基于改进MD模型的城市交通出行方式划分预测方法

第４９卷第３期　２０１７年６月　西安建筑科技大学学报（自然科学版）　Ｊ．Ｘｉ　ａｎ　Ｕｎｉｖ．ｏｆ　Ａｒｃｈ．＆Ｔｅｃｈ．（Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ）　Ｖｏ１．４９　Ｎｏ．３　Ｊｕｎ．２Ｏ１７　基于改进ＭＤ模型的城市交通出行方式　划分预测方法　王秋平，孙皓　（西安建筑科技大学土木工程学院，陕西西安７１００５５）　摘要：基于ＭＤ模型预测原理，结合城市居民出行特征，综合考虑旅客出行时间、出行费用对旅客出行方式选择的影响，　对传统ＭＤ模型中包含的出行牺牲量计算公式进行了改进，求得了各交通方式的安全性、舒适性、方便性量化值，并得到　了基于ＭＤ模型的城市交通出行方式划分预测模型．模型可用于预测新增交通方式的诱增交通量与划分结构，分析预测年　公交车、地铁费用变量与出行方式划分结构之间的规律．最后结合西安市的调查实例，验证了该预测方法的可行性．研究　结论可进一步丰富和完善城市交通出行方式划分预测理论．　关键词：综合交通运输；出行牺牲量；ＭＤ模型；出行方式划分；费用变量　中图分类号：Ｕ１２１　文献标志码：Ａ　文章编号：１００６—７９３０（２０１７）０３—０３４０—０６　Ｕｒｂａｎ　ｔｒａｆｆｉｃ　ｍｏｄａｌ　ｓｐｌｉｔｔｉｎｇ　ｂａｓｅｄ　ｏｎ　ｉｍｐｒｏｖｅｄ　ＭＤ　ｆｏｒｅｃａｓｔ　ｍｏｄｅｌ　ＷＡＮＧ　Ｑｉｕｐｉｎｇ，ＳＵＮＨａｏ　（Ｓｃｈｏｏｌ　ｏｆ　Ｃｉｖｉｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｘｉ　ａｎ　Ｕｎｉｖ．ｏｆ　Ａｒｃｈ．ｇ￣Ｔｅｃｈ．，Ｘｉ　ａｎ　７１００５５，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｐｒｉｎｃｉｐｌｅ　ｏｆ　ＭＤ　ｆｏｒｅｃａｓｔ　ｍｏｄｅｌ，ｃｏｍｂｉｎｅｄ　ｗｉｔｈ　ｒｅｓｉｄｅｎｔ　ｔｒａｖｅｌ　Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｉｎ　ｕｒｂａｎ。ｆｕｌｌｙ　ｃｏｎｓｉｄｅｒｅｄ　ｐａｓｓｅｎｇｅｒ　Ｓ　ｔｒａｖｅｌ　ｔｉｍｅ、ｔｒａｖｅｌ　ｃｏｓｔ、ｓａｆｅｔｙ、ｃｏｍｆｏｒｔ　ａｎｄ　ｃｏｎｖｅｎｉｅｎｃｅ　ｗｈｉｃｈ　ｉｎｆｌｕｅｎｃｅ　ｐａｓｓｅｎｇｅｒ　Ｓ　ｔｒａｆｆｉｃ　ｍｏｄｅ　ｃｈｏｉｃｅ。ｉｍｐｒｏｖｅｄ　ｔｈｅ　ｃａｌｃｕｌａｔｉｏｎ　ｆｏｒｍｕｌａ　ｆｏｒ　ｔｒａｖｅｌ　ｓａｃｒｉｆｉｃｉａｌｉｎ　ｔｒａｄｉｔｉｏｎａｌ　ＭＤ　ｆｏｒｅｃａｓｔ　ｍｏｄｅ１．ａｎｄ　ｏｂｔａｉｎｅｄ　ａ　ｐｒｅｄｉｃｔｉｏｎ　ｍｏｄｅｌ　ｏｆ　ｔｒａｖｅｌ　ｍｏｄｅ　ｃｈｏｉｃｅ　ｉｎ　ｕｒｂａｎ　ｂａｓｅｄ　ｏｎ　ＭＤ　ｆｏｒｅｃａｓｔ　ｍｏｄｅ１．Ｍｏｄｅｌ　ｃａｎ　ｂｅ　ｕｓｅｄ　ｔｏ　ｐｒｅｄｉｃｔ　ｔｈｅ　ｉｎｄｕｃｅｄ　ｔｒａｆｆｉｃ　ｏｆ　ｎｅｗ　ｔｙｐｅ　ｔｒａｎｓｐｏｒｔ　ｆａｃｉｌｉｔｙ　ａｎｄ　ｐａｒｔｉｔｉｏｎ　ｓｔｒｕｃｔｕｒｅ，ａｎａｌｙｓｉｓ　ｔｈｅ　ｃｈａｎｇｅ　ｌａｗ　ｏｆ　ｅｘｐｅｎｓｅ　ｖａｒｉａｂｌｅ　ｗｉｔｈ　ｐａｒｔｉｔｉｏｎ　ｓｔｒｕｃｔｕｒｅ　ｏｆ　ｔｒａｖｅｌ　ｍｏｄａ１．Ｆｉｎａｌｌｙ，ｃｏｍｂｉｎｅｄ　ｗｉｔｈ　ｔｈｅ　ｉｎｖｅｓｔｉｇａｔｉｏｎ　ｏｆ　Ｘｉ　ａｎ。ｔｈｅ　ｆｅａｓｉｂｉｌｉｔｙ　ｏｆ　ｔｈｅ　ｍｅｔｈｏｄ　ｗａｓ　ｖｅｒｉｆｉｅｄ．