Processing math: 100%

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

居民出行时间选择及拥挤收费政策

李志瑶 隽志才 宗芳

李志瑶, 隽志才, 宗芳. 居民出行时间选择及拥挤收费政策[J]. 交通运输工程学报, 2005, 5(3): 105-110.
引用本文: 李志瑶, 隽志才, 宗芳. 居民出行时间选择及拥挤收费政策[J]. 交通运输工程学报, 2005, 5(3): 105-110.
Li Zhi-yao, Juan Zhi-cai, Zong Fang. Resident travel time choice and congestion pricing policy[J]. Journal of Traffic and Transportation Engineering, 2005, 5(3): 105-110.
Citation: Li Zhi-yao, Juan Zhi-cai, Zong Fang. Resident travel time choice and congestion pricing policy[J]. Journal of Traffic and Transportation Engineering, 2005, 5(3): 105-110.

居民出行时间选择及拥挤收费政策

基金项目: 

高等学校博士学科点基金项目 20030183008

详细信息
    作者简介:

    李志瑶(1963-), 女, 吉林长春人, 长春大学教授, 吉林大学博士研究生, 从事交通运输规划与管理研究

  • 中图分类号: U491.1

Resident travel time choice and congestion pricing policy

More Information
Article Text (Baidu Translation)
  • 摘要: 应用基于活动的出行需求预测方法, 分析了居民出行的时间分布规律与影响居民出行时间选择的因素, 分别建立了出发和到达时间选择模型, 用长春市居民出行调查数据对模型进行了标定和验证。用已建模型对比评价了两种拥挤收费政策, 证明了调整高峰时段小汽车出行费用策略不仅可以使居民的高峰时段出行减少大约18%, 而且可以抑制小汽车出行, 调整城市交通方式分配结构, 说明已建模型可以全面有效地进行交通需求管理政策的评价。

     

  • 近年来, 随着城市交通拥挤状况日益严重, 交通需求管理也越来越得到人们的重视。欧、美、日等国自20世纪80年代以后提出了许多出行需求管理策略, 主要包括鼓励公交、限制私人小汽车出行等对居民出行方式的引导, 以及实施时差出勤等对出行时间的管理。例如日本实行的抑制高峰时间出行和弹性工作制等交通拥挤对策; 新加坡的区域许可证制度, 规定在本国工作日的早晚高峰时间进入市中心的商务聚集地区实行征收道路使用费的制度; 美国的交通需求管理组织也号召各公司实行弹性工作制等时间管理制度[1]。从这些例子可以看出, 许多需求管理措施都试图在时间上分散交通需求, 缓解早晚高峰的交通压力。然而实践证明, TDM(Transportation demand management)政策的实施未必都能取得预期效果, 也有许多措施不被出行者接受, 或对居民出行产生误导。因此, 人们越来越重视在TDM措施实施之前通过出行需求预测来研究居民出行特征, 预测TDM措施的实施效果和对交通、环境等社会系统造成的影响, 以此评价措施的可行性, 并进行必要的改进。而中国目前虽然在一些大中城市, 如上海、杭州等地实行了智能公交管理等交通管理措施, 但对TDM实施效果的预测和评价还没有得到广泛重视, 主要以统计居民各项简单的出行数据(如小区间出行OD等)和应用“四阶段”模型进行简单的需求预测为主。本文通过比较分析高峰与非高峰时段拥挤道路收费的效果来说明应用出行需求预测模型进行TDM政策评价的主要方法, 为中国TDM政策的制定和评价开辟一条新路。

    出行需求预测是交通需求管理的前提, 它能够根据对现状数据的调查和分析, 预测未来居民的出行情况, 评价各种交通管理措施的可行性。目前出行需求预测中应用较多的是20世纪70年代开发的以用户效用最大化为理论基础的非集计预测模型。它能够用个人及家庭的数据进行参数估计, 准确描述人们的出行决策过程。20世纪90年代, 开发人员根据非集计的思想建立了基于活动的日活动预测模型系统, 主要用于预测出行者一天的活动安排、各次活动的出行时间和所采取的交通方式等出行信息。本文通过总结以往的研究成果, 把基于活动的模型归纳为1个3层的NL(Nested Logit Model)模型系统(图 1)。其中活动安排模型的具体结构见图 2, 它用4个子模型来预测出行者一天的主要活动安排: 一阶活动模型预测一天中的主要活动; 二阶活动模型预测除主要活动外其他的活动; 中间驻停模型预测从出行的起点到目的地之间的驻停; 而基于单位的子往返行程模型预测从单位出发到单位终止的一系列出行。两图中实线的箭头表示上层模型的预测结果对下层模型的影响, 而虚线箭头表示下层模型总的期望效用(用L表示)对上层模型的影响, 由此实现NL模型各层之间的联系。

