性、个体属性、出行属性和出行意愿中，选择是否拥有私家车、是否拥有自行车、年龄、性别、收入、职业、出行费用、出行距离、出行时间及出行偏好等作为影响因素变量。变量的选取与说明如表1所示。
表1变量选取与描述
3)、本发明实施例中采用SAS软件，基于混合logit模型编制描述模型结构文件、系统参数文件，将所选取的影响因素变量与493个样本进行匹配，得到数据样本文件，基于极大似然估计法，使用SAS软件的MDC模块进行参数估计，参数估计结果如表2所示。
各影响因素的参数估计结果中不显著变量已经从表2中剔除，表2表明，这些特征对通勤者出行方式选择具有重要影响。通勤者出行方式选择中，对选择私家车有显著影响的因素为性别、职业(企事业者、教师/医生)、是否拥有私家车、出行费用、出行距离、出行时间及出行偏好(舒适)。对选择公共交通有显著影响的因素为年龄、职业、出行费用、出行距离、出行时间及出行偏好(经济/环保/安全)。对选择自行车有显著影响的因素有年龄、性别、收入、出行距离、出行时间及出行偏好(安全)。对选择共享单车具有显著影响的因素有年龄、性别、出行距离、出行时间及出行偏好(安全)。
收入越高的居民通勤出行越倾向于选择私家车，越不在乎出行费用的通勤者一般家里都有私家车，出行都倾向于选择私家车。随着出行距离和出行时间的增加，通勤者更倾向选择私家车出行，因为私家车在长距离出行中的舒适度是最好的，且不易受到天气等外界环境影响。年龄越大、收入越高且家庭拥有私家车的居民更愿意选择私家车出行。
年龄越大、收入越高，且拥有私家车的男性更愿意选择私家车进行通勤出行，因为对此类通勤者来说选择私家车出行具有高可达性、方便快捷等优势。出行时间长、出行费用少的企事业者更愿意选择公共交通出行，因为此类通勤者上下班时间基本固定，选择公共交通(特别是轨道交通)出行的在途时间具有稳定性，且不易受气候等因素影响。收入越高、出行时间越长、出行距离越远的通勤者更加避免选择自行车出行，因为自行车出行的可容忍距离为10km以内，且在高峰时段自行车出行较危险，易受天气等自然环境影响。对于通勤者来说，没有私家车、低收入的男性更愿意选择共享单车进行中短距离出行，因为共享单车出行具有出行成本低、出行时间短等优点。特别是对学生来说，更多的是选择共享单车或“共享单车+公共交通”这几种方式进行通勤出行。
4)、将基于上述数据所构成的混合logit模型，在SAS软件中进行拟合优度的检验，得到结果如表3所示。可知，其中对数似然值为-535.04，说明算法收敛；Aldrich-Nelson值为0.5646，Estrella值为0.8，McFadden LRI值为0.451，这几个值都是越接近于1表示拟合效果越好，因此表明此次模型拟合效果良好。
表3其他相关参数
以上详细描述了本发明的优选实施案例，但本发明不局限于上述案例的具体细节，在本发明整体结构范围内，可以对本发明的部分步骤进行多种变化并重新组合，本发明对各种可能组合方式不再列举，这些变换组合均属于本发明的保护范围。
Claims (4)
1.引入共享单车后通勤者出行方式选择建模与分析的方法，其特征在于包括以下操作步骤：
步骤1、基于混和logit原理构建模型：
以居民出行调查数据的通勤者出行行为为研究对象，定义模型的选择项集合；
步骤2、数据预处理及影响因素变量的选取：
针对居民出行调查数据，需要在每个通勤者的家庭信息、个人信息、出行信息及出行意愿属性中选出影响因素变量，并进行统计及参数随机项分析选择；
步骤3、基于极大似然估计法进行参数估计与模型评价：
基于步骤1中建立的模型结构文件、系统参数文件，基于步骤2中提取的影响因素变量构建的数据样本文件，采用SAS软件，基于极大似然估计法进行参数估计，得到如下参数估计值：βj表示效用函数Xij影响单个被调查者选择出行方式j的系数，根据不同因素对应βj的数值大小及正负，即可确定每种因素对通勤者出行方式选择的影响程度；拟合优度R是为了对模型进行优劣性评价；
步骤4、采用蒙特卡洛方法进行仿真：
首先根据步骤3中的参数估计值结果，利用步骤1中混合logit模型的选择概率公式，计算每个通勤者在不同情况下的出行方式选择概率；然后借助蒙特卡洛方法模拟各因素不同情况下每个出行方式的选择概率；最后对出行方式选择的预测结果进行分析，通过与原有的出行行为比较，获得不同情况下出行方式选择结果的改变情况，为城市交通及共享单车发展政策制定提供参考。
2.根据权利要求1所述的引入共享单车后通勤者出行方式选择建模与分析的方法，其特征在于所述步骤1的具体过程：根据随机效用最大化理论，对个人i而言，选择不同出行方式j的效用函数为Uij，是由固定效用、随机效用和误差部分组成，随机项εij描述研究者无法观测到的因素对选择出行方式效用的影响，误差项ξij表示选项之间存在的相关性，是为了解决一般logit模型的IIA假设问题，
Uij＝βj·Xij+εij+ξij (1)
其中，Xij表示影响通勤者在进行出行行为选择的因素的矢量形式，βj表示变量Xij影响单个被调查者选择出行方式j的可估计参数的矢量形式；εij表示在居民出行方式选择中不可观测的影响因素的随机组成部分。
3.根据权利要求2所述的引入共享单车后通勤者出行方式选择建模与分析的方法，其特征在于所述步骤1中，不同条件下通勤者选择各出行方式的概率计算方法如下：
其中，表示β和的概率密度函数；β和分别表示描述这个密度函数的均值和方差的参数矢量形式。
4.根据权利要求1所述的引入共享单车后通勤者出行方式选择建模与分析的方法，其特征在于所述步骤3中，采用极大似然估计法对各参数进行估计的计算方法如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910145410.8A CN110070255A (zh) | 2019-02-27 | 2019-02-27 | 引入共享单车后通勤者出行方式选择建模与分析的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910145410.8A CN110070255A (zh) | 2019-02-27 | 2019-02-27 | 引入共享单车后通勤者出行方式选择建模与分析的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110070255A true CN110070255A (zh) | 2019-07-30 |
Family
ID=67365988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910145410.8A Withdrawn CN110070255A (zh) | 2019-02-27 | 2019-02-27 | 引入共享单车后通勤者出行方式选择建模与分析的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110070255A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110837973A (zh) * | 2019-11-13 | 2020-02-25 | 北京师范大学 | 一种基于交通出行数据的人类出行选择信息挖掘方法 |
| CN112700283A (zh) * | 2021-01-06 | 2021-04-23 | 东南大学 | 一种基于潜变量的提高共享汽车使用率的方法 |
| CN113420926A (zh) * | 2021-06-29 | 2021-09-21 | 北京交通大学 | 一种城市枢纽间多交通方式运力协同优化方案编制方法 |
| CN116542402A (zh) * | 2023-07-06 | 2023-08-04 | 北京大学 | 居民出行方式预测方法 |
