一种动态结构下考虑群体异质性的出行方式链选择方法技术

本发明专利技术公开了一种动态结构下考虑群体异质性的出行方式链选择方法，包括：(1)计算先验概率；(2)计算期望效用方程，确定选项特定的价值函数和条件选择概率函数；(3)计算似然函数；(4)计算后验概率，更新条件选择概率；(5)计算效用参数和类型参数；(6)利用期望最大算法迭代优化先验概率、后验概率和组合似然函数，达到同时获得效用参数和类型参数；(7)对步骤(6)效用参数和类型参数进行参数估计。本发明专利技术利用EM算法与条件选择概率算子结合的方法，估计动态离散选择模型中的两类参数；通过马尔科夫链的结构建模前后选择之间相关性，采用有限混合分布假设将群体的选择异质性分类，从而更好地预测出行者全天出行链选择的模式。预测出行者全天出行链选择的模式。

【技术实现步骤摘要】
一种动态结构下考虑群体异质性的出行方式链选择方法


[0001]本专利技术涉及出行方式选择建模领域，特别涉及一种动态结构下考虑群体异质性的出行方式链选择方法。

技术介绍

[0002]随着新型出行方式不断涌现，在传统的公交、地铁等交通方式外，共享单车、共享汽车、拼车等出行方式丰富了城市绿色出行水平，随着城镇化飞速发展，一二线城市向外快速扩张，使得人们的出行平均距离增加，另外由于不同地区的可达性不同，单一的出行方式常常较难满足出行者的需求。目前大城市小汽车拥有量仍在上升，小汽车的出行分担率很高，但受到拥堵、停车收费、停车位少等约束，以小汽车换成其他方式的出行模式呈现上升趋势；选择公交出行由于出发点与上车点、下车点与目的地之间仍有可能存在一段距离，使得选择多模式出行更加明显。
[0003]在这种多模式出行环境下，公众出行者希望减少出行时间、提高出行的便捷和舒适程度，交通服务企业希望连接更多出行服务商的服务，通过提供优质服务产品获利，交通运输管理部门希望借助平台辅助调控城市出行结构，引导公众绿色出行比例，为出行者提供良好的服务。因此有必要对人们全天活动的出行方式链进行分析，挖掘不同群体的选择偏好，从而为实现上述目标提供技术支持。
[0004]传统的出行方式选择主要涉及单模式选择，即在某些固定场景下仅提供单一出行方式的选项，利用一次出行的数据来标定参数，这种方式显然不适合多模式出行场景；另外，在一些基于活动的模型中，考虑到了出行方式链的建模，一大挑战是捕捉前后选择之间的关系。一些简化的处理方式包括：假设一种主要的出行方式、使用巢式结构将上下层选择相连、枚举所有可能的出行方式组合等，但是这些方法，一方面无法考虑选择的时间动态性，即当前选择会影响未来的交通方式，未来的交通状态同样会影响当前交通方式的选择；另一方面，没有考虑不同群体选择的异质性，人们的偏好极大程度上决定了出行方式链的选择类型。

