System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及停车选择,具体地说,涉及一种基于mnl的停车信息选择方法。
技术介绍
1、由于社会经济水平不断提高,城市化进程速度加快,私家车数量增长迅猛且居高不下。与此同时,居民消费水平提升,居民出行比例不断增长,特别是人口流动密集的区域,例如城市中心商业区、热门景点、高薪产业园、大型三甲医院附近,停车场的车位数量往往供不应求,造成停车拥堵,城市交通停车难的矛盾日益突出,特别像成都这座新兴的一线城市,更是如此。
2、与此同时,停车泊位空间分布不均,导致热门停车场过热,冷门停车场却鲜人问津,造成城市交通需求与供给严重不平衡、停车资源闲置等问题。另外,有文献研究表明居民驾车出行具有习惯性行为的特点,即他们经常使用相同的停车设施来停放车辆,这在一定程度上也会影响停车位的利用率。再者,停车信息共享平台尚未普及,并不是所有出行者都可以获得有利、可靠的交通及停车场信息,并按照最短时间路线出行,这对个人来说大大增加了出行的时间和成本。
3、由于上述的客观原因,居民在出行中遇到重重阻碍和困扰,停车难的问题已经迫在眉睫。停车拥堵过程中势必会造成居民的第一希望停车场车位已满,出行者缺少备选停车场的信息,停车搜索活动增加,巡航时间过长,无效交通的比例加大,降低了居民的停车效率;其次,部分出行者找不到可停车的位置,开始违法占道和非法停车,不利于交通秩序的良性发展;另外,停车设施的供应和管理逐渐成为私人企业,停车费迅速上涨,出行者倾向于使用免费的停车设施,这大大降低了城市停车位的利用率,停车资源闲置的问题开始凸显。最后,停车服务设
技术实现思路
1、本专利技术的内容是提供一种基于mnl的停车信息选择方法,其能够克服现有技术的某种或某些缺陷。
2、根据本专利技术的基于mnl的停车信息选择方法,其包括以下步骤:
3、一、对影响因素进行单变量筛选,剔除不显著的变量;
4、二、用基于随机效用理论建立了显著变量的多项logit模型,运用spss对模型进行拟合,并对模型拟合信息、拟合优度、似然比进行检验及评价;
5、三、对预测的模型进行讨论分析,探讨影响因素的效果。
6、作为优选,步骤一中,采用先单因素后多因素的回归方法进行单变量筛选。
7、作为优选,步骤二中,具体包括以下步骤:
8、1)确定效用函数的形式;
9、2)选择特性变量;
10、3)选择调查方法;
11、4)收集并整理数据;
12、5)极大似然估计法标定参数;
13、6)模型的检验。
14、作为优选,步骤1)中,若效用函数的固定项vin与特性变量xink之间呈线性相关,出行者n选择第i个方案的概率pin表达为:
15、
16、
17、其中,k是变量的个数,θ是所有变量的参数集合,θk是第k个变量所对应的参数,xink是个体n的第i个方案中所包含的第k个变量,xjnk是个体n的第j个方案中所包含的第k个变量,j是方案总数,vjn是第j个方案固定项,xin=(xin1,xin2,...,xink,…xink)是个体n选择方案i的k个变量组成的向量。
18、作为优选,步骤3)中,调查方法选择为行为rp调查和意向sp调查。
19、作为优选,步骤4)中,在总体中采用随机抽取的方式,选出一部分出行者作为样本,其中,需要将离散变量的数量化,连续变量的离散化。
20、作为优选,步骤5)中,极大似然估计是利用选择结果已知的原始数据,反推出最具可能导致这些选择结果出现的模型参数,若有3个样本数据,用p21表示序号为1的样本选择了第2个方案的概率;同样地,其他样本表示为p12和p23;同时不同个体间的选择互不影响,令相同时间点产生这三个样本结果的概率为l*,具体表示如下式所示:
21、l*=p21·p12·p23
22、序号为1的样本个体最终选择第2个方案可表达为下式,概率p的上标表示为几次幂,则有:
23、
24、带入后得到:
25、
26、将3个样本的情况类比到n个样本,样本序号用n表示;选择方案i的个数增加到j,可得:
27、
28、其中δin表示序号为n的样本的选择结果,pin表示序号为n的样本选择了第i个方案的概率,由于l*与lnl*在函数性质上是不变的,则有:
29、
30、
31、其中,
32、将mnl的最终表达形式带入得出极大似然函数的最终形式:
33、
34、
35、an是出行者n的选择集整合;
36、用θk对l进行微分得出;
37、
38、则根据上式,可以得出mnl的梯度向量▽l为:
39、
