融合手機(jī)信令數(shù)據(jù)的軌道交通出行分擔(dān)率模型研究

劉海洲，王利雷，周建堯，劉怡，楊飛*

(1.重慶交通大學(xué)，交通運(yùn)輸學(xué)院，重慶400074；2.重慶市交通規(guī)劃研究院，重慶401147；3.西南交通大學(xué)，交通運(yùn)輸與物流學(xué)院，成都611756)

0 引言

出行方式選擇行為及方式客流分擔(dān)率研究是出行行為分析的基礎(chǔ)，穩(wěn)定的行為模型標(biāo)定、校驗(yàn)和評(píng)價(jià)對(duì)于合理預(yù)測(cè)居民出行選擇行為，改善交通出行環(huán)境和優(yōu)化城市交通出行結(jié)構(gòu)有著十分重要的意義。在出行方式選擇及客流分擔(dān)率的相關(guān)研究中，學(xué)者們多采用非集計(jì)模型，例如MNL 模型[1](Multinomial Logit Model)和NL 模型[2](Nested Logit Model)，主要關(guān)注個(gè)體特征、出行特征對(duì)出行方式選擇的影響。但是，以上模型中選擇枝效用隨機(jī)項(xiàng)獨(dú)立同分布，難以反映個(gè)體出行行為選擇偏好的隨機(jī)性，使預(yù)測(cè)結(jié)果與實(shí)際不符。為克服上述模型的限制，學(xué)者們提出混合Logit模型(Mixed Logit Model，ML 模型)，ML 模型各特性變量的權(quán)重由反映喜好性隨機(jī)分布的密度函數(shù)決定其待估參數(shù)，選擇枝效用隨機(jī)項(xiàng)無(wú)需獨(dú)立同分布。McFadden[3]證明了在適當(dāng)選擇混合分布函數(shù)的情況下，混合Logit模型可以無(wú)限趨近于任何一個(gè)傳統(tǒng)的隨機(jī)效用模型(包括Logit，Probit，Nested Logit 等)；李華民等[4]利用極大模擬似然法為效用變量的系數(shù)確定了合適的隨機(jī)分布函數(shù)；Cherchi 等[5]利用混合Logit模型構(gòu)建了考慮個(gè)體觀測(cè)時(shí)段相關(guān)性的出行方式選擇模型；劉建榮[6]和趙鵬[7]將ML模型分別應(yīng)用于市內(nèi)出行方式選擇行為和高速鐵路旅客乘車選擇行為研究，綜上，ML模型的擬合優(yōu)度更高且能更加真實(shí)地反映旅客的實(shí)際選擇行為。通過(guò)文獻(xiàn)回顧整理發(fā)現(xiàn)，ML 模型中分布函數(shù)多根據(jù)問(wèn)卷數(shù)據(jù)模擬選取，但問(wèn)卷數(shù)據(jù)本身存在主觀性強(qiáng)、覆蓋范圍小等缺點(diǎn)，且非集計(jì)模型的預(yù)測(cè)精度多用擬合優(yōu)度和命中率評(píng)估，無(wú)法代表真正的預(yù)測(cè)精度，因此需要更為準(zhǔn)確的數(shù)據(jù)幫助分布函數(shù)的選取和模型預(yù)測(cè)精度驗(yàn)證。

