基于cart改进模型的驾驶员路径选择行为估计方法-常安德.pdf

《基于cart改进模型的驾驶员路径选择行为估计方法-常安德.pdf》由会员分享，可在线阅读，更多相关《基于cart改进模型的驾驶员路径选择行为估计方法-常安德.pdf（9页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、第43卷第7期2017年7月北京工业大学学报JOURNAL OF BEIJING UNIVERSITY OF TECHNOLOGYVol.43 No.7Jul. 2017基于CART改进模型的驾驶员路径选择行为估计方法常安德1,2,王 京3,姜桂艳4,5(1.中国刑事警察学院交通事故处理教研室,沈阳 110035;2.公安部痕迹检验鉴定技术重点实验室,沈阳 110035;3.沈阳农业大学工程学院,沈阳 110866; 4.宁波大学海运学院,浙江宁波 315211;5.国家道路交通管理工程技术研究中心宁波大学分中心,浙江宁波 315211)摘 要:针对目前驾驶员路径选择估计精度不高的问题,考虑地

2、区、城镇类型、性别、年龄、是否已婚、学历、职业、是否从事全职工作、收入水平、交通拥挤程度、排队长度、延误时间、道路熟悉程度、路径长度、替代路径节省时间等多方面因素,设计了一个驾驶员路径选择行为调查方案,并对驾驶员群体开展了网上调查.利用Logit模型及Probit模型分析了驾驶员路径选择行为的影响因素,得到性别、年龄、是否从事全职工作、延误时间、道路熟悉程度、路径长度、道路拥挤程度等因素的影响显著.利用改进的分类树(classification and regression tree,CART)模型设计了驾驶员路径选择行为估计模型,重点针对驾驶员路径选择行为的特点对传统CART模型的递归划分与

3、剪枝2个主要算法进行了改进研究.样本测试结果表明:模型的估计精度可达82%,相比现有模型的估计精度至少提高了6%.研究成果可为交通诱导方案的制定提供有效的技术支持.关键词:交通诱导;路径选择;分类树中图分类号: U 491文献标志码: A文章编号: 0254 -0037(2017)07 -1108 -09doi: 10.11936/ bjutxb2016060065收稿日期: 2016-06-21基金项目:国家自然科学基金资助项目(51305041);公安部技术研究计划面上项目(2015JSYJC06);辽宁省自然科学基金资助项目(201602809);辽宁省教育厅科学技术研究一般项目(L20

4、15554)作者简介:常安德(1984 ),男,副教授,主要从事智能交通系统、交通安全管理方面的研究,E-mail: changande npuc. edu. cn通信作者:姜桂艳(1964 ),女,教授,博士生导师,主要从事智能交通系统方面的研究,E-mail: jiangguiyan nbu. edu. cnDrivers Route Choice Behaviors Estimating MethodBased on CART Improved ModelCHANG Ande1, 2, WANG Jing3, JIANG Guiyan4, 5(1. Office of Traffic A

5、ccident Treatment, National Police University of China, Shenyang 110035, China;2. Key Laboratory of Impression Evidence Examination and Identification Technology, Shenyang 110035, China;3. College of Engineering, Shenyang Agricultural University, Shenyang 110866, China;4. Faculty of Maritime and Tra

6、nsportation, Ningbo University, Ningbo 315211, Zhejiang, China;5. Ningbo University Sub-Centre, National Traffic Management Engineering & Technology Research Centre,Ningbo 315211, Zhejiang, China)Abstract: In order to solve the problem of the low precision of drivers route choice estimation, a state

7、dpreference survey was conducted on the internet to collect various drivers route choice behaviors. Basedon the findings from the surveys, seventeen potential affecting factors such as city type, region, gender,age, marital status, degree, job, full-time or non-full-time employees, monthly income, c