    图  1  基于活动的出行需求预测模型结构
    Figure  1.  Structure of activity-based travel demand forecasting model
    图  2  活动安排模型
    Figure  2.  Activity pattern model

    从整体上看, 与传统的“四阶段”模型相比[2], 基于活动模型的预测更加细致, 更有利于规划人员从各方面分析出行者的出行特性; 同时模型考虑了个人及家庭社会经济属性对出行的影响, 而不是只考虑土地利用、小区人口等宏观的属性; 模型将一天中所有的出行连接起来, 考虑了各次活动之间的时空约束和相互影响, 从而使对活动的描述和预测更接近于实际。本文主要以系统中以往研究较少的时间选择模型为例, 说明此类非集计模型的建模、参数估计和预测过程, 同时也试图根据中国居民出行特点, 对以往国内外的研究做出一定的改进。

    时间选择模型的预测单元是每个人每一次出行(从一地点到另一地点的移动过程), 它能够预测出所有出行从起点出发的时间和到达出行目的地的时间, 从而掌握居民出行的时间规律, 为政府制定需求政策提供依据。

    对出行时间选择来说, 一次往返行程(从某地出发再回到该地的全过程)的吸引端通常都是比较规律的, 要比往返行程的生成端更加稳定。例如, 对于工作往返行程来说, 单位是它的吸引端, 有固定的上下班时间, 这就决定了人们上班时从家出发的时间和下班回家的时间都要受单位规定时间的影响。除工作之外, 还有一些出行目的如上学和某些会议等都有相对固定的到达和离开时间。因此, 更重视往返行程的吸引端, 也就是往返行程的目的, 而为了简化模型, 暂时不考虑一次出行的生成端是家还是其他地点。本文不按照国外学者的研究模式把时间模型分为基于家或单位等几种类型, 而是用一个模型预测所有出行的出发或到达时间。

    同时, 根据调查统计2003年长春市居民的日出行数据, 得到居民全方式出行时间分布情况(图 3)。从图中可以看出居民出行在全日时间分布上呈双峰状, 早晚高峰明显, 早高峰的7:00~9:30之间出行数最多, 晚高峰的16:00~19:00之间出行数较多。

    图  3  全方式出行时间分布
    Figure  3.  Time distribution of all travel modes

    据此, 把一天分成5个时间段, 并根据调查所得数据, 统计出发和到达时间的分布情况, 见表 1。用出发时间和到达时间选择两个模型分别预测出行者每一次出行的出发和到达所在的时间段, 这样可以为分别控制出行者的早晚高峰的出发和到达时间提供依据。

    表  1  出发与到达时间分布
    Table  1.  Statistic of start and end times
    时间段 出发次数 到达次数
    早晨(EA) 0:00~6:59 5609 (15.1%) 2971 (8.0%)
    早高峰(AM) 7:00~9:29 9249 (24.9%) 10945 (29.5%)
    中午时段(MD) 9:30~15:59 13120 (35.3%) 12212 (32.9%)
    晚高峰(PM) 16:00~18:59 8065 (21.7%) 9360 (25.2%)
    晚上(LA) 19:00~24:00 1108 (3.0%) 1665 (4.5%)
    总次数 37151 37153
    下载: 导出CSV 
    | 显示表格

    根据非集计模型的效用最大化理论, 本文假定出行者将选择对自己来说效用最大的时间段, 即出行时间的选择概率由各时间段的效用决定。而由于各选择肢相互独立, 以多项Logit(MNL)模型为基础建立了Logistic回归模型[3]。它的基本原理与MNL模型相同, 但以最后一个选项即LA时间段为基础, 采用概率比的形式建立模型, 公式如下

    ln(pip5)=Vi=Κk=1θkxik(1)

