CN116628527B - 一种集成出行策略的设计方法及*** - Google Patents
一种集成出行策略的设计方法及*** Download PDFInfo
- Publication number
- CN116628527B CN116628527B CN202310910715.XA CN202310910715A CN116628527B CN 116628527 B CN116628527 B CN 116628527B CN 202310910715 A CN202310910715 A CN 202310910715A CN 116628527 B CN116628527 B CN 116628527B
- Authority
- CN
- China
- Prior art keywords
- trip
- data
- travel
- clustering
- integrated
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013461 design Methods 0.000 title claims abstract description 45
- 238000011835 investigation Methods 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 6
- 229910052799 carbon Inorganic materials 0.000 description 6
- 238000003064 k means clustering Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种集成出行策略的设计方法,方法包括以下步骤:获取RP出行调查数据,RP出行调查数据包括出行起点、出行终点、出行时长以及出行方式;对RP出行调查数据进行中心点聚类,获得聚类结果,聚类结果包括不同类型用户对任一类型交通方式的搭配范围;根据聚类结果,采用D‑efficient设计,在各个类型用户对任一类型交通方式的搭配范围内选择一数值水平作为类型交通方式的额度水平,以生成选择情境,选择情境中包括至少两个集成出行策略,任一集成出行策略包括至少两种类型交通用具的使用额度。本申请提供的集成出行策略设计方法可以解决相关技术中存在的时间跨度上不能针对用户的需求进行精准辨识的问题。
Description
技术领域
本申请涉及交通技术领域,尤其涉及一种集成出行策略的设计方法及***。
背景技术
随着信息和通信技术(ICT)的发展,出行即服务((Mobility as a Service ,MaaS)的出现为出行管理提供了一个新的策略。通过数字平台整合交通资源,实现集成化、一体化的交通出行,从而向出行者提供“门”到“门”的出行服务, 理想化的MaaS平台打通了火车、地铁、公交、出租车、共享汽车、共享单车等多种交通方式的壁垒,通过一个手机应用即可实现所有交通方式的查询、下单、支付并具有行程规划、预约出行等功能,可以为用户提供一段时间跨度内的出行服务。
然而,相关技术中已有的出行服务所针对的是如何提供单次的出行服务,在时间跨度上不能针对用户的需求进行精准辨识。例如,已有的出行服务虽然可以针对用户单次出行提供不同的出行方案,但是在一段时间跨度内,比如一周、一月内,已有的技术无法对这段时间内的用户需求进行辨识,无法为用户推荐较为合理的出行策略。
因此,亟需提供一种技术方案,解决相关技术中存在的时间跨度上不能针对用户的需求进行精准辨识的问题,为用户提供MaaS式的出行服务。
发明内容
本申请的目的在于提供一种技术方案,解决相关技术中存在的时间跨度上不能针对用户的需求进行精准辨识的问题。
基于以上问题,本申请提供一种集成出行策略的设计方法,方法包括以下步骤:
获取RP出行调查数据,RP出行调查数据包括出行起点、出行终点、出行时长以及出行方式;
对RP出行调查数据进行中心点聚类,获得聚类结果,聚类结果包括不同类型用户对任一类型交通方式的搭配范围;
根据聚类结果,采用D-efficient设计,在各个类型用户对任一类型交通方式的搭配范围内选择一数值水平作为类型交通方式的额度水平,以生成选择情境,选择情境中包括至少两个集成出行策略,任一集成出行策略包括至少两种类型交通用具的使用额度。
进一步的,在进行中心点聚类时,采用K-medoids聚类算法对RP出行调查数据进行聚类。
进一步的,采用K-medoids聚类算法对RP出行调查数据进行聚类包括以下步骤:
对RP出行调查数据进行预处理以构建数据集,数据集中包括各个出行者的多项属性数据,属性数据作为样本点的坐标,出行者的属性数据包括该出行者在预设时间范围内发生的公共交通行程次数、小汽车行程距离和自行车行程时长;
随机选择k个样本点作为中心点,计算剩余样本点到任一中心点的欧式距离;
根据计算出的欧氏距离,按照与就近中心的原则,将剩余的样本点分配到各个中心点所代表的类别中,实现初始聚类;
重新计算聚类中心,遍历类别内的每一个样本点,计算样本点到该类别剩余样本点的欧氏距离,选取欧氏距离最小时所对应的组,将其作为新的中心点;
根据新的中心点重新进行聚类划分,直至所有的中心点不再发生变化或达到最大迭代次数,以获得当前k种类别的聚类结果。
进一步的,任一样本点到某一中心点的欧氏距离通过如下公式表示:
;
