nl模型在ranscad中的應用

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、可移植性高等優點,在美國、日本等發達國家多個領域被廣泛應用,在我國也有一定的發展。國內有關學者對非集計模型的原理和應用做了詳細的闡述,并針對多元Logit模型在TransCAD上的實現進行了探討,但是對多層Logit模型在TransCAD上的實現研究不多。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,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和相似的關系分層劃分。前者對應MNL模型,后者對應NL模型。應用MNL模型的1個基本假設是:出行方式效用函數中的隨機誤差項是相互獨立的。當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,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性,必定要比MNL模型更接近實際。1.2vemi+kzk,在NL模型中,當低層次出行方式嵌套的上層結點被選擇時,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。上層方案的效用一般由2部分構成:較低層結構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;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。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系起來。2模型參數估計在TransCAD中,方式劃分的實現有兩種界面來完成: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模型的參數估計要用到表格界面,而模型的應用要用到樹型界面。NL模型在TransCAD上的實現分為以下4個步驟:1模型結構的競爭把相關聯方案子集按分級或嵌套方式分組以形成性質不同的模型結構,各組合方案之間需產生競爭。模型的結構會對方式劃分的結果準確性產生非常大的影響,所以要通過分析各方式之間的關系,力爭尋找到最佳的NL結構。2年變化時的數據集計應用模型需要的數據包括2個方面:①用于模型標定的數據;②用于預測的未來年的特性變量的數據。在TransCAD中,用于模型標定的數據為非集計的數據即個人選擇的數據。而用于預測時的數據一般選用基于OD的小區間的集計數據。根據所確定的模型結構對調查的數據進行整理,分出各級結點性質相同和性質相異的變量。3底層模型參數估計和方式劃分參數估計分為2個階段。(1)下層結點的參數估計。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)上層結點的參數估計。由于上層方案的效用一般由兩部分構成,參數估計分為logsum的參數和較低層次的效用參數2個部分。根據底層模型參數的估計,使用公式域對最底層的各個模型的離散數據計算其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,模型中的所有參數均可被估算出來。(4)應用NL模型進行方式劃分。模型在交通運輸方面的應用通常是在集計的區域層次上進行,應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,加載模型并選擇應用該模型所需要的OD數據,在Model選項卡中查看、編輯該模型的樹狀結構,此時在各最下層的結點中可加上其各相異的效用變量和參數,在下層有嵌套決策點的結點中加上其下層的logsum參數和相同的效用變量和參數。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。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,有著較大的相關性,故選擇NL模型進行方式分擔。1模型結構的確定如圖1所示。2出行個人特征變量模型標定非集計數據和未來年小區的集計數據。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、收入(income)性別(gender)等。經分析可知,AlongDrive和Carpool的相同變量有Parkcost、AutoTT,相異的變量有Coll—Time和Income等。3模型表及參數經過反復決定模型表、估計參數,去掉t檢驗小于2的項(t檢驗小于2的變量有95%以上的可能性無關緊要),確定圖2中的模型表及參數。在實際操作中,要全面仔細分析各有關的解釋性變量,在參數估計時可以結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的比例應該越小,因此,其參數值應為負數。4restrchioce域根據以上確定的模型,用公式域計算出模型標定數據中的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,如圖3所示。重復建立模型并進行參數估計,去掉t檢驗小于2的項,確定圖4中模型表,并估計出參數值。5模型樹的標定在Application選項卡設置模型類型,并在Model選項卡中將3)、4)中估計的參數填入模型樹,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模型的數據源,目的是使其更加方便)。選擇RUN即可運行出結果。6式的比例各小區間公交車、單獨乘車