    式中: i为从1到4的整数; pi为出行者选择除LA以外的4个选项的概率; p5为选择LA的概率; Vi为与LA相比第i个时间段的效用[3], 它可以用最常用的线性形式来表示; θk为第k项因素的效用系数; xik为选择肢i的第k项因素的特征值。

    通过这个公式, 可以得到选择其他4个时间段与选择LA的概率比

    pip5=eVi(2)

    又因为所有选项的概率和为1, 即

    5i=1pi=1(3)

    由式(2)、(3), 就可求得选择所有时段出行的概率。

    采取这种对数比形式的模型不但能简化计算, 提高运算速度, 更重要的是Logistic以各选项之间的比较为基础建模, 这样对各选项的优缺点可以做到一目了然, 而用MNL模型进行各选择肢的比较要繁琐得多。

    通常情况下, 影响出行者出行时间选择的因素主要来自出行者个人和家庭属性等。而本文认为, 出行者的时间选择还要受到往返行程的目的、一阶、二阶活动类型和中途驻停等活动安排的制约。这是因为出行时间首先受往返行程的吸引端的时间规定的约束, 即受到往返行程目的的影响; 其次, 途中的驻停, 如下车购物等活动也对出行时间有很大的影响, 因此, 在模型中引入一系列的出行特性变量。然而为了简化模型, 本文忽略了交通流量对出行时间的影响。如果今后把交通分配模型加入到基于活动模型中时, 就可以考虑到交通流量的影响。最终确定的影响变量见表 2

    表  2  时间模型变量
    Table  2.  Variables of time choice models
    影响因素类别 影响因素 变量
    出行者特性 个人属性 性别 G
    年龄 < 20岁 AA
    20~40岁 AB
    40~60岁 AC
    > 60岁 AD
    家庭属性 家庭月总收入/元 0~500 IA
    501~1000 IB
    1001~2000 IC
    2001~3000 ID
    3001~5000 IE
    > 5000 IF
    家中儿童情况 有否6岁以下儿童 Ch
    家中车辆拥有情况 有无小汽车 C
    有无摩托车 M
    是否有2辆以上的自行车 B
    出行特性 一阶活动(工作、生活、娱乐、在家活动) P
    二阶活动(工作、生活、娱乐、没有二阶活动、二阶生活+娱乐) S
    中途驻停(去时驻停、回时驻停、去回时都有或没有驻停) I
    有否工作子往返 Su
    下载: 导出CSV 
    | 显示表格
    2.4.1   模型标定

    Logistic模型与MNL模型相同, 采用极大似然函数法进行参数估计, 本文应用统计软件SPSS进行模型标定[3]。所用数据为2003年长春市的居民日出行调查数据, 共包括5 101户家庭, 14 655个出行者的37 153次出行。另外, 由于时间选择要受到出行方式的制约, 因此按照NL模型的建模规则, 把下层方式选择模型的所有选项的总效用的自然对数, 即L作为上层时间选择模型的一个变量。由于篇幅有限, 这里就不介绍方式模型的标定结果及L的计算过程, 而直接给出出发和到达时间模型的标定结果, 见表 3