式中:d i为第i个样本点到该中心点的欧氏距离,x ij为数据集第i行,第j列的属性数据,x mj为第m个中心点的第j列属性数据。
进一步的,采用K-medoids聚类算法对RP出行调查数据进行聚类时,聚类的类别个数通过以下公式确定:
;
式中,C k为第k类别的数据,s为C k中的数据,o k为C k的质心,取SSE下降趋势转折点的K值为聚类的类别个数,聚类中每一类别作为同一类型的用户。
进一步的,方法还包括:
设计至少一种类型交通方式的至少两种补贴方案,根据聚类结果和补贴方案,采用D-efficient设计,在各个类型用户对任一类型交通方式的搭配范围内选择数值水平作为类型交通方式的额度水平,以生成选择情境,选择情境中包括至少两个集成出行策略。
进一步的,集成出行策略至少包括以下类型交通用具使用额度的一种或多种:
公共交通的可用次数、网约车总可用里程、网约车里程单价、租赁式交通工具的可用时长。
进一步的,方法还包括:
进行SP调查数据收集,获得SP调查数据,并对SP调查数据进行预处理,SP调查数据包括:出行者个人属性数据、出行行为属性数据和集成出行策略属性数据;
构建Mixed Logit模型,并将经过预处理的SP调查数据输入Mixed Logit模型,使用极大模拟似然估计算法对Mixed Logit模型进行参数估计;
对参数估计结果进行评估,并根据评估结果判断是否需要对集成出行策略进行优化。
进一步的,构建效用函数,效用函数通过以下公式表示:
;
式中,V ntj表示观测的效用,n表示出行者,t表示选择情境,j表示集成出行策略选项,Z表示出行者个人属性变量矩阵,Y表示出行行为属性矩阵,X表示与集成出行策略有关的属性矩阵,γ、φ和β表示待估计的参数,ε ntj表示误差项,服从独立相同的Gumbel分布;
根据效用函数,计算受访者对集成出行策略的选择概率,选择概率通过以下公式表示:
;
求解Mixed Logit模型的对数似然函数,对数似然函数通过如下公式表示:
;
其中,如果在选择情境t下,选项i被受访者n选择,则等于1,否则/>等于0;
对对数似然函数求解,获得集成出行策略中不同类型交通用具的使用额度的参数估计值以及相应的P值,当P值大于预设阈值时,判断参数估计值在置信区间上显著,当P值小于或等于预设阈值时,判断需要对集成出行策略中与该P值对应的交通用具的使用额度进行优化。
本申请还提供一种集成出行策略设计***,***采用如上所述的集成出行策略的设计方法。
综上,本申请提供一种集成出行策略的设计方法,首先根据RP出行调查数据进行聚类,再根据聚类结果采用D-efficient设计,针对不同类型用户生成集成出行策略,用户可以根据自身的偏好、需求、行为习惯等因素,决定使用哪一种类的出行策略,从而可以满足不同用户在一定时间跨度上的出行需求,降低出行成本,具有可以引导公共交通出行,降低碳排放等有益效果,能够促进可持续出行,助力交通领域的碳减排。
附图说明
图1为本申请一种实施例提供的集成出行策略设计方法流程图;
图2为本申请一种实施例提供的选择情境示意图;
图3为本申请实施例提供的采用K-medoids聚类算法对RP出行调查数据进行中心点聚类的流程图;
图4为本申请另一种实施例提供的选择情境示意图;
图5为本申请另一种实施例提供的的集成出行策略设计方法流程图。
具体实施方式
以下将结合附图所示的具体实施方式对本申请进行详细描述,但这些实施方式并不限制本申请,本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本申请的保护范围内。
如图1所示,本申请实施例提供一种集成出行策略的设计方法,包括以下步骤:
S1、获取RP(Revealed preference,行为调查)出行调查数据,RP出行调查数据包括出行起点、出行终点、出行时长以及出行方式;
S2、对RP出行调查数据进行中心点聚类,获得聚类结果,聚类结果包括不同类型用户对任一类型交通方式的搭配范围;
S3、根据聚类结果,采用D-efficient设计,在各个类型用户对任一类型交通方式的搭配范围内选择一数值水平作为所述类型交通方式的额度水平,以生成选择情境,选择情境中包括至少两个集成出行策略,任一集成出行策略包括至少两种类型交通用具的使用额度。
作为一种可选的实现方式,在本申请实施例中,针对不同类型的交通工具,可以设置不同的使用额度,集成出行策略至少包括以下类型交通工具使用额度的一种或多种:公共交通的可用次数、网约车总可用里程、网约车里程单价、租赁式交通工具的可用时长。
如图2所示,其示例性的示出了本申请实施例设计的选择情境。在本申请实施例中,设计的选择情境包括了三种集成出行策略,每种出行策略中包括不同类型交通工具的使用额度。例如,策略A被配置为用户购买策略A所需支付金额为230元。在购买策略A后,用户可以在策略A的有效期限内任意支配策略A所包含的各类交通工具的使用额度。即,在策略A的有效期限内,购买者可以按照策略内容,随意搭乘公共交通工具两次,可用网约车总里程110千米,可在1小时内随意使用自行车,在任一交通工具的使用额度内使用该种交通工具,均不会产生额外费用。关于策略的有效期限,可以根据实际需求进行设置,例如,可以将策略的有效期限设置为一周或一月,可以适用于不同类型人群的工作通勤、社交就医、休闲旅游等出行需求,使出行者可以在一个应用上享受多模式的出行服务,解决了频繁切换应用与支付方式纷杂的困扰,提升了出行的便捷性、幸福感。
