07方式劃分和選擇分析

1、 7 方式劃分和選擇分析方式選擇模型用于分析和個體或個體組群在進行某種類型的出行時，對不同方式的選擇。說來，其目的是各出行方式所占的分額或出行數目。公交出行的比例，為交通分配模型生成車輛是各種形式的 logit 模型，回歸和交叉方式選擇模型的一個重要目標是出行量矩陣。研究方式選擇的最常用的的也會用到。TransCAD 的析模型也可以用來和服務的市場分額，盡管這與交通并沒有。TransCAD 提供了估計和應用方式選擇模型的一系列程序，其中多項式 logit、嵌套式 logit、回歸、和交叉。本章內容方式選擇2Logit 方式選擇模型舉例4多元 Logit8多層 Logit9數據準備12樹形視圖界

2、面 Logit 模型（多元和多層）的應用12使用基于表格界面的多元 Logit 模型25快速簡便地應用集計多元 Logit 的程序37其他應用問題和程序39多元 Logit 模型的參數估計47多層 Logit 模型的參數估計53方式劃分和選擇分析的技術注釋54第 7 章 方式劃分和選擇分析 7-1方式選擇方式選擇模型的估計和應用可以在基于出行個體的離散數據上進行，也可以在區(qū)域層次集計數據的基礎上進行。集計模型的應用尋求區(qū)域各交通方式的出行比例，而離散模型的應用是基普查或樣本綜合取得的個體數據的分析。在個體層次上，選擇的問題本來就是分離進行的：每個人在一組可選的出行，挑選出其中的一種。來說，交通

3、需求模型中方式選擇這一部分，首先是通過對調查所獲得的個體數據的分析估算出來的，然后再根據集計的解釋性變量作出。方式選擇模型的數據通常出行者的情況（例如收入以及是否擁有汽車）和可選的出行方式的服務情況（例如出行的時間和花費）。構建模型的一種是先識別哪些因果變量與方式選擇相關，然后通過實際數據檢驗這些變量的統(tǒng)計 意義。對于公交出行模型，考慮諸如是否接近公交車站，可能需要的換乘，以及研究 表明對使用公交有影響的其他因素，都是十分重要的。作為模型構建的一部分，TransCAD 常被用于生成起迄點之間部分或者全部的出行服務特征指標，這些指標是模型估計和應用所需要的基礎數據。其計算可以通過沿各 出行方式的

4、網絡路徑，瀏覽匯總有關指標來實現。在 TransCAD 用戶手冊第 13 章“網絡和最短路徑”中，提供了關于創(chuàng)建車輛出行時間矩陣的。在本手冊的第 11 章“公交網絡、最佳路徑和路徑屬性”中，提供了關于創(chuàng)建公交出行時間和耗費矩陣的。在有些情況下，只需要考慮兩種出行方式：私人汽車和公共交通。在很多大公共的情況城市有多種公交方式，所以在模型中通常包含那些主要的公共汽車和火車。此外，單獨駕駛或合伙使用汽車可能也要考慮。在數據下，非機動的以在步行或自行車也應該考慮。在公共交通利用率非常低的地區(qū)，可 忽略方式選擇模型。對不同的出行目的，應建立其各自的方式選擇模型，這是因為決定出行方式的因素會隨不同類型的出

5、行而有所不同。有時候，對不同類型的家庭，也需要分別建立模型。模型不需要為了在 TransCAD 中應用而必須用 TransCAD 來估計。各種模型的應用都已經考慮到，如何使其他估計模型很容易地能移植到 TransCAD 中來執(zhí)行。這使得已經的模型的轉換或者根據選擇實驗（choice experiments）而建立的基于陳述的優(yōu)選（stated preference）模型的應用變得很簡單。后法在選擇分析中尤其有效，因為它可以對幾乎全新的公交方式進行。以及離散選擇模型（例如 logit方式劃分和選擇分析的主要或多層 logit ）。這里只是簡單的模型的應用。有回歸、交叉每種，在本章后面的部分將會著

6、重logit固定份額模型方式選擇模型的最簡單形式就是將固定額這種應用到總的出行矩陣中，進而產生用于交通分配的車輛出行矩陣。整個地區(qū)可能有一個固定分額，也可能隨著起迄點的變化而變化（例如，起迄點在大學校園的那些出行，可以其自行車出行的比例較高）。駕車出行的份額可根據車輛乘員因數的形式來表述，該形式可以用來將一個按人為的出行矩陣轉化為一個按車輛為的出行矩陣。在 TransCAD中，這類固定份額模型可通過矩陣操作來實現（見 TransCAD 用戶手冊第 18 章“處理7-2TransCAD 交通需求模型矩陣”）。另外，可以通過 PA 到 OD 程序（查看本手冊第 8 章“P-A 到 O-D 和時段轉