8、rowded level ofthe current route, vehicle queue length of the current route, delay ratio of the current route, knowledge ofan alternate route, length ratio of an alternate route, crowded level of an alternate route, anticipated万方数据 第7期常安德,等:基于CART改进模型的驾驶员路径选择行为估计方法travel time saving ratio and qualit

9、y of dynamic travel information were identified and applied to furtherstudy. A logit model and a probit model were adopted to evaluate the significance of these factors.Gender, age, full-time or non-full-time employees, delay ratio of the current route, knowledge of analternate route, length ratio o

10、f an alternate route, and crowded level of an alternate route were proved tobe significant variables. Then a classification and regression tree (CART) improved model for estimatingdrivers route choice behaviors was built based on the significant variables, where recursive partitioningand pruning alg

11、orithms were focus on improved. The verification results showed that the model estimatingprecision reaches 82%, which is 6% higher than that of the existing models. The research achievementsin this paper can provide technical supports for making traffic induction plans.Key words: traffic guidance; r

12、oute choice; classification and regression tree先进的出行者信息系统( advanced travelerinformation systems,ATIS)作为智能交通系统的一个重要组成部分,利用先进的通信、电子、计算机等技术,获取、处理及发布有关道路交通状态的实时信息,据此指引机动车避开拥堵地点,特别是当发生交通拥堵、交通事故或举办大型活动时,可帮助驾驶员选择更加合理的出行路径1.ATIS属于建议性交通管理手段,即驾驶员可以服从诱导,也可以不服从诱导.也就是说,驾驶员对交通信息的反应直接影响诱导效果,此时掌握驾驶员的路径选择决策倾向则非常重要.目

13、前,驾驶员路径选择行为的研究成果较多,主要集中在驾驶员路径选择行为的影响分析方面.Conquest等2针对西雅图的陈述偏好( statedpreference,SP)调查数据,通过聚类分析对驾驶员进行了分类,分析了交通信息对驾驶员路径选择行为的影响,结果表明时间观念较强、下班途中或熟悉路况的驾驶员更原意改变出行路径. Khattak等3利用SP调查方法获取了旧金山驾驶员的路径选择数据,分析结果表明延误时间、驾驶员熟悉替代路径程度以及替代路径的拥挤程度是影响驾驶员出行路径选择的主要因素. Emmerink等4采用问卷邮寄方式获得了阿姆斯特丹的驾驶员出行行为数据,据此标定了二项Probit模型,分

14、析了驾驶员路径选择行为的影响因素,结果表明驾驶员选择替代路径的概率与替代路径类型、长度等因素密切相关,男性更愿意选择替代路径. Al-Deek等5利用芝加哥的SP调查数据,设计了一种混合交通分配模型,据此对突发交通事故驾驶员路径选择行为进行分析,结果表明原路径排队长度越长,驾驶员越愿意选择替代路径,青年人、未婚者和男性更愿意选择替代路径.Chatterjee等6针对伦敦驾驶员对可变信息标志(variable message signs,VMS)信息的反应进行了SP问卷调查,再运用Logit模型分析了驾驶员路径选择行为,结果表明交通事故发生位置会影响驾驶员的路径选择决定. Jou等7针对台北一条

15、高速公路,通过SP调查获取了驾驶员路径选择行为数据,运用Probit模型对驾驶员路径选择的影响因素进行了分析,结果表明在同等条件下,驾驶员更愿意选择其所习惯的路径行驶.周元峰8通过SP调查获得了北京市出租车驾驶员的路径选择行为数据,运用Logit模型进行了数据分析,结果表明驾驶员的基本特性、路网熟悉程度、交通事故严重程度、延误时间、交通信息质量等因素会对路径选择行为产生较大影响.徐天东等9针对上海VMS交通信息,通过SP调查获取了驾驶员的出行行为数据,运用二项Logit模型对其影响因素进行了分析,结果表明驾驶员基本特性以及交通信息质量是影响出行路径选择的主要因素.石京等10通过网上SP调查获取

