信息化條件下基于混合logit模型的出發(fā)時間選擇行為研究

孫正安李春燕. 深圳市城市交通規(guī)劃設(shè)計研究中心 深圳 58000 . 深圳市綜合交通運行指揮中心 深圳 58000

信息化條件下基于混合logit模型的出發(fā)時間選擇行為研究

孫正安1李春燕2
1. 深圳市城市交通規(guī)劃設(shè)計研究中心 深圳 518000 2. 深圳市綜合交通運行指揮中心 深圳 518000

為研究在提供信息條件下駕駛?cè)说某霭l(fā)時間選擇行為，認為影響駕駛?cè)顺霭l(fā)時間選擇行為的兩個重要因素，即早到延誤和晚到延誤持續(xù)時間的長短對出發(fā)時間選擇造成的影響是不同的，并提出早到延誤與晚到延誤服從正態(tài)分布的假設(shè)，采用混合logit模型進行驗證，結(jié)果表明駕駛?cè)藢υ绲窖诱`的敏感度較低，而對晚到延誤的多少更為敏感。最后通過對比混合logit模型與多項logit模型，發(fā)現(xiàn)混合logit模型優(yōu)度顯著，更適合于出發(fā)時間選擇行為的研究。

出發(fā)時間選擇行為；實時信息；早到延誤；晚到延誤；正態(tài)分布；混合logit模型

一、引言

在研究城市常規(guī)性交通擁堵問題時，出發(fā)時間的選擇是不可避免的因素，然而已有的傳統(tǒng)模型如四階段法等較少考慮出行時間這一因素，因此，對于出發(fā)時間選擇行為的研究十分必要。

目前國外對信息化條件下出發(fā)時間的研究主要基于廣義費用理念，主要為離散模型。Small、Mcfadden、Mccafferty、Chin等采用多項logit模型對駕駛?cè)说某霭l(fā)時間選擇模型進行了研究。Mannering等將出發(fā)時間假定為服從泊松分布，研究駕駛?cè)嗽谝粋€月內(nèi)改變出發(fā)時間或出行路徑的頻率。Mannering等采用離散模型和連續(xù)模型相結(jié)合的方法對駕駛?cè)藶楸苊庠绺叻鍟r段而愿意推遲出發(fā)時間的決定進行描述。Palma等采用經(jīng)濟學(xué)原理對通勤者采用公共交通出行的出發(fā)時間分布進行了分析。國內(nèi)林勇等通過預(yù)測不同時間段內(nèi)的OD分配影響系數(shù)，對駕駛?cè)顺霭l(fā)時間分布特點及不同出發(fā)時間段內(nèi)的交通流量和系統(tǒng)狀態(tài)進行總結(jié)分析。沈未等采用動態(tài)交通分配方法，探討在單一路徑條件下的出發(fā)時間選擇行為分析。張弘弢等建立了順序出發(fā)選擇模型，提高了預(yù)測精度。

在已有的文獻中，對出發(fā)時間選擇行為的研究思路主要是基于廣義費用理念，廣義費用理念認為在出行時間所花費的費用和早到或遲到延誤兩者之間存在一個平衡點，一方面，駕駛?cè)瞬辉富ù罅康臅r間在路上，而由于在通勤高峰期時出行會延長出行時間，因此會有駕駛?cè)诉x擇提前或者延后出發(fā)以避免或盡量縮短高峰時段的出行時長；另一方面，由于提前或延后出發(fā)有可能會造成駕駛?cè)颂崆盎蜓雍蟮竭_單位，從而造成通勤規(guī)定時刻的損失。為盡量避免兩者之間的矛盾，總存在一個平衡點使得兩種損失達到最小。研究者采用多項logit模型時認為廣義費用對出行時間選擇行為的影響是固定不變的，但在實際過程中，早到或者晚到時間的程度大小對通勤者的影響是不同的，本文將考慮該因素不同程度的影響，并建立混合logit模型進行驗證。

二、模型建立

考慮早到或晚到單位的時間長短對駕駛?cè)顺霭l(fā)時間的選擇行為影響，采用混合logit模型如式（1）所示。

（1）上式中：

Uij--第i個個體對第j個選擇項表現(xiàn)出的效用大小；

ξ --誤差項，可體現(xiàn)各影響變量之間的相互關(guān)系，并不假設(shè)所有的變量均是服從獨立不相關(guān)分布，即解除了原離散模型的IID（independent and identical distribution）特質(zhì)。