技术实现思路

[0005]专利技术目的：针对以上问题，本专利技术目的是提供一种动态结构下考虑群体异质性的出行方式链选择方法，通过考虑不同群体的异质性进而预测不同出行者的出行选择方式。
[0006]技术方案：本专利技术的一种动态结构下考虑群体异质性的出行方式链选择方法，包括如下步骤：
[0007](1)利用Logit模型表示每个出行者属于各个不可观测类型的先验概率；
[0008](2)应用贝尔曼最优准则计算出行者属于不可观测类型的期望效用方程，优化期望效用方程，确定选项特定的价值函数，利用价值函数确定条件选择概率函数；
[0009](3)利用条件选择概率计算出行者每个阶段出行选择的似然函数，然后根据每个阶段的似然函数计算得到所有出行者做出连续出行方式选择的组合似然函数；
[0010](4)根据先验概率和似然函数计算出行者属于各个不可观测类型的后验概率，利用后验概率更新条件选择概率；
[0011](5)通过最大化似然函数计算动态离散选择模型的效用参数和类型参数；
[0012](6)利用期望最大算法迭代优化先验概率、后验概率和组合似然函数，最大化组合似然函数以达到同时获得效用参数和类型参数；
[0013](7)利用已知数据对步骤(6)最终得到的效用参数和类型参数进行参数估计，利用交叉验证模型精度。
[0014]进一步，所述步骤1先验概率的表达式为：
[0015][0016]其中μ
nζ
为出行者n属于不可观测类型ζ先验概率，β
ζ
为待估计的类型参数，z
n
为出行者n的出行属性向量，所述出行属性向量包括出行时间、出行距离、出行者年龄，ζ为每个出行者所属的不可观测类型，所述不可观测类型包括价格敏感和时间敏感，不可观测类型变量ζ之间相互独立且不随时间变化，l表示所有的不可观测类型。
[0017]进一步，在每一个阶段k∈{1,2,
…
,K
n
}出行者从可行子集里做出选择，以最大化当前和折减后的未来效用值为选择规则，组合效用包括三个部分：当前阶段k的即时效用u
k
(x
k
,y
k
,a
k
,ζ)、误差项ε和折减未来效用，在应用贝尔曼最优准则和对误差项ε积分后，出行者的状态变量为x
k
、非状态变量为y
k
时，属于不可观测类型为ζ的期望效用V
k
(x
k
,y
k
,ζ)方程为：
[0018][0019]其中a
k
表示出行者每个阶段k的行动，C
k
为行动a
k
的有限选择集合；ε
k
为未观测的误差变量，ε
k+1
与上一阶段的变量相独立，ε
k
在所有阶段间独立且服从同分布；状态变量x
k
包括出行目的p∈P、已使用的出行方式序列s∈S＝{m1,m2,
…
,m
k
‑1}、可行的方式子集为h∈H，当前阶段的出发时间st，st以半小时为间隔的离散变量，因此x
k
＝{p
k
,s
k
,h
k
,st
k
}，θ∈(0,1)表示折减系数，X
k
为状态变量x
k
的集合，非状态变量为y
k
包括人口属性变量和不同方式的通行时间，m
k
表示阶段k使用的出行方式，f(x
k+1
|x
k
,a
k
,ζ)表示给定(x
k
,a
k
,ζ)下获得状态变量x
k+1
的转移概率，g(ε
k
)为未观测变量的转移概率，且每一个变量定义域为实数域；x
k+1
包括x
k
所转移的所有有效信息；
[0020]为获得闭合形式的计算结构，假设ε
k
独立同分布于耿贝尔Gumbel分布，则有g(ε)＝∏
j
g(ε
j
)，从而期望效用方程简化成：
[0021][0022]其中v
k
(x
k
,y
k
,a
k
,ζ)为选项特定的价值函数，γ为欧拉常数，则行动a
k
的条件选择概率表达式为：
[0023][0024]其中a
′
k
为有限选择集合C
k
的所有元素；
[0025]通过条件选择概率表示期望效用方程为：
[0026][0027]从上式可知状态向量(x
k
,y
k
,ζ)的期望效用V
k
(x
k
,y
k
,ζ)是以下几个值的和：选项特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动态结构下考虑群体异质性的出行方式链选择方法，其特征在于，包括如下步骤：(1)利用Logit模型表示每个出行者属于各个不可观测类型的先验概率；(2)应用贝尔曼最优准则计算出行者属于不可观测类型的期望效用方程，优化期望效用方程，确定选项特定的价值函数，利用价值函数确定条件选择概率函数；(3)利用条件选择概率计算出行者每个阶段出行选择的似然函数，然后根据每个阶段的似然函数计算得到所有出行者做出连续出行方式选择的组合似然函数；(4)根据先验概率和似然函数计算出行者属于各个不可观测类型的后验概率，利用后验概率更新条件选择概率；(5)通过最大化似然函数计算动态离散选择模型的效用参数和类型参数；(6)利用期望最大算法迭代优化先验概率、后验概率和组合似然函数，最大化组合似然函数以达到同时获得效用参数和类型参数；(7)利用已知数据对步骤(6)最终得到的效用参数和类型参数进行参数估计，利用交叉验证模型精度。2.根据权利要求1所述的出行方式链选择方法，其特征在于，所述步骤1先验概率的表达式为：其中μ
nζ
为出行者n属于不可观测类型ζ先验概率，β
ζ
为待估计的类型参数，z
n
为出行者n的出行属性向量，所述出行属性向量包括出行时间、出行距离、出行者年龄，ζ为每个出行者属于的不可观测类型，l表示所有的不可观测类型。3.根据权利要求2所述的出行方式链选择方法，其特征在于，在每一个阶段k∈{1,2,
…
,K
n
}出行者从可行子集里做出选择，以最大化当前和折减后的未来效用值为选择规则，组合效用包括三个部分：当前阶段k的即时效用u
k
(x
k
,y
k
,a
k
,ζ)、误差项ε和折减未来效用，在应用贝尔曼最优准则和对误差项ε积分后，出行者的状态变量为x
k
、非状态变量为y
k
时，属于不可观测类型为ζ的期望效用V
k
(x
k
,y
k
,ζ)方程为：其中a
k
表示出行者每个阶段k的行动，C
k
为行动a
k
的有限选择集合；ε
k
为未观测的误差变量，ε
k+1
与上一阶段的变量相独立，ε
k
在所有阶段独立且服从同分布；状态变量x
k
包括出行目的p∈P、已使用的出行方式序列s∈S＝{m1,m2,
…
,m
k
‑1}、可行的方式子集为h∈H，当前阶段的出发时间st，st以半小时为间隔的离散变量，因此x
k
＝{p
k
,s
k
,h
k
,st
k
}，θ∈(0,1)表示折减系数，X
k
为状态变量x
k
的集合，非状态变量为y
k
包括人口属性变量和不同方式的通行时间，m
k
表示阶段k使用的出行方式，f(x
k+1
|x
k
,a
k
,ζ)表示给定(x
k
,a
k
,ζ)下获得状态变量x
k+1
的转移概率，g(ε
k
)为未观测变量的转移概率，且每一个变量定义域为实数域；x
k+1
包括x
k
所转移的所有有效信息；
为获得闭合形式的计算结构，假设ε
k
独立同分布于耿贝尔Gumbel分布，则有g(ε)＝∏
j
g(ε
j
)，从而期望效用方程简化成：其中v
k
(x
k
,y
k
,a
k
,ζ)为选项特定的价值函数，γ为欧拉常数，则行动a
k
的条件选择概率表达式为：其中a
′
k
为有限选择集合C
k
的所有元素；通过条件选择概率表示期望效用方程为：从上式可知状态向量(x
k
,y
k

【专利技术属性】
技术研发人员：李大韦，宋玉晨，邱树荣，任刚，杨敏，刘攀，
申请(专利权)人：东南大学，
类型：发明
国别省市：