16、了驾驶员路径选择行为数据,然后使用二项Logit模型完成了影响因素分析,并将影响显著因素筛选出来,运用二项Logit模型建立了驾驶员路径选择决策行为的估计模型,结果表明交通信息质量、延误容忍程度等因素对驾驶员路径选择的影响较大.李军等11提出了基于Probit等效阻抗的配对组合路径选择模型,下层模型采用二项Probit模型;上层模型采用多项Logit模型,利用相对阻抗缓解Logit模型长短路径的缺陷,通过条件概率计算路径的选择概率,验证结果表明双层模型比传统Logit模型的效果更好.上述文献对于驾驶员基本特性、路网特性、交通状况、信息内容、信息质量等影响因素的考虑值得本文借鉴.同时也可看出,现

17、有文献大多采用Logit、Probit等传统离散选择模型估计驾驶员路径选择行为.然而已有文献12-14表明,Logit、Probit等传统离散选择模型用于驾驶员路径选择行为影响因素分9011万方数据北 京 工 业 大 学 学 报2017年析的效果较好,但用于驾驶员路径选择行为估计的效果不够理想.为此,本文将考虑多方面因素设计一个适用于全国范围的驾驶员路径选择行为调查方案,并通过网上调查对其进行实施,分别利用Logit模型及Probit模型对调查的样本数据进行深入分析,得出各因素的影响形式及其程度,再针对显著影响因素设计一个驾驶员路径选择行为估计新模型,并对其估计效果进行检验.1 驾驶员路径选择

18、行为调查SP调查法因其简单、廉价、易于操作的优点应用范围更广,所以本文采用SP调查法采集驾驶员路径选择行为数据.在设计调查问卷前,应先确定驾驶员路径选择行为的影响因素.参考已有文献,并结合研究主题的特点,本文考虑17个因素设计调查问卷:城镇类型(x1)、地区(x2)、性别(x3)、年龄(x4)、是否已婚(x5 )、学历(x6 )、职业(x7 )、是否从事全职工作(x8)、收入水平(x9 )、原路径异常状况严重程度(x10)、原路径排队长度(x11 )、原路径延误时间(x12)、替代路径熟悉程度(x13 )、替代路径长度(x14)、替代路径拥挤程度(x15)、替代路径节省时间(x16)及交通信息

19、质量水平(x17).鉴于网上调查方式样本量大、针对性强、覆盖范围广、实施成本低等优点,本文将其作为驾驶员路径选择行为的调查方式,并通过“我要调查网”发布了“驾驶员路径选择行为调查”的电子问卷.为了增加问卷发放量,除采用常规方式对网站会员展开调查,同时通过QQ、E-mail、MSN、博客、论坛等方式针对其他人群展开调查.最终回收问卷540份,其中有效问卷490份.受访驾驶员的基本特性统计结果如表1所示.表1中,被调查者是否已婚的比例比较均衡;除了本科、专科的比例较高,被调查者的学历比较均衡;被调查者的职业分布比较平均;被调查者月收入2 000 4 000元所占比例稍大.被调查者多位于大、中型城市

20、,所占比例超过85% ,原因在于目前县、乡所面临的交通问题不突出,所以本文在选取调查对象时,有意偏向较大城市;由于男性驾驶员较多,所以被调查者多为男性;被调查者的年龄多分布于20 50岁,原因在于其为驾驶员主体年龄段;被调查者多从事全职工作,符合我国社会职业结构特点.表1 驾驶员基本特性统计Table 1 Drivers basic features statistics特性编号特性名称取值比例/%1城镇类型乡镇5. 1县级市6. 7地级市46. 9省会城市26. 3直辖市15. 02地区东北55. 7华北20. 6华东11. 4中南4. 5西北3. 3西南4. 53性别女36. 9男63.

