基于反馈学习机制的个体出行行为概念模型研讨.pdfVIP

基于反馈学习机制的个体出行行为概念模型研究 贺正冰马寿峰 (天津大学系统工程研究所，天津300072) 摘要：复杂的城市交通系统，因人的复杂而更加复杂。本文从个体在出行过程中获得反馈信息并对该信息进 行学习的角度，首先将影响个体出行的诸多因素进行分类，然后对个体出行前选择、出行中感知及出行后评价 这一过程进行分析，并最终建立一个基于学习反馈机制的个体出行行为概念模型，以求对人类交通出行这一复 杂行为进行较为准确的描述。 关键词：概念模型；反馈学习；出行行为 中、出行后的一系列过程进行建模，并最终提出 1引言 个体出行行为的概念模型，以求更精确地描绘出 交通系统，特别是城市道路交通系统，作为 个体在出行中对信息的反馈、积累及学习的过程。 一个开放复杂巨系统，其复杂性不仅表现在交通 2个体出行行为影响特征分析 系统与其他社会经济子系统之间有着紧密的物质、 能量以及信息的交换，而且在这些子系统内部诸 本文的研究对象主要为城市中驾驶小汽车出 要素之间也存在着十分复杂的关联关系。这种关 行的个体，这类个体在出行前的路径选择，出行 系的复杂性主要是由于要素“人”的存在所产生 中的路况感知，以及之后的出行评价均会受到多 的…。出行者复杂的心理活动，给出行选择增加 种因素的影响，例如对路上时间的估计将影响出 了相当大的不确定性，从而在很大程度上影响了 行者对路径的选择，而出行目的则体现了本次出 交通流预测的准确性。 行与以往出行的不同，还有出行者自身的年龄、 在现有交通需求预测方法中，较早便得到广 教育程度等，都会对出行选择产生很大影响。归 泛应用的集聚模型如四阶段法，基本忽略了单个 纳起来，可以将这些因素分为三类： 个体选择上的差异。而与之相对应的非集聚模型 (1)方案特征。方案特征用以区别不同备选 方案之间的差别，是可供个体出行者选择的各种 如MNL(MultinomialLogit)模型、GEV(General— izedExtreme Value)模型(见文献口1)等，虽然方案的特征，也就是相同起讫点间各条路径所具 考虑了个体出行决策中的差异，并主要从这个角 有的特征。其主要包括路径长度、路上时间、拥 度进行建模，但其也多以效用最大化为基础假设 挤程度三个比较明显的影响因素。 (见文献旧1)，并通过概率形式对个体出行进行表 (2)出行特征。出行特征主要体现了本次出 征。虽然这些方法有很多优点，但考虑到人类思 行与以往出行的不同，以区别本次出行。主要包 维过程的复杂性，仅仅使用一个或几个数学模型 括：出行时间段、出行目的。其中出行时间段是 对个体出行选择进行建模仍显得不够有力。而对 根据城市中平均的交通流量将一天分成若干时间 于另一种常用的混合仿真方法，虽然对现实世界 段，以区别不同时段内城市中车流量的较明显不 的反映更加丰富，但其重点却多放在选择集的生 同。而出行目的则可以根据对时空约束强度的不 成上，而对决策过程的研究则相对简单，一般也 同分为强、较强、较弱、弱四个等级”J。 只是采用MNL和NL模型MJ。为了更准确描述个 (3)个体特征。个体特征为出行个体的自然 体出行决策这一复杂过程，从而为接下来的仿真 特征，主要