7、化”）用車輛乘員因數計算車輛出行。固定份額模型的缺點是它不能反映交通方式的屬性（例如出行時間和出行耗費） 或者各區(qū)域人口屬性（例如收入）對不同出行方式的份額的影響?；貧w模型回歸模型有時被用于集計的方式比例。被用于方式選擇的回歸模型通常某一方式的出行數目或比例。例如，一個模型可以汽車出行中，合伙開車或者乘公交車出行的人數所占的比例。這樣的模型在出行的數目或比例，和出行者的經濟情況及對出行方式的特點之間建立統(tǒng)計。在 TransCAD 中，用戶可以估計線形回歸方程并且應用這些方程進行。當區(qū)域比例分布在 0 和 1 之間，并且只考慮兩種交通方式的時候，用回歸模型是適合的（當然用 logit 更好）。用

8、戶也可以將其他的途徑獲得的回歸方程導入 TransCAD。用戶手冊在第 19 章“表格與統(tǒng)計”中，對如何創(chuàng)建、估計和應用線形回歸方程的有詳細。交叉模型的是把人群或者研究區(qū)域劃分為幾個同源組群（ homogenous交叉groups）。這些組群可以根據出行者屬性的差異（如收入或者是否擁有汽車等等）、 要選擇的出行方式的屬性（例如出行的時間等）、或者地區(qū)類型（例如是市中心區(qū)還是郊區(qū)）來。組群也可以按照出行方式的導出效用來，這可以出行者的情況或者是出行方式的屬性。按照上述思路，交叉分組群的曲線。表可以被用來定義劃在交叉中，都要導出每一組有共同屬性的組群對各出行方式的平均選擇比例。這些平均的比例可以基

9、于調查或者基回歸或離散選擇模型的估計。交叉分類法，在同一組群中，人們對各出行方式選擇的份額，相對來說是一個。因此，在創(chuàng)建了表并給出每一組群選擇各出行方式的比例以后，就可以群體的方式選擇比例或者個體的方式選擇概率。用交叉法地進行方式選擇是一項艱巨的任務。其主要的是建立組群的。在每一個類型內部往往比類型之間有的差異，這樣使交叉法賴以成立的假設前提，即每個組群中出行方式的比例相對而言是，變得很值得懷疑。TransCAD 提供了程序讓用戶創(chuàng)建交叉對照表，并且通過交叉來各出行方式的比例。本手冊第二章“出行生成發(fā)生”對在 TransCAD 中如何使用交叉分類分析的提供了詳細的描述。離散選擇模型個體所的出行

10、方式的選擇本質上是一個離散的選擇：即從一組可選的作出一項選擇。因此，用于用于出行方式選擇的分析。當因變量是定性的或者模型可以說在許多方面了普通最小二乘法的從一組離散的選項中做出選擇的離散選擇模型經常被的而不是連續(xù)的情況下，用離散選擇模型來替代回歸 可取的?；貧w模型不適用于分析離散的因變量，因為它（Aldrich and Nelson,1984）。相反，離散選擇模型是作第 7 章 方式劃分和選擇分析 7-3為隨機模型而建立的。其中，觀察到某一特定相應的概率是一組解釋性變量的一個函 數。解釋離散選擇的函數形式有很多種，其中被證實是很有效的并且被廣泛的應用的 一個函數，就是多元 logit 模型（M

11、NL）。多層 Logit（NL）模型也逐漸地被常用來做方式選擇分析。Daniel McFadden 推動了 logit 模型在方式選擇上的應用，他從事個人選擇建模理論和的工作，為此他獲得了 2000 年學獎。他開發(fā)了被廣泛使用的多元 logit 模型（他眾多貢獻中的一個），該模型的第一個應用實例是他關于系統(tǒng)（BART）出行的（McFadden, 2001）。舊金山的港口地區(qū)的快速回歸和交叉的在第二章“出行生成發(fā)生”和第三章“出行生成吸引”已經仔細地討論過了。這一章我們集中討論多元 logit 模型和多層 logit 模型。首先，本章將對他們做一個的討論。TransCAD 提供了兩個應用 log

12、it 模型的用戶界面。一個是基于表格的界面，它了多元 logit 模型的估計和應用（不多層 logit模型），而且提供其它一些好用的功能，如遞增 logit。另外一個是基于樹形視圖的界面，它多元 logit 和多層 logit 模型的應用（但不估計）。Logit 方式選擇模型舉例為了說明如何在分析方式選擇時使用 logit 模型，最就是通過一個例子。如下圖所示，想象一個城鎮(zhèn)有五個區(qū)域，一個公路網絡和一個公共汽車網絡：每一個工作日，人們乘公共汽車或者開私人汽車去工作。每個工作的人 二元選擇問題，而這個問題可以通過建立一個 logit 模型來描述。一個在未來的某一年，比如 2010 年，每兩假設您

13、是這個城鎮(zhèn)的交通規(guī)劃師，您想個區(qū)域間的乘公共汽車和開私人汽車的比例。作為輸入，您已經有個人出行矩陣；而 作為輸出，您想要知道這個矩陣給出的出行量當中，有多大比例是開車，另有多少是 乘公共汽車。輸入出行矩陣輸出份額矩陣7-4TransCAD 交通需求模型您認為每個人對出行方式的選擇受以下幾個因素的影響：停車費用公共汽車票價乘私人汽車需要的時間乘公共汽車需要的時間是否擁有私人汽車家庭收入這些因素被稱為解釋性變量。它們可以分為兩類：個體的特征，例如收入，是否擁有私人汽車，選項的屬性，例如停車費用，過路費，公共汽車票價，和不同方式乘車需要的時間。選項就是一個具體的通勤者可以考慮的各種選擇，在這個例子里