信令數(shù)據(jù)具有實(shí)時(shí)性高，成本低，時(shí)間與空間跨度廣的優(yōu)點(diǎn)，可作為理想的交通探測(cè)器，為居民出行信息分析提供媒介。軌道出行路徑提取方面，根據(jù)地鐵中信令事件的位置更新規(guī)則獲取軌道出行進(jìn)出站點(diǎn)被廣泛應(yīng)用[8]，同時(shí)利用最短路算法[9]等獲取軌道出行路徑，結(jié)合時(shí)間閾值判斷軌道出行路徑有效性的誤差較小。在出行OD獲取方面，基于樸素貝葉斯分類[10]、時(shí)空密度聚類等方法識(shí)別居民出行起訖點(diǎn)應(yīng)用廣泛，精度較高。在信令數(shù)據(jù)校核出行調(diào)查數(shù)據(jù)與預(yù)測(cè)模型方面，現(xiàn)有研究多將信令數(shù)據(jù)應(yīng)用于出行分布預(yù)測(cè)[11]校核，與調(diào)查問(wèn)卷聯(lián)合進(jìn)行居民調(diào)查[12]，以及居民出行調(diào)查擴(kuò)樣[13]等。利用手機(jī)信令數(shù)據(jù)獲取居民出行信息，以及校核調(diào)查問(wèn)卷數(shù)據(jù)與預(yù)測(cè)模型已逐漸成為研究城市居民出行行為的可靠的新方法。

本文針對(duì)傳統(tǒng)行為模型缺乏大樣本驗(yàn)證的問(wèn)題，提出利用大數(shù)據(jù)校核行為模型研究的方法，定量對(duì)比行為模型的預(yù)測(cè)效果。以小樣本行為問(wèn)卷調(diào)查數(shù)據(jù)為基礎(chǔ)，構(gòu)建重慶市主城區(qū)組團(tuán)間出行方式選擇ML 模型，結(jié)合手機(jī)信令、AFC 大樣本數(shù)據(jù)提取組團(tuán)間居民真實(shí)出行信息，定量分析和對(duì)比隨機(jī)參數(shù)形式分別為正態(tài)分布、均勻分布和γ分布時(shí)，ML 模型的分擔(dān)率預(yù)測(cè)結(jié)果和精度。研究為探索利用大數(shù)據(jù)優(yōu)化和校驗(yàn)傳統(tǒng)行為模型、提高交通方式分擔(dān)率預(yù)測(cè)精度提供思路。

1 模型算法

1.1 信令識(shí)別組團(tuán)間全方式出行量

組團(tuán)間出行信息提取包括目標(biāo)組團(tuán)區(qū)域劃分、軌道基站標(biāo)定、基于信令數(shù)據(jù)的組團(tuán)間軌道OD提取、基于規(guī)則算法的組團(tuán)間全方式OD 提取、軌道分擔(dān)率計(jì)算。

(1)組團(tuán)區(qū)域劃分

觀音橋組團(tuán)與解放碑組團(tuán)商業(yè)設(shè)施完善，組團(tuán)間客流穩(wěn)定，本文將兩組團(tuán)間通道作為研究對(duì)象，組團(tuán)范圍如圖1所示。圖1中：觀音橋組團(tuán)覆蓋3.06 km2，包含觀音橋站；解放碑組團(tuán)覆蓋2.34 km2，包含臨江門站、小什字站與較場(chǎng)口站。

圖1 觀音橋-解放碑商圈范圍Fig.1 Scope of Guanyin Bridge CBD and Jie Fangbei CBD

(2)軌道基站標(biāo)定

個(gè)體出行中，通訊設(shè)備通常與周圍基站進(jìn)行交互，基站覆蓋范圍為0～2 km[14]，結(jié)合重慶市城區(qū)4G通信基站覆蓋范圍分布[15]，以及志愿者多日實(shí)地調(diào)研，分別設(shè)置站點(diǎn)與線路兩種情況下的標(biāo)定閾值：①對(duì)于軌道站點(diǎn)，以站點(diǎn)為圓心，50 m為半徑進(jìn)行標(biāo)定；②對(duì)于軌道線路區(qū)段，地下線路標(biāo)定半徑為50 m，地上為500 m。如圖2所示，銅元局站與四公里站為地上站點(diǎn)，工貿(mào)站與南坪站為地下站點(diǎn)。