根据以上说明,本申请提供一种集成出行策略的设计方法,首先根据RP出行调查数据进行聚类,再根据聚类结果采用D-efficient设计,针对不同类型用户生成集成出行策略,用户可以根据自身的偏好、需求、行为习惯等因素,决定购买哪一种类的出行策略,从而可以满足不同用户在一定时间跨度上的出行需求,降低出行成本,具有可以引导公共交通出行,降低碳排放等有益效果,能够促进可持续出行,助力交通领域的碳减排。
作为一种可选的实现方式,在步骤S1中,RP出行调查数据可以从目标城市的出行数据库获取。在本申请实施例中,从目标城市的出行数据库获取一周内的居民出行调查数据。主要包括出行起点、出行终点、出行方式以及出行时间等属性,样例数据如表1所示。
表1
如图3所示,在步骤S2中,可以采用K-medoids聚类算法对RP出行调查数据进行中心点聚类。具体的,可以包括以下步骤:
S21、对RP出行调查数据进行预处理以构建数据集,数据集中包括各个出行者的多项属性数据,属性数据作为样本点的坐标。出行者的属性数据包括该出行者在预设时间范围内发生的公共交通行程次数、小汽车行程距离和自行车行程时长;
S22、随机选择k个样本点作为中心点,计算剩余样本点到任一中心点的欧式距离;
S23、根据计算出的欧氏距离,按照与就近中心的原则,将剩余的样本点分配到各个中心点所代表的类别中,实现初始聚类;
S24、重新计算聚类中心,遍历类别内的每一个样本点,计算样本点到该类别剩余样本点的欧氏距离,选取欧氏距离最小时所对应的组,将其作为新的中心点;
S25、根据新的中心点重新进行聚类划分,直至所有的中心点不再发生变化或达到最大迭代次数,以获得当前k种类别的聚类结果。
作为一种可选的实现方式,在步骤S22中,基于目标城市出行者的属性数据进行K-medoids聚类,随机选择k个样本点作为中心点,在本申请实施例中,k的取值范围设置为大于1且小于或等于10,计算剩余样本点到任一中心点的欧氏距离,欧式距离可以通过如下公式(1)计算获得:
(1)
式中:d i为第i个样本点到medoids的欧氏距离;x ij为数据集第i行,第j列的数,x mj为第m个中心点的第j列数据;数据集的行可以代表出行者,列可以代表提取的属性数据。
作为一种可选的实现方式,采用K-medoids聚类算法对RP出行调查数据进行聚类时,聚类的类别个数K通过以下公式(2)确定:
(2)
式中,C k为第k类别的数据,s为C k中的数据,o k为C k的质心。
取SSE下降趋势转折点的K值为聚类的类别个数,聚类中每一类别作为同一类型的用户。
在步骤S25中,根据k的最优取值进行聚类,并得到最终的多模式组合聚类结果,如表2所示,其示例性的示出了可进一步应用的聚类结果。
表2
如表2所示,本申请实施例中对RP出行调查数据进行中心聚类,将出行者分为3类用户,分别为公共交通用户、汽车用户以及多模式用户。在本申请实施例中,RP出行调查数据为从目标城市的出行数据库获取的一周内居民出行调查数据。对RP出行调查数据进行聚类,将一周内搭乘公共交通次数的搭配范围在[10,14]内,且乘坐小汽车里程的搭配范围在[0km,45km]内,且使用自行车时长的搭配范围在[4h,7h]内的用户归类为公共交通用户。将一周内搭乘公共交通次数的搭配范围在[0,5]内,且乘坐小汽车里程的搭配范围在[90km,150km]内,且使用自行车时长的搭配范围在[0h,3h]内的用户归类为汽车用户。将一周内搭乘公共交通次数的搭配范围在[6,9]内,且乘坐小汽车里程的搭配范围在[50km,100km]内,且使用自行车时长的搭配范围在[2h,5h]内的用户归类为多模式用户。需要说明的是,公共交通次数取值为区间内的整数。
在步骤S3中,根据聚类结果,采用D-efficient设计,针对不同类型用户生成集成出行策略。D-efficient设计是一种用于离散选择实验的设计算法。可以使用Ngene软件编写代码,采取D-efficient设计的方法进行离散选择实验情境设计,生成的情境数量可以根据实际需求进行设置,一般4-8个情境即可。
步骤S3具体包括以下步骤:
S31、在满足水平均衡、正交性和最小重叠性的要求下,根据聚类结果,在数值水平搭配范围内选择应用的数值水平,以生成初始的设计矩阵X。其中,设计矩阵X即表示本申请实施例设计的一种选择情景。
水平均衡要求属性水平在数据集中出现的机会均等,正交性要求属性水平的组合存在特定的相关模式,最小的水平重叠追求在同一组试验场景中尽可能减少属性水平的重复概率,以确保属性重要性估计的有效性。
具体的,根据表2的聚类结果可以得出公共交通次数、小汽车千米数以及自行车小时数之间的数值水平搭配范围,在进行出行策略设计时可在搭配范围内选取应用的数值水平。例如选取公共交通次数取值范围内的整数,小汽车千米数取值范围内选取预设千米数的整数倍,自行车小时数取值范围内的预设时间的倍数。为了便于计算,本申请实施例中预设千米数设置为5或10,预设时间设置为0.5。
作为一种可选的实现方式,本申请实施例中还可以在集成出行策略中加入出租车折扣(10%,20%)。如图4所示,其示出了本申请实施例提供的一种选择情境下的出行策略选项。每一选择情境可以包括两个定制出行策略、一个随用随付出行策略以及不订阅选项。
S32、根据设计矩阵X和关于参数估计的一些先验概率分布信息来确定渐进方差-协方差(AVC)矩阵,来预测当前设计情境X下各个出行方式水平搭配设计所得数据产生的参数估计误差。