Vij--第i個個體選擇第j個選擇項時表現(xiàn)出的系統(tǒng)效用，表達式如下。

上式中：

Xij--對第j個選擇項產(chǎn)生影響的第i個可見影響變量；

三、實例驗證

為驗證上述假設(shè)的有效性，以南京的兩個典型地點—雨花臺和鼓樓—分別作為被調(diào)查者通勤出行的起點和終點，對673個駕駛?cè)诉M行隨機調(diào)查，并被告知通常條件下他們的出發(fā)時間為7:30，以出發(fā)時間以提前或延后5分鐘為一間隔分為三個時間段7:25，7:30和7:35，向被調(diào)查者提供描述型實時信息“其行走路徑在7:30時發(fā)生擁堵”，由其作出出發(fā)時間的選擇，最后通過建立模型分析顯著影響駕駛?cè)烁淖兂霭l(fā)時間的因素。調(diào)查共收到642個有效樣本。

（一） 首次建模及驗證

調(diào)查因素共分三類，分別為駕駛?cè)藗€體屬性、日常出行模式和延誤因素，其中前兩者對駕駛?cè)说某霭l(fā)時間選擇行為影響是固定不變的，而延誤因素對出發(fā)時間選擇行為的影響服從正態(tài)分布，將上述影響變量帶入方程式（2），得到下式：

上式中：SE X為性別，AGE為年齡，DE GR E E為學(xué)歷，OCCUPATION為職業(yè)，DRIVAGE為駕齡，INCOME為收入，F(xiàn)AMIROUTE為被調(diào)查的通勤駕駛?cè)藢δ暇┑缆肪W(wǎng)的熟悉程度，DRIWORK為被調(diào)查的通勤駕駛?cè)俗罱恢軆?nèi)駕車去工作的次數(shù)，ADJUSTDT為被調(diào)查的通勤駕駛?cè)俗罱恢軆?nèi)改變出發(fā)時間的次數(shù)，SDE為早到延誤，SDL為晚到延誤。

采用式（3）作為出發(fā)時間選擇模型的系統(tǒng)效用方程，利用STATA軟件建立混合logit模型。以按照7:30出發(fā)為目標參照變量，采用逐步剔除不顯著變量的方法，選取顯著性在90%以上的變量，得到7:25和7:35出發(fā)的參數(shù)估計結(jié)果如表1所示。

表1 實時信息條件下混合logit模型初步建模的參數(shù)估計結(jié)果

從表1中可以發(fā)現(xiàn)，SDE檢測顯著水平低于90%，正態(tài)分布假設(shè)不明顯，說明如果駕駛?cè)颂崆暗竭_單位的時間較長和提前到達單位的時間較短這兩種狀況下對駕駛?cè)烁淖兂霭l(fā)時間的意愿影響相差不大，與SDE的影響相比，駕駛?cè)烁P(guān)注SDL的影響，當(dāng)駕駛?cè)送淼絾挝坏臅r間較長時，其在下次出行時改變出發(fā)時間的意愿會更大。

（二）再次建模及驗證

對SDE參數(shù)設(shè)為固定值，對SDL參數(shù)仍假設(shè)其服從正態(tài)分布，對駕駛?cè)说某霭l(fā)時間選擇行為進行第2次預(yù)測，并剔除不顯著變量，得到實時信息條件下的參數(shù)預(yù)測如下。

表2 描述型信息條件下混合logit模型再次建模的參數(shù)估計結(jié)果

將實時信息條件下晚到延誤SDL服從的正態(tài)分布分別繪制曲線如圖1所示。

圖1 實時信息條件下的SDL參數(shù)分布曲線

從表2中可以看出，與SDE的參數(shù)服從正態(tài)分布條件下的參數(shù)估計結(jié)果相比，當(dāng)假設(shè)SDE的參數(shù)為固定值時，SDL參數(shù)的正態(tài)分布更加明顯。從圖1中可以看出，實時信息條件下駕駛?cè)诉t到的持續(xù)時長對駕駛?cè)诉x擇提前5分鐘和延后5分鐘出發(fā)這一決定的影響服從明顯的正態(tài)分布，參數(shù)收斂于區(qū)間[0,1]。晚到持續(xù)的時長越長，駕駛?cè)嗽讲粌A向于選擇晚出發(fā)5分鐘。

四、混合logit模型優(yōu)度分析

傳統(tǒng)條件下駕駛?cè)顺霭l(fā)時間選擇行為的常用模型為多項logit模型，為比較上述混合logit模型的優(yōu)劣程度，采用多項logit模型對同一問題進行建模，結(jié)果如表3所示。