圖2 軌道基站標(biāo)定原理Fig.2 Calibration principle of metro base station

(3)組團(tuán)軌道出行OD提取

完成標(biāo)定后，根據(jù)是否連續(xù)與標(biāo)定基站庫(kù)中基站進(jìn)行交互以及軌道交通運(yùn)營(yíng)時(shí)刻表，判斷個(gè)體是否發(fā)生軌道出行行為，軌道發(fā)生行為判斷約束為

式中：r為第r段軌道出行；Nr,fir為第r段軌道出行的第一條信令數(shù)據(jù)的基站類型；Nr,end為第r段軌道出行的最后一條信令數(shù)據(jù)的基站類型；B為站點(diǎn)內(nèi)基站；l為線路中基站；Tr,fir為第r段軌道出行的第一條信令數(shù)據(jù)觸發(fā)時(shí)間(s)；Tr,end為第r段軌道出行的最后一條信令數(shù)據(jù)觸發(fā)時(shí)間(s)。

(4)組團(tuán)全方式出行OD提取

當(dāng)個(gè)體到達(dá)出行目的地時(shí)會(huì)產(chǎn)生停留行為，根據(jù)調(diào)查問(wèn)卷與實(shí)際出行特征，構(gòu)建時(shí)空約束規(guī)則進(jìn)行判斷，并集計(jì)分析兩個(gè)組團(tuán)間的出行OD量，即

式中：ΔTstay為用戶在某個(gè)組團(tuán)內(nèi)的停留時(shí)間(s)；ΔTgap為用戶在兩組團(tuán)間的出行時(shí)間(s)。停留時(shí)間與出行時(shí)間具體分布如圖3所示。

圖3 停留時(shí)間與出行時(shí)間分布Fig.3 Distribution of stay time and travel time

(5)組團(tuán)全方式出行OD校核

根據(jù)運(yùn)營(yíng)商市場(chǎng)份額與AFC 刷卡數(shù)據(jù)進(jìn)行信令數(shù)據(jù)識(shí)別結(jié)果的擴(kuò)樣與校準(zhǔn)。完成基于信令數(shù)據(jù)的軌道出行OD識(shí)別后，首先根據(jù)目標(biāo)運(yùn)營(yíng)商所占市場(chǎng)份額，對(duì)組團(tuán)間全方式出行及軌道出行量進(jìn)行擴(kuò)樣[16]；然后結(jié)合AFC數(shù)據(jù)記錄的組團(tuán)間軌道出行總量，進(jìn)一步校準(zhǔn)擴(kuò)樣結(jié)果，擴(kuò)樣過(guò)程為

式中：f0,od、f1,od分別為組團(tuán)間信令數(shù)據(jù)識(shí)別的原始出行OD 量、按市場(chǎng)份額占比擴(kuò)樣后的出行OD量；wy為第y家運(yùn)營(yíng)商的市場(chǎng)份額；J為運(yùn)行商數(shù)量；w為目標(biāo)運(yùn)營(yíng)商的市場(chǎng)份額。完成市場(chǎng)份額擴(kuò)樣后，再對(duì)比AFC 數(shù)據(jù)統(tǒng)計(jì)得到的區(qū)域間軌道出行實(shí)際總量，進(jìn)一步校正信令數(shù)據(jù)識(shí)別結(jié)果。

式中：u為擴(kuò)樣因子；o、d 分別為解放碑至觀音橋、觀音橋至解放碑方向；uo為解放碑至觀音橋方向的擴(kuò)樣因子；ud為觀音橋至解放碑方向的擴(kuò)樣因子；ch,o、ch,d分別為第h-1 至第h小時(shí)內(nèi)o、d 方向信令識(shí)別的軌道出行量；ah,o、ah,d分別為第h-1至第h小時(shí)內(nèi)o、d 方向AFC 數(shù)據(jù)識(shí)別軌道出行量；fo、fd為o、d 方向信令識(shí)別的全日軌道出行總量；f2,od為組團(tuán)間全日全方式出行OD總量。同時(shí)根據(jù)重慶市軌道交通運(yùn)行時(shí)刻表(6:00-24:00)，調(diào)整式(4)中軌道列車的運(yùn)行時(shí)間為18 h。