21、14是否已婚否44. 9是55. 15年龄小于20 4. 120 29 51. 630 39 27. 340 49 11. 250 59 4. 5大于60 1. 36学历小学或初中12. 0高中12. 7本科或专科52. 6硕士或博士22. 77职业学生16. 9公司职员31. 4公务员6. 8教师或医生11. 2自由职业10. 4其他23. 38是否从事全职工作否23. 1是76. 99家庭月收入小于2 000元18. 42000 4000元40. 64000 8000元26. 9大于8 000元14. 10111万方数据 第7期常安德,等:基于CART改进模型的驾驶员路径选择行为估计方法2

22、 驾驶员路径选择影响因素分析驾驶员路径选择项有2个元素:第一,不服从诱导信息,效用值为“Y = 0”;第二,服从诱导信息,效用值为“Y = 1”.为了能使不同场景出行具有可比性,需将原路径延误时间、替代路径节省时间及替代路径长度转化为相对量,即变为原路径延误时间/原路径行驶时间、替代路径节省时间/原路径行驶时间及替代路径长度/原路径长度.利用SPSS软件实现二项Logit模型,输出结果如表2所示;实现二项Probit模型,输出结果如表3所示.表2 驾驶员路径选择影响因素Logit分析Table 2 Binary logit analysis for drivers routechoice wi

23、th explanatory variables自变量回归系数标准差Wald检验自由度显著水平发生比率x1 -0. 092 0. 131 0. 492 1 0. 483 0. 912x2 -0. 069 0. 091 0. 573 1 0. 449 0. 933x3 0. 570 0. 246 5. 377 1 0. 020 1. 768x4 -0. 347 0. 148 5. 505 1 0. 019 0. 707x5 0. 018 0. 311 0. 003 1 0. 953 1. 019x6 -0. 109 0. 164 0. 439 1 0. 507 0. 897x7 0. 010 0

24、. 078 0. 016 1 0. 900 1. 010x8 0. 547 0. 303 3. 272 1 0. 070 1. 729x9 0. 022 0. 146 0. 023 1 0. 879 1. 022x10 -0. 046 0. 146 0. 099 1 0. 753 0. 955x11 0. 030 0. 088 0. 116 1 0. 733 1. 031x12 0. 226 0. 112 4. 105 1 0. 043 1. 254x13 0. 416 0. 150 7. 652 1 0. 006 1. 516x14 -0. 305 0. 106 8. 347 1 0. 00

25、4 0. 737x15 -0. 480 0. 114 17. 666 1 0. 000 0. 619x16 0. 024 0. 095 0. 063 1 0. 802 1. 024x17 0. 019 0. 119 0. 026 1 0. 872 1. 019根据表2可看出,各自变量的Wald检验结果及其显著水平差别较大,说明不同自变量对应变量影响程度具有较大差别.同时,某些自变量的Wald检验结果明显偏小,而且显著水平明显偏大.因此,应将影响程度较小的自变量剔除,即依次剔除x9、x17、x16、x2、x1、x11、x7、x6、x5、x10.根据表3可看出,各自变量的Wald检验结果具有较大差

26、别,同时某些自变量的Wald检验结果明显偏小.因此,应将影响程度较小的自变量剔除,即依次剔除x9、x17、x16、x2、x1、x11、x7、x6、x5、x10.可见,二项Logit模型及二项Probit模型的分析结果相同.表3 驾驶员路径选择影响因素Probit分析Table 3 Binary probit analysis for drivers routechoice with explanatory variables自变量回归系数标准差Wald检验x1 -0. 044 0. 076 0. 339x2 -0. 043 0. 053 0. 656x3 0. 315 0. 141 4. 95

27、1x4 -0. 205 0. 086 5. 726x5 0. 028 0. 177 0. 024x6 -0. 066 0. 094 0. 484x7 -0. 003 0. 045 0. 005x8 0. 318 0. 176 3. 262x9 0. 005 0. 083 0. 003x10 -0. 043 0. 084 0. 259x11 0. 023 0. 050 0. 310x12 0. 124 0. 062 3. 968x13 0. 224 0. 083 7. 306x14 -0. 181 0. 059 9. 284x15 -0. 285 0. 067 18. 318x16 0. 013