14、就是開車和乘公交車。選項的屬性可以進一步為基于起迄點的屬性（例如行駛時間）、基于出發(fā)點的屬性（例如步行到車站或停車點的時間）和基于目的地的屬性（例如停車耗費）。如果您有一組離散的數據，其中每個人實際作出的方式選擇的和個體的解釋性變量的值，那么您就可以估計 logit 模型中解釋性變量的參數。這些估計出的參數可以被看作是解釋性變量對出行方式的吸引（或效用）的影響。TransCAD 提供了一個估計多元 logit 模型參數的程序，但目前還不能直接估計多層 logit 模型的參數。細節(jié)請參見本章后面關于“估計多元 logit 模型”的內容?，F在您的 logit 模型已經被估計了（也就是說，logit

15、 方程結構中，參量的值已經確定了），您想用它來2010 年時每個起迄點之間每種出行方式的比例。在一個logit 模型中，解釋性變量和參數的值提供了選擇每種出行方式的效用方程，選項的這些效用方程則組成了模型的結構。所以這里您的模型如下：U auto = -3.3 - 0.036Timeauto -0.36 ParkCost+0.16Income -5.0Male=- 0.036 Timebus- 2.8BusFareU bus（每一個效用函數中還有一個隨機干擾項，該等式中沒有列出）式中，等式左側的因變量 Uauto 和 Ubus 分別是開車和乘公交車的效用函數值；等式右側的解釋變量中，Timea

16、uto 和 Timebus 分別是開車和乘公交車的旅行時間，ParkCost 是開車所要的停車費用，BusFare 是乘公交車的車費，Income 是收入， Male 是標識是否為男性個體的 0/1 變量。在使用該模型之前，您需要提供每個 OD 對之間的所有解釋性變量的值。如果要對 2010 年進行，這些的值應該和 2010 年的期望值一致。一些解釋性變量基于于出行的起點和終點，如乘公共汽車的費用和出行需要的時間。與起迄點有解釋性變量最好用矩陣來。在這個例子中，以矩陣形式的解釋性變量如下所列：第 7 章 方式劃分和選擇分析 7-5出行方式的特征中也有一些與起迄點對無關。例如停車的費用只取決于終

17、點所在 區(qū)域。此外，個體上班出行的特征取決于居住的區(qū)域（也就是起點）。這些取決于起點或者取決于終點的數據，最好是子中地區(qū)數據庫的樣子：在地區(qū)（或稱矩形）數據庫中。下面是這個例剩下的唯一的工作就是將效用方程的結構和參數，以及上述相關數據所在的位置 告訴給 TransCAD。這也是 TransCAD 方式選擇的兩個用戶界面（基于表格和基于樹形結構）的不同之處。在基于表格的用戶界面中，一個 MNL MTable 模以如下方式：細節(jié)見“關于 MNL 模格”。在基于樹形的用戶界面中，在一個二進制 .NLM 文件中，它是通過多層logit 模型框輸入和修改的，具體如下圖所示：7-6TransCAD 交通需

18、求模型關于多層 logit 模型用戶界面的解釋請查看“用基于樹形結構用戶界面應用logit 模型（多元或多層）”。注意，多層 logit 模型的用戶界面能夠用于多元或者二元logit 模型（如本例所示），因為多元和二元 logit 模型只是多層 logit 模型的特例?，F在您可以使用 TransCAD 提供的 logit 應用工具來2010 年的方式份額。TransCAD 根據模型的每個 OD 對之間解釋性變量值，使用下面的 logit 公式來計算私人汽車和公共汽車的份額：eU autoShare ( Auto) =eUauto + eU buseUbusShare (Bus) =.eUaut

19、o + eU bus根據這些公式運行模型的結果是各起迄點之間，使用私人汽車和公共汽車份額。將份額與作為方式選擇輸入的個人出行矩陣相乘，將得到以人數為 汽車和乘公共汽車的出行量。這個例子表明，給出集計的區(qū)域數據和起迄點數據，logit 模型可以的乘私人出行方式的比例。TransCAD 提供了一系列豐富的 logit 模型工具，不只可以就上述這類二元方式選擇進行分析，而且可以根據離散數據或者沒有給出起迄點數據時，應用多元和多 層 logit 模型。在出行方式選擇的應用中，主要有兩種 logit 模型。一是多元 logit 模型（如該例子），二是多層 logit 模型。下面將給出有關這些模型一些背景