Ｒｅｓｅａｒｃｈ　ｃｏｎｃｌｕｓｉｏｎｓ　ｍａｙ　ｆｕｒｔｈｅｒ　ｅｎｒｉｃｈ　ａｎｄ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｕｒｂａｎ　ｔｒａｆｆｉｃ　ｍｏｄａｌ　ｓｐｌｉｔｔｉｎｇ　ｔｈｅｏｒｙ．　Ｋｅｙ　ｗｏｒｄｓ：ｉｎｔｅｇｒａｔｅｄ　ｔｒａｎｓｐｏｒｔａｔｉｏｎ；ｔｒａｖｅｌ　ｓａｃｒｉｆｉｃｉａｌ；ＭＤ　ｆｏｒｅｃａｓｔ　ｍｏｄｅｌ；ｔｒａｆｆｉｃ　ｍｏｄａｌ　ｓｐｌｉｔｔｉｎｇ；ｅｘｐｅｎｓｅ　ｖａｒｉａｂｌｅ　目前在交通方式划分预测方法上的主要研究　择大部分采用基于Ｌｏｇｉｔ的分离模型，但Ｌｏｇｉｔ模　型存在ⅡＡ特性和喜好随机性限制的缺陷，这使　成果可分为两大类：以统计学为基础的集计模型　和以概率学为基础的非集计模型口］．与集计模型相　比，非集计模型所需样本容量小、数据统计处理　简单，数据可拓展和再利用，对个体行为分析充　分，相对来说预测精度较高，因而应用广泛，逐　得模型和算法存在一定的局限性．　ＭＤ预测理论与方法是一种介于集计模型和非　集计模型之间的预测理论与方法．本质上它是一种　非集计交通方式划分模型，以概率论为基础，以　渐取代了集计模型．Ｇｅｒｋｅｎ使用了广义效用的概　念，建立了一种广义的多项Ｌｏｇｉｔ模型，使得模型　可以相对简单的处理复杂问题［１］．易富君等人在分　析影响经济圈交通方式选择的因素，建立了基于　Ｎｅｓｔｅｄ－－Ｉ　ｏｇｉｔ模型的经济圈交通方式划分方法　］．　经济学效应理论为原理，以效用最大化理论、最　小牺牲量理论为基础Ⅲ６］，考虑新增交通方式出现后　的转移运量和诱增运量，分析出行者个体对交通　方式的选择行为．与Ｌｏｇｉｔ模型相比，ＭＤ模型从　需求和供给两个角度出发，始终以各交通方式为　任刚等人以蚌埠市为例采用Ｌｏｇｉｔ模型研究影响城　市交通结构的主要因素，建立了出行者属性与个　体出行方式选择的合理关系模型　］．孙启鹏等人考　虑需求与供给的均衡性，建立基于动态广义费用　的交通方式选择Ｌｏｇｉｔ模型＿４］．现有的交通方式选　收稿日期：２０１６－０６—０６　修改稿日期：２０１７－０５—２６　处理单元，各交通方式之间相互独立，能更科学　的模拟旅客出行方式选择的过程．宋雪梅阐述了　ＭＤ模型的基本原理，对ＭＤ模型的计算方法进行　研究［６］．彭辉等考虑时间、费用为影响因素，利用　ＭＤ模型对市区交通方式划分结构做了预测Ⅲ７］．伍　基金项目：国家自然科学基金资助项目（５１２７８３９６）　作者简介：王秋平（１９６２一），女，博士，教授，主要从事交通规划与管理方面的研究　第３期　王秋平，等：基于改进ＭＤ模型的城市交通出行方式划分预测方法　３４１　拾煤利用ＭＤ模型，考虑了低碳因素对出行牺牲　量的影响ｌ＿８］．国内外已有关于交通方式划分的ＭＤ　模型的研究，大多针对存在交通方式较少的客运　通道，鲜有利用该模型针对宏观层面城市交通出　差与出行时间价值标准差相同．　１．５潜在需求显化率Ｒ　在ＭＤ模型中，实现了的潜在客运需求量转　化为实际需求量，二者的比率称为潜在需求显　化率：　Ｒ　一　－＂／ｍ　（３）　行方式划分的研究；同时，对于出行时间、出行　费用这两个重要影响因子的取值较笼统，精确性　有待提高；且模型的改进研究较少．鉴于此，基于　ＭＤ模型，考虑城市居民出行特征，精确统计各交　式中：ｑ　，Ｑ分别为交通方式ｍ的实际客运需求　量、潜在客运需求量．　出行者会选择出行牺牲量为最小牺牲量时的　通方式的出行费用、出行时间，计算安全性、舒　适性和方便性等服务因素的综合取值，构建了新　的出行牺牲量模型，确定了合理的参数取值，针　对目前城市交通的现状，预测了未来城市交通方　式划分结构．　