28、 0. 053 0. 065x17 0. 014 0. 069 0. 042利用SPSS软件检验剩余自变量,Logit模型的检验结果如表4所示,Probit模型的检验结果如表5所示.可见,各自变量的Wald检验结果都可满足要求,即x3、x4、x8、x12、x13、x14、x15作为显著自变量.依据表4、5分析显著因素影响形式及其程度:1)性别(X1).相比女性驾驶员,男性驾驶员更愿改变出行路径,原因在于男性驾驶员往往耐性较差,对于交通延误更敏感.2)年龄(X2).相比青年驾驶员,老年驾驶员更不愿意改变出行路径,原因在于老年驾驶员一般比较保守,不易接受新事物.3)是否从事全职工作(X3).如果驾

29、驶员从事全职工作,则更容易改变出行路径,原因在于全职驾驶员的时间理念更强,更愿意服从诱导从而减少出行时间.1111万方数据北 京 工 业 大 学 学 报2017年表4 驾驶员路径选择显著影响因素Logit分析Table 4 Binary logit analysis for drivers route choice with significant explanatory variables自变量回归系数标准差Wald检验自由度显著水平发生比率自变量x3 0. 581 0. 241 5. 813 1 0. 016 1. 788 0. 581x4 -0. 317 0. 116 7. 484 1

30、0. 006 0. 729 -0. 317x8 0. 516 0. 269 3. 691 1 0. 055 1. 675 0. 516x12 0. 228 0. 084 7. 318 1 0. 007 1. 256 0. 228x13 0. 403 0. 148 7. 426 1 0. 006 1. 496 0. 403x14 -0. 290 0. 103 7. 972 1 0. 005 0. 748 -0. 290x15 -0. 467 0. 101 21. 343 1 0. 000 0. 627 -0. 467表5 驾驶员路径选择显著影响因素Probit分析Table 5 Binary p

31、robit analysis for drivers route choicewith significant explanatory variables自变量回归系数标准差Wald检验x3 0. 328 0. 138 5. 622x4 -0. 186 0. 068 7. 629x8 0. 300 0. 156 3. 686x12 0. 124 0. 047 6. 854x13 0. 219 0. 081 7. 285x14 -0. 166 0. 058 8. 335x15 -0. 276 0. 059 21. 8934)原路径延误时间/原路径行驶时间(X4).随着原路径延误时间/原路径行驶时

32、间不断增大,驾驶员改变出行路径的概率逐渐升高.5)替代路径熟悉程度(X5).随着驾驶员对替代路径熟悉程度不断增加,其更愿意改变路径.6)替代路径长度/原路径长度(X6).随着替代路径长度/原路径长度的不断增大,驾驶员改变出行路径的概率逐渐降低.7)替代路径拥挤程度(X7).随着替代路径拥挤程度不断增加,驾驶员选择改变出行路径的概率逐渐降低.3 驾驶员路径选择行为建模驾驶员路径选择行为估计属于一种分类问题.鉴于分类树(classification and regression tree,CART)处理分类问题直观、高效、容错性好、适用性强等优势,本文以其为基础建立驾驶员路径选择行为估计模型.3.

33、 1 CART简介CART通过构造树形结构,确定样本分类规则.针对样本数据按广度优先原则生成一个多层次、多节点的树形结构,反映样本的类属关系. CART建模包括以下2个关键技术:1)递归划分.递归划分是将样本的特征数据按规则逐层分类,形成树形结构的过程.具体步骤为:第一,所有样本位于根节点;第二,逐一搜索特征变量,选出可将样本最大程度分类的变量,同时将样本分为2个子集;第三,重复上述2个步骤,直至以下任意条件:所有样本同属一类.所有特征变量都已无法有效分割样本集合.满足,并将此时的节点称为叶节点.2)剪枝.递归划分过程往往形成一种过拟合树形结构,即划分的根节点过多,使得某些叶节点包含的样本过少