20、材料，然后再描述TransCAD 中使用 logit 模型的步驟。第 7 章 方式劃分和選擇分析 7-7多元 Logit多元 logit 模型（MNL）在個體選擇一個方式的概率與其相關效用之間建立一種關系。即決策單元（如個人，家庭，或者公司等）根據出行方式的效用，從一些可選的出行選擇一個特定的出行方式的概率。這個概率由下面的公式決定：eVniPn (i) = prob(Yn = i) = ejCnVnj式中：Pn(i) Yn CnVni=個體 n 選擇出行方式 i 的概率個體 n 的相應變量的值個體 n 的可選出行方式的集合出行方式 i 對個體 n 的效用的可測分量多元 logit 模型（MN

21、L）的名稱來源于這樣的事實：選擇的概率是按照標準化的多變量 logistic 累積分布的（McFadden,1974）。通過使用與每種選擇相的隨機效用函數，McFadden 已經證明了 MNL 模型能夠從效用的最大化這種考慮推導出來。決策個體評價他的每一種出行方式的效用，并且選擇效用最大的那種出行方式。因為不能確切地知道真實的效用函數，我們 用一個隨機誤差項來表示這種誤差。更具體地來講，如果我們要選擇的出行方式的效用可以用下列一個的效用函數來表示，那么選擇一個方式的概率就可由多元 logit 模型給出。這個效用函數是由影響選擇的一些決定因素、一些未知的參數，以及一個服從 Gumbel-分布的可

22、加型誤差項組成的。正是因為我們誤差IID Gumbel（與標準正態(tài)分布相似），才導致MNL 這樣一個較容易求解的函數形式。在這里，效用函數由下面的公式表述：= b X nj + e njj CnU nj式中：Unj XnjenjCnbVnj= 出行方式 j 對個體 n 的效用= 個體 n 和選項 j 的解釋性變量的向量= 相互= 個體 n，且都服從相同分布（IID）的 Gumbel 隨機誤差項的可選出行方式的集合= 模型參數= b Xnj 為出行方式 j 對個體 n 的效用向量中的可測部分效用函數與參數向量b 是一種線形從上面的方程可以看出，我們。7-8TransCAD 交通需求模型注意 MN

23、L 中的選擇概率有如下屬性：其值嚴格大于 0 小于 1；就每一決策單元， 各選項的和為 1。此外，若讓 Vnm 表示某一任意挑選的出行方式 m 對個體 n 的效用的可測部分，那么用 e( -Vnm ) 同乘 MNL 方程的分子和分母，就得到下面的表：e(Vni - Vnm )Pn (i) = i, j Cn1 + ejm(V - V )nj nm可見，選擇概率只受效用之間差的影響，而這個差可以是在各出行方式當中任意挑選的出行方式 m。并且我們已經知道，上式中用于參照的出行方式 m 不同，其所用的解釋變量可能是不同的。理解 logit 模型的這個事實，在具體構造 MNL 模型時是很重要的。MNL

24、 模型是通過定義各種出行方式之間的相對效用而構造的。這意味著要定義相對效用所要考慮的解釋變量，以及對應的參數在相對效用之間的。效用函數中的解釋性變量可以有幾種不同的形式。變量可以是決策者的特征或者 是出行方式的屬性。此外，它也可能是描述決策個體的特征與出行方式的屬性之間相互的變量。例如，乘公交車的費用與家庭收入的比值就是一個相互的變量。也可以有起迄點決定的解釋性變量，如每一對起點和終點之間的出行時間。這樣的起迄點變量最好是以矩陣的形式為矩陣的應用程序共同使用。，以便能夠被 MNL 的估計和其它數據輸入形式需要應當注意的變量和特定出行方式的變量之間的差異。的變量是指那種對不同出行方式有同樣影響的

25、變量，而選項有不同的影響。特定出行方式的變量對不同的出行方式多層 Logit在我們處理包含幾種出行方式的選擇模型時，經常著出行方式的自然分組，和（或）出行者的決策過程有一個自然的層次。例如，在方式選擇分析中，上面提到 的情況在下列情形會發(fā)生：不只一種公交方式可供選擇需要考慮與公交車站之間的方式需要考慮汽車的乘員數（例如單人駕駛或者多人合乘）在多元 logit 模型（MNL）中，一個基本的假設是，出行用函數中的隨機誤的（沒有無效選項也即 IIA 假設）。當出行方式之間差相互著相似性，如上面列出的情形，就了這個基本的假設，這時不能使用 MNL 模型。解決這個問題的一個辦法是使用多層 logit 模

26、型，因為這個模型不要求性假設。多層 logit 模型常常使用樹狀結構來表示，它直觀的表示了選項的分組或者層次。例如在方式選擇 中，“樹”可以是下面的樣子：第 7 章 方式劃分和選擇分析 7-9對這個例子，決策過程可以在兩個層次上考慮。一個層次是，出行者選擇乘公交車還是開車。另一個層次是，如果出行者選擇了公共交通，他是選擇公共汽車還是輕軌。類似的，如果出行者選擇了開車，他是選擇單人駕駛還是多人合乘。然而必須注意到，事實上這是一個聯(lián)合的決定，出行者選擇公共交通還是私人汽車取決 于更低層次的出行方式選項的特征。多層 logit 模型提供了表達這種聯(lián)合的決策問題的數學表示。多層 Logit 概率多層