作为一种可选的实现方式,设计的效率可以基于进行衡量;以最小为目标,采用Modified Federov算法对问题进行求解,迭代寻找近似最优可行设计。/>计算方法如下所示:
(3)
式中:P是待估计参数的数量,代表单个受访者的渐进方差-协方差(AVC)矩阵,AVC矩阵是一个P*P矩阵, 其是设计矩阵X和先验概率分布信息/>的函数,/>可以从相似研究或预调查中获取,为了使/>与问题的大小无关,其被归一化为1/P次幂。
根据以上说明,本申请实施例提供的集成出行策略设计方法可以针对不同类型用户生成集成出行策略,用户可以根据自身的偏好、需求、行为习惯等因素,决定购买哪一种类的出行策略,从而可以满足不同用户在一定时间跨度上的出行需求,降低出行成本,具有可以引导公共交通出行,降低碳排放等有益效果,能够促进可持续出行,助力交通领域的碳减排。
如图5所示,作为一种可选的实现方式,本申请实施例提供的集成出行策略设计方法还包括:
S4、进行SP调查数据收集,获得SP调查数据,并对SP调查数据进行预处理,SP调查数据包括:出行者个人属性数据、出行行为属性数据和集成出行策略属性数据;
S5、构建Mixed Logit模型,并将经过预处理的SP调查数据输入Mixed Logit模型,使用极大模拟似然估计算法对Mixed Logit模型进行参数估计;
S6、对参数估计结果进行评估,并根据评估结果判断是否需要对集成出行策略进行优化。
作为一种可选的实现方式,步骤S4中,出行者个人属性数据包括:性别、年龄、学历、职业、家庭结构、家庭小汽车拥有量、家庭月收入、日常和旅游中的主要出行方式。
本申请实施例中,按照以下年龄范围对出行者的年龄属性数据进行划分,年龄范围包括:18岁以下,18-30岁,31-50岁,51-65岁,65岁以上。出行者的学历分为4类,包括:高中及以下,大学专科/职业技术学院,大学本科,硕士及以上。出行者的职业至少分为6类,包括:公务员/企事业单位人员,服务人员,个体经营者,学生,无业(包括家庭主妇、退休人员等),其它。家庭月总收入分为5个等级:5000元以下,5000-9999元,10000-29999元,30000-49999元,50000元及以上。家庭小汽车拥有量分为4个等级:0辆,1辆,2辆,3辆及以上。
SP调查数据中出行行为属性数据包括:近一周的出行数据(包括出行方式、出行距离等和日常中的主要出行方式以及各方式的使用频率,主要包含以下9类出行方式的数据:私家车、公交、地铁、出租车/网约车、拼车、共享汽车、自行车、步行以及其它。
SP调查数据中集成出行策略属性数据:包括可享用的公共交通次数和网约车里程、网约车里程单价、出租车折扣、共享单车小时数以及出行策略价格。
步骤S4中,还需要对收集的数据进行预处理,方法包括:剔除填写调查问卷时间少于一定值的数据,剔除家庭成员个数与家庭结构不相符合的数据,剔除选择情境方差较小的数据。通过这种方式,可以初步剔除SP调查数据中的异常数据,避免对评估结果产生干扰。
步骤S5中,对Mixed Logit模型进行参数估计包括以下步骤:
构建效用函数,效用函数通过以下公式(4)表示:
(4)
式中,V ntj表示观测的效用,n表示出行者,t表示选择情境,j表示集成出行策略选项,Z表示出行者个人属性变量矩阵,Y表示出行行为属性矩阵,X表示与集成出行策略有关的属性矩阵,γ、φ和β表示待估计的参数,ε ntj表示误差项,服从独立相同的Gumbel分布。
其中,选择情境是指采取D-efficient设计的方法进行离散选择实验情境设计生成的选择情境,选择情境的数量可以根据实际需求进行设置,一般4-8个情境即可。集成出行策略选项是指出行者n在图2中的出行策略A、出行策略B、随用随付和不订阅中的选择结果。
作为一种可选的实现方式,可以将部分设为随机参数,以扑捉出行者对于集成出行策略的偏好异质性,/>的分布形式可以通过如下公式(5)表示:
(5)
式中,表示与属性k(某一个集成出行策略属性)相关的参数/>的样本平均值,/>是平均值为0、标准差为1的正态分布随机项,/>是/>的分布标准差。
根据公式(4)的效用函数,计算受访者对集成出行策略的选择概率,选择概率通过以下公式(6)表示:
(6)
将SP调查数据转换为可用Nlogit软件进行计算分析的格式,包括将分类变量进行有效编码。为更好地研究SP调查得到的伪面板数据与受访者的异质性,基于极大模拟似然估计方法进行Mixed Logit模型参数估计,使用Halton抽样方法对概率密度函数进行1000次抽样并将模拟概率均值作为积分的近似解。
求解Mixed Logit模型的对数似然函数,对数似然函数通过如下公式(7)表示:
(7)
其中,如果在选择情境t下,出行策略选项i被受访者n选择,则等于1,否则等于0。
对对数似然函数求解,获得模型的拟合度R2和个人属性、出行行为属性以及集成出行策略属性所对应的参数γ、φ和β以及各参数对应的P值。
步骤S6中,对参数估计结果进行评估,当P值大于预设阈值时,判断参数估计值在置信区间上显著,当P值小于或等于预设阈值时,判断需要对集成出行策略中与该P值对应的交通用具的使用额度进行优化。
具体的,可以将以上步骤S5~S6在Nlogit中编写代码并运行,得出Mixed Logit模型的参数估计结果。对模型的参数估计结果进行评估,首先查看模型拟合度R2,其值在0.2及以上可认为模型对SP调查数据的拟合效果是良好的,这表明了影响因素选取的有效性与模型的解释程度。