    表  3  时间选择模型参数估计结果
    Table  3.  Estimation results of time choice models
    变量 出发时间模型 到达时间模型
    EA AM MD PM EA AM MD PM
    V T V T V T V T V T V T V T V T
    Constant值 1.34 7.11 2.84 10.62 5.48 21.41 2.68 10.42 0.70 3.12 2.64 10.13 5.12 23.15 2.51 11.89
    L -0.010 -0.500 0.020 1.800 -0.003 -0.300 0.010 1.400 -0.140 -5.380 0.030 1.620 -0.010 -1.500 0.001 0.130
    G 0.21 3.13 0.18 2.78 0.33 5.19 0.13 1.97 0.41 6.06 0.13 2.25 0.32 5.83 0.17 3.17
    AA - - - - - - - - - - -0.96 -7.60 -0.34 -4.23 -0.35 -4.42
    AB -1.07 -12.64 0.12 1.42 -0.41 -6.06 -0.12 -1.74 -1.60 -19.06 -0.50 -4.37 -0.49 -7.73 -0.23 -3.66
    AC -0.71 -8.35 0.37 4.39 - - - - -0.84 -10.82 -0.20 -1.81 - - - -
    IB - - - - - - - - 0.20 2.35 - - - - - -
    IC - - - - - - - - 0.16 2.21 - - - - - -
    Ch 0.24 1.85 0.46 3.80 0.32 2.65 0.40 3.28 0.33 2.67 0.42 4.11 0.35 3.39 0.46 4.49
    C - - - - - - - - 2.56 5.13 -0.64 -1.51 - - - -
    M -0.19 -1.50 -0.21 -1.76 -0.16 -1.38 -0.23 -1.89 0.15 1.16 -0.14 -1.28 - - - -
    B - - - - - - - - 0.24 2.93 - - - - - -
    P 0.13 2.05 0.55 8.70 0.71 11.50 -0.49 -7.48 0.42 6.97 0.09 1.51 0.84 14.95 -0.47 -8.16
    S 0.18 6.59 0.10 3.65 -0.19 -7.12 0.10 3.81 0.04 1.42 0.07 3.00 -0.26 -11.77 0.03 1.14
    I - - -0.22 -5.29 -0.28 -7.05 -0.07 -1.59 - - -0.13 -3.71 -0.29 -8.79 -0.04 -1.12
    Su -0.09 -2.56 -0.83 -13.45 -1.48 -24.18 -0.20 -3.63 -0.06 -1.56 -0.32 -5.75 -1.44 -25.71 -0.13 -3.47
    下载: 导出CSV 
    | 显示表格
    2.4.2   结果分析

    表中V列为参数估计结果, T列为各参数的t检验值。根据统计学理论, 如果t的绝对值大于1.65, 而且参数的符号正确, 那么这个变量对选择肢产生影响的置信度是95%, 表示该变量对结果影响显著。然而t检验不符合要求, 并不能绝对地说明变量不重要。在许多文献中的MNL模型的标定实例中, 即使某些变量的t值不符合要求, 但是如果凭以往经验认为这个变量对结果会产生影响, 也可以凭借其他统计量的值保留这个变量[4]

    模型的参数估计值可以这样理解: 以出发时间模型中EA时段为例, 变量Ch的参数估计值为0.24, 表示当出行者家里有6岁以下儿童时, 选择在EA时段出发的可能性是选择LA时段的exp(0.24)=1.265倍。即对于家中有儿童的出行者来说, 可能由于要送小孩去托儿所等, 人们更易选择在EA时段出发。同理, 从到达时间模型中AM时段的参数估计结果(AAAC)可以看出, 随着年龄的增大, 选择在早高峰时段到达目的地可能性增大。原因是成年人上班比例增大, 通常在这一时段要遵守固定的上班时间。用这种方法, 可以对其他的变量进行分析。

    这里的敏感性分析是指当某一影响因素发生变化时, 出行时间概率比发生的变化, 用来判断某一变量对个人选择出发时间的影响程度。本文中主要分析出行者年龄发生变化时, p1/p5p2/p5两组比值的变化。

    假定某人即将进行一天的活动, 其个人、家庭特征及活动安排描述为: 男, 家中有6岁以下儿童, 有摩托车, 一天的活动安排暂定为早上骑摩托车去上班(上学), 中午休息时外出吃饭, 晚上下班(放学)回家, 并且在回家的途中去商店购物。从家到单位的路程为10 km, 由于城市内高峰出行车速受到影响, 取摩托车一般时速为25 km/h, 上车前步行时间和等车时间均为0, 则总的行程时间约为24 min。

    本模型需要根据下层的方式选择模型计算摩托车方式的总效用L的值, 然后代入时间模型。两模型的结构关系见图 1, 方式选择模型的具体结构和时间模型类似, 也是一个logit模型, 因为篇幅有限, 本文不再赘述它的模型建立及标定过程。本文以下给出摩托车方式模型中所要用到除表 2中变量之外的一组行程时间变量: TA(行程时间在20 min以内), TB(行程时间在20~40 min, x12)和TC(行程时间在40~60 min, x13)。从以上对此出行者的描述可得各模型中影响变量的值依次为: G为1, Ch为1, M为1, P为1, S为0, Su为1, I为2, TB为1, TC为0。