1.2 混合Logit模型

混合Logit 模型考慮了個(gè)體異質(zhì)性，能夠假設(shè)出行者對(duì)于出行方式存在偏好差異，并將這種差異用隨機(jī)參數(shù)分布表示，使模型更加符合實(shí)際情況。研究表明，混合Logit 模型的參數(shù)分布形式對(duì)模型的精度和實(shí)際應(yīng)用有十分重要的影響，常用的參數(shù)分布形式為正態(tài)分布、均勻分布、γ分布等。本文在重慶市組團(tuán)間出行選擇ML模型的基礎(chǔ)上，改變參數(shù)分布形式，利用大數(shù)據(jù)分析結(jié)果比較和驗(yàn)證模型精度，探索模型優(yōu)化。

首先確定選擇枝集合，基于目前重慶市解放碑-觀音橋組團(tuán)出行中主要的交通出行方式，考慮與地鐵存在競(jìng)爭(zhēng)關(guān)系的出行方式作為備選項(xiàng)，確定選擇枝集合為地鐵、公交、出租車、私家車這4 種。其次，確定影響選擇枝效用的屬性。根據(jù)實(shí)際情況設(shè)置步行時(shí)間、候車時(shí)間、車內(nèi)時(shí)間、到達(dá)時(shí)間(指出行者搭乘某種交通方式出行時(shí)，從終點(diǎn)站下車至目的地所花費(fèi)的時(shí)間)以及費(fèi)用作為出行特征屬性，同時(shí)考慮出行者的性別、年齡、學(xué)歷、收入和私家車擁有情況等社會(huì)經(jīng)濟(jì)屬性。最后，利用大數(shù)據(jù)分析結(jié)果檢驗(yàn)和優(yōu)化模型。

將步行時(shí)間、候車時(shí)間、車內(nèi)時(shí)間、到達(dá)時(shí)間及費(fèi)用對(duì)應(yīng)的參數(shù)設(shè)置為隨機(jī)變量，則在混合Logit模型中，出行者n選擇出行方式i的可觀測(cè)效用Vni的基本形式為

式中，Ani為出行者n選擇出行方式i的固有常量；Xnik為出行者n選擇出行方式i的第k個(gè)出行方式特有屬性；Snik為出行者n選擇出行方式i的第k個(gè)個(gè)人社會(huì)經(jīng)濟(jì)屬性；βXk、βSk分別為對(duì)應(yīng)屬性的未知參數(shù)值；K為各種出行方式屬性的個(gè)數(shù)。

混合Logit 模型的概率函數(shù)可看作是多項(xiàng)Logit 概率函數(shù)在β密度函數(shù)f(ηn|zn,Ω)上的積分，即

式中，Pnj為出行者n選擇第j種交通方式的概率；Xn為出行者n；zn為出行者n的社會(huì)經(jīng)濟(jì)屬性；βn為對(duì)應(yīng)屬性的未知參數(shù)值總數(shù)；βn′為對(duì)應(yīng)屬性的未知參數(shù)值；Xnj為方案屬性隨個(gè)體和方案而變的屬性，即出行者n選擇出行方式i的屬性；ηn為隨機(jī)參數(shù)，隨選擇變化，能夠引起備選方案之間的相關(guān)性，通?？蛇x正態(tài)分布、均勻分布、γ分布等。

2 數(shù)據(jù)說(shuō)明

2.1 手機(jī)信令數(shù)據(jù)

手機(jī)信令數(shù)據(jù)是手機(jī)用戶通信與基站交互產(chǎn)生的信息，本次研究共獲得信令數(shù)據(jù)186466991條，包含5921526 位用戶，平均每人日均產(chǎn)生信令數(shù)據(jù)157 條。研究區(qū)域內(nèi)共有基站4186 個(gè)，按照1.1節(jié)原理進(jìn)行軌道基站標(biāo)定，共標(biāo)定地下基站120個(gè)，地上基站726個(gè)，基站分布如圖4所示。