１　ＭＤ模型的基本原理　１．１潜在客运需求Ｑ　潜在客运需求是指城市居民中有可能出行的　全部出行者总人数，并不考虑出行者的支付能力　和最终能否实现该出行需要．　１．２出行牺牲量Ｓ　出行牺牲量也可以称为出行广义费用量，它　是出行者在旅途中牺牲掉的时间、金钱、精力的　综合值．在ＭＤ模型中，始终假设出行者选择最　小出行牺牲量的交通方式．传统的ＭＤ模型认为　对出行行为影响最大的是出行时问与出行费用，　因此综合两者作为出行牺牲量．出行牺牲量用对数　表示如下：　Ｉｎ（Ｓ　）一ｌｎ（Ｃ　＋ｕＴ　）　（１）　式中：ｓ　表示交通方式ｍ的出行牺牲量；Ｃ　为　出行费用，元；Ｔ　为出行时间，ｈ；ｕ为出行时间　价值，元／ｈ，不同类型的出行者时间价值以收入　水平、出行目的作为判别标准而有所不同．在ＭＤ　预测模型中，认为时间价值呈对数正态分布，且　随着时间的变化分布参数随之改变．　１．３界限替代率　．　一。　在出行牺牲量直线图上，交通方式ｍ和ｍ一１　的直线交点称为界限替代率，可由式（１）推导出，　见式（２）：　Ｖｍ，ｍ－－１一　根据界限替代率便可得出各个交通方式的时　间价值区间，从而进一步计算各交通方式的选择　比例．　１．４　出行效用ｌｌ　假设ＭＤ模型与出行时间价值一样，出行效　用同样符合对数正态分布，且假设出行效用标准　交通方式，且出行需求实施的条件是出行者的出　行效用大于其选择的出行方式的牺牲量．因此，通　过计算时间价值和出行牺牲量两个概率分布组合　点的体积，便可求得潜在需求显化率，如式：　Ｒ　一　厂（Ｊ　ＩｎＳ１ｎ“）Ｊ　ｌｆｌｎｎｖｖｍ一　ｆ（１ｎ训（１ｎ训（１ｎ乱）　ｍ　ｍ．ｍ＋ｌ　（４）　２　基于ＭＤ模型的城市交通方式划　分预测方法　２．１出行时间价值估计　我国劳动者报酬占ＧＤＰ的相对份额大约为　０．６，因此可认为出行者时间价值的平均值为经济　产值在单位时间内的０．６倍　，表达式为　Ｖｉ＿ｏ．６×　（５）　式中：７３　表示基年城市的平均时间价值，元／ｈ；　ＧＤＰ　表示基年城市的地方生产总值，元；Ｎ　表　示基年城市的总人口数；Ａ为平均工作时间，可用　每年５Ｏ个工作周、每周５个工作日、每个工作８　ｈ　来计算．时间价值方差根据文献［１Ｏ］可知，我国居　民收入分布的标准差为７．０６６．居民收入水平为普遍　的社会经济现象，因此标准差采取：　＝＝：１．９５５．　２．２出行效用估计　利用ＭＤ模型中潜在需求显化率的计算公式，　可得：　Ｑ　一嚣一嚣一一　㈤　由式（６）可得到Ｃ　个方程，则，由　个方程　和式（４）可以求出Ｃ　个效用均值，最终效用均值　采用平均值，即：　Ｉｎ“一　厶　ｎ一　１∑￣，　／２１　“　）　（７），　　出行效用均值与出行者收入水平之间有较大　的相关性，而收入水平与ＧＤＰ直接相关，因此，　假设预测年时间价值的方差与基年相同，则预测　３４２　西安建筑科技大学学报（自然科学版）　第４９卷　年时间价值的均值表示为　（３）轨道交通出行费用的计算．　ｌｎ“＝／１１ｎ　ｕ　丽瓯　　…　）　参照公式（１０）轨道交通的出行牺牲量表示为　ｌｎ（Ｓ？　）一ｌｎＥｃ？　＋ｕ（　“’＋　其中：　“　、　和步行至目的地的时间．　（４）非机动车出行费用的计算．　ｃｒ￣　一　０ｔｎｏ　ｔｏ　＋　ｒ　ｌ　＋ｕｔ尸　＋“　，　Ｖ　Ｚ∈Ｌ　（１４）　）］，ＶｌＥＬ　（１３）　式中：　－　、　。　分别为预测年、基年出行效用均　值；ＧＤＰ　、ＧＤＰ　分别为预测年、基年城市内生　产总值．　２．３出行牺牲量估计　分别表示路段ｚ上的等待时间　根据出行牺牲量的计算公式（１），除了出行时　间价值外，出行牺牲量的计算还涉及到出行费用　式中ｃ　为非机动车路段ｚ的路阻函数，其模型　参考文献（５）、（６）由两部分组成：惩罚因子与交　和出行时间的计算．