nl模型在ranscad中的應(yīng)用

nl模型在ranscad中的應(yīng)用

0多層logit模型交通方式的分類是這一時期需求模型的重要組成部分。該模型主要包括三種類型：回歸模型、交叉分類模型和離散選擇模型。前兩者屬于集計模型,后者屬于非集計模型。近年來,非集計模型由于它的高效、低成本建模方便、包含變量多、可移植性高等優(yōu)點,在美國、日本等發(fā)達國家多個領(lǐng)域被廣泛應(yīng)用,在我國也有一定的發(fā)展。國內(nèi)有關(guān)學(xué)者對非集計模型的原理和應(yīng)用做了詳細的闡述,并針對多元Logit模型在TransCAD上的實現(xiàn)進行了探討,但是對多層Logit模型在TransCAD上的實現(xiàn)研究不多。多層Logit模型是離散選擇模型中很重要的一種模型,在Trans-CAD中實現(xiàn)方法對未來交通方式劃分有較大的實際意義,故本文針對這方面的問題進行探討。1多層logit模型nl1.1多層logit模型離散選擇模型以效用極大理論為基礎(chǔ),其基本問題是在一個互相排斥但總體上完備的方案上建立選擇模型。離散選擇模型有很多種,其中最流行有2種:①多元Logit模型(multinomiallogitmode),簡稱為MNL模型;②多層Logit模型,又叫嵌入式Logit模型(nested-logitmodel),簡稱為NL模型。交通方式劃分有2種方法:單層劃分——將各種基本交通方式(如步行、自行車、小汽車、公共汽車等)直接作為選擇對象;多層劃分——將這些基本交通方式按相關(guān)和相似的關(guān)系分層劃分。前者對應(yīng)MNL模型,后者對應(yīng)NL模型。應(yīng)用MNL模型的1個基本假設(shè)是:出行方式效用函數(shù)中的隨機誤差項是相互獨立的。當(dāng)出行方式之間存在著相似性時,就不能使用MNL模型。而NL模型不需要獨立性假設(shè),它將供選擇的方式進行直觀的分組、分層,提供了1個上下層聯(lián)合的決策問題。顯然,在出行方式間不相互獨立的條件下,NL模型因考慮到了方式之間的相關(guān)性,必定要比MNL模型更接近實際。1.2vemi+kzk,在NL模型中,當(dāng)?shù)蛯哟纬鲂蟹绞角短椎纳蠈咏Y(jié)點被選擇時,下層出行方式的選擇具有條件概率性,因此上層的效用是下層出行方式選項的函數(shù)。上層方案的效用一般由2部分構(gòu)成:較低層結(jié)構(gòu)中方案的最大期望效用(VEMU)和其所有方案的共有屬性矢量(Z)。VEMU的表達式為VEMU=log∑jexp(Vj)VEΜU=log∑jexp(Vj)式中:Vj為較低層出行方案的效用。于是上層的綜合效用為V=βVEMU+αZV=βVEΜU+αΖ式中:β、α分別為VEMU和Z的參數(shù);Z為所有在該級各選項子集中取值相同的變量。例如普通交通與軌道交通是公共交通的子集,若兩者有k個相同的屬性變量,則公共交通的效用為V=βVEMU+∑kαkZkV=βVEΜU+∑kαkΖk式中:Zk為第k個共有屬性變量的取值;αk為其參數(shù)。TransCAD中使用了一個叫做logsum的特別變量來表示VEMU,利用logsum可以將上下層的效用聯(lián)系起來。2模型參數(shù)估計在TransCAD中,方式劃分的實現(xiàn)有兩種界面來完成:表格界面和樹型界面。它們的作用如表1所列。由表1可知,NL模型的參數(shù)估計要用到表格界面,而模型的應(yīng)用要用到樹型界面。NL模型在TransCAD上的實現(xiàn)分為以下4個步驟:1模型結(jié)構(gòu)的競爭把相關(guān)聯(lián)方案子集按分級或嵌套方式分組以形成性質(zhì)不同的模型結(jié)構(gòu),各組合方案之間需產(chǎn)生競爭。模型的結(jié)構(gòu)會對方式劃分的結(jié)果準確性產(chǎn)生非常大的影響,所以要通過分析各方式之間的關(guān)系,力爭尋找到最佳的NL結(jié)構(gòu)。2年變化時的數(shù)據(jù)集計應(yīng)用模型需要的數(shù)據(jù)包括2個方面:①用于模型標定的數(shù)據(jù);②用于預(yù)測的未來年的特性變量的數(shù)據(jù)。在TransCAD中,用于模型標定的數(shù)據(jù)為非集計的數(shù)據(jù)即個人選擇的數(shù)據(jù)。而用于預(yù)測時的數(shù)據(jù)一般選用基于OD的小區(qū)間的集計數(shù)據(jù)。根據(jù)所確定的模型結(jié)構(gòu)對調(diào)查的數(shù)據(jù)進行整理,分出各級結(jié)點性質(zhì)相同和性質(zhì)相異的變量。