查看各个影响因素的估计参数,数值的正负分别代表了对相应MaaS出行策略选择的正向与负向影响,通过P值可以看出影响的显著性,P<0.1、P<0.05、P<0.01分别表示在90%、95%、99%的置信水平下显著。
通过模型的参数估计结果可以得出目前MaaS的应用潜力,识别出MaaS的目标人群画像和对出行策略内所含出行方式的偏好并计算出出行者对于MaaS出行策略的支付意愿,可以为相关的规划者、运营者在优化出行策略内包含的出行方式及其水平以及定价方面提供一些政策启示与理论支撑。
作为一种可选的实现方式,本申请实施例还提供一种集成出行策略设计***,该***采用本申请实施例提供的集成出行策略设计方法。
以上所揭露的仅为本申请的较佳实施例而已,然其并非用以限定本申请之权利范围,本领域普通技术人员可以理解:在不脱离本申请及所附的权利要求的精神和范围内,改变、修饰、替代、组合、简化,均应为等效的置换方式,仍属于发明所涵盖的范围。
Claims (7)
1.一种集成出行策略的设计方法,其特征在于,所述方法包括以下步骤:
获取RP出行调查数据,所述RP出行调查数据包括出行起点、出行终点、出行时长以及出行方式;
对所述RP出行调查数据进行中心点聚类,获得聚类结果,所述聚类结果包括不同类型用户对任一类型交通方式的搭配范围;
根据所述聚类结果,采用D-efficient设计,在各个类型用户对任一类型交通方式的搭配范围内选择一数值水平作为所述类型交通方式的额度水平,以生成选择情境,所述选择情境中包括至少两个集成出行策略,任一所述集成出行策略包括至少两种类型交通用具的使用额度,所述集成出行策略至少包括以下类型交通工具使用额度:公共交通的可用次数、网约车总可用里程、网约车里程单价、租赁式交通工具的可用时长;
在进行中心点聚类时,采用K-medoids聚类算法对所述RP出行调查数据进行聚类;
采用K-medoids聚类算法对所述RP出行调查数据进行聚类包括以下步骤:
对所述RP出行调查数据进行预处理以构建数据集,所述数据集中包括各个出行者的多项属性数据,所述属性数据作为样本点的坐标,所述出行者的属性数据包括该出行者在预设时间范围内发生的公共交通行程次数、小汽车行程距离和自行车行程时长;
随机选择k个样本点作为中心点,计算剩余样本点到任一中心点的欧式距离;
根据计算出的欧氏距离,按照与就近中心的原则,将剩余的样本点分配到各个中心点所代表的类别中,实现初始聚类;
重新计算聚类中心,遍历类别内的每一个样本点,计算所述样本点到该类别剩余样本点的欧氏距离,选取欧氏距离最小时所对应的组,将其作为新的中心点;
根据新的中心点重新进行聚类划分,直至所有的中心点不再发生变化或达到最大迭代次数,以获得当前k种类别的聚类结果。
2.根据权利要求1所述的集成出行策略的设计方法,其特征在于,
任一所述样本点到某一所述中心点的欧氏距离通过如下公式表示:
式中:d i为第i个样本点到该中心点的欧氏距离,x ij为所述数据集第i行,第j列的属性数据,x mj为第m个中心点的第j列属性数据。
3.根据权利要求1所述的集成出行策略的设计方法,其特征在于,
采用K-medoids聚类算法对所述RP出行调查数据进行聚类时,聚类的类别个数通过以下公式确定:
式中,C k为第k类别的数据,s为C k中的数据,o k为C k的质心,取SSE下降趋势转折点的K值为聚类的类别个数,聚类中每一类别作为同一类型的用户。
4.根据权利要求1所述的集成出行策略的设计方法,其特征在于,所述方法还包括:
设计至少一种类型交通方式的至少两种补贴方案,根据所述聚类结果和所述补贴方案,采用D-efficient设计,在各个类型用户对任一类型交通方式的搭配范围内选择数值水平作为所述类型交通方式的额度水平,以生成选择情境,所述选择情境中包括至少两个所述集成出行策略。
5.根据权利要求1所述的集成出行策略的设计方法,其特征在于,所述方法还包括:
进行SP调查数据收集,获得SP调查数据,并对所述SP调查数据进行预处理,所述SP调查数据包括:出行者个人属性数据、出行行为属性数据和集成出行策略属性数据;
构建Mixed Logit模型,并将经过预处理的所述SP调查数据输入所述Mixed Logit模型,使用极大模拟似然估计算法对所述Mixed Logit模型进行参数估计;
对参数估计结果进行评估,并根据评估结果判断是否需要对所述集成出行策略进行优化。
6.根据权利要求5所述的集成出行策略的设计方法,其特征在于,
构建效用函数,所述效用函数通过以下公式表示:
式中,V ntj表示观测的效用,n表示出行者,t表示选择情境,j表示集成出行策略选项,Z表示出行者个人属性变量矩阵,Y表示出行行为属性矩阵,X表示与所述集成出行策略有关的属性矩阵,γ、φ和β表示待估计的参数,ε ntj表示误差项,服从独立相同的Gumbel分布;
根据所述效用函数,计算受访者对集成出行策略的选择概率,所述选择概率通过以下公式表示:
求解Mixed Logit模型的对数似然函数,所述对数似然函数通过如下公式表示:
其中,如果在选择情境t下,选项i被受访者n选择,则等于1,否则/>等于0;
对所述对数似然函数求解,获得所述集成出行策略中不同类型交通用具的使用额度的参数估计值以及相应的P值,当所述P值大于预设阈值时,判断所述参数估计值在置信区间上显著,当所述P值小于或等于所述预设阈值时,判断需要对所述集成出行策略中与该P值对应的交通用具的使用额度进行优化。
