旅客运输

铁道运输与经济 基于非集计 模型的城际铁路需求预测 李 莉 等MNL

随

着城市化进程的加快，城际铁路在城市群客

担率预测模型——非集计 MNL 模型[6]。

运系统中扮演的角色日益突出，亟需客流预

测的准确性、可靠性。目前，城际客流预测的理论与方法主要来源于城市客流预测的理论与方法，根据模型使用的数据类型可以分为集计与非集计模型，其中“四阶段”预测为集计模型的典型代表。卢斌基于灰色预测模型实现经济、人口量预测，而客流预测则采用四阶段法[1]。曾曦等重新定义了效用函数从而实现方式划分[2]。另外，Takagi Kiyoharu 等将应用于新干线运输需求预测的典型需求预测模型 MD ( Modal Demand ) 模型用于京沪高速铁路城际旅客需求预测的研究[3]。Miller 等基于对城际铁路需求问题的探究，对模型改进进行方向上的指引[4]。非集计模型在城际客流预测上的应用处于起步阶段，目前 MNL ( 多元 Logit )、NL ( 分层Logit ) 模型集中应用于市内交通方式的客流预测，何明等采用 MNL 模型实现苏州市内交通方式划分[5]。城际铁路作为区域运输通道内新型的交通方式，在准确把握其客流形成机理的基础上，选取恰当的预测方法进行预测，是城际铁路研究的一个重要方向。

2 非集计MNL模型需求预测

2.1 效用函数

根据随机效用理论可知，效用是一个随机变量，可表达为：

Uin = Vin + εin

K

⑴

式中：Vin 为效用函数固定项；εin 为效用函数随机项。

Vin = ∑ θk Xink

k = 1

⑵

式中：Xink 表示出行者 n 选择第 i 种交通方式的第 k 个特性变量；θk 为第 k 个特性变量对应的参数；K 为特性变量的个数。

非集计模型的理论基础是为理性的出行者寻求“效用最大化”，即出行者根据自身的价值判断，进行其所认为的最优方案选择。即

) ⑶Pin = Prob ( Uin＞Ujn，i≠j，i、j∈An

式中：Pin 为出行者 n 选择 i 方式出行的概率；An 为交通方式集合。

在 Logit 模型中假定随机项 εin 服从二重指数分布，由此可导出：

Pin = eV / ∑ eV = 1 / ∑ eV-V

in

jn

in

jn

1 城际铁路需求预测方法比选

城际铁路需求预测的方法一般采用城市交通规划中的“四阶段法”，但这种方法仍存在不足之处。首先，“四阶段法”起源于城市交通规划，在进行城市群区域城际铁路客运量预测时，考虑市区与区域间人口密集程度、用地开发强度等均存在较大差异，因此在进行小区划分时，采用统一的标准并不可取；其次，将“四阶段法”移植到铁路研究领域，其应用的对象已经改变，是否科学合理尚有待考究；再次，集计模型较非集计模型而言，需要的数据量大，但集计处理后的信息丢失，既存在严重的信息浪费，又不能真实地反映个体出行行为特征，从经济学角度来看，其投入产出效率不如非集计模型。因此，通过选用非集计模型，根据个人的出行行为特征，可以进行城际铁路需求预测。

在假设区域内出行总量已经获得的情况下，根据城市群区域通道中交通方式和路径之间的依赖性，将交通方式划分与客流分配相结合，提出基于行为调查 / 意向调查 ( RP / SP ) 的路径-方式综合分

j∈ Anj∈ An

j∈ An

⑷

式中：i、j 表示第 i 或 j 种交通方式，Vin、Vjn 表示出行者 n 选择第 i 或 j 种交通方式的效用固定项。2.2 特性变量选择

在出行决策中，最重要的 2 个因素是出行者个人条件及经济约束和选择方案特性。为此，形成了选择方案效用函数的 2 类主要变量，即选择方案特性变量和出行者特性变量。选择方案特性变量选取具有代表性的时间、费用、便捷性；出行者特性变量考虑年龄、收入、汽车保有量。

城际干线交通方式一般包括城际铁路、公路长途运输 ( 大巴 )、私家车。 2.3 数据收集与处理

鉴于城际出行行为属于低频率行为，因此在进行城际客流调查时，通常在客流通道内进行。采用选择方案抽样法，将调查重心集中在公路收费站、城际铁路车站和汽车站，以便于从实际出行的人群中进行抽样，从而使调查效率高于家庭访问法、电