表3 實時信息條件下采用兩種模型預(yù)測的主要差異點比較

從上表中可以發(fā)現(xiàn)：

① 在實時信息條件下，采用混合logit模型進行預(yù)測的似然值均比采用多項logit模型進行預(yù)測時得到的似然值要大，說明在分析駕駛?cè)顺霭l(fā)時間選擇行為時，混合logit模型的優(yōu)度要明顯高于logit模型。

② 在實時信息條件下，采用多項logit模型得到的SDL2和SDL3兩個變量的參數(shù)估計值均低于0.1，對駕駛?cè)说某霭l(fā)時間選擇行為的解釋力弱，但在實際情況下駕駛?cè)送淼絾挝坏某掷m(xù)時長對其改變出發(fā)時間的行為是有影響的，采用混合logit模型進行預(yù)測得到的結(jié)果證明了以上結(jié)論，并且通過SDL的參數(shù)估計結(jié)果可以看出，越晚到達單位，通勤駕駛?cè)丝赡艿膿p失越大，越容易改變出發(fā)時間。

五、結(jié)論

以往的出發(fā)時間選擇行為研究多采用傳統(tǒng)的logit模型進行理論分析，且較少考慮不同的早到延誤和晚到延誤對選擇行為的影響程度。本論文提出駕駛?cè)嗽绲胶屯淼絾挝怀掷m(xù)時長對出發(fā)時間的選擇有非線性影響作用，并利用混合logit模型對該假設(shè)進行驗證。通過與多項logit模型的比較，發(fā)現(xiàn)混合logit模型優(yōu)度顯著。通過剔除不顯著變量進行了兩步分析，發(fā)現(xiàn)SDE這一變量并不明顯服從正態(tài)分布，由此也說明通勤駕駛?cè)藢ν淼絾挝坏臅r長更加敏感，且到達單位的時間越晚，越容易改變出發(fā)時間。

[1]Nicholas Holyoak. Departure time choice for the car-based commute. The 31stAustralasian transport research forum. Australia: ATR F, 2008. 429-442.

[2]Tseng Yin-Yen, Koster Paul, Peer Stefanie, et al. Discrete choice analysis for trip timing decisions of morning commuters--estimations from joint SP/R P-GPS data. International choice modeling 2011.

[3]Ida Kristoffersson. Incorporation of departure time choice in a mesoscopic transportation model for Stockholm[J/OL]. http:// kth.diva-portal.org/smash/get/diva2:218664/FULLT EX T 01, 2009.

[4]Small A Kenneth. The scheduling of consumer activities: work trips. The American economic review, 1982, 72(3): 467-479.

[5]Mcfadden Daniel, Talvitie P Antti. Demand model estimation and validation and associates urban travel demand forecasting project [J/OL], http://elsa.berkeley.edu/wp/utdfp/vol5/ front.pdf, 1977.

[6]Desmod McCafferty, Hall L Fred. The use of multinomial logit analysis to model the choice of time to travel. Economic geography, 1982, 36(3): 236-246.

[7]C hin, H T Anthony. Influences on commuter trip departure time decisions in Singapore. Transportation R esearch Part A, 1990, 24(5): 321-333.

[8]Mannering L Fred. Possion analysis of commuter flexibility in changing routes and departure times. Transportation R esearch Part B, 1989, 23(1): 53-60.

[9]L Fred Mannering, Hamed M Mohammed. Occurrence, frequency, and duration of commuters’ work-to-home departure delay. Transportation R esearch Part B, 1990, 24(2): 99-109.

[10]De A Palma, C Fontan, O. Mekkaoui. Trip timing for public transportation: An Empirical Application. http://ideas.repec. org/p/ema/worpap/2000-19.html. 2000.

[11]林勇,余志,何兆成.交通仿真系統(tǒng)中車輛出發(fā)時間分布模式研究[J].系統(tǒng)工程學(xué)報,2011, 26(6): 801-808.

[12]沈未,陸化普.單一路徑下基于固定到達時間的最優(yōu)出發(fā)時間分布研究[J].公路交通科技, 2004, 21(9): 86-90.

[13]張弘弢,閭國年,溫永寧.基于T R ANSIMS的順序出發(fā)時間與路徑選擇模型研究[J].南京師大學(xué)報(自然科學(xué)版), 2011, 34(3): 118-123.

[14]W Vickery. Congestion theory and transport investment. American economic review, 1969, 59(2): 251-260.

[15]K Train. Discrete choice methods with simulation. Cambridge: University Press, 2003. 138-149.