7.一种集成出行策略设计***,其特征在于,所述***采用如权利要求1至6任一项所述的集成出行策略的设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310910715.XA CN116628527B (zh) | 2023-07-24 | 2023-07-24 | 一种集成出行策略的设计方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310910715.XA CN116628527B (zh) | 2023-07-24 | 2023-07-24 | 一种集成出行策略的设计方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116628527A CN116628527A (zh) | 2023-08-22 |
CN116628527B true CN116628527B (zh) | 2023-11-10 |
Family
ID=87603028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310910715.XA Active CN116628527B (zh) | 2023-07-24 | 2023-07-24 | 一种集成出行策略的设计方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628527B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564396A (zh) * | 2018-03-23 | 2018-09-21 | 同济大学 | 基于D-error有效设计的多模式交通出行问卷调查设计方法 |
CN110390415A (zh) * | 2018-04-18 | 2019-10-29 | 北京嘀嘀无限科技发展有限公司 | 一种基于用户出行大数据进行出行方式推荐的方法及*** |
CN111737601A (zh) * | 2020-06-08 | 2020-10-02 | 北京奇虎科技有限公司 | 出行策略的推荐方法、装置、设备及存储介质 |
CN112632374A (zh) * | 2020-12-18 | 2021-04-09 | 东南大学 | 一种考虑定制公交的居民出行方式选择分析方法 |
CN113269358A (zh) * | 2021-05-19 | 2021-08-17 | 兆边(上海)科技有限公司 | 一种基于多方式集成出行的规划方法 |
CN113780808A (zh) * | 2021-09-10 | 2021-12-10 | 西南交通大学 | 基于柔性公交接驳***线的车辆服务属性决策优化方法 |
CN115049217A (zh) * | 2022-05-17 | 2022-09-13 | 中国平安财产保险股份有限公司 | 出行策略的生成方法、装置、计算机设备和存储介质 |
CN115412857A (zh) * | 2022-08-24 | 2022-11-29 | 浙江大学 | 一种居民出行信息预测方法 |
WO2023273292A1 (zh) * | 2021-06-30 | 2023-01-05 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于多源数据融合的居民出行链生成方法及共乘查询方法 |
CN116431988A (zh) * | 2023-03-22 | 2023-07-14 | 浙江大学 | 基于活动模式-马尔科夫链的居民出行活动时间序列生成方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10649747B2 (en) * | 2015-10-07 | 2020-05-12 | Andreas Voellmy | Compilation and runtime methods for executing algorithmic packet processing programs on multi-table packet forwarding elements |
-
2023
- 2023-07-24 CN CN202310910715.XA patent/CN116628527B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564396A (zh) * | 2018-03-23 | 2018-09-21 | 同济大学 | 基于D-error有效设计的多模式交通出行问卷调查设计方法 |
CN110390415A (zh) * | 2018-04-18 | 2019-10-29 | 北京嘀嘀无限科技发展有限公司 | 一种基于用户出行大数据进行出行方式推荐的方法及*** |
CN111737601A (zh) * | 2020-06-08 | 2020-10-02 | 北京奇虎科技有限公司 | 出行策略的推荐方法、装置、设备及存储介质 |
CN112632374A (zh) * | 2020-12-18 | 2021-04-09 | 东南大学 | 一种考虑定制公交的居民出行方式选择分析方法 |
