交通方式划分模型举例.ppt

非集计模型举例 交通方式划分模型 出行者在出行前要考虑起迄点之间的各种可用的出行方式，通过判断，选出自己最满意的一种方式。因此方式选择模型应该能够尽量贴切的模仿出行者的判断过程，即要求我们尽量考虑到所有影响出行者方式选择的因素。下表给出根据长春市调查数据统计得出的影响居民交通方式选择的具体因素。 模型结果分析 * * 数据调查 2003年长春市城区居民日出行调查 此次出行调查主要是为了把握一日间居民的行动全体和搜集城市综合交通规划的基础数据，针对调查对象地域内的居住者（6岁以上）进行的一次大规模的家庭访问调查。共包括长春市5101户家庭的14655个人的37288次出行。数据处理后，最终有14616个出行者的数据合格，抽样合格率为99.73％。 本次出行调查内容主要包括出行者的个人和家庭属性，以及一日间每一次出行从出发地到目的地所用的交通方式、出行目的、时间以及其他出行特性，具体内容及分类如下表所示。 出行目的、出发和到达时间、出发和到达详细地址、交通方式、上车前步行或骑车时间、候车时间、乘车时间、换乘信息、停车信息等。 出行信息 成员编号、年龄、性别、职业、有无驾照、有无出行等。 个人基本信息 家庭编号、住址、月总收入、家中人口数、6岁以上成员数、拥有交通工具（小汽车、摩托车、自行车）等。 家庭基本信息 长春市居民日出行调查项目表 模型变量的确定 Time C 40到60分钟 Time B 20到40分钟 Time A 20分钟以内 总行程时间 Ride 乘车时间 Wait 候车时间 Walk 上车前步行时间 交通设施特性 Sub 工作子往返 subtour Inter 中途驻停 Intermediate Sec 二阶活动 secondary Pri 一阶活动 primary In am 在早高峰时段内 Be am 在早高峰之前 出发时间 出行特性 Bike 是否有两台以上的自行车？ Motor 有无摩托车？ Car 有无小汽车？ 家中车辆拥有情况 Child6 有否6岁以下儿童？ 家中儿童情况 INC E 3001-5000 INC D 2001-3000 INC C 1001-2000 INC B 501-1000 INC A 0-500 家庭月总收入（元） 家庭属性 AGE C 40-60岁 AGE B 20-40岁 AGE A 20岁 年 龄 Gender 性 别 个人属性 出行者 特性 变量 影响因素 影响因素类别 选择肢的确定 本次出行调查对交通方式的划分较细，分为步行、自行车、公共汽车、单位班车、单位小汽车、摩托车、出租车、私人小汽车、有轨电车、轻轨和“其他”等十一种方式，分别用1到11表示。由于样本量较大，本模型只考虑每次出行过程中第一次采用的交通方式，没有考虑换乘。那么模型的样本量与总出行量一致，为37164。经统计得出各方式占全方式的百分比如下表所示。 100.00 0.62 0.16 0.15 1.68 2.51 百分数（%） 37164 231 58 55 623 934 样本量 Total 其他 轻轨 有轨电车 私人小汽车 出租车 交通方式代码 1.79 2.03 4.11 22.35 16.83 47.77 百分数（%） 664 756 1527 8307 6254 17755 样本量 摩托车 单位小汽车 单位班车 公共汽车 自行车 步行 交通方式代码 方式统计表 数据分析 从统计结果可以看出，长春市居民市内出行采用较多的交通方式分别是步行、公共汽车和自行车，其中步行方式占接近出行总数的一半。包括公共汽车、有轨电车和轻轨在内的公共交通共占全方式的22.66％。如果考虑换乘，则公交出行方式占全方式的24.72％，比1997年的23.0％增加了1.72％。而国外大城市的公交分担率一般在40％以上。可见，经过近几年公交系统的建设，长春市的公交出行分担率有所增加，但为了满足日益增长的出行需求，缓解交通压力，实现城市出行方式的合理分配，鼓励和发展公交仍然势在必行。　 模型应用Logit模型进行建模，以最后一种方式，即“其他”方式为参考选项。则前10种方式的分担率可表示为： 其中 是第i种方式的常数项， 是相应变量的系数， 表示选择第i种交通方式的第k个变量。 表示各种方式对“其他”方式的相对效用。 模型