第7章 交通方式划分模型(Modal Split Model)主要内容:第1节概述第2节影响交通方式划分的因素第3节交通方式划分过程及划分率经验模型重点第4节非集计交通方式划分模型重点第一节第一节 概述概述轨道轨道小汽车小汽车ij交通方式划分交通方式划分l交通方式划分（交通方式划分（Modal Split） 出行者出行时选择交通工具的比例。 1 以居民出行调查数据为基础，以居民出行调查数据为基础， 2 研究人们出行时的交通方式选择行为，研究人们出行时的交通方式选择行为， 3 建立模型预测基础设施变化或交通服务水平等条建立模型预测基础设施变化或交通服务水平等条件变化时件变化时 交通方式间交通需求的变化。交通方式间交通需求的变化。l建模思路分为两种：建模思路分为两种： 1 假设历史的变化情况将来继续延续假设历史的变化情况将来继续延续下去；下去； 2 从规划的角度，期望将来达到的交从规划的角度，期望将来达到的交通方式结构。通方式结构。l研究交通方式划分的意义研究交通方式划分的意义城市l缓解城市道路交通拥堵；l城市公共交通资源的有效利用；城际l降低总社会成本；l实现总经济政策目标等。l城市交通的代表性交通方式城市交通的代表性交通方式轨道交通；公共汽车；小汽车；摩托车；自行车、电动自行车；步行交通方式：1.城际间：铁路、公路、航空、水运、管道；2.城市范围：轨道（地铁、轻轨、独轨等）、水运、道路（行人、非机动车、摩托车、出租、公共电汽车、客车、货车）。客运运行速度(km/h)Co2排放(g/人km)能耗(千卡/人km)死亡人数(人/亿人km)运输能力(人/时单向)家庭轿车2344.66001.172200公共汽车1119.41540.0821.4-2.1万客轮3023.9-航空80030.2456-铁道30-2004.785.50.0058.3万高速铁路2005.60.08.3万地铁30-603770.0055.0-8.4万路面电车20-309-0.0050.5-1.4万新交通系统3071190.0050.84-2.5万表表6.1 各种交通方式的特性比较各种交通方式的特性比较第二节影响交通方式划分的因素出行特性、交通服务水平、个人属性、家庭属性和地区特性等。一、出行特性一、出行特性a出行目的出行目的上班、上学出行：汽车利用率低、公共交通利用率高。业务出行：因需要在多客户处停留，装卸货物等，所以汽车利用率高、公共交通利用率低。自由出行：汽车(出租)利用率高。b出行距离出行距离步行3km自行车5km摩托车8km公共汽车300km轿车500km货车1000km、高附加值货物水运(内河)短途、捷径、观光水运(近海、远洋)旅游、散货、低附加值货物。二、交通服务水平二、交通服务水平行驶时间、费用、等待时间、运到期限、舒适性、安全性、可靠性。行驶时间的可靠性三、个人属性三、个人属性职业、年龄、性别、收入、驾照持有与否、汽车保有与否。业务员、推销员汽车使用率高，2040岁汽车利用率高，其它年龄段公共汽车利用率高，男性比女性汽车利用率高，收入高汽车利用率高。四、家庭属性四、家庭属性单身、夫妻、有否小孩、是否与老人同居。老人、小孩上医院机会多汽车利用机会增多。五、地区特性五、地区特性人口规模、交通设施水平、地形、气候等。城市规模大交通设施水平高公共汽车利用率高山川、河流多汽车、公共汽车利用率高雨天、雪天公共交通方式利用率高停车设施舒适性和便利性。六、区内人口密度六、区内人口密度密度高公共交通利用率高。公共交通划分率区人口密度非汽车保有家庭1辆/户2辆/户第三节交通方式选择的程序及划分率经验模型一、划分率预测体系的分类根据交通方式选择特性进行分类（1）单阶段多元选择划分率模型不分为固定阶层和选择阶层，而是一起来考虑。（2）二阶段二元选择划分率模型分固定阶层和选择阶层，不考虑地区间的交通服务水平。1.多方式划分（多方式划分（Multi-Choice Method）一次计算可以预测各种交通方式的划分率，但随着自变量的增加，模型变复杂。方式4方式1划分率1.00.02.二元方式划分二元方式划分(Binary Choice Method)区分固定阶层和选择阶层；OD交通量个人属性轿车利用层方式选择层公交利用层轿车公交车该种方式一般多被采用。划分率1.00.0方式2随机性线性模型非随机型方式13.集计选择：以交通小区为单位；4.非集计选择：以个人为单位；5.二者择一：全交通方式步行、自行车步行以外步行自行车个性化交通工具公共交通工具汽车摩托车公共汽车轨道交通6.多项选择；二、交通方式划分模型二、交通方式划分模型1 全域模型全域模型各种交通方式的服务水平的差异是决定交通方式分担的主要因素。