    通过对摩托车方式模型以及2个出发模型的简化, 可得出L以及p1/p5p2/p5

    L=ln(-0.376-1.08AA-0.447Ch+4.842Μ-1.192Ρ+0.289Ι+0.451ΤB+0.388ΤC)p1p5=exp(1.343-1.074AB-0.710AC+0.21G+0.235Ch-0.186Μ-0.005L+0.133Ρ+0.178S-0.087Su)p2p5=exp(2.835-0.119AB+0.373AC+0.181G+0.456Ch-0.21Μ+0.018L+0.548Ρ+0.095S-0.843Su-0.217Ι)

    简化后的模型只考虑年龄(AA, AB, AC)的变化对个人出行时间选择的影响。为了进行比较分析, 考虑此出行者的年龄分别为19、35、50岁, 即分别在3个不同年龄段时其出发时间的变化, 计算结果见表 4

    表  4  出发时间变化
    Table  4.  Changes of start times
    年龄 变量值(AA, AB, AC) L p1/p5 p2/p5
    19 (1, 0, 0) 1.02 5.15 12.81
    35 (0, 1, 0) 1.35 1.75 14.59
    50 (0, 0, 1) 1.35 2.51 18.17
    下载: 导出CSV 
    | 显示表格

    通过对表中数据的分析可以看出, 对所有年龄段的出行者来说, 选择在EA或AM上班(或上学)的可能性显然都比选择在LA上班(上学)高出很多, 而且在AM和EA中, 人们更易选择在早高峰时段出发。对于AM/LA模型来说, 随着年龄的增加, 选择在AM时段出发的可能性增大, 这主要是由于随着年龄的增大, 人们选择在晚上出行的可能性逐渐减小。而对于EA时段来说, 有许多学生有早自习或做值日, 可能在早晨7:00之前去上学, 所以比例较其他年龄段大。而年龄在40~60岁之间的出行者比年龄在20~40段的出行者选择早7:00之前出行的比例要大。当然, 对于其他指标也同样进行了敏感性分析, 在此就不再详述。以上分析结果表明, 所建模型能较好地模拟居民出行的时间分布特征, 可以应用于居民出行行为预测分析。

    本文对模型的应用主要侧重于预测居民针对政府的交通需求管理政策对出行时间做出的调整, 以此来判断政策的实施效果[5]。这里主要考虑两种针对小汽车的拥挤收费政策: 一个是规定驾驶小汽车出行费用增加10%, 另一个是规定高峰时段小汽车出行费用增加1倍。通过应用已建的时间选择模型对长春市居民出行时间的预测和原始数据的比较, 结果见表 5。当小汽车出行费用增加10%时, 无论对于全方式出行和小汽车方式来说, 居民选择在AM和PM高峰时段出行的概率都有所减小, 分别为0.041%和2.441%, 而非高峰时段概率增大。而当高峰时段小汽车出行费用增加1倍时, 居民更易选择在非高峰时段出行, 在早晚高峰时段的小汽车出行概率共减少了17.88%, 全方式所有出行减少0.224%。而且在政策二的影响下, 各时段出行概率的变化程度要高于政策一。而对于两种政策来说, 采取小汽车方式出行的居民对出行时间的调整程度都明显大于全方式出行的平均值。可见调整高峰时段小汽车出行费用不仅在很大程度上引导居民选择在非高峰时段出行, 而且可以鼓励居民采取其他出行方式, 如公共汽车、轻轨等出行, 从而从时间分布和空间利用两方面解决交通拥挤问题[6-7]

    表  5  需求管理政策下的出发时间
    Table  5.  Travel times under management policies
    出行方式 时间段 出发时间变化/%
    小汽车出行费用增加10% 高峰时段小汽车出行费用增加100%
    全方式 EA/LA 0.002 0.013
    AM/LA -0.026 -0.133
    MD/LA 0.004 0.024
    PM/LA -0.015 -0.091
    小汽车 EA/LA 0.112 1.000
    AM/LA -1.563 -10.616
    MD/LA 0.267 1.897
    PM/LA -0.878 -7.265
    下载: 导出CSV 
    | 显示表格