27、logit 模型的一個吸引人的方面是它放寬了多源 logit 的限制，并且保留了直觀簡潔（閉合形式）的概率方程。事實上，多層 logit 概率可以歸結為多元 logit 概率的一個函數。每一個“樹”的分叉點可以被看成是一個多元 logit 模型。對上面的方式選擇的例子，有三個多元 logit 模型。首先，最上一層的模型是：從最上一層的這個模型，可以導出乘公交車和開車的所謂的邊際概率，乘公交車的邊際概率記為 P(T)，開低層次的多元 logit 模型：車的邊際概率記為 P(A)。該模型系統(tǒng)中還有兩個較從這兩個較低層次的模型，可以導出所謂的“條件概率”，即在和較低層次的出行方式相的嵌套的出行方式已

28、經被選擇的前提下，選擇一種較低層次的出行方式的概率。我們用 P(B|T) 表示在乘公交車 (T) 已經被選擇的前提下，選擇公共汽車的概率，類似的我們可以定義 P(R|T)、P(D|T) 和 P(D|A)。具體的出行方式（在樹的最下層節(jié)點的出行方式：公共汽車、輕軌、單人駕駛和 多人合乘）的無條件概率（聯(lián)合概率）等于邊際概率和條件概率的乘積。P(B) = P(B | T )* P(T ) = P(B, T ) * P(T ) = P(B, T ) = P(B)P(T )P(R) = P(R | T )* P(T )P(D) = P(D | A)* P( A)7-10TransCAD 交通需求模型C

29、arpool (C)多人合乘Drive Alone (D)單人駕駛Light Rail (R)輕軌Bus (B)公共汽車P(C) = P(C | A)* P( A)類似的，我們可以導出具有任意層數的多層 logit 模型的相應的概率，我們只需要簡單地把節(jié)點到頂點之間多元 logit 概率乘起來。例如，對上面的模型，如果我們還想到輕軌的接入方式（步行、自行車、或者開車）的比例，那么這三種接入方式將被嵌套在輕軌的下面。出行者選擇乘輕軌并選擇步行方式 (W) 到車站的概率是：P(步行再乘輕軌) = P(W | R, T )* P(R | T )* P(T ) ,其中 P(W|R,T) 表示從輕軌的接

30、入方式（步行、自行車、或者開車）中選擇步行的條件概率。多層 Logit 模型效用函數的定義及 Logsum按上面的定義，多層 logit 概率實際上是多元 logit 概率的函數，問題是如何確定這些多元 logit 方程中的效用函數。對低層次的模型，這些函數的定義沒什么特別之處，因為這些模型可以被看成是 的多元 logit 模型來定義。例如，在上面的例子中，公共汽車的效用可以被定義為帶有三個變量的函數，三個變量是公共汽車出行時間、費用和決定者的收入。雖然對最低層次的效用函數可以直接定義，但對下面嵌套有出行方式的節(jié)點的效用函數的定義卻不是那么一目了然。這是因為上層的效用是下層出行方式選項的函數。

31、例如，對乘公交車和開車來說，出行者是否更喜歡選擇前者取決于乘公交車的吸引力（或效用），這個吸引力（效用）是公共汽車和輕軌的具體特征的函數。同時，它還取決于開車對出行者的吸引力或效用，而這個效用是單人駕駛和多人合乘選項的具體特征的函數。在上層的出行方式劃分中，應該怎樣包含下層的出行方式的吸引力（或效用）呢？正確的是使用一個叫做 logsum 的特別變量。這個變量是對低層的 logit 概率的分母取 log。數學上 logsum 恰好等于低層選項的最大效用的期望值，因此它可以表示這組選項的吸引力。雖然 logsum 這個參數（注意，叫做 logsum 參數而不是叫作變量）和其他的解釋性變量一樣，是

32、作為變量包含在上層的模型中， 但這個參數有特別的解釋，因為它代表一個模型的“尺度大小”。在上面的例子中，上層模型中開合乘模型的 logsum 變量：車的效用包含一個源于單人駕駛模型和多人 其他 ln (e單人駕駛的效用 + e多人合乘的效用)解釋變量 + b開車的效用=logsum和參數類似的，包含一個源于公共汽車模型和輕軌模型的 logsum 變量的乘公共車的效用函數可以下式表示： 其他 ln (e公共汽車的效用 + e輕軌的效用)解釋變量 + b乘公交車的效用=logsum和參數乘公交車和開車的邊際概率（P(T)和 P(A)）則根據上面定義的效用值，用logit 概率方程來計算。第 7 章

33、 方式劃分和選擇分析 7-11數據準備在 TransCAD 中，對 logit 模型的估計和應用有三種基本的數據類型：用戶希望用來估計（多元 logit）和應用（多元或者多層 logit）logit 模型一個數據集。來說，它是研究地區(qū)出行個體或者區(qū)域的一個子集。對這些出行個體或區(qū)域，用戶知道有關（例如收入或者是否擁有汽車），這些可以作為用戶所要研究的方式選擇的解釋性變量。以矩陣形式的基于起迄點的解釋性變量。在方式選擇中，通常要考慮這樣的變量，因為出行方式的屬性Logit 模型的具體定義，其中是基于起迄點的。出行方式變量的、模型的效用函數及其參量、以及模型必須的解釋性變量。TransCAD 用戶