l预测步骤如下：预测步骤如下：设定交通网络设定交通服务水平计算交通方式分担率计算各种交通方式的交通量2 出行端点模型出行端点模型 根据居民的特性，从一开始就把交通量分配给根据居民的特性，从一开始就把交通量分配给各种交通方式的预测模型。各种交通方式的预测模型。简单，但无法考虑交通服务水平变化的影响。因此使用较少。2 出行端点模型出行端点模型在出行发生与吸引阶段进行出行方式划分。m：modal（出行端点）划分率曲线(出行端点)l划分率从划分率从发生端或吸引端考虑，多数属于发生考虑，多数属于发生端出行端点模型；端出行端点模型；l端点方式划分率端点方式划分率不是唯一的，按出行端点（家，按出行端点（家庭和非家庭）、交通目的、交通方向、土地开庭和非家庭）、交通目的、交通方向、土地开发强度进行发强度进行分类，再用聚类分析法详细预测。，再用聚类分析法详细预测。l把发生、吸引交通量分配给各种交通方式。把发生、吸引交通量分配给各种交通方式。l案例：案例：1956年美国芝加哥地区交通规划时曾经使用过年美国芝加哥地区交通规划时曾经使用过该类模型。该类模型。A1：小汽车可达性；A2：公共交通可达性。l其中，可达性计算方法如下：其中，可达性计算方法如下：lAi：小区：小区i的可达性；的可达性；lYj：小区：小区j的出行吸引量；的出行吸引量；ltij：小区：小区i，j之间的出行所需时间；之间的出行所需时间；lr：系数。：系数。l优点：简单优点：简单l缺点：缺点： 不包含交通服务水平因素，因而无法分析这些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。因素改善后对出行方式选择的影响。3 出行相互转换模型出行相互转换模型(Trip Interchange Model) 在出行分布阶段进行方式划分。l方式划分率计算方法：l 划分率曲线法（转移曲线法）l 函数模型法l 线性模型l Logit模型l Probit模型：(1)划分率曲线划分率曲线非汽车保有汽车保有10050时间比0.51.01.52.0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)划分率模型划分率模型 a. Logit模型模型(二元二元)其中,:汽车(car)；:公共汽车(bus)b.多项多项Logit模型模型4 径路模型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）比较两种模型比较两种模型l1.出行端点方式选择模型l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）l优点：能够考虑个体的特征，比如收入、汽车拥有量等。l缺点：难于考虑交通方式服务水平。l2.出行互换方式选择模型l在出行分布后进行方式划分（目前较多采用的方法）l优点：便于考虑出行特征和可用出行方式的特征。l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l一、集计分析与非集计分析的区别一、集计分析与非集计分析的区别 l与集计分析相比，非集计分析在分析的单位、模型与集计分析相比，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。明变量等方面不同。 集计分析集计分析四阶段法四阶段法l以以交通小区交通小区为单位将出行者的交通行动进行集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，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、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是将数据按照交通小区统计之后建立预测模型而称之为而称之为集计分析集计分析。非集计分析非集计分析l 非集计分析交通需求预测，表现出行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。上而进行交通需求预测。l 在非集计分析时，采用先使用调查的在非集计分析时，采用先使用调查的个人行动数据建模，预测时，再统计个个人行动数据建模，预测时，再统计个人行动结果。人行动结果。 二、非集计分析的背景二、非集计分析的背景 l 非集计分析被用于交通需求预测并获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。寻求与此适应的评价分析方法。 l 经典的四阶段法是为了评价经典的四阶段法是为了评价长期长期交通交通设施的建设或改建而开发的方法，将此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产生模型中的变量数限制和预测作业规模大等问题。