CN113269358A (zh) * | 2021-05-19 | 2021-08-17 | 兆边(上海)科技有限公司 | 一种基于多方式集成出行的规划方法 |
WO2023273292A1 (zh) * | 2021-06-30 | 2023-01-05 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于多源数据融合的居民出行链生成方法及共乘查询方法 |
CN113780808A (zh) * | 2021-09-10 | 2021-12-10 | 西南交通大学 | 基于柔性公交接驳***线的车辆服务属性决策优化方法 |
CN115049217A (zh) * | 2022-05-17 | 2022-09-13 | 中国平安财产保险股份有限公司 | 出行策略的生成方法、装置、计算机设备和存储介质 |
CN115412857A (zh) * | 2022-08-24 | 2022-11-29 | 浙江大学 | 一种居民出行信息预测方法 |
CN116431988A (zh) * | 2023-03-22 | 2023-07-14 | 浙江大学 | 基于活动模式-马尔科夫链的居民出行活动时间序列生成方法 |
Non-Patent Citations (10)
Title |
---|
Research on Travel Mode Choice Behavior Under Integrated Multi-modal Transit Information Service;HU Hua,J Teng,YF Gao,XM Zhou;《Transport Policy》;全文 * |
Transport decarbonization in big cities: An integrated environmental co-benefit analysis of vehicles purchases quota-limit and new energy vehicles promotion policy in Beijing;Xi Yang,Wanqi Lin,Cecilia Springer;《Sustainable Cities and Society》;全文 * |
Yilin Sun ; Zhiyi Huang and Kitamura, R..The Automobility Cohort as a Tool in the Study of Urban Travel.《 2011 International Conference on Electric Technology and Civil Engineering (ICETCE)》.2011,全文. * |
基于Two-step Cluste的出行选择行为研究;温惠英;任倩;;《公路工程》(第02期);全文 * |
基于两阶段聚类的电动自行车出行者选择研究;胡郁葱;陈杰;邹小健;陈枝伟;;《广西师范大学学报(自然科学版)》(第03期);全文 * |
基于聚类分析的铁路出行旅客类别划分;吕红霞;王文宪;蒲松;余大本;;《交通运输***工程与信息》(第01期);全文 * |
家庭收入差异对出行方式选择的影响分析;范琪;王炜;杨洋;华雪东;;《交通信息与安全》(第06期);全文 * |
殷复莲.《数据分析与数据挖掘实用教程》.中国传媒大学出版社,2017,第249页. * |
活动―出行决策行为与TDM策略互动关系研究的贝叶斯方法;隽志才;宗芳;栾琨;;《交通运输***工程与信息》(第04期);全文 * |
钱兵等.《智能运维之道 基于AI技术的应用实践》.机械工业出版社,2021,第111-113页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116628527A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gurumurthy et al. | Benefits and costs of ride-sharing in shared automated vehicles across Austin, Texas: Opportunities for congestion pricing | |
Christoforou et al. | Who is using e-scooters and how? Evidence from Paris | |
Guidon et al. | Electric bicycle-sharing: A new competitor in the urban transportation market? An empirical analysis of transaction data | |
Circella et al. | The adoption of shared mobility in California and its relationship with other components of travel behavior | |
Wang et al. | Neighborhood socio-demographic characteristics and bike share member patterns of use | |