圖4 重慶市軌道基站分布Fig.4 Distribution of metro base station in Chongqing

2.2 AFC數(shù)據(jù)

軌道交通AFC 數(shù)據(jù)是乘客進(jìn)出軌道站點(diǎn)刷卡所產(chǎn)生的信息，共獲得重慶軌道交通10 條線路運(yùn)營(yíng)時(shí)段AFC數(shù)據(jù)9228696條，提取觀音橋到解放碑組團(tuán)間的刷卡數(shù)據(jù)。以2020年6月1日為例，獲得6143條數(shù)據(jù)，結(jié)果如圖5所示。

圖5 基于AFC數(shù)據(jù)的組團(tuán)間軌道OD量Fig.5 Group OD of Guanyin Bridge CBD and Jie Fangbei CBD based on AFC data

2.3 RP調(diào)查數(shù)據(jù)

結(jié)合重慶市居民日常出行情況，設(shè)計(jì)解放碑-觀音橋組團(tuán)出行RP問(wèn)卷(Revealed Preference，行為調(diào)查)，收集居民出行選擇情況(步行時(shí)間、候車時(shí)間、車內(nèi)時(shí)間、到達(dá)時(shí)間和費(fèi)用等)和個(gè)人屬性信息(性別、年齡、是否擁有小汽車等)。采用實(shí)地調(diào)查和網(wǎng)絡(luò)問(wèn)卷形式，共發(fā)放問(wèn)卷250 份，回收有效問(wèn)卷207份。

問(wèn)卷結(jié)果如表1所示。在有效樣本中，男性占比54.59%，女性45.41%，基本符合人口調(diào)查比例。年齡分布總體集中在18～40 歲，偏向中青年群體。有71%的受訪者學(xué)歷為本科，收入分布主要集中在2000～10000 元之間。有60.87%的受訪者有至少1輛私家車。

表1 樣本個(gè)人基本屬性統(tǒng)計(jì)表Table 1 Statistical results of surveyed sample population

3 結(jié)果分析

利用手機(jī)信令數(shù)據(jù)提取組團(tuán)間的全方式OD識(shí)別結(jié)果，并同時(shí)使用AFC數(shù)據(jù)提取軌道OD識(shí)別結(jié)果，校驗(yàn)組團(tuán)之間的軌道分擔(dān)率。進(jìn)一步基于問(wèn)卷調(diào)查結(jié)果選定不同的異質(zhì)性參數(shù)標(biāo)定行為模型。并將模型預(yù)測(cè)結(jié)果跟大數(shù)據(jù)分析結(jié)果的分擔(dān)率對(duì)比，選擇最佳模型。

3.1 組團(tuán)軌道分擔(dān)率計(jì)算

組團(tuán)軌道分擔(dān)率計(jì)算主要數(shù)據(jù)源包括觀音橋與解放碑之間數(shù)據(jù)，基于信令數(shù)據(jù)的全方式OD識(shí)別結(jié)果和基于AFC數(shù)據(jù)的軌道OD識(shí)別結(jié)果，計(jì)算組團(tuán)間的軌道分擔(dān)率，為行為模型的精度校驗(yàn)提供定量分析依據(jù)。

(1)基于手機(jī)信令數(shù)據(jù)識(shí)別組團(tuán)間軌道OD量

觀音橋與解放碑之間的軌道OD 信令識(shí)別結(jié)果如圖6所示，組團(tuán)間軌道OD 出行受時(shí)間與出行方向的影響較大。組團(tuán)間兩個(gè)方向均呈現(xiàn)明顯雙峰特征。同時(shí)，早高峰客流，組團(tuán)間觀音橋至解放碑方向的客流高于解放碑至觀音橋方向；晚高峰客流，組團(tuán)間觀音橋至解放碑方向的客流低于解放碑至觀音橋方向。