3底層模型參數(shù)估計和方式劃分參數(shù)估計分為2個階段。(1)下層結(jié)點的參數(shù)估計。這里把最底層的模型都看成是多個獨立的MNL模型,通過指定模型表和運行Planning-ModeSplit-MultinomialLogitEstimation分別對每一個多元Logit模型進行定義和估計,定義和估計詳見參考文獻,注意省略所有在該級各選項中取值相同的變量。(2)上層結(jié)點的參數(shù)估計。由于上層方案的效用一般由兩部分構(gòu)成,參數(shù)估計分為logsum的參數(shù)和較低層次的效用參數(shù)2個部分。根據(jù)底層模型參數(shù)的估計,使用公式域?qū)ψ畹讓拥母鱾€模型的離散數(shù)據(jù)計算其logsum值,之后對上層模型進行定義和估計,注意要在每一個下層嵌套有決策點的效用函數(shù)中都添加進logsum變量,并且不能包含下層各個方案相異的變量。依次類推,模型中的所有參數(shù)均可被估算出來。(4)應(yīng)用NL模型進行方式劃分。模型在交通運輸方面的應(yīng)用通常是在集計的區(qū)域?qū)哟紊线M行,應(yīng)用該模型的目的是獲得每對起訖點之間各種交通方式所占的份額。操作時,打開需要使用的解釋性變量所在的Views或Matrics,運行Planning-ModeSplit-NestedLogitApplication,根據(jù)所有需要填充Nested-LogitModel視窗,一般選擇aggragate和OD-based類型的模型,加載模型并選擇應(yīng)用該模型所需要的OD數(shù)據(jù),在Model選項卡中查看、編輯該模型的樹狀結(jié)構(gòu),此時在各最下層的結(jié)點中可加上其各相異的效用變量和參數(shù),在下層有嵌套決策點的結(jié)點中加上其下層的logsum參數(shù)和相同的效用變量和參數(shù)。運行即可得到各個出行方式在總流量中所占比例。3居民出行方式分將某一區(qū)域分為5種交通出行方式,其中分別有獨自駕駛小汽車(alongdrive)、多人合乘小汽車(carpool)和公共汽車(bus)3種出行方式,需要對其居民出行方式進行分擔(dān)。相對于公共交通(transit),獨自駕駛小汽車和多人合乘小汽車都屬于私人交通工具(auto)出行,有著較大的相關(guān)性,故選擇NL模型進行方式分擔(dān)。1模型結(jié)構(gòu)的確定如圖1所示。2出行個人特征變量模型標定非集計數(shù)據(jù)和未來年小區(qū)的集計數(shù)據(jù)。分別包括交通方式的特征變量:小汽車停車費用(parkcost)、小汽車行駛阻抗(autoTT)、合乘人員聚集的時間(coll—time)、公共汽車行駛阻抗(autoTT)、公共汽車費用(buscost)等,和出行個人特征變量:擁有的汽車數(shù)、收入(income)性別(gender)等。經(jīng)分析可知,AlongDrive和Carpool的相同變量有Parkcost、AutoTT,相異的變量有Coll—Time和Income等。3模型表及參數(shù)經(jīng)過反復(fù)決定模型表、估計參數(shù),去掉t檢驗小于2的項(t檢驗小于2的變量有95%以上的可能性無關(guān)緊要),確定圖2中的模型表及參數(shù)。在實際操作中,要全面仔細分析各有關(guān)的解釋性變量,在參數(shù)估計時可以結(jié)合各解釋性變量自身的特點,對其正負性有一個初步的判斷,例如圖2的估計中,Coll—Time值越大,選擇Carpool的比例應(yīng)該越小,因此,其參數(shù)值應(yīng)為負數(shù)。4restrchioce域根據(jù)以上確定的模型,用公式域計算出模型標定數(shù)據(jù)中的Logsum值,并增加一個Restrchioce域,合并Strchoice中的AlongDrive與Carpool后,這樣就變成了Auto和Bus之間的分式分擔(dān),如圖3所示。重復(fù)建立模型并進行參數(shù)估計,去掉t檢驗小于2的項,確定圖4中模型表,并估計出參數(shù)值。5模型樹的標定在Application選項卡設(shè)置模型類型,并在Model選項卡中將3)、4)中估計的參數(shù)填入模型樹,注意Auto的標定中要加上Logsum1行,如圖5所示(此圖是運行的TransCAD4.5,而在TransCAD4.8上將會增加InputViews和InputMatrices兩個選項卡來修改NL模型的數(shù)據(jù)源,目的是使其更加方便)。選擇RUN即可運行出結(jié)果。6式的比例各小區(qū)間公交車、單獨乘車