34、界面中，如何對其定義取決于具體所調用的程序，它可以用 MNL 模（.MNL）來采用基于表格的logit完成，也可以用多層 logit 模型文件（.NLM）來采用基于樹視圖的完成。作為建模一部分，用戶需要為模型估計和準備有關描述 O-D 對之間的特性一系列數據，TransCAD 經常被用于準備部分或全部的這類模型輸入數據。這可以通過在多方式網絡路徑上匯總計算多項指標（Skim）來實現。TransCAD 用戶手冊中的第 13 章“網絡和最短路徑”，提供了關于建立車輛出行時間矩陣的。在本手冊的第 11 章“公交網絡、最優(yōu)公交路線和路線特征”，提供了關于建立公交出行時間和費用矩陣的。TransCAD

35、還可以用于估計多元 logit 模型的參數，在本章的后面章節(jié)將予以敘述。這兩個不同的用戶界面和程序在本章的后面部分將予以描述?；跇湫我晥D的 logit 程序（也稱為多層 logit 程序）能夠被用來應用（但不能估計）多元或多層 logit 模型。 基于表格的 logit 程序能夠被用于應用或估計多元 logit 模型（但不能用于多層 logit 模型）。樹形視圖界面 Logit 模型（多元和多層）的應用樹形視圖界面可以用于多元 logit 或多層 logit 模型的應用。它也被稱為多層 logit 界面，因為既可以用于多層 logit 模型，也可以用于更為簡單的多元結構模型。應用多層 log

36、it 模型時，我們可以使用離散的或者是集計的數據，可以使用有矩陣（基于起迄點）或者沒有矩陣（不基于起迄點）變量的效用函數。這導致四種不同的模型類型， 它們都可以從“Planning-Mode Split - Nested Logit Application”界面來實現。7-12TransCAD 交通需求模型選擇模型類型提供所選模型需要的數據下表總結了這四種類型的模型：模型類型模型處理固定輸出選擇輸出舉例Aggregate, OD-based每個 OD （從矩陣行列或數據表中的各區(qū)之間）包含集計份額的矩陣文件（每一選項一個域）包含各選項最上層Logsum ， 效用和總流量的矩陣文件各區(qū)之間的方式

37、選擇Aggregate, Not OD-based每條表中）（數據包含集計份額的數據表（每一選項一個域）最上層 Logsum 和效用的數據域各區(qū)的車輛擁有量Disaggregate, OD-based最上層 Logsum 和效用的數據域每條表中）（數據包含個體選擇概率的數據表（每一選項一個域）個體的方式選擇Disaggregate, Not OD-based每條表中）（數據包含個體選擇概率的數據表（每一選項一個域）最上層 Logsum 和效用的數據域各戶從業(yè)人數的比例基于起迄點的集計的模型是按起迄點進行的，也就是說，它對每對起迄點順序應用多層 logit 模型。用戶可以通過輸入一個包含相起迄點

38、對的矩陣來告訴TransCAD 在程序計算中應包含那些起迄點對，或者通過輸入一個列有要包含的區(qū)域的數據表，讓 TransCAD 來把所有區(qū)域的組合都作為起迄點來處理。這類模型輸出一個新的矩陣文件，其中的每一個矩陣對應一種出行方式選項，每個矩陣包含各起迄點對 之間，該出行方式在總流量中所占的比例（數據在 0 和 1 之間）。其他三種類型的模型是按數據表的進行的，它對基本數據表中的每個，順序應用多層 logit 模型。對于離散的應用，數據表提供了一個個具體的決定者（例如個體）的列表，而對集計的應用，數據表提供了一個決定者群體的列表（例如區(qū) 域）。這類模型的輸出是一個新的數據表，其中包含一組對應于各

39、出行方式的字段，對基本數據表中的每個，給出各出行方式的比例（對集計情形）或者個體選擇出行方式的概率（對離散情形）。用戶還可以通過在 Options 頁上設置的“選項”，來選擇一些額外的輸出（logsums、效用和總流量）。第 7 章 方式劃分和選擇分析 7-13除了指定模型的類型，TransCAD 還需要知道樹的結構和每個節(jié)點的效用函數。這些是在 M頁中指定的。輸入樹的結構和節(jié)點/選項的名稱.定義每個節(jié)點的效用函數在表格的上部，用戶通過點擊 Add/Remove 添加/刪除按鈕和輸入每個節(jié)點的名稱來指定模型的樹的結構。在表格的下部，用戶可以定義每個節(jié)點的效用函數。效用函 數卷欄列表顯示了當前選

