基于零膨胀负二项模型的电动自行车出行频次预测方法技术

本发明专利技术公开了一种基于零膨胀负二项模型的电动自行车出行频次预测方法。首先，获取电动自行车使用者的个人和家庭特征及全天出行信息；其次，提取出不同信息项下不同划分对应的信息参数；接着，将总样本根据性别分为男性和女性两部分；然后，针对电动自行车出行频次的两种状态，分别采用负二项模型和零膨胀负二项模型对一个工作日内男性和女性电动自行车出行频次建模；最后，通过两种模型预测出电动自行车的出行频次，同时根据模型结果分析各种因素对于电动自行车出行频次的影响。采用本发明专利技术有助于交通运输专业人士预测电动自行车的使用需求，还有助于政府部门制定有效交通管理政策和做好基础设施规划。

Travel frequency prediction method for electric bicycle based on zero expansion negative two term model

【技术实现步骤摘要】
基于零膨胀负二项模型的电动自行车出行频次预测方法
本专利技术涉及一种电动自行车出行频次的预测方法，尤其涉及一种基于零膨胀负二项模型的电动自行车出行频次预测方法。
技术介绍
近年来，电动自行车是交通市场增长最快的领域之一，而中国的电动自行车销量在世界排名处于领先地位；同时，推动电动自行车在城市的使用也有助于减轻交通拥堵问题，提高交通安全；因此，电动自行车在中国交通领域是一个必不可少的研究课题。对以往的研究进行查阅时发现，研究大多都不区分男性和女性，然而实际上，性别是确定出行行为的重要因素，女性的身体和心理特征使她们的出行行为在某种程度上与男性有所不同；此外，大多数研究都集中在电动自行车模式的选择问题上，很少有研究考虑电动自行车出行的频次，而出行频次对于交通需求有着显著地影响，是确定交通需求的一个重要的因素；研究电动自行车的出行频次可以更好地了解各种因素对电动自行车使用的影响，并且将有助于交通运输专业人士预测电动自行车使用的需求，这是制定有效政策和良好基础设施规划的重要前提。
技术实现思路
技术问题：本专利技术提供一种基于零膨胀负二项模型的电动自行车出行频次预测方法，该方法可以用来分析电动自行车的出行频次，有助于制定促进城市电动自行车使用的策略。技术方案：本专利技术所述的一种基于零膨胀负二项模型的电动自行车出行频次预测方法，包括以下步骤：(1)获取电动自行车使用者的个人和家庭特征及他们的出行信息；(2)提取出不同信息项下的不同划分所对应的参数；(3)将总样本根据性别分为男性和女性两部分；(4)对电动自行车出行频次遵循通常的负二项计数的状态，采用负二项模型对一个工作日内男性和女性电动自行车出行频次分别建模；(5)对不使用电动自行车出行的状态，采用零膨胀负二项模型对一个工作日内男性和女性电动自行车出行频次分别建模；(6)通过步骤(4)和步骤(5)中的模型预测出电动自行车的出行频次，同时根据模型结果分析各种因素对于电动自行车出行频次的影响。所述步骤(1)中提及的个人和家庭特征及出行信息主要包括：出行者职业、出行者年龄、家庭年收入、汽车拥有情况、出行目的、出行距离、出行起点人口密度、出行时长、出行终点人口密度、出行时间是否是早高峰和起讫点的交通流量。所述步骤(2)中的参数设置为：出行者职业是学生、工人、官员和其他，其对应参数为x1i、x2i、x3i、x4i；出行者年龄小于20岁、20到40岁之间、40到50岁之间和50岁以上的，对应参数为x5i，x6i，x7i，x8i；家庭年收入小于2000人民币和大于20000人民币的，对应参数为x9i、x10i；家里已有汽车、未来五年会买汽车、未来十年会买汽车和未来不会买汽车，对应参数为x11i、x12i、x13i、x14i；出行目的是工作、上学、购物、回家和其他，对应参数为x15i、x16i、x17i、x18i、x19i；出行目的分别为工作、上学、购物、回家、其他的出行距离，对应参数为x20i、x21i、x22i、x23i、x24i、x25i；出行起点人口密度大于0.023人/平方米和小于0.023人/平方米，对应参数为x26i、x27i；出行终点人口密度大于0.023人/平方米和小于0.023人/平方米，对应参数为x28i、x29i；出行时间是早高峰，对应参数为x30i；起讫点的交通流量，对应参数为x31i；其他信息，对应参数xki；i表示第i份问卷。