    本文首先阐述了基于活动的出行需求预测模型的基本结构, 通过对调查数据的分析和对以往模型的总结, 建立了出行时间选择模型, 并对模型进行了标定与敏感性分析, 利用已建模型简单分析了长春市实行拥挤收费对策的可行性, 通过计算做出了方案优选, 根据长春市目前的交通状况, 将高峰时段小汽车出行费用增加一倍作为优选方案。以时间模型为例, 阐述了基于活动出行需求预测模型的总的建模和预测过程, 尝试从一个崭新的角度去研究居民的出行行为, 为合理诱导居民出行提供相关的决策依据。

    应指出的是, 目前的模型还存在一些缺点。首先, 为了简化模型, 只把一天时间分为5个时间段; 其次, 模型没有考虑路网状况对出行时间的影响; 最后, 模型中没有体现出行距离对出发和到达时间的影响。今后的模型可以经过进一步数据处理和模拟, 考虑把时间划分得更细; 加入由交通分配模型得到的表示路网状况的变量(如拥挤程度、出行时间等), 加入出行距离变量, 使模型的参数估计和预测更加精确; 同时可以考虑将基于活动的出行需求预测模型与“四阶段”模型相结合[2], 引入后者的交通分配模型和它的集计思想, 简化数据处理和预测过程, 使基于活动的模型更适合用于大规模的实际预测和规划。

  • 图  1  基于活动的出行需求预测模型结构

    Figure  1.  Structure of activity-based travel demand forecasting model

    图  2  活动安排模型

    Figure  2.  Activity pattern model

    图  3  全方式出行时间分布

    Figure  3.  Time distribution of all travel modes

    表  1  出发与到达时间分布

    Table  1.   Statistic of start and end times

    时间段 出发次数 到达次数
    早晨(EA) 0:00~6:59 5609 (15.1%) 2971 (8.0%)
    早高峰(AM) 7:00~9:29 9249 (24.9%) 10945 (29.5%)
    中午时段(MD) 9:30~15:59 13120 (35.3%) 12212 (32.9%)
    晚高峰(PM) 16:00~18:59 8065 (21.7%) 9360 (25.2%)
    晚上(LA) 19:00~24:00 1108 (3.0%) 1665 (4.5%)
    总次数 37151 37153
    下载: 导出CSV

    表  2  时间模型变量

    Table  2.   Variables of time choice models

    影响因素类别 影响因素 变量
    出行者特性 个人属性 性别 G
    年龄 < 20岁 AA
    20~40岁 AB
    40~60岁 AC
    > 60岁 AD
    家庭属性 家庭月总收入/元 0~500 IA
    501~1000 IB
    1001~2000 IC
    2001~3000 ID
    3001~5000 IE
    > 5000 IF
    家中儿童情况 有否6岁以下儿童 Ch
    家中车辆拥有情况 有无小汽车 C
    有无摩托车 M
    是否有2辆以上的自行车 B
    出行特性 一阶活动(工作、生活、娱乐、在家活动) P
    二阶活动(工作、生活、娱乐、没有二阶活动、二阶生活+娱乐) S
    中途驻停(去时驻停、回时驻停、去回时都有或没有驻停) I
    有否工作子往返 Su
    下载: 导出CSV

