基于模糊特性变量的出行方式预测Logit模型研究.docVIP

基于模糊特性变量的出行方式预测Logit模型研究 　　摘 要：从本质上来看，基于非集计模型与模糊数学理论，以城市居民出行的行为为具体的研究对象。因此，出行者本身的出行时间及其出行费用则很可能影响到此类模型计算或是理论研究结果的呈现。在研究过程中，利用了极大似然估计法进行模型参数的标定，同时，通过命中率检验等方法来出行时间模糊化处理，并削弱出行费用可能对模型总体框架的影响，以便于出行者选择一种最佳的出行方式。本文就针对基于模糊特性变量的出行方式预测Logit模型进行研究，将整个研究过程及其分析结论进行阐释。 　　关键词：模糊特性变量；出行方式；预测；Logit模型 　　前言：出行方式的选择有一定的规律可循，出行者往往需要结合关键因素来主观判断轨道交通或小汽车哪种为既定条件下的最佳出行方式，同时，以最大随机效用理论为支撑，构建一整套出行方式选择误差较小的Logit模型，进而为出行者预测符合一定出行条件的最佳出行方式。 　　一、出行者出行方式Logit模型的建立 　　（一）何谓“Logit模型”及其建立的意义 　　Logit模型是最早的离散选择模型，在目前，Logit模型的实际应用范围较为广泛。从概念上来看，Logit模型也可称其为“评定模型”或是“分类评定模型”，作为离散选择法模型当中的一员，该模型在统计实证分析研究领域当中有着较高的价值，是研究社会学、数量心理学或是市场营销学等学科内容的一种常用的分析方法[1]。在多重变量分析的框架下，Logit模型以其概率表达、模型解读速率较快且应用便捷等优势，被各类型求解模型研究项目所采用，其中，基于模糊特性变量的出行方式预测Logit模型的研究较为多见，在模型的科学化测算之下，能够为现代城市中出行者的出行方式的选择提供一定的便利。 　　（二）浅析出行者出行方式Logit模型框架的建立 　　从本质上来看，出行方式预测的非集计模型与集计模型相比较，其结果的误差较小，但这都是在模型测算样本有限的前提下所构建的模型。对于非集计模型来说，建立一种Logit模型的优势在于它本身的物理意义较为明确，但即便是此种模型构筑方式在出行方式研究项目中普遍应用，但其也存在着一定的缺陷问题，尤其是选择概率与各个方式的效用值的关联性不够明晰，这以及备选方案各自是否真正存在完全的独立性等等。基于此，在以往的研究资料中可以了解到，为了简化模型测算的推导过程，则需要针对以往的模型架构及其参数设计进行适当的改进与调整，克服其中存在的明显缺陷，特别是要突显出各类型备选方案的独立特性，从而通过模型测算更精准地计算出最佳的出行方案。 　　二、科学检验出行方式预测Logit模型效用的方法 　　Logit模型的应用广泛性的原因主要是因为其概率表达式的显性特点，模型的求解速度快[2]。基本假设与一般Logit模型趋同，简单来说，就是出行者其人作为以交通行为意识的模型研究对象，从而围绕其出行方式选择因素等内容展开一系列的测算，直至找到一种能够满足既定条件的合理化出行方式。在最终确定出行方式测算模型效用强弱时，要参考Logit模型所呈现出来的测算结果来执行。从具体的模型研究过程来分析，效用函数与一般Logit模型的效用函数大体一致，如若将出行者的人数设定为N，将出行方式设定为M，则可以建立一种基于模型特性的变量函数组合，如下面的公式所示： 　　在公式中，Uin为出行者n所选择的出行方式i的模糊效用函数，同样，Vin为效用函数当中的其中一个固定项，函数公式当中其余各个参量都是作为效用函数的随即参量而存在的，也就是说，模糊特性变量的参考值始终处于一种动态化的状态当中，这也是基于模糊特性变量出行方式预测函数Logit模型的突出优势[3]。这样一来，出行者可选择的出行方式可以通过模型数据参数计算出来。 　　三在模糊特性变量及相关理论支撑下的出行方式预测Logit模型研究 　　（一）构建预测Logit模型所需的模糊特性变量及其相关理论内容 　　随着现代化科学技术以及各项手段的不断改进，构建预测Logit模型所需的模糊特性变量本身的效用也突显出来，基于模糊特性变量的出行方式预测Logit模型项目的研究不断推进，为相关领域的实践注入了新的活力。从Logit模型的基本研究内容来看，Logit模型能够在一定程度上克服以往模型事后预测事前事件的缺陷，综合了FR模型中FR概率分析法和KLR模型中信号分析法的优点，极大地改善了出行预测的精准度，从而提升模型预测项目的实践价值。实际上，通过分析模糊特性变量及其相关的理论研究内容，能够清晰地了解到出行方式的选择与诸多因素息息相关，对于城市居民出行选择而言，需事先做好规划路径与出行方式选择等事务性工作。再者，通过模型检验的过程，来确定构建预测Logit模型所需的模糊特性变量的实际效用是