圖6 組團(tuán)間軌道OD信令識(shí)別結(jié)果Fig.6 Group OD of Guanyin Bridge CBD and Jie Fangbei CBD based on cellular data

(2)組團(tuán)間的擴(kuò)樣因子計(jì)算結(jié)果

首先使用組團(tuán)間軌道OD的信令識(shí)別結(jié)果與AFC 數(shù)據(jù)識(shí)別結(jié)果計(jì)算其比值，如表2所示，該比值呈現(xiàn)較大的不規(guī)律性，波動(dòng)范圍位于1.86～4.43之間(0除外)，此現(xiàn)象進(jìn)一步說(shuō)明，若將組團(tuán)間的全方式信令識(shí)別結(jié)果進(jìn)行簡(jiǎn)單擴(kuò)樣誤差較大。最終計(jì)算平均值得到擴(kuò)樣因子uo=2.96，ud=3.04。

表2 組團(tuán)間各時(shí)段的AFC數(shù)據(jù)與信令識(shí)別結(jié)果識(shí)別結(jié)果Table 2 AFC data identification result and cellular data identification result at each time period between groups

(3)組團(tuán)間全方式信令識(shí)別結(jié)果與擴(kuò)樣結(jié)果

基于手機(jī)信令數(shù)據(jù)識(shí)別組團(tuán)間不同出行方向的全方式出行量分別為2678 與2842，分別乘以擴(kuò)樣因子uo=2.96，ud=3.04，最終得到組團(tuán)間OD總量為16544，結(jié)合AFC 數(shù)據(jù)識(shí)別的組團(tuán)軌道OD 總量為6143，即組團(tuán)間的軌道出行分擔(dān)率為37.13%。

3.2 不同隨機(jī)參數(shù)分布的ML模型精度對(duì)比

利用NLogit6.0軟件進(jìn)行模型標(biāo)定。將個(gè)體異質(zhì)性參數(shù)設(shè)置為正態(tài)分布、均勻分布和γ隨機(jī)分布，利用RP 調(diào)查問(wèn)卷數(shù)據(jù)標(biāo)定模型。進(jìn)一步對(duì)比現(xiàn)狀軌道分擔(dān)率，探索模型優(yōu)化。以地鐵為參考項(xiàng)，模型標(biāo)定結(jié)果如表3所示。所有參數(shù)的檢驗(yàn)值均小于0.05，說(shuō)明模型的所有參數(shù)均能對(duì)選擇行為造成影響。得出以下結(jié)論：

表3 混合Logit模型參數(shù)標(biāo)定結(jié)果Table 3 Calibration result of mixed Logit mode

(1)步行時(shí)間、候車時(shí)間、車內(nèi)時(shí)間、到達(dá)時(shí)間和費(fèi)用的符號(hào)均為負(fù)，說(shuō)明這5 個(gè)變量值越大，選擇該交通方式的概率越低。

(2)費(fèi)用和候車時(shí)間的參數(shù)絕對(duì)值較大，且參數(shù)值顯著，說(shuō)明費(fèi)用和候車時(shí)間對(duì)用戶在組團(tuán)間出行選擇影響更大。同時(shí)，車內(nèi)時(shí)間和到達(dá)時(shí)間參數(shù)不顯著，考慮到本文設(shè)置的情景屬于中短距離出行，用戶對(duì)車內(nèi)時(shí)間和到達(dá)時(shí)間的變化不敏感。

(3)隨機(jī)參數(shù)選擇正態(tài)分布時(shí)，性別、年齡、收入、是否擁有私家車這4 個(gè)參數(shù)均顯著。其中性別、年齡的參數(shù)為正，說(shuō)明年齡越大、女性用戶更愿意選擇公共交通出行；收入、是否擁有私家車的參數(shù)為負(fù)，說(shuō)明收入較高、有車群體更愿意選擇私家車出行；學(xué)歷的參數(shù)值不顯著，說(shuō)明學(xué)歷對(duì)出行方式選擇影響不大。