    表  3  时间选择模型参数估计结果

    Table  3.   Estimation results of time choice models

    变量 出发时间模型 到达时间模型
    EA AM MD PM EA AM MD PM
    V T V T V T V T V T V T V T V T
    Constant值 1.34 7.11 2.84 10.62 5.48 21.41 2.68 10.42 0.70 3.12 2.64 10.13 5.12 23.15 2.51 11.89
    L -0.010 -0.500 0.020 1.800 -0.003 -0.300 0.010 1.400 -0.140 -5.380 0.030 1.620 -0.010 -1.500 0.001 0.130
    G 0.21 3.13 0.18 2.78 0.33 5.19 0.13 1.97 0.41 6.06 0.13 2.25 0.32 5.83 0.17 3.17
    AA - - - - - - - - - - -0.96 -7.60 -0.34 -4.23 -0.35 -4.42
    AB -1.07 -12.64 0.12 1.42 -0.41 -6.06 -0.12 -1.74 -1.60 -19.06 -0.50 -4.37 -0.49 -7.73 -0.23 -3.66
    AC -0.71 -8.35 0.37 4.39 - - - - -0.84 -10.82 -0.20 -1.81 - - - -
    IB - - - - - - - - 0.20 2.35 - - - - - -
    IC - - - - - - - - 0.16 2.21 - - - - - -
    Ch 0.24 1.85 0.46 3.80 0.32 2.65 0.40 3.28 0.33 2.67 0.42 4.11 0.35 3.39 0.46 4.49
    C - - - - - - - - 2.56 5.13 -0.64 -1.51 - - - -
    M -0.19 -1.50 -0.21 -1.76 -0.16 -1.38 -0.23 -1.89 0.15 1.16 -0.14 -1.28 - - - -
    B - - - - - - - - 0.24 2.93 - - - - - -
    P 0.13 2.05 0.55 8.70 0.71 11.50 -0.49 -7.48 0.42 6.97 0.09 1.51 0.84 14.95 -0.47 -8.16
    S 0.18 6.59 0.10 3.65 -0.19 -7.12 0.10 3.81 0.04 1.42 0.07 3.00 -0.26 -11.77 0.03 1.14
    I - - -0.22 -5.29 -0.28 -7.05 -0.07 -1.59 - - -0.13 -3.71 -0.29 -8.79 -0.04 -1.12
    Su -0.09 -2.56 -0.83 -13.45 -1.48 -24.18 -0.20 -3.63 -0.06 -1.56 -0.32 -5.75 -1.44 -25.71 -0.13 -3.47
    下载: 导出CSV

    表  4  出发时间变化

    Table  4.   Changes of start times

    年龄 变量值(AA, AB, AC) L p1/p5 p2/p5
    19 (1, 0, 0) 1.02 5.15 12.81
    35 (0, 1, 0) 1.35 1.75 14.59
    50 (0, 0, 1) 1.35 2.51 18.17
    下载: 导出CSV

    表  5  需求管理政策下的出发时间

    Table  5.   Travel times under management policies

    出行方式 时间段 出发时间变化/%
    小汽车出行费用增加10% 高峰时段小汽车出行费用增加100%
    全方式 EA/LA 0.002 0.013
    AM/LA -0.026 -0.133
    MD/LA 0.004 0.024
    PM/LA -0.015 -0.091
    小汽车 EA/LA 0.112 1.000
    AM/LA -1.563 -10.616
    MD/LA 0.267 1.897
    PM/LA -0.878 -7.265
    下载: 导出CSV
  • [1] Juan Zhi-cai, Li Zhi-yao, Zong Fang. A review of activity-based travel demand forecasting method[J]. Journal of Highway and Transportation Research and Development, 2005, 22(6): 108-113. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-JFYZ202007007.htm
    [2] 陆化普. 交通规划理论与方法[M]. 北京: 清华大学出版社, 1998.
    [3] 王济川, 郭志刚. Logistic回归模型——方法与应用[M]. 北京: 高等教育出版社, 2001.
    [4] Jin An. On methodology of parameter estimation in Logit model[J]. Journal of Transportation Systems Engineering and Information Technology, 2004, 4(1): 71-75. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DZYX202107001.htm
    [5] Hu Da-wei, Xuan Deng-dian, Planning method of highway express traveler network system[J]. Journal of Chang'an University(Natural Science Edition), 2004, 24(2): 83-86. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC201404003.htm
    [6] Ma Rong-guo, Liu Hong-ying, Liang Guo-hua. Evaluation indices on urban passenger transportation structure[J]. Journal of Traffic and Transportation Engineering, 2004, 4(1): 87-91. (in Chinese) http://transport.chd.edu.cn/article/id/200401022
    [7] Zhang Fei-zhou, Yan Lei, Fan Yue-zu, et al. Research on dispatching methods of public traffic vehicles in intelligent transport system[J]. China Journal of Highway and Transport, 2003, 16(2): 82-85. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL202102002.htm
  • 加载中
图(3) / 表(5)
计量
  • 文章访问数:  329
  • HTML全文浏览量:  112
  • PDF下载量:  253
  • 被引次数: 0
出版历程
  • 收稿日期:  2005-03-15
  • 刊出日期:  2005-09-25

目录

/

返回文章
返回