-
2019
- 2019-02-27 CN CN201910145410.8A patent/CN110070255A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110837973A (zh) * | 2019-11-13 | 2020-02-25 | 北京师范大学 | 一种基于交通出行数据的人类出行选择信息挖掘方法 |
| CN110837973B (zh) * | 2019-11-13 | 2022-04-29 | 北京师范大学 | 一种基于交通出行数据的人类出行选择信息挖掘方法 |
| CN112700283A (zh) * | 2021-01-06 | 2021-04-23 | 东南大学 | 一种基于潜变量的提高共享汽车使用率的方法 |
| CN113420926A (zh) * | 2021-06-29 | 2021-09-21 | 北京交通大学 | 一种城市枢纽间多交通方式运力协同优化方案编制方法 |
| CN116542402A (zh) * | 2023-07-06 | 2023-08-04 | 北京大学 | 居民出行方式预测方法 |
| CN116542402B (zh) * | 2023-07-06 | 2023-10-03 | 北京大学 | 居民出行方式预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110070255A (zh) | 引入共享单车后通勤者出行方式选择建模与分析的方法 | |
| Liu et al. | Modelling the multilevel structure and mixed effects of the factors influencing the energy consumption of electric vehicles | |
| Wang et al. | Carbon emission from urban passenger transportation in Beijing | |
| Dugundji et al. | Sociodynamic discrete choice on networks in space: impacts of agent heterogeneity on emergent outcomes | |
| CN105023437B (zh) | 一种公交od矩阵的构建方法及系统 | |
| Liu et al. | Multi-scale urban passenger transportation CO2 emission calculation platform for smart mobility management | |
| CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| Li et al. | Improving service quality with the fuzzy TOPSIS method: a case study of the Beijing rail transit system | |
| Ma et al. | Nested logit joint model of travel mode and travel time choice for urban commuting Trips in Xi'an, China | |
| Shen et al. | Identification of accident blackspots on rural roads using grid clustering and principal component clustering | |
| Zhang et al. | How road network transformation may be associated with reduced carbon emissions: An exploratory analysis of 19 major Chinese cities | |
| CN113642757A (zh) | 一种基于人工智能的物联网充电桩建设规划的方法及系统 | |
| Jia et al. | Investigating heterogeneous preferences for plug-in electric vehicles: Policy implications from different choice models | |
| Ferrara et al. | Multimodal choice model for e-mobility scenarios | |
| Tao et al. | Research on travel behavior with car sharing under smart city conditions | |
| CN117829370B (zh) | 一种交通事故严重程度预测方法、系统及计算机设备 | |
| Lefeng et al. | External benefits calculation of sharing electric vehicles in case of Chongqing China | |
| Xu et al. | An eco-score system incorporating driving behavior, vehicle characteristics, and traffic conditions | |
| Li et al. | Spatiotemporal influence of built environment on intercity commuting trips considering nonlinear effects | |
| Zhao et al. | Understanding the spatio-temporally heterogeneous effects of built environment on urban travel emissions | |
| Bera et al. | Commuters' Willingness-to-Pay for the Attributes of Plug-in Hybrid Electric Vehicle: A Case Study in Kolkata, India | |
| Wei et al. | Data-driven energy and population estimation for real-time city-wide energy footprinting | |
| D’Apuzzo et al. | A Preliminary Effort to Develop a Framework of Distance Decay Functions for New Urban Active Mobility | |
| Yazdani et al. | Students’ trip mode choice in favourable and unfavourable weather conditions | |
| Yu et al. | Estimating left behind patterns in congested metro systems: a Bayesian model |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190730 |