因城市内的几种主要交通方式　其各自的出行费用计算方法不同，需根据实际情　况分别计算．出行时间是一个统计量，需要经过实　际交通调查得到．　（１）小汽车出行牺牲量的计算．根据公式（１），　首先计算其出行费用，如下式：　ｃ　一ａ　＋ｕ　“∞［１＋０．１５ｖ？　／Ｃ？　］　＋　＋ｒ　“　，　Ｖ　∈Ｌ一　（９）　式中：ｃ　为小汽车路段ｚ的路阻函数，元，由美　国公路局ＢＰＲ公式改进而成　。　；ａ　为惩罚因子，　元，表征小汽车运输方式的舒适性、安全性以及　方便性；　∞为小汽车路段ｚ的自由流通行时间，　ｈ；［１＋０．１５ｖ？　／ｃ　］　为小汽车在路段ｚ上的拥挤　折算系数；ｕ　为小汽车路段１的交通量，ｖｅｈ／ｈ；　为小汽车路段ｌ的路段通行能力ｖｅｈ／ｈ；“　为　该次出行停车费用，元；ｒ　∞为小汽车路段ｚ的　自由流燃油费，元．则，小汽车该次出行的出行牺　牲量表示为　ｌｎ（Ｓ￣　）一ｌｎＥｃ？　＋ｕ（　“”＋　）］，Ｖ　ｚ∈Ｌ　（１０）　式中，￡　“”为小汽车的停车花费时间，ｈ；　“　为小汽车乘客至目的地的步行时间，ｈ．　（２）公交车出行牺牲量的计算．　ｆ尹　一ａｂ。ｕｓ　＋　＋４（ｕ尹　／Ｂ　）　］＋　ｌ　，ＶｌＥＬ　（１１）　式中：ｃ　为公交车路段ｚ的路阻函数，元，由三　部分组成：时间一费用、公交车票价、公交车拥　挤费用．ａ。／：ｕ，ｓ　为公交车惩罚因子；ｆ　为公交车路段ｚ　的通行时间，ｈ；４（ｕ　／Ｂ　）。为公交车拥挤折算出　行系数；Ｂ　为公交车在路段ｌ上的标准容量，　ｖｅｈ／ｍ￣　ｌ　为公交车在路段ｚ上的交通量，ｖｅｈ／ｍ；　ｚ｛“　为公交车路段ｚ的票价，元．则，公交车的出　行牺牲量表示为　ｌｎ（Ｓ￣　）一ｌｎＥｃ￣　＋ｕ（￡尹刑　＋￡　’）］，Ｖ　ｚ∈Ｌ缸　（１２）　其中：　“”表示公交车乘客等待公交车到来的时间，　ｈ；　表示公交车乘客至目的地的步行时问，ｈ．　通费用．ａ。ｍ　ｏｔ　为非机动车惩罚因子；ａ　为非机动　车各项费用元素的换算系数，元；ｒ　为非机动　车在路段ｌ上的运输费用，元；￡　为非机动车在　路段ｌ上的行驶时间，ｈ；“　为非机动车该次出　行的存车费用，元．则，非机动车车的出行牺牲　量最终表示为　１ｎ（Ｓ　）一ｌｎＥｃｒ￣　＋　（￡　“”＋　）］，ＶｌＥＬ　（１５）　其中：￡　“”表示非机动车乘客存车、取车所花费　的时问，ｈ；ｔｒ￣　表示步行至目的地的时间，ｈ．　（５）出租车出行牺牲量的计算．　ｆ　一－０￣０　ｍ＋ｕ　∞’［１十０．１５ｖ？　／（　］　＋　∞　，ＶｌＥ上　（１６）　式中：ｃ　为出租车路段ｚ的费用函数，元；ａ　为　出租车惩罚因子；ｆ　∞　为出租车路段ｚ的自由流　通行时间；［１＋０．１５ｖ？　／Ｃ？　］　为小汽车在路段ｌ　上的拥挤折算系数；ｕ　为小汽车路段ｚ上的车流　量，ｖｅｈ／ｈ；ｃ　为小汽车路段ｚ上的路段通行能　力，ｖｅｈ／ｈ；Ｚ．．　ｔａ　∞　为出租车路段ｌ的出租车费元；　则，出租车的出行牺牲量表示为：　ｌｎ（Ｓ？“）一ｌｎ￣ｃ？　＋ｕ（　＋　姑　）］　Ｖ　ｚ∈Ｌ　（１７）　式中：　ｎ　为出租车拦截的等待时间，￡ｆ…　为　出租车乘客到达目的地的步行时间．　（６）步行牺牲量的计算．　１ｎ（ｓ　）＝：ｌｎ［ａ　＋ｕ（￡　∞　＋　ｎ　）］，　Ｖ　ｌ∈Ｌ　（１８）　式中：Ｏｌ　Ｏｍ　为步行惩罚因子；　为路段ｚ的步　行时间，ｈ；ｔｒ＂　“　为至目的地过程中的耽误时间，　ｈ，如休息、临时停驻等．　出行牺牲量改变后，相应的，交通方式ｍ和　ｍ一１的界限替代率也应变为各交通方式改进的出　行牺牲量相同时求得的数值．　