所述步骤(4)建模如下：其中，Γ(.)是伽马函数，α是过度离散参数，λi表示ni的期望值，在负二项模型中，参数λi通过以下等式被指定为解释变量的函数：ln(λi)＝β0+β1x1i+β2x2i+β3x3i+β4x4i+β5x5i+β6x6i+β7x7i+β8x8i+β9x9i+β10x10i+β11x11i+β12x12i+β13x13i+β14x14i+β15x15i+β16x16i+β17x17i+β18x18i+β19x19i+β20x20i+β21x21i+β22x22i+β23x23i+β24x24i+β25x25i+β26x26i+β27x27i+β28x28i+β29x29i+β30x30i+β31x31i+βkxki+θλ其中θλ是随机效应，遵循正态分布，βk是相应的系数。所述步骤(5)建模如下：当ni＝0时，当ni≠0时，其中pi表示不使用电动自行车的概率，使用logit链接函数来对概率pi建模：其中，θz是随机效应，服从正态分布，βk是相应的系数。有益效果：与现有技术相比，本专利技术的有益效果：1、研究电动自行车的出行频次可以更好地了解各种因素对电动自行车使用的影响，并且有助于交通运输专业人士预测电动自行车使用的需求，也是制定有效政策和良好基础设施规划的重要前提；2、将总样本分为男性和女性两大类，分别建模，使分析更加准确；3、本方法加入了随机效应因子，随机效应可以解释由不可观察因素引起的电动自行车出行频率数据的异质性；4、、本方法在分析电动自行车出行频次时将其分为两个状态进行分析，包括一个零出行状态，确定出行者是否会通过电动自行车进行出行，以及电动自行车出行频次遵循通常的负二项计数过程的状态，提高分析的准确性。附图说明图1是是本专利技术的流程框图。具体实施方式下面结合说明书附图对本专利技术作进一步的说明。获取电动自行车使用者的个人和家庭特征及出行信息，主要包括：出行者职业、出行者年龄、家庭年收入、汽车拥有情况、出行目的、出行距离、出行起点人口密度、出行时长、出行终点人口密度、出行时间是否是早高峰和起讫点的交通流量。提取出不同信息项下的不同划分所对应的参数：出行者职业是学生、工人、官员和其他，其对应参数为x1i、x2i、x3i、x4i；出行者年龄小于20岁、20到40岁之间、40到50岁之间和50岁以上的，对应参数为x5i，x6i，x7i，x8i；家庭年收入小于2000人民币和大于20000人民币的，对应参数为x9i、x10i；家里已有汽车、未来五年会买汽车、未来十年会买汽车和未来不会买汽车，对应参数为x11i、x12i、x13i、x14i；出行目的是工作、上学、购物、回家和其他，对应参数为x15i、x16i、x17i、x18i、x19i；出行目的分别为工作、上学、购物、回家、其他的出行距离，对应参数为x20i、x21i、x22i、x23i、x24i、x25i；出行起点人口密度大于0.023人/平方米和小于0.023人/平方米，对应参数为x26i、x27i；出行终点人口密度大于0.023人/平方米和小于0.023人/平方米，对应参数为x28i、x29i；出行时间是早高峰，对应参数为x30i；起讫点的交通流量，对应参数为x31i；其他信息，对应参数xki；i表示第i份问卷。将总样本根据性别分为男性和女性两部分。对电动自行车出行频次遵循通常的负二项计数过程的状态采用负二项模型对一个工作日内男性和女性电动自行车出行的频次分别建模：其中，Γ(.)是伽马函数，α是过度离散参数，λi表示ni的期望值，在负二项模型中，参数λi通过以下等式被指定为解释变量的函数：ln(λi)＝β0+β1x1i+β2x2i+β3x3i+β4x4i+β5x5i+β6x6i+β7x7i+β8x8i+β9x9i+β10x10i+β11x11i+β12x12i+本文档来自技高网...

