以交通小区为单位将出行者的方式选择集计； 集计(aggregate)：将数据进行平均、合计等处理的 过程。 以个人数据为单位来确定各交通方式选择概率。
非集计模型
–
第四节 交通方式分担率预测模型
线性回归模型； Logit模型； 分担率曲线模型。
第四节 交通方式分担率预测模型
一、多元回归模型 思路
–
Vin：出行者n选择方案i的效用函数中的固定项； εin ：出行者n选择方案i的效用函数中的概率项。
第四节 交通方式分担率预测模型
假设εin服从二重指数分布（Gumbel distБайду номын сангаасibution），可以得到下式：
Pin =
e
Vin V jn
Pin =
e
Jn j =1
Vin
∑e
j∈An
∑e
V jn
第二节 方式选择的影响因素
一、出行者个人属性 是否用于小汽车； 是否拥有驾照； 家庭结构； 收入； 其他（出行链结构等）。
第二节 方式选择的影响因素
二、出行者特征 出行目的； 一日中的出行时间。
第二节 方式选择的影响因素
三、交通设施 可测因素：
– – –
时间约束； 费用约束； 停车场等因素的约束。 舒适性； 可靠性、准时性； 安全性； 其他（文化等因素）。
G-MS G G G
MS
D
D
D-MS
D
MS
A
A
A
A
第三节 交通方式划分模型分类
分类 出行端模型(trip end model)
–
在各种计算前划分交通方式； 计算各小区的交通量，然后划分交通方式。
地区间模型(trip interchange model)
–
第三节 交通方式划分模型分类
集计模型
– –
不可测因素：
– – – –
第三节 交通方式划分模型分类
分类
–
– – –
G (Generation)-MS (Modal Split), D (Distribution), A (Assignment)； G, MS, D, A; G, D-MS, A; G, D, MS, A.
第三节 交通方式划分模型分类
第四节 交通方式分担率预测模型
非集计模型的2个假设
– –
出行者是交通行为意志决定的最基本单位； 出行者在特定的选择条件下，选择其所认知到的选 择方案(alternative)中效用最大的方案。
选择某方案的效用因该方案所具有的特性（如： 该交通方式的费用，所需时间等）、出行者的 特性（如：年龄、性别、职业等）等因素而异。
第四节 交通方式分担率预测模型
如果假设某出行者n的选择方案的集合为An， 选择其中的方案j的效用为Ujn，则该出行者n从 An中选择方案i的条件为：
U in > U jn
，
i≠ j
j ∈ An
第四节 交通方式分担率预测模型
假设出行者n选择方案i的效用为Uin则Uin可用下式表示。
U in = Vin + ε in
按不同方式分别建立回归模型。
U k = α 0 + α1 x1 + α 2 x2 ... + α K xK
第四节 交通方式分担率预测模型
二、logit模型 假设
–
消费者在选择时追求“效用(utility)”最大化 。
效用
–
效用的定义有多种。简单的说，效用是指消费者从 消费选择中获得的愉快，或者需求得到的满足。
交通方式划分
Modal Split Mode Choice Mode Usage
第一节 概述
重要性
– – – –
资源的有效利用； 缓解交通拥堵； 降低成本； 政策的核心目标等。
方式划分－规划的角度； 交通方式选择－出行者的角度。
第一节 概述
城市交通方式 轨道交通； 公共汽车； 乘用车（私家车）； 摩托车； 自行车、电动自行车等。