改进后的潜在需求显化率公式为　＋∞　ｒ１…　一ＪＩｔ　ｎ　（ｓ　）ｆ（１ｎ“）ｌＪ｜　ｎｖ’　ｆ（１ｎ　ｖ）ｄ（１ｎ　ｖ）ｄ（１ｎ　）　ｍ．一ｌ　（１９）　第３期　王秋平，等：基于改进ＭＤ模型的城市交通出行方式划分预测方法　３４３　２．４惩罚因子计算　由ＭＤ模型的理论意义可知，界限替代率的　取值是由小到大依次递增的，即由时间价值取值　最小的交通方式递增到时间价值最大的交通方式．　３　算例分析　３．１基本调查数据与参数设定　以西安市为例，对模型是否适用于预测城市　居民对可能的不同出行方式进行时问价值的评估　后，选择牺牲量最小的出行方式．由于城市交通系　统内，时间价值最小的交通方式为自行车，时间　交通出行方式划分进行验证．２０１０年西安市区人均　ＧＤＰ为３８　３４３元／人，计算得时间价值均值为　１１．５０元／ｈ，则　一２．４４．根据ＭＤ模型的原始　价值最大的交通方式为出租车出行，根据潜在需　计算方法，结合调查数据［１　，可求得２０１０年的效　求显化率公式（１９）可知，这两类交通方式其潜在　用均值为２．８４．　需求显化率可表示为　西安市２０１４年ＧＤＰ总值为５　４９２．６４亿元，　ｒ＋。。　ｒ＋ｏ。　Ｒ　＝ＩＪ　Ｉ　ｎ（Ｓｂ　）　ｆ（１ｎ　）ＩＪ　ｌ　“　厂（１ｎ　）ｄ（１ｎ　）ｄ（１ｎ　）　人均生产总值为６３　７９４元／人．根据公式（６）计算　，　得到２０１４年时间价值均值为１９．１４元／ｈ，则　Ｒ　：ＩＪｌ　“（　）　ｆ（１ｎ“）ＩＪＩ　“　一ｆ（１ｎ　ｖ）ｄ（１ｎ　ｖ）ｄ（１ｎ　）　一２．９５，　一１．９５５．西安市地铁于２０１１年９月　，　并且基年的　、　、　。　、　、步行与小汽车　１６日开通地铁２号线，于２０１３年０９月１５日开通　的出行比例已知，则有：　地铁１号线，仅运营两条线路．对于小汽车、出租　ｒ＋。。　ｒ＋。。　Ｒ训Ｊｌｎ（　ｆ（１ｎ　ｕ）Ｊ，　，（１　驯车出行牺牲量中的车辆拥挤折算系数参考２０１４年　一一％　Ｊｒ　ｆＩｎ（　）　（１ｎ“）Ｊ　ｒ　ｆ（１ｎ洲（１ｎ训（１ｎ“）　城市道路平均服务水平，取值为１．２６２　５，公交车　．　的拥挤折算系数取０．１．　设自行车的惩罚因子为０，带入该公式中即可得到　根据２０１４年对西安主城区居民的调查，该年　出租车的惩罚因子，继而求得其他交通方式的惩　各出行方式的平均出行时间和城区居民出行方式　罚因子．　结构如表１、表２所示．　表１　２０１４年各出行方式的平均出行时间　Ｔａｂ．１　Ｖａｒｉｏｕｓ　ｔｒａｎｓｐｏｒｔｓ　Ｓ　ａｖｅｒａｇｅ　ｔｒａｖｅｌ　ｔｉｍｅ　ｉｎ　２０１４　３．２模型计算　际偏差不大，计算结果较精确，验证了模型中参　根据模型的计算方法，带入调查数据求得的　数取值的准确性．　初始界限替代率如表３所示．　以此对２０２０年的交通方式结构划分进行预测，　根据前文计算未来年效用均值的公式（６），可　２０２０年西安的ＧＤＰ目标总值为９　０００亿元，预期　求得出行效用均值　为３．３８７．根据显化率计算　都市区人口达１　２８０万，据此可得时间价值均值为　公式，为使惩罚因子均大于０，令计算求得的惩罚　２１．１元／ｈ，贝０　ｌ　一３．０５，　ｌ　一１．９６．将２０２０年　因子最小的公交车惩罚因子取值为０，将２０１４年　的预测时间价值均值、时问价值方差、效用均值、　的时间价值、出行效用、出行时间、费用等参数　效用方差以及不同费用变量条件下各个交通方式　代入公式（４），即可得到２０１４年各交通方式的惩罚　的牺牲量带入模型中，得到的预测结果变化情况　因子取值，如表４所示．　如图１、图２所示，计算数据如表６所示．