【技术保护点】
一种基于零膨胀负二项模型的电动自行车出行频次预测方法，其特征在于，包括以下步骤：(1)获取电动自行车使用者的个人和家庭特征及他们的出行信息；(2)提取出不同信息项下的不同划分所对应的参数；(3)将总样本根据性别分为男性和女性两部分；(4)对电动自行车出行频次遵循通常的负二项计数的状态，采用负二项模型对一个工作日内男性和女性电动自行车出行频次分别建模；(5)对不使用电动自行车出行的状态，采用零膨胀负二项模型对一个工作日内男性和女性电动自行车出行频次分别建模；(6)通过步骤(4)和步骤(5)中的模型预测出电动自行车的出行频次，同时根据模型结果分析各种因素对于电动自行车出行频次的影响。

【技术特征摘要】
1.一种基于零膨胀负二项模型的电动自行车出行频次预测方法，其特征在于，包括以下步骤：(1)获取电动自行车使用者的个人和家庭特征及他们的出行信息；(2)提取出不同信息项下的不同划分所对应的参数；(3)将总样本根据性别分为男性和女性两部分；(4)对电动自行车出行频次遵循通常的负二项计数的状态，采用负二项模型对一个工作日内男性和女性电动自行车出行频次分别建模；(5)对不使用电动自行车出行的状态，采用零膨胀负二项模型对一个工作日内男性和女性电动自行车出行频次分别建模；(6)通过步骤(4)和步骤(5)中的模型预测出电动自行车的出行频次，同时根据模型结果分析各种因素对于电动自行车出行频次的影响。2.根据权利要求1所述的基于零膨胀负二项模型的电动自行车出行频次预测方法，其特征在于，所述步骤(1)中提及的个人和家庭特征及出行信息主要包括：出行者职业、出行者年龄、家庭年收入、汽车拥有情况、出行目的、出行距离、出行起点人口密度、出行时长、出行终点人口密度、出行时间是否是早高峰和起讫点的交通流量。3.根据权利要求1所述的基于零膨胀负二项模型的电动自行车出行频次预测方法，其特征在于，所述步骤(2)中的参数设置为：职业是学生、工人、官员和其他，其对应参数为x1i、x2i、x3i、x4i；出行者年龄小于20岁、20到40岁之间、40到50岁之间和50岁以上的，对应参数为x5i，x6i，x7i，x8i；家庭年收入小于2000人民币和大于20000人民币的，对应参数为x9i、x10i；家里已有汽车、未来五年会买汽车、未来十年会买汽车和未来不会买汽车，对应参数为x11i、x12i、x13i、x14i；出行目的是工作、上学、购物、回家和其他，对应参数为x15i、x16i、x17i、x18i、x19i；出行目的分别为工作、上学、购物、回家、其他的出行距离，对应参数为x20i、x21i、x22i、x23i、x24i、x25i；出行起点人口密度大于0.023人/平方米和小于0.023人/平方米，对应参数为x26i、x27i；出行终点人口密度大于0.023人/平方米和小于0.023人/平方米，对应参数为x28i、x29i；出行时间是早高峰，对应参数为x30i；起讫点的交通流量，对应参数为x31i；其他信息，对应参数xki；i表示第i份问卷。4.根据权利要求1所述的基于零膨胀负二项模型的电动自行车出行频次预测方法，其特征在于，所述步骤(4)建模如下：

【专利技术属性】
技术研发人员：徐铖铖，邓翎，刘攀，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32