模大等问题。 l此外，对于四阶段法预测的此外，对于四阶段法预测的基础理论基础理论不不明确，需要根据交通小区的土地利用性明确，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，需要反映更加科学地分析预测，需要反映“出行出行者基于什么行为出行、出行思维的决定者基于什么行为出行、出行思维的决定过程如何过程如何”的行为模型。的行为模型。三、三、Probit模型模型 l非集计模型，根据以下所示的备选方案的随机效非集计模型，根据以下所示的备选方案的随机效益函数益函数 U(k)决定选择行为。决定选择行为。 l式中式中 V(k) 方案方案 k 的固定效益；的固定效益； le(k) 随机项。随机项。 l固定效益可由行驶时间、费用等的方案特性，以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。假设及年龄、职业等的个人属性表示。假设 e(k) 服服从某种概率分布。由于随机效益是个人在选择时从某种概率分布。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所具有的感觉上的评价值，从而有时也称为知觉效益。效益。l当随机效益当随机效益 U(k) 比其他任何方案大时，方案比其他任何方案大时，方案 k 被选择，因此，方案被选择，因此，方案 k 的选择概率的选择概率 p(k) 可由可由下式表示。下式表示。 l式中式中 K-方案集。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、四、 Logit 模型模型 lLogit 模型假设模型假设 (7.4-1) 式中效益函数的随机项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相互独立，且服从同一的干贝尔 (Gambel) 分布。分布。用概率变量用概率变量 x 表示表示 e(k) ， 作为参数，随机项的作为参数，随机项的分布函数可表示如下分布函数可表示如下 : 五、五、 Logit 模型的模型的 IIA 特性特性 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(IndependenceofIrrelevantAlternative简称IIA)，属于Logit模型的弱点之一。l用交通方式选择的例子来说，意味着无用交通方式选择的例子来说，意味着无论其它交通方式论其它交通方式 ( 如轨道交通方式如轨道交通方式 ) 存在存在与否，选择小客车与选择公共汽车的相与否，选择小客车与选择公共汽车的相对优劣相等，而实际上并非如此。与小对优劣相等，而实际上并非如此。与小客车相比，轨道交通方式的存在对公共客车相比，轨道交通方式的存在对公共汽车的选择使用有很大影响。汽车的选择使用有很大影响。 六、六、 Probit 模型与模型与 Logit 模型的差异模型的差异 l假设有两条选择径路，各径路的固定效益及其假设有两条选择径路，各径路的固定效益及其方差、协方差矩阵由下式给定。方差、协方差矩阵由下式给定。l根据根据 (7.4-16) 式，采用式，采用 Probit 模型求解各径模型求解各径路的选择概率时可得路的选择概率时可得 : lp(1) 0.159 ， p(2)= 0.841 l使用使用 Logit 模型时，由模型时，由 (7.4-15) 式可知选择概式可知选择概率为率为 : lp(1) =0.119 ， p(2) =0.881 l由此结果可知，由此结果可知， Logit 模型与模型与 Probit 模模型相比，过大估计选择概率大的径路型相比，过大估计选择概率大的径路 ( 备选方案备选方案 ) ，过小地推算选择概率小的，过小地推算选择概率小的径路。其原因在于模型中关于随机项的径路。其原因在于模型中关于随机项的假设，即假设，即 Logit 模型假设径路的随机误模型假设径路的随机误差相互独立，而差相互独立，而 Probit 模型假设随机误模型假设随机误差具有相关关系。差具有相关关系。 l径路重合部分增大时，由于随机误差的径路重合部分增大时，由于随机误差的相关性增大，相关性增大， Probit 模型与模型与 Logit 模型模型的计算值产生很大差别。因此，径路重的计算值产生很大差别。因此，径路重合部分多时，应该使用合部分多时，应该使用 Probit 模型，使模型，使用计算比较简单的嵌套用计算比较简单的嵌套 Logit 模型也能模型也能求得近似解。求得近似解。