第7章_交通方式划分分析.ppt

* 优点：简单 缺点： 不包含交通服务水平因素，因而无法分析这些因素改善后对出行方式选择的影响。 3 出行相互转换模型(Trip Interchange Model) 在出行分布阶段进行方式划分。 方式划分率计算方法： 划分率曲线法（转移曲线法） 函数模型法?? 线性模型 Logit模型 ?? Probit模型： (1)划分率曲线 非汽车保有 汽车保有 100 50 时间比 0.5 1.0 1.5 2.0 公共汽车与小轿车的划分率曲线 图1 上班目的的公共汽车划分率曲线 (2)划分率模型 a. Logit模型(二元) 其中, ｃ:汽车(car)；ｂ:公共汽车(bus) b.多项Logit模型 4 径路模型 日本广岛公交与小客车的划分率 日本广岛轨道与公共电汽车的划分率 美国加利福尼亚高速公路划分率曲线 （与其它并行公路相比） 距离比 美国底特律高速公路划分率曲线 （与其它并行公路相比） 比较两种模型 1.出行端点方式选择模型 在研究总量后即探讨分担率的方法（即在出行生成预测后即进行方式划分） 优点：能够考虑个体的特征，比如收入、汽车拥有量等。 缺点：难于考虑交通方式服务水平。 2.出行互换方式选择模型 在出行分布后进行方式划分（目前较多采用的方法） 优点：便于考虑出行特征和可用出行方式的特征。 缺点：难以考虑出行者的特征，因为它们已被集计到出行矩阵中。 第四节 非集计交通方式划分模型 一、集计分析与非集计分析的区别 与集计分析相比，非集计分析在分析的单位、模型预测方法、应用层面、政策体现、数据的效率和说明变量等方面不同。 集计分析——四阶段法 以交通小区为单位将出行者的交通行动进行集体统计分析，按照出行的发生与吸引、出行的分布、交通方式划分和交通流分配的四阶段，进行模型化预测的。可以说是首先预测总出行数，然后将其按交通小区之间、交通方式之间、径路之间利用某种经验规则计算的方式。因为是将数据按照交通小区统计之后建立预测模型而称之为集计分析。 非集计分析 非集计分析交通需求预测，表现出行者个人（或家庭）是否出行、出行目的地、采用何种交通方式、选择哪条径路等的形式，从选择可能的被选方案集合中如何选取的问题，将得到的个人行动结果加载到交通小区、交通方式、径路上而进行交通需求预测。 在非集计分析时，采用先使用调查的个人行动数据建模，预测时，再统计个人行动结果。 二、非集计分析的背景 非集计分析被用于交通需求预测并获得较快发展的背景之一，是交通规划问题多样化、新交通政策不断出台，需要寻求与此适应的评价分析方法。 经典的四阶段法是为了评价长期交通设施的建设或改建而开发的方法，将此方法应用于短期交通管理规划的评价将产生模型中的变量数限制和预测作业规模大等问题。 此外，对于四阶段法预测的基础理论不明确，需要根据交通小区的土地利用性质开发不同的预测模型等问题也是促使新分析方法开发的主要原因之一。为了更加科学地分析预测，需要反映“出行者基于什么行为出行、出行思维的决定过程如何”的行为模型。 三、Probit模型 非集计模型，根据以下所示的备选方案的随机效益函数 U(k)决定选择行为。 式中 V(k) —方案 k 的固定效益； e(k) —随机项。 固定效益可由行驶时间、费用等的方案特性，以及年龄、职业等的个人属性表示。假设 e(k) 服从某种概率分布。由于随机效益是个人在选择时所具有的感觉上的评价值，从而有时也称为知觉效益。 当随机效益 U(k) 比其他任何方案大时，方案 k 被选择，因此，方案 k 的选择概率 p(k) 可由下式表示。 式中 K--方案集。 式中， F(x) –概率分布函数； f k （x） --概率变量 x=e(k) 的概率密度函数。 四、 Logit 模型 Logit 模型式中效益函数的随机项 e(k) 相互独立，且服从同一的干贝尔 (Gambel) 分布。用概率变量 x 表示 e(k) ， θ 作为参数，随机项的分布函数可表示如下 : 五、 Logit 模型的常见问题1、 IIA 特性 采用 Logit 模型时，两个方案间的选择概率关系可表示如下。 两种方案间的相对优劣仅取决于这两种方案的特性， 而与其它方案的特性无关。把该性质称为 Logit 模型 的 IIA 特性 (Independence of Irrelevant Alternative 简称 IIA) ，属于 Logit 模型的弱点之一。 用交通方式选择的例子来说，意味着无论其它交通方式 ( 如轨道交通方式 ) 存在与否，选择小客