40、定的節(jié)點的效用函數的列表。卷欄列表的每個行表示效用函數的一個條目，第一列表示參數值（對各數據點都是），第二列和第三列告訴TransCAD 在哪里獲得各數據點解釋性變量的值。該節(jié)點總的效用是這些條目的和（也就是所有的解釋性變量的值與參數乘積的和）。例如，在上面的U DriveAlone = 0.8 - 0.08 Time - 0.105ParkingCost + 0.00001 Inc框中：如上所述，多層 logit 的效用函數可以包含不同類型的解釋性變量。這里變量的類型是指變量是從哪里獲得的（矩陣、數據表、基本數據表、或是由 TransCAD 生成的）以及它們要應用于哪個類型的模型。下表給出了

41、變量的類型的總覽。7-14TransCAD 交通需求模型這些變量類型和基于表格的 logit 模型界面所見的類型大致相同，唯一的差別是它帶有 logsum 變量。每個在下面嵌套有下層出行方式的節(jié)點都必須包含一個 logsum 變量（但 logsum 參數可以設為 0.0），而對下面沒有嵌套出行方式的節(jié)點，則不能包含 logsum 變量。當包含 logsum 變量時，TransCAD 將自動從下層的出行方式的效用計算出節(jié)點的 logsum 變量的值，用戶所需要提供的是 logsum 參數的值（在效用函數中l(wèi)ogsum 變量需要乘上這個參數的值）。我們通過 M頁中的Add 添加/Edit 編輯/R

42、emove 刪除按鈕來定義效用函數的條目。點擊 Add 添加或者 Edit 編輯按鈕將打開“Add/Edit a Utility Term”框： 選擇變量類型，輸入參數值，并指定數據源。第 7 章 方式劃分和選擇分析 7-15變量類型可用模型類型數據源附注應用舉例集計的非集計的OD非 ODOD非 OD是是是是無(由 TransCAD生成)獨自駕駛選項的數據點的特征否是是是數據表中的域基本數據表是在框的Applications 頁設置家庭收入起點的屬性是否是否任何數據表中的域數據表的第一列必須包含起點的 ID 編碼到公交車站的步行時間終點的屬性是否是否任何數據表中的域數據表的第一列必須包含終點的

43、 ID 編碼停車費矩陣是否是否矩陣文件中的任何一個矩陣矩陣的當前索引必須包含起迄點的ID 編碼在公交車上的旅行時間Logsum是是是是無(由 TransCAD生成)每個有子孫的節(jié)點 (選項) 都必須此項乘公交車的 logsum 是由下層選項公共汽車和輕軌構成的點擊 OK 后，在“Add/Edit a Utility Term” 函數框的行中。框中輸入的將顯示在模型頁的效用通過點擊保存按鈕 ，樹的結構和模型頁中輸入的效用函數的定義將被在一個特別的 TransCAD 二進制文件，該文件被稱作“多層 logit 模型文件（Nested LogitMFile），其后綴為 NLM。點擊打開按鈕 ，可以重

44、新打開模型文件，然后可以通過單擊按鈕來查看其內容。注意，當用戶運行該模型或者當前設置時，框中對模型的輸入將被使用，而且這些數據將覆蓋 NLM 文件原先的內容。集計的基于起迄點的多層 logit 模型的應用多元或多層 logit 模型在交通方面的應用通常是在集計的區(qū)域層次上進行，應用該模型的目的是獲得每對起迄點之間各種交通方式所占的份額（和各方式的出行量）。在 TransCAD 的多層 logit，用戶可以通過集計的基于起迄點的模型類別來實現這種應用。這種模型類別需要的輸入有：Logit 模型的定義:模型樹的結構樹的每個節(jié)點的效用函數效用函數中的參數的值各解釋性變量的數據表和字段或者矩陣文件和矩

45、陣用戶可以在“Nested Logit Application”多層 logit 應用框中詳細定義模型的結構，這些定義在一個多層 logit 模型文件（.NLM）中，當然也可以從這個文件加載一個模型的定義。包含模型中使用的解釋性變量的文件：一個區(qū)域數據表，其中每個對應一個區(qū)域，數據庫的第一個字段中包含每個區(qū)域的 ID 編碼，其他字段包含與起點和終點相解釋性變量有停車費用（例如，與起點相等）。有接入的步行時間等，與終點相一組矩陣，它包含與起迄點相解釋性變量（例如出行方式的乘車時間），矩陣的索引必須和區(qū)域數據庫中的區(qū)域的 ID 字段相符。這種模型的輸出是一組起迄點矩陣，每個矩陣對應于一種選項（出行

46、方式），其 中的每個元素給出一個起迄點之間這種出行方式的概率（比例）。此外，如果我們提 供了總的出行矩陣，那么生成的輸出矩陣可以給出每種方式出行量（例如，一個公共 汽車出行矩陣，一個輕軌出行矩陣等）。集計的基于起迄點的多元或多層 Logit 模型的應用1.打開包含解釋性變量的數據表和矩陣（每個數據表的第一個字段必須是區(qū)域的編碼，這個字段必須和矩陣的行和列的當前索引一致）。2.選擇 Planning-Mode Split-Nested Logit MApplication 顯示 Nested Logit M多層 logit 模型框。3.4.確認選擇的模型類型是集計的（Aggregate）和基于起