34、.过拟合结构容易导致得到的某一分类结果只是样本携带的噪声,而非稳定类属模式,所以需要对其剪枝.剪枝数量直接影响分类的效果,数量过大或过小都会增大分类误差.3. 2 递归划分算法设计递归划分过程需要随时计算节点的分割纯度,据此确定每次分割应选的最佳变量及其最优阈值.本文采用p(a) =1 - 2j =(11 - 2i =(1nji(a)Nj(a ) )2(1)计算分割纯度.式中:p(a)为节点a的分割纯度;Nj(a)为节点a子集j的样本数量;nji(a)为节点a子集j类别i的样本数量.本文递归划分的算法流程如下:1)初始化,打开阈值库Data1(X1,X2,X3,X4,X5,X6,X7)、样本库

35、Data2(X1,X2,X3,X4,X5,X6,2111万方数据 第7期常安德,等:基于CART改进模型的驾驶员路径选择行为估计方法X7,Y)以及规则库Data3(最佳分割变量,最佳分割阈值,最佳分割纯度,SET1类别,SET2类别,SET1样本数量,SET2样本数量),令变量a = 0,最佳分割变量b = 0,最优分割阈值c = 0,最佳分割纯度d =0.2)分割规则提取,一层循环,Data1指针置顶,令a = a +1.3)二层循环,Data2指针置顶,令第1子集Y =0样本的数量n11 =0,第1子集Y =1样本的数量n12 =0,第2子集Y = 0样本的数量n21 = 0及第2子集Y

36、=1样本的数量n22 =0,并令阈值e = Data1(Xa).4)三层循环,e 1、X5 1、X24、X6 2时,驾驶员不服从交通诱导信息.也就是说,当驾驶员年龄不超过60岁,并且比较了解道路环境,同时替代路径长度相比原路径长度非常接近,则其很可能服从诱导信息.为了检验驾驶员路径选择CART模型的效果,统计上述CART模型的估计误差,结果如表6所示,并与现有的模型进行效果对比.表6 CART模型估计误差Table 6 Estimating errors of classification andregression tree实际结果估计结果/例不服从诱导服从诱导估计误差/ %不服从诱导12

37、1118服从诱导7 70采用390个样本标定集计选择模型,剩余100个样本用于模型的效果验证. Logit模型的估计误差如表7所示;Probit模型的估计误差如表8所示.表7 Logit模型估计误差Table 7 Estimating errors of logit model实际结果估计结果/例不服从诱导服从诱导估计误差/ %不服从诱导9 1425服从诱导11 66表8 Probit模型估计误差表Table 8 Estimating errors of probit model实际结果估计结果不服从诱导服从诱导估计误差/ %不服从诱导9 1424服从诱导10 67依据表6 8可看出,对于3种

38、模型而言,Y =1样本的估计误差明显低于Y =0样本,原因在于本次SP调查数据的Y = 1样本明显多于Y = 0样本,因此,在建立CART模型的过程中,应尽量保证2类样4111万方数据 第7期常安德,等:基于CART改进模型的驾驶员路径选择行为估计方法图1 驾驶员路径选择CART模型最优结构Fig.1 Optimum structure of classification and regression tree for drivers route choice本都较充足.同时,相比集计选择模型,CART模型估计误差明显更低,说明CART模型非常适于处理驾驶员路径选择行为估计问题.4 结论1)本

39、文考虑17个影响因素,设计并且实施了一个适用于全国范围的驾驶员路径选择行为调查方案,利用Logit模型及Probit模型对调查的样本数据进行了深入分析,得出了各个因素的影响形式及其程度,利用CART方法建立了一种驾驶员路径选择行为的估计模型.2)对估计效果进行了检验,结果表明:模型估计精度可达82%,相比Logit、Probit等常用模型的估计精度更高.然而,由于本文篇幅有限,只能针对全国范围的数据进行集成分析,但不同地区的情况有所差别,故将在未来的研究中,针对各个地区的情况进行更多样本的采集,并进行分区建模研究.参考文献:1 LEE C. Developing driver complian