因篇幅　表５中，将ＭＤ模型的计算结果与当年实际　所限仅列出了交通方式结构随费用变量变化的结　交通方式划分结构进行比较，预测划分比例与实　果，模型也可通过调整其他变量进行结果分析．　３４４　西安建筑科技大学学报（自然科学版）　第４９卷　１．５　０．Ｏ８３　７　０．３３２　９　Ｏ．３４１　９　Ｏ．３５７　９　０．０４８　１　０．０４４　５　０．０８０　７　０．０８６　８　Ｏ．１４８　２　Ｏ．１５Ｏ　Ｏ　Ｏ．１５Ｏ　５　０．０６６　１　Ｏ．２４０　３　公交票价值　／兀　１．０　Ｏ．５　预测划分　比例　０．１Ｏ５　ｌ　０．１１７　８　０．０７１　１　Ｏ．Ｏ５８　２　０．０５３　６　０．２１３　５　Ｏ．Ｏ３９　５　Ｏ．Ｏ８７　５　Ｏ．１９３　２　３．５　０．３５１　７　０．Ｏ３６　７　０．０４８　１　Ｏ．Ｏ６４　５　Ｏ．Ｏ６３　５　０．１５３　５　Ｏ．１４８　２　Ｏ．１４１　７　Ｏ．１４０　５　０．０７５　７　Ｏ．Ｏ６６　１　０．０４７　６　０．２４７　８　Ｏ．２４０　３　０．２３７　８　Ｏ．２３７　Ｏ　地铁票价值　／兀　３．Ｏ　２．５　预测划分０．０８３　７　Ｏ．３３２　９　０．３２５　８　０．３１１　５　Ｏ．Ｏ８Ｏ　７　０．０９１　３　Ｏ．Ｏ９７　７　比例０．０９１　３　Ｏ．Ｏ９７　３　２．０　０．Ｏ８１　５　０．０３４　５　＋＋Ｏ．４ＯＯ　步行　公交车　＋自行车　－△－电动车　＋地铁—０一小汽车　出租车　—■一步行▲一公交车—米一自行车—●一地铁—△一电动车—Ｏ一小汽车　—◆一出租车　—０．３００　０．４０ｏ０　墨　Ｏ．３ＯＯＯ　ｏ．２ｏｏ　蘑　０．１Ｏ０　蚕　ｏ　２０００　露　Ｏ１０ＯＯ　０．０ＯＯ　２．Ｏ　２．５　３．Ｏ　３．５　公交票价值，元　地铁票价值／元　图１　公交票价值改变时的预测划分比例情况　Ｆｉｇ．１　Ｏｐｅｒａｔｉｏｎ　ｄａｔａｗｈｅｎ　ｂｕｓ　ｔｉｃｋｅｔ　ｖａｌｕｅ　ｃｈａｎｇｅｓ　图２地铁票价值改变时的预测划分比例情况　Ｆｉｇ．２　Ｏｐｅｒａｔｉｏｎ　ｄａｔａ　ｗｈｅｎｔｈｅ　ｓｕｂｗａｙｔｉｃｋｅｔ　ｖａｌｕｅ　ｃｈａｎｇｅｓ　第３期　王秋平，等：基于改进ＭＤ模型的城市交通出行方式划分预测方法　３４５　由表６可知，随着公交票价的降低，公交车出　ＷＡＮＧ　Ｑｉｕｐｉｎｇ．ＷＡＮＧ　Ｓｉｙｉｎｇ．Ｏｎｅ—ｗａｙ　ｔｒａｆｆｉｃ　ｏｒ—　ｇａｎｉｚａｔｉｏｎ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｏｆ　ｔｈｅ　ｈｉｓｔｏｒｉｃ　ｄｉｓｔｒｉｃｔ　ｂａｓｅｄ　ｏｎ　ｕｒ—　行比例增大，与公交车出行牺牲量相近的地铁与　步行出行比例下降幅度较大，出租车出行比例小　幅度下降，相对的自行车出行比例增加，电动车　ｂａｎ　ｔｒａｆｆｉｃ　ｎｅｔｗｏｒｋ［Ｊ］．Ｊ．Ｘｉ　ａｎ　Ｕｎｉｖ．ｏｆ　Ａｒｃｈ．＆Ｔｅｃｈ　（Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ），２０１４，４６（３）：３４２—３４７．　出行基本无影响，因公交出行与小汽车出行的出　行牺牲量差距较大，公交票价的变动对出行费用　Ｅｓ］易富君，邓卫，周竹萍．基于Ｎｅｓｔｅｄ—Ｌｏｇｉｔ模型的经济　圈交通方式划分方法研究［Ｊ］．交通运输系统工程与　信息，２００９，４（８）：１１０—１１５．　ＹＩ　Ｆｕｊｕｎ。ＤＥＮＧ　Ｗｅｉ，ＺＨ０Ｕ　Ｚｈｕｐｉｎｇ．Ｔｒａｆｆｉｃ　ｍｏｄａｌ　ｓｐｌｉｔｔｉｎｇ　ｍｅｔｈｏｄ　ｆｏｒ　ｅｃｏｎｏｍｉｃ　ｃｉｒｃｌｅ　ｂａｓｅｄ　ｏｎ　Ｎｅｓｔｅｄ—　最高的小汽车影响不大．　