(4)隨機(jī)參數(shù)選擇為正態(tài)分布、均勻分布和γ分布時(shí)，模型的擬合優(yōu)度分別為：0.233、0.198和0.166，正態(tài)分布的擬合效果最佳。

3.3 分擔(dān)率預(yù)測(cè)與模型精度對(duì)比

基于當(dāng)前年份的交通與經(jīng)濟(jì)情況，當(dāng)隨機(jī)參數(shù)分布選擇分別為正態(tài)分布、均勻分布和γ分布時(shí)，組團(tuán)間的軌道分擔(dān)率分別為：39.5%、44.2%和42.7%。根據(jù)手機(jī)信令和AFC 刷卡數(shù)據(jù)的分析結(jié)果，真實(shí)軌道出行分擔(dān)率為37.13%。因此模型的預(yù)測(cè)誤差分別為：6.38%、19.04%和15.00%。表4為基于混合Logit 模型的地鐵出行分擔(dān)率預(yù)測(cè)結(jié)果，可以看出：

表4 基于混合Logit模型的地鐵出行分擔(dān)率預(yù)測(cè)結(jié)果Table 4 Different random parameters forecast of metro travel sharing rate

(1)本文構(gòu)建的混合Logit模型，對(duì)組團(tuán)出行分擔(dān)率的預(yù)測(cè)誤差最高為19.04%，最低為6.38%，造成預(yù)測(cè)誤差的主要原因可能是模型的標(biāo)定非常依賴問(wèn)卷調(diào)查數(shù)據(jù)量，并隨調(diào)查時(shí)間、地點(diǎn)等因素的改變存在一定的隨機(jī)性。

(2)通過(guò)模型精度的對(duì)比可知，當(dāng)隨機(jī)參數(shù)分布設(shè)置為正態(tài)分布時(shí)，預(yù)測(cè)軌道交通出行分擔(dān)率的誤差為6.38%，故隨機(jī)參數(shù)分布設(shè)置為正態(tài)分布時(shí)，模型預(yù)測(cè)精度最高。

(3)由于隨機(jī)參數(shù)分布本質(zhì)上是對(duì)真實(shí)行為輪廓的任意近似，因此隨機(jī)參數(shù)的選擇能夠很大程度上影響對(duì)真實(shí)出行行為的解釋，進(jìn)而影響模型預(yù)測(cè)精度，進(jìn)而造成不同隨機(jī)參數(shù)分布的誤差差別較大。

4 結(jié)論

交通行為研究能夠?yàn)榻煌ㄐ枨蠓治?、交通?guī)劃方案評(píng)估做基礎(chǔ)，但模型參數(shù)的選擇通常依賴主觀經(jīng)驗(yàn)，模型精度僅靠數(shù)理統(tǒng)計(jì)方法檢驗(yàn)，缺乏定量分析判斷，手機(jī)信令數(shù)據(jù)與AFC 刷卡數(shù)據(jù)能夠提供更加全樣本的城市交通出行特征。本文基于多源數(shù)據(jù)構(gòu)建了軌道出行信息識(shí)別體系，利用混合Logit 離散選擇模型預(yù)測(cè)現(xiàn)狀軌道分擔(dān)率，并對(duì)比不同隨機(jī)參數(shù)下大樣本數(shù)據(jù)與Logit模型在軌道分擔(dān)率識(shí)別上的誤差。結(jié)果表明：正態(tài)分布隨機(jī)參數(shù)下的混合Logit 模型預(yù)測(cè)效果最佳，誤差為2.37%；均勻分布隨機(jī)參數(shù)效果最差，誤差為7.07%。研究結(jié)論可為手機(jī)信令數(shù)據(jù)等多源數(shù)據(jù)下交通大樣本數(shù)據(jù)與交通行為模型相互標(biāo)定檢驗(yàn)提供思路。