40、θl对▽l进行微分所得到的hessian矩阵▽2l为:
41、
42、其中,
43、
44、θl为第l个变量所对应的参数,通过采用nr法求解l这一非线性方程,便可求解得出参数θ的值。
45、作为优选,步骤6)中,模型的检验包括优度比检验和似然比检验,ρ2指模型的优度比,lr(x)指模型的似然比;
46、优度比公式为:
47、
48、似然比公式为:
49、
50、l(c)为仅包含常数的对数似然检验值,为包含所有解释变量的对数似然检验值。
51、作为优选,步骤2)中,选择性别、年龄、收入、驾龄、驾车频率作为个人特性变量,选择预定空闲停车位、可用停车位的数量、停车费用、到目的地的距离、停车位置追踪作为方案特性变量,则选择方案的效用函数表达为:
52、
53、yink表示方案特性变量,βk表示方案特性变量所对应的参数;ascn表示常数项;
54、第一方案集合为:
55、i1={预定空闲停车位、可用停车位的数量、停车位置追踪}
56、i2={预定空闲停车位、到目的地的距离、停车费用}
57、i3={停车费用、停车位置追踪}
58、i4={到目的地的距离、可用停车位的数量}
59、每个方案的效用函数具体的为如下所示:
60、v1=asc1+θ1·x1n1+θ2·x1n2+θ3·x1n3+θ6·x1n6+θ7·x1n7+β1·y1n1+β2·y1n2+β3·y1n3+β4·y1n4
61、v2=asc2+θ1·x2n1+θ2·x2n2+θ3·x2n3+θ6·x2n7+θ7·x2n7
62、+β1·y2n1+β2·y2n2+β3·y2n3+β4·y2n4
63、v3=asc3+θ1·x3n1+θ2·x3n本文档来自技高网...
【技术保护点】
1.基于MNL的停车信息选择方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于MNL的停车信息选择方法,其特征在于:步骤一中,采用先单因素后多因素的回归方法进行单变量筛选。
3.根据权利要求2所述的基于MNL的停车信息选择方法,其特征在于:步骤二中,具体包括以下步骤:
4.根据权利要求3所述的基于MNL的停车信息选择方法,其特征在于:步骤1)中,若效用函数的固定项Vin与特性变量Xink之间呈线性相关,出行者n选择第i个方案的概率Pin表达为:
5.根据权利要求4所述的基于MNL的停车信息选择方法,其特征在于:步骤3)中,调查方法选择为行为RP调查和意向SP调查。
6.根据权利要求5所述的基于MNL的停车信息选择方法,其特征在于:步骤4)中,在总体中采用随机抽取的方式,选出一部分出行者作为样本,其中,需要将离散变量的数量化,连续变量的离散化。
7.根据权利要求6所述的基于MNL的停车信息选择方法,其特征在于:步骤5)中,极大似然估计是利用选择结果已知的原始数据,反推出最具可能导致这些选择结果出现的
8.根据权利要求7所述的基于MNL的停车信息选择方法,其特征在于:步骤6)中,模型的检验包括优度比检验和似然比检验,ρ2指模型的优度比,LR(x)指模型的似然比;
9.根据权利要求8所述的基于MNL的停车信息选择方法,其特征在于:步骤2)中,选择性别、年龄、收入、驾龄、驾车频率作为个人特性变量,选择预定空闲停车位、可用停车位的数量、停车费用、到目的地的距离、停车位置追踪作为方案特性变量,则选择方案的效用函数表达为:
...【技术特征摘要】
1.基于mnl的停车信息选择方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于mnl的停车信息选择方法,其特征在于:步骤一中,采用先单因素后多因素的回归方法进行单变量筛选。
3.根据权利要求2所述的基于mnl的停车信息选择方法,其特征在于:步骤二中,具体包括以下步骤:
4.根据权利要求3所述的基于mnl的停车信息选择方法,其特征在于:步骤1)中,若效用函数的固定项vin与特性变量xink之间呈线性相关,出行者n选择第i个方案的概率pin表达为:
5.根据权利要求4所述的基于mnl的停车信息选择方法,其特征在于:步骤3)中,调查方法选择为行为rp调查和意向sp调查。
6.根据权利要求5所述的基于mnl的停车信息选择方法,其特征在于:步骤4)中,在总体中采用随机抽取的方式,选出一部分出行者作为样本,其中,需要将离散变量的数量化,连续变量的离散化。...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。