而随着地铁票价的降低，地铁出行比例增大，　与地铁出行牺牲量相近的公交车与出租车出行比　Ｌｏｇｉｔ　Ｍｏｄｅｌ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｔｒａｎｓｐ０ｒｔａｔｉｏｎ　Ｓｙｓｔｅｍｓ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　ｔｅｃｈｎｏｌｏｇｙ，２００９，４（８）：　例下降幅度较大．因地铁出行划分比例较小，其票　价的改变对慢行出行方式的影响较小．随着地铁出　行划分比例的增大，其票价的改变对其他出行方式　的影响也将逐渐增大．通过预测结果可以看出费用　变量对出行方式划分带来的影响，票价上升将导致　该出行方式的需求下降，与其出行牺牲量相近的出　行方式的需求上升，数据结果能够反映出行者个体　服从效用最大化、牺牲量最小化的出行原则．　４　结论　（１）通过改进传统ＭＤ模型中的出行牺牲量计　算公式，并对预测结果与实际结果进行比对分析　可知，所建立的预测模型相对误差较小，可体现　各交通方式的不同出行牺牲量，符合实际情况，　对预测城市出行方式划分提供了一种科学简便的　解决方法．　（２）基于调查数据，考虑到各出行方式的安全　性、舒适性和方便性，利用ＭＤ模型获得各个出　行方式的惩罚因子取值，对城市交通出行方式划　分预测具有一定的指导意义．　（３）通过分析城市道路平均服务水平、公交车　拥挤服务水平、地铁拥挤服务水平对出行方式划　分结构的影响，可确定城市出行方式划分的结构　目标。预测划分比例与实际均值偏差不大，验证　了模型的实用性．以预测西安市道路出行方式划分　为算例，针对预测年公交车出行票价、地铁出行　票价费用变量进行分析，得到了费用变量与出行　方式划分结构之间的变化规律．　（４）根据预测年城市交通建设发展规划提倡的　交通目标，可通过模型计算出新增交通方式的诱　增交通量与方式划分结构，对城市综合交通规划　与组织具有参考价值．　参考文献Ｒｅｆｅｒｅｎｃｅｓ　［１］　ＥＲＫＥＮ　Ｊ．Ｇｅｎｅｒａｌｉｚｅｄ　ｌｏｇｉｔ　ｍｏｄｅｌ［Ｊ］．Ｔｒａｎｓｐ０ｒｔａｔｉｏｎ　Ｒｅｓｅａｒｃｈ，１９９１，２５（２）：７５—８８．　Ｅ２］王秋平，王思颖．基于城市交通网络的历史街区单向　交通组织优化ＥＪ］．西安建筑科技大学学报：自然科学　版，２Ｏ１４，４６（３）：３４２—３４７．　１１０—１１５．　［４］ＲＥＮ　Ｇａｎｇ，ＺＨＯＵ　Ｚｈｕｐｉｎｇ，ＺＨＡＮＧ　Ｈａｏｒａｒ￣Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｄｉｓｃｒｅｔｅ　ｃｈｏｉｃｅ　ｍｏｄｅｌ　ｉｎ　ｔｒｉｐ　ｍｏｄｅ　ｓｔｒｕｃｔｕｒｅ　ｆｏｒｅｃａｓｔ：ａ　ｃａｓｅ　ｓｔｕｄｙ　ｏｆ　Ｂｅｎｇｂｕ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｓｏｕｔｈｅａｓｔ　Ｕｎｉｖｅｒｓｉｔｙ，　２０１１，２７（１）．　Ｅｓ］孙启鹏，朱磊，陈波．基于动态广义费用的客运通道交　通方式选择Ｌｏｇｉｔ模型［Ｊ］．交通运输系统工程与信　息，２０１３，１３（４）：１５—２２．　ＳＵＮ　Ｑｉｎｇｐｅｎｇ。ＺＨＵ　Ｌｅｉ．ＣＨＥＮ　Ｂｏ．Ａ　Ｄｙｎａｍｉｃ　Ｇｅｎｅｒａｌｉｚｅｄ　Ｃｏｓｔ　Ｂａｓｅｄ　Ｌｏｇｉｔ　Ｍｏｄｅｌ　ｆｏｒ　Ｐａｓｓｅｎｇｅｒ　Ｃｏｒｒｉｄｏｒｓ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｔｒａｎｓｐｏｒｔａｔｉｏｎ　Ｓｙｓｔｅｍｓ　Ｅｎｇｉ—　ｎｅｅｒｉｎｇ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　ｔｅｃｈｎｏｌｏｇｙ，２０１３，１３（４）：　１５—２２．　