40、ce based operationsmodel for ATIS applications D. Madison: University ofWisconsin, 2004.2 CONQUEST L, SPYRIDKIS J, HASELKORN M, et al.The effect of motorist information on commuter behavior:classification of drivers into commuter groups J .Transportation Research Part C, 1993, 1(2): 183-201.3 KHATTA

41、K A J, KANAFANI A, COLLETTER E L. Statedand reported route diversion behavior: implications ofbenefits of advanced traveler information systems J.Transportation Research Record, 1994, 1464: 28-35.4 EMMERINK R H M, PETER N, PIET R, et al. Variablemessage signs and radio traffic information: an integr

42、atedempirical analysis of drivers route choice behaviour J.Transportation Research Part A, 1996, 30(2): 135-153.5 AL-DEEK H M, KHATTAK A J, THANANJEYAN P. Acombined traveler behavior and system performance model5111万方数据北 京 工 业 大 学 学 报2017年with advanced traveler information systems J .Transportation

43、Research Part A, 1998, 32(7): 479-493.6 CHATTERJEE K, HOUNSELL N B, FIRMIN P E. Driverresponse to variable message sign information in LondonJ. Transportation Research Part C, 2002, 10(2): 149-169.7 JOU R C, HENSHER D A, CHEN K H. Route choicebehaviour of freeway travelers under real-time trafficinf

44、ormation provision application of the best route and thehabitual route choice mechanisms J. TransportationPlanning and Technology, 2007, 30(6): 545-570.8周元峰.基于信息的驾驶员路径选择行为及动态诱导模型研究D.北京:北京交通大学,2007.ZHOU Y F. Drivers route choice behavior and dynamicinduction model research based on the information D.

45、Beijing:Beijing Jiaotong University, 2007. (in Chinese)9徐天东,孙立军,郝媛.不同交通信息下网络交通动态路径选择行为J.同济大学学报(自然科学版),2009,37(8):1029-1033.XU T D, SUN L J, HAO Y. Influence of different trafficinformation on drivers dynamic route choice behavior inurban road network level J. Journal of Tongji University(Natural Sci

46、ence), 2009, 37 ( 8 ): 1029-1033. ( inChinese)10石京,陶立.实时交通信息提供对驾驶员路径选择行为影响量化分析J.武汉理工大学学报(交通科学与工程版),2010,34(4):639-643.SHI J, TAO L. Quantitative analysis of driver routechoice behavior on the provision of real-time trafficinformation J . Journal of Wuhan University ofTechnology ( Transportation Scie

47、nce & Engineering),2010, 34(4): 639-643. (in Chinese)11李军,赖信君,余志.基于Probit等效阻抗的配对组合Logit路径选择模型J.交通运输系统工程与信息,2013,13(4):100-105.LI J, LAI X J, YU Z. A paired combinatorial logit routechoice model with probit-based equivalent impedance J . Transportation Systems Engineering andInformation, 2013, 13(4):

48、 100-105. (in Chinese)12安实,李静,崔娜,等. ATIS环境下通勤者逐日出行路径更换行为仿真J.吉林大学学报(工学版),2009,39(3):587-592.AN S, LI J, CUI N, et al. Simulation of commuter day-to-day dynamic route switching behavior under ATISinformation J. Journal of Jilin University (Engineeringand Technology Edition), 2009, 39(3): 587-592. (inC

49、hinese)13 BEKHOR S, ALBERT G. Accounting for sensationseeking in route choice behavior with travel timeinformation J. Transportation Research Part F, 2014,22(1): 39-49.14 MANLEY E J, ORR S W, CHENG T. A heuristic modelof bounded route choice in urban areas J .Transportation Research Part C, 2015, 56(1): 195-209.(责任编辑 梁 洁)6111万方数据