基于空间自回归模型的电动自行车非通勤出行预测方法技术

本发明专利技术公布了一种基于空间自回归模型的电动自行车非通勤出行预测方法，包括：步骤10)获取出行预测城市的居民出行信息；步骤20)计算莫兰指数并判断问题适用性；步骤30)应用逻辑回归模型，构建电动自行车非通勤出行预测模型；步骤40)使用最大似然估计对步骤30)中的模型进行参数估计；步骤50)根据步骤30)和步骤40)得到的具体模型，对城市居民是否选择电动自行车非通勤出行的出行方式进行预测。

【技术实现步骤摘要】
基于空间自回归模型的电动自行车非通勤出行预测方法
本专利技术属于城市交通出行需求管理与预测领域，涉及一种基于空间自回归模型的电动自行车非通勤出行预测方法。
技术介绍
随着城市化进程的加快，中国在环境问题上面临巨大的挑战。车辆尾气排放被认为是中国城市空气污染的主要来源。为了减少机动车对气候的影响，环保和可持续交通方式如电动自行车的使用推广越来越受到重视。有了电动机的助力和集成的铅酸电池，电动自行车克服了传统人力自行车在出行距离和地形的限制，因此作为一种新兴的私人交通方式，电动自行车因其便利、环保、方便停放的等特点已经被出行者广泛使用。目前针对电动自行车出行特征和模式选择行为已经有了大量研究，其中包括电动自行车选择建模研究。这些研究分析结果可以指导制定合理的交通管理政策，引导电动自行车合理有序地发展，使其在城市交通结构中发挥应有的效用。近几年，空间依赖性对于居民出行行为的影响引起了研究者的关注。使用空间自回归结构表示这种空间依赖性在出行行为研究中并不少见，尤其在公共交通使用、汽车保有量和出行持续时间等方面都有成果。但是对于电动自行车，尚没有合适的出行选择模型包含空间自回归结构。在应用中，缺少空间依赖性参数的模型会导致有偏和无效的参数估计；模型因变量与自变量之间的关系会随着观测点地理位置的不同而发生变化，这种空间依赖性可以用空间自回归模型来刻画。
技术实现思路
技术问题：本专利技术提供一种预测结果准确率更高，可以为城市交通管控措施的制定提供更准确依据的基于空间自回归模型的电动自行车非通勤出行预测方法。技术方案：本专利技术的基于空间自回归模型的电动自行车非通勤出行预测方法，包括以下步骤：步骤10)获取用于电动自行车出行预测的城市居民出行信息，具体为：进行电动自行车出行相关数据的城市居民出行调查，或者直接利用城市已有的居民出行数据，调查时要对城市进行交通小区的划分；步骤20)首先计算所有N个交通小区的电动自行车非通勤出行比例，然后根据下式计算莫兰指数Moran′sI：其中，Ei和Ej分别表示第i个和第j个交通小区的电动自行车非通勤出行比例，i＝1，2，...，N，j＝1，2，...，N，i≠j，E表示所有交通小区的平均电动自行非通勤出行比例，Cij表示第i个和第j个交通小区之间的地理连接情况，即Cij＝1时两个交通小区是相邻的，Cij＝0时两个交通小区不相邻；Cij是未标准化的空间权重矩阵C的一个元素；如莫兰指数显著大于0，则进入步骤30)；如莫兰指数不显著大于0，则结束本方法流程；步骤30)应用逻辑回归模型，构建电动自行车非通勤出行选择概率模型结构，如式(2)所示：P(ym＝1|xm)表示非通勤出行的出行数据总样本中第m个出行者选择使用电动自行车出行的概率，因变量ym是一个可观测的二项分类变量，m＝1，2，...，M，表示居民对电动自行车出行的选择，共进行M次出行预测，ym＝1表示该出行者本次非通勤出行选择使用电动自行车出行，ym＝0表示该出行者本次非通勤出行不使用电动自行车出行；g(xm)由线性部分、空间自回归项和误差项组成：①线性部分：统计整理步骤10)获取的城市居民出行信息，得到k个备选自变量及部分统计特性参数，k个自变量的集合用向量xm＝[x1m，x2m，...，xkm]来表示，用系数向量β＝[β1，β2，...，βk]来表示这些自变量在模型中的系数，模型常系数为β0；②空间自回归项：用θm来表示空间因素对出行者选择电动自行车非通勤出行的概率的影响，其具体形式如下：这里ρ为随机参数，其向量形式，即随机参数向量用P表示，wij是M×M的空间权重矩阵的元素，是cij归一化处理的结果，即：其中，cij用来表示第i条和第j条出行线路的地理连接情况，即cij＝1时两条出行线路的起点或者终点在同一小区，cij＝0时表示不在同一小区；③误差项：εm表示误差项，服从概率密度函数为f(εm)＝e-εm/(1+e-εm)2的分布；步骤40)使用最大似然估计法，对电动自行车非通勤出行选择概率模型结构中的系数进行参数标定：通过测算下式的最大值，确定β0和β＝[β1，β2，...，βk]各元素的值：其中，lnL(xm)表示似然函数的自然对数值；接着将确定的常数项β0、变量系数β、随机参数向量P，带入步骤30)构建的电动自行车非通勤出行选择概率模型结构中，得到电动自行车非通勤出行选择概率模型，具体形式如式(6)所示：g(xm)＝β0+β1x1m+β2x2m+...+βkxkm+θm+εm(6)步骤50)对城市居民是否选择电动自行车非通勤出行的出行方式进行预测，具体为：将待预测的数据带入式(6)所示的电动自行车非通勤出行选择概率模型，得到出行者选择使用电动自行车进行非通勤出行的概率值P(ym＝1|xm)，若P(ym＝1|xm)＞0.5，则认为该出行者会选择使用电动自行车；若P(ym＝1|xm)≤0.5，则认为该出行者不会选择使用电动自行车。进一步的，本专利技术方法中，步骤10)中获取的用于电动自行车出行预测的城市居民出行信息包括：①各交通小区居民的社会属性信息，包括个人特征信息和家庭特征信息，具体为性别、年龄、职业、家庭人口数、年家庭收入和家庭购车意愿；②各交通小区居民在出行调查日的多次出行特征信息，包括每次出行的目的、出行起讫点、出行时间，所使用的交通方式，所述出行时间包括出发和到达时间。进一步的，本专利技术方法中，步骤10)获取的用于电动自行车出行预测的城市居民出行信息中性别、职业和家庭购车意愿是名义变量，需转化为哑元变量进行量化。进一步的，本专利技术方法中，步骤20)中按照如下方式判断莫兰指数是否显著大于0：进行统计学P值检验，当P值小于0.05时，判定莫兰指数显著大于0；当P值大于等于0.05时，判定莫兰指数不显著大于0。本专利技术预测方法利用城市居民出行调查数据，结合空间自相关项和逻辑回归模型，建立居民非通勤出行选择电动自行车出行的概率模型并据此进行出行预测，为城市电动自行车出行安全和管理提供依据。本专利技术中的预测模型考虑了影响电动自行车出行选择因素的空间依赖性，结合已有的城市家庭出行调查数据，使用空间自回归选择模型，使电动自行车非通勤出行选择预测的精度大大增加，对制定有效安全的电动自行车使用推广策略具有重要意义。有益效果：本专利技术与现有技术相比，具有以下优点：本专利技术方法相比于以往预测模型增加了空间自回归项。以往的电动自行车出行选择模型忽略了居民出行相关特性的空间差异对电动自行车出行产生的影响，因此虽然以往的模型能够表征电动自行车出行选择与社会人口统计特性和出行特征之间的关系，但是仍然会导致一定程度的有偏估计，从而到这预测结果的偏差甚至无效。空间自回归项刻画了居民出行相关特性的空间差异，将这种差异和影响量化并纳入电动自行车非通勤出行模型中，弥补了现有模型的缺陷。因此本方法的预测结果准确率更高，可以为城市交通管控措施的制定提供更准确的依据。附图说明图1所示为本专利技术的方法流程图。图2所示为地理加权自回归选择模型的ROC曲线。具体实施方式下面结合实施例和说明书附图对本专利技术作进一步的说明。本专利技术的基于空间自回归模型的电动自行车非通勤出行预测方法，包括以下步骤：步骤10)获取用于电动自行车出行预测的城市居民出行信息，具体为：进行电动自行车出行相关数据的本文档来自技高网...

【技术保护点】
一种基于空间自回归模型的电动自行车非通勤出行预测方法，其特征在于，该预测方法包括以下步骤：步骤10)获取用于电动自行车出行预测的城市居民出行信息，具体为：进行电动自行车出行相关数据的城市居民出行调查，或者直接利用城市已有的居民出行数据，调查时要对城市进行交通小区的划分；步骤20)首先计算所有N个交通小区的电动自行车非通勤出行比例，然后根据下式计算莫兰指数Moran′s I：

【技术特征摘要】
1.一种基于空间自回归模型的电动自行车非通勤出行预测方法，其特征在于，该预测方法包括以下步骤：步骤10)获取用于电动自行车出行预测的城市居民出行信息，具体为：进行电动自行车出行相关数据的城市居民出行调查，或者直接利用城市已有的居民出行数据，调查时要对城市进行交通小区的划分；步骤20)首先计算所有N个交通小区的电动自行车非通勤出行比例，然后根据下式计算莫兰指数Moran′sI：其中，Ei和Ej分别表示第i个和第j个交通小区的电动自行车非通勤出行比例，i＝1，2，...，N，j＝1，2，...，N，i≠j，表示所有交通小区的平均电动自行非通勤出行比例，Cij表示第i个和第j个交通小区之间的地理连接情况，即Cij＝1时两个交通小区是相邻的，Cij＝0时两个交通小区不相邻；Cij是未标准化的空间权重矩阵C的一个元素；如莫兰指数显著大于0，则进入步骤30)；如莫兰指数不显著大于0，则结束本方法流程；步骤30)应用逻辑回归模型，构建电动自行车非通勤出行选择概率模型结构，如式(2)所示：P(ym＝1|xm)表示非通勤出行的出行数据总样本中第m个出行者选择使用电动自行车出行的概率，因变量ym是一个可观测的二项分类变量，m＝1，2，...，M，表示居民对电动自行车出行的选择，共进行M次出行预测，ym＝1表示该出行者本次非通勤出行选择使用电动自行车出行，ym＝0表示该出行者本次非通勤出行不使用电动自行车出行；g(xm)由线性部分、空间自回归项和误差项组成：①线性部分：统计整理步骤10)获取的城市居民出行信息，得到k个备选自变量及部分统计特性参数，k个自变量的集合用向量xm＝[x1m，x2m，...，xkm]来表示，用系数向量β＝[β1，β2，...，βk]来表示这些自变量在模型中的系数，模型常系数为β0；②空间自回归项：用θm来表示空间因素对出行者选择电动自行车非通勤出行的概率的影响，其具体形式如下：这里ρ为随机参数，其向量形式，即随机参数向量用P表示，wij是M×M的空间权重矩阵的元素，是cij归一化处理的结果，即：其中，cij用来表示第i条和第j条出行线路的地理连接情况，即cij＝1时两条出行线路的起点...

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