Vanoutrive et al. | What determines carpooling to workplaces in Belgium: location, organisation, or promotion? | |
Narayanan et al. | Shared mobility services towards Mobility as a Service (MaaS): What, who and when? | |
Rafiq et al. | An exploratory analysis of alternative travel behaviors of ride-hailing users | |
Circella et al. | Exploring the relationships among travel multimodality, driving behavior, use of ridehailing and energy consumption | |
Li et al. | Factors affecting bike-sharing behaviour in Beijing: price, traffic congestion, and supply chain | |
Tao et al. | Research on travel behavior with car sharing under smart city conditions | |
Shah et al. | Why do people take e-scooter trips? Insights on temporal and spatial usage patterns of detailed trip data | |
Zou et al. | Measuring retiming responses of passengers to a prepeak discount fare by tracing smart card data: a practical experiment in the Beijing subway | |
Thaithatkul et al. | Car versus motorcycle ride-hailing applications: user behaviors and adoption factors in Bangkok, Thailand | |
Guo et al. | Spatiotemporal heterogeneity of the shared e-scooter–public transport relationships in Stockholm and Helsinki | |
CN116628527B (zh) | 一种集成出行策略的设计方法及*** | |
Reck | Modelling travel behaviour with shared micro-mobility services and exploring their environmental implications | |
Huang et al. | To share or not to share? Revealing determinants of individuals’ willingness to share rides through a big data approach | |
Linh et al. | Exploring the spatial transferability of FEATHERS–An activity based travel demand model–For Ho Chi Minh city, Vietnam | |
CN114118874A (zh) | 一种电力出行任务智能调拨方法 | |
Kagho et al. | Potential impacts of integrating an on-demand transport service with public transit system: A case study for Zurich | |
Li et al. | Identification Dockless Bike‐Sharing and Metro Transfer Travelers through Mobility Chain | |
Li et al. | Unveiling the roles of public bike systems: From leisure to multimodal transportation | |
Deneke et al. | Transportation mode choice behavior with multinomial logit model: work and school trips | |
JAZI et al. | FORECASTING FUTURE PUBLIC TRANSPORT MODE CHOICE BEHAVIOUR OF COMMUTERS IN BAHRAIN USING LOGIT AND CLASSIFICATION TREE MODELS: A COMPARATIVE STUDY |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |