第7章交通方式划分

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 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 密度高 公共交通利用率高。
式中 K--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、 Logit 模型
Logit 模型假设 (7.4-1) 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 (Gambel) 分布。 用概率变量 x 表示 e(k) ， θ 作为参数，随机项的 分布函数可表示如下 :
飞机
>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 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 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，20~40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。
2 出行端点模型 在出行发生与吸引阶段进行出行方式划分。
Oi
Oim m：modal
（出行端点）
划分D率i 曲线(出行Di端m 点)
Oim PmOi
划分率从发生端或吸引端考虑，多数属于发生 端出行端点模型；
端点方式划分率不是唯一的，按出行端点（家 庭和非家庭）、交通目的、交通方向、土地开 发强度进行分类，再用聚类分析法详细预测。
把发生、吸引交通量分配给各种交通方式。
案例：1956年美国芝加哥地区交通规划时曾经使用 过该类模型。
公
共
30
交
通
20
利
用
wk.baidu.com
率
10
%
收入水平（低） 收入水平（中） 收入水平（高）
0.2
0.4
0.6
0.8
1.0
可达性比例(A1/A2)
A1：小汽车可达性；A2：公共交通可达性。
其中，可达性计算方法如下：
一、集计分析与非集计分析的区别
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 明变量等方面不同。
集计分析——四阶段法
以交通小区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 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 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 是将数据按照交通小区统计之后建立预测模型 而称之为集计分析。
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 概述
交通方式划分
轨道
i
j
小汽车
…
交通方式划分（Modal Split）
出行者出行时选择交通工具的比例。
用交通方式选择的例子来说，意味着无 论其它交通方式 ( 如轨道交通方式 ) 存 在与否，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。
六、 Probit 模型与 Logit 模型的差异
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。
公
共 交
非汽车保有家庭
通 划
1辆/户
分
2辆/户
率
区人口密度
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。
n
Ai Y j / tij j 1
Ai：小区i的可达性； Yj：小区j的出行吸引量； tij：小区i，j之间的出行所需时间； r：系数。
优点：简单 缺点：
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。
3 出行相互转换模型(Trip Interchange Model)
(2)划分率模型 a. Logit模型(二元)
pijc
tijc tij

eZc eZc eZb
Zc a0 a1x1c a2 x2c
其中, ｃ:汽车(car)；ｂ:公共汽车(bus)
b.多项Logit模型
cijk
p e e ijk
ci j k
k
4 径路模型
1 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， 3 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 交通方式间交通需求的变化。
建模思路分为两种： 1 假设历史的变化情况将来继续延续
下去； 2 从规划的角度，期望将来达到的交
通方式结构。
研究交通方式划分的意义 – 城市 缓解城市道路交通拥堵； 城市公共交通资源的有效利用； – 城际 降低总社会成本； 实现总经济政策目标等。
23.4%
3.3 26.5
8.1 22.1
21.3% 28.2%
µØ Ìú ¹ú Ìú ˽ Ìú Æä Ëü ¹ì µÀ ¹« ¹² Æû ³µ ³ö × â Æû ³µ ˽ ÈË ½Î ³µ
µØ Ìú
× Ô Ð ³µ
40
¹« ¹² Æû ³µ
³ö × â Æû ³µ
˽ ÈË ½Î ³µ
客运
非集计分析
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 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 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 上而进行交通需求预测。
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 人行动结果。
轿车
公交车
划分率1.0
方式 1
非随机型
方式2 随机性 线性模型
0.0
该种方式一般多被采用。
3.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：
步行
步行、自行车
全交通 方式
步行 以外
自行车
个性化交 汽车 通工具 摩托车
公共交 公共汽车 通工具 轨道交通
6.多项选择；
二、交通方式划分模型
拥有量等。 缺点：难于考虑交通方式服务水平。
2.出行互换方式选择模型
在出行分布后进行方式划分（目前较多采用的 方法）
优点：������ 便于考虑出行特征和可用出行方式 的特征。
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
4.7
85.5
0.005
>200
5.6
0.0
30-60
3
77
0.005
20-30
9
-
0.005
30
7
119
0.005
运输能力 (人/时单向
) 2200 1.4-2.1万
-
8.3万 8.3万 5.0-8.4万 0.5-1.4万 0.84-2.5万
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 a．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
步行 自行车 摩托车
<3km <5km <8km
公共汽车 <300km
轿车
<500km
货车
<500km
铁路 500-1000km、低附加值货物
根据 (7.4-16) 式，采用 Probit 模型求解各径 路的选择概率时可得 :
p(1) ＝ 0.159 ， p(2)= 0.841
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、
tij

二、非集计分析的背景
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 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。
经典的四阶段法是为了评价长期交通 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 产生模型中的变量数限制和预测作业规 模大等问题。
ttti非jii轨行jj 机道人动

ti机j 动
货车）。
ti水j 上
tij tttiii公铁航jjj 路路空 ti水j 运 ti管j 道
ti公jtti摩共ji轿j 电托车车汽车

ti货j 车

t出租车 ij
3.9% 5.3%
17.6%
0.3%
在出行分布阶段进行方式划分。
方式划分率计算方法：
划分率曲线法（转移曲线法）
函数模型法������

线性模型
Logit模型
������ Probit模型：
(1)划分率曲线 tij timj
100 非汽车保有
50
汽车保有
0.5 1.0 1.5 2.0
时间比
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
式中 V(k) —方案 k 的固定效益； e(k) —随机项。 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 e(k) 服从某种概率分布。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 为知觉效益。
当随机效益 U(k) 比其他任何方案大时，方案 k 被选择，因此，方案 k 的选择概率 p(k) 可 由下式表示。
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
1.出行端点方式选择模型 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） 优点：能够考虑个体的特征，比如收入、汽车
1 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。
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
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。
– 简单，但无法考虑交通服务水平变化的影响。 因此使用较少。
家庭轿车 公共汽车 客轮 航空 铁道 高速铁路 地铁 路面电车
新交通系统
表6.1 各种交通方式的特性比较
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)
23
44.6
600
1.17
11
19.4
154
0.082
30
23.9
-
-
>800
30.2
456
-
30-200
1.多方式划分（Multi-Choice Method） 划分率1.0
方式1
方式4
0.0 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。
2.二元方式划分(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
此外，对于四阶段法预测的基础理论不 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 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“出行 者基于什么行为出行、出行思维的决定 过程如何”的行为模型。
三、Probit模型
非集计模型，根据以下所示的备选方案的随机 效益函数 U(k)决定选择行为。
五、 Logit 模型的 IIA 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 (Independence of Irrelevant Alternative 简称 IIA) ，属于 Logit 模型的弱点之一。