［６］宋雪梅，蒋阳升，云亮．ＭＤ预测模型的计算方法研　究［Ｊ］．交通运输工程与信息学报，２０１０，２（８）：　６５—７Ｏ．　Ｓ０ＮＧ　Ｘｕｅｍｅｉ，ＪＩＡＮＧ　Ｙａｎｇｓｈｅｎｇ，ＹＵＮ　Ｌｉａｎｇ．　Ｓｔｕｄｙ　ｏｎ　ｔｈｅ　ｃａｌｃｕｌａｔｉｏｎ　ｍｅｔｈｏｄ　Ｏｆ　ＭＤ　ｆｏｒｅｃａｓｔ　ｍｏｄｅ　［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｔｒａｎｓｐｏｒｔａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｉｎｆｏｒ—　ｍａｔｉｏｎ，２Ｏ１０，２（８）：６５—７０．　［７］彭辉，王洁．运输通道新建高速铁路客运量预测ＭＤ　模型［Ｊ］．交通运输工程学报，２００５，３（９）：９３—９７．　ＰＥＮＧ　Ｈｕｉ，ＷＡＮＧ　Ｊｉｅ．ＭＤ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｏｄｅｌ　ｏｆ　ｐａｓ—　ｓｅｎｇｅｒ　ｔｒａｆｆｉｃ　ｖｏｌｕｍｅ　ｆｏｒ　ｎｅｗｌｙ－ｂｕｉｌｔ　ｈｉｇｈ—・ｓｐｅｅｄ　ｒａｉｌ——　ｗａｙ　ｉｎ　ｔｒａｎｓｐｏｒｔ　ｃｏｒｒｉｄｏｒ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｔｒａｆｆｉｃ　ａｎｄ　Ｔｒａｎｓｐ０ｒｔａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，２００５，３（９）：９３—９７．　［８］　伍拾煤．密集城镇群多层级轨道交通客流预测模型研　究ＥＭ］．哈尔滨：哈尔滨工业大学，２０１４，１．　ＷＵ　Ｓｈｉｍｅｉ．Ｒｅｓｅａｒｃｈ　ｏｎ　ｐａｓｓｅｎｇｅｒ　ｆｌｏｗ　ｆｏｒｅｃａｔ　ｍｏｄｅｌ　ｏｆ　ｍｕｌｔｉ—ｌｅｖｅｌ　ｒａｉｌ　ｔｒａｎｓｉｔ　ｉｎ　ｄｅｎｓｅ　ｃｉｔｙ　ｇｒｏｕｐ［Ｍ］．　Ｈａｒｂｉｎ：Ｈａｒｂｉｎ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，２０１４，１．　［９］叶臻，关宏志，周竹萍．基于网络均衡的城市客运枢纽　换乘需求研究［Ｊ］．交通运输系统工程与信息，２０１３，　３３（５）：５３８－５４４．　ＹＥ　Ｚｈｅｎ，ＧＵＡＮ　Ｚｈｉｈｏｎｇ，ＺＨＯＵ　Ｚｈｕｐｉｎｇ．Ｒｅｓｅａｒｃｈ　ｏｎ　ｔｈｅ　ｔｒａｎｓｆｅｒ　ｄｅｍａｎｄ　ｉｎ　ｕｒｂａｎ　ｐｕｂｌｉｃ　ｔｒａｎｓｐｏｒｔａｔｉｏｎ　ｔｅｒｍｉｎａｌ　ｂａｓｅｄ　ｏｎ　ｎｅｔｗｏｒｋ　ｅｑｕｉｌｉｂｒｉｕｍ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｔｒａｎｓｐｏｒｔａｔｉｏｎ　Ｓｙｓｔｅｍｓ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ，２０１３，３３（５）：５３８－５４４．　［１Ｏ］陈云．居民收入分布及其变迁的统计研究Ｉ－Ｄ］．北京：　首都经济贸易大学，２００９．　ＣＨＥＮ　Ｙｕｎ．Ｓｔａｔｉｓｔｉｅａｌ　ｒｅｓｅａｒｃｈ　ｏｎ　ｔｈｅ　ｒｅｓｉｄｅｎｔ　ｉｎ—　ｃｏｍｅ　ｄｉｓｔｒｉｂｕｔｉｏｎ　ａｎｄ　ｉｔｓ　ｃｈａｎｇｅｓ［Ｄ］．ＢｅｉＪｉｎｇ：Ｃａｐｉｔａｌ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｅｃｏｎｏｍｉｃｓ　ａｎｄ　Ｂｕｓｉｎｅｓｓ，２００９．　（编辑昊海西）