47、迄點的（OD-based）。通過點擊 Matrix File 單選按鈕并選擇一個包含起迄點對的矩陣文件來選擇需要運行的起迄點對，或者點擊 Dataview 單選按鈕并數選擇一個給出區(qū)域列表（所選區(qū)域的所有組合都將作為起迄點對）的數據表（和一個區(qū)域選擇集）。7-16TransCAD 交通需求模型輸入，以決定應當對哪些起迄點對應用模型5.單擊 M，定義模型的樹結構和效用函數。輸入模型的樹結構并給各節(jié)點/選項命名定義各節(jié)點的效用函數6.如果想通過 logit 模型文件(.nlm)來加載模型的定義，點擊，選擇文件并點擊Open。TransCAD 將檢驗所有的必要的數據表和矩陣是否以打開。如果一個數據表

48、或者矩陣沒有打開，TransCAD 將盡力尋找該文件（通過于 NLM 文件中的路徑或者 Edit-Preferences 中設置的查找路徑），然后提示用戶是否打開該文件。如果想要使用一個不同的文件可以單擊 No，然后修改Input Views 和 Input Matrices頁中的數據表或矩陣文件。7.按下表來創(chuàng)建和（或）編輯模型結構：想要 操作在加一個節(jié)點選中需要在其下面填加節(jié)點的那個節(jié)點，點擊 Add 按鈕來打開Add Mode框，輸入新節(jié)點的名稱并點擊 OK。選種需要刪除的節(jié)點并點擊 Remove.點擊這個節(jié)點左邊的+號。點擊這個節(jié)點左邊的號。選中這個節(jié)點，點擊 Edit 打開 Rena

49、me Alternative從刪除一個節(jié)點展開一個節(jié)點收縮一個節(jié)點重命名一個節(jié)點框, 在文本框中 輸入一個新的節(jié)點名稱，然后單擊 OK。8.按照下表在效用函數框來定義、查看、和（或）修改一個節(jié)點的效用函數：第 7 章 方式劃分和選擇分析 7-17想要 操作查看/編輯效用函數在MTree 模型樹框中選中這個節(jié)點，其效用函數的顯示在 Utility Function 框中。點擊 Add 來打開 Add a Utility Term對當前的效用填加一個參數框。選擇要填加的參數的類型，輸入參數值并選擇數據源，然后點擊 OK。選種這個參數并點擊 Remove。選種這個參數并點擊 Edit 來打開 Edi

50、t a Utility Term刪除一個參數編輯一個參數框。編輯參數的類型、參數值、和（或）數據源，然后點擊 OK。9.要保存當前多層 logit 模型的定義，點擊存。，輸入一個文件名，并點擊 Save 保10.點擊 Options顯示選項頁，并按下表來選擇有關功能：想要 操作輸出最上層的 logsums輸出所有節(jié)點的效用值設置對缺失數據的處理在 Logsum Values 選項框打勾。在 Utility Values選項框打勾。當效用方程中含有缺失值時，選擇 drop the alternative 放棄這種出行方式（把這種出行方式的概率設為 0），或 drop the OD pair放棄這

51、個起迄點對（對這個起迄點對不計算任何出行方式的概率）。在 Divide Utilities by product of logsums parameters選項框打勾。在 Apply Probabilities to Total Matrix 選項框打勾，并在 Total (Trip) Matrix File and Matrix 輸入矩陣文件和矩陣。如果輸入矩陣的值小于給定值時，輸出矩陣中對應的元素要求賦 0 值，則在 Ignore Values Below選項框打勾。通過 logsum 參數來縮放效用輸出出行矩陣11.在Input Views 和 Input Matrices 頁檢查和修改

52、模型的數據表/字段和矩陣文件/矩陣。如果通過 NLM 文件所顯得非常有用了。單擊 Run 按鈕運行程序，鍵入輸出矩陣的名稱，點擊 OK。TransCAD 應用模型來的數據表和矩陣文件名稱有過變動，這些功能就12.生成輸出，并顯示 Results Summary 結果摘要框：要實現 .需要 .點擊 Show Warnings （顯示警告）打開瀏覽網頁程序查看警告點擊 Show Report （顯示報告）查看結果摘要報告查看警告查看報告關閉框點擊（關閉）7-18TransCAD 交通需求模型注意： TransCAD 應用對話框中指定的模型，而不是在NLM 模型文件中的模型。多元或多層 Logit 模型在集起迄點、離散起迄點或離散非起迄點情形的應用這三種模型類型被放在一起來描述，是因為它們的應用非常相似。它們和上面描 述的集計的基于起迄點的模型之間的不同在于它們是由基本數據表來驅動的（對數據表中的每個計算概率），而上面描述的集計的基于起迄點的模型是由起迄點對來驅動的（對每對起迄點計算概率）。下面給出這三種模型的例子：集起迄點：給定一個區(qū)域數據庫，它包含區(qū)域中的家庭的集計的特征和區(qū)域的可達性特征。對每個區(qū)域的比例。有 0 輛，1 輛，2 輛或者輛汽車的家庭離散起迄