出行能耗动态反馈下出行方式选择行为机理与模型

Smartphone applications can infer travel modes automatically and provide travel-related energy consumption feedback to travelers. The energy consumption feedback has begun to play a role to encourage achieving energy savings goals and to persuading travelers shift to green travel modes. This program focuses on modeling travel mode choice under the influence of travel-related energy consumption feedback. A computer-aided adaptive SP survey will be conducted, in order to collect mode choice behavior date under energy consumption feedback in the context of multi-day activity. In terms of developing a dynamic behavior model and parameter estimation techniques, the program will get insight into the behavior principle of travel mode choice under energy consumption feedback and explore the behavior dynamic as well as the dependence between multi-day’s mode choice results. The developed model will also take into account the impact of the external conditions such as energy savings goals and goal achievement incentive. To improve the modal share of green travel mode, the program will also discuss the goal-setting strategy and analysis the marginal benefit of goal achievement incentive. The result of the program can provide theoretical support for utilizing travel-related energy consumption to encourage the modal share of green travel models.

通过自动识别出行方式，安装于智能手机等移动设备上的软件能够计算出行能耗，然后将其动态反馈给出行者，从而督促出行者实现节能目标,引导出行者选择绿色的出行方式。本项目以阐明出行能耗动态反馈下出行方式选择行为机理为重点展开研究。设计可自适应调节调查问题内容的动态SP调查，基于计算机辅助实施调查，采集在出行能耗反馈作用下连续多天次的出行方式选择数据。提出行为模型以及参数估计方法，在综合考虑节能目标、节能奖励等外部条件的基础上，揭示出行者在出行能耗动态反馈条件下动态权衡出行方式各项属性并做出出行方式选择的机理。发掘出行方式选择行为的动态变化规律以及多天选择结果间的关联。在理解出行能耗动态反馈下出行方式选择行为机理的基础上，以提高绿色出行方式的分担率为目的，探索节能目标优化设置策略，分析节能奖励的节能边际效益。成果将为运用出行能耗动态反馈引导绿色出行提供理论基础。

出行能耗反馈下的出行方式选择决策是一类逐日演进的出行行为。为了克服以往逐日交通行为调查所面临的问题，本研究从鲁棒性、易参与性、适配性等方面入手提出了一种新颖的出行方式选择行为调查系统设计方法来有效降低出行行为调查过程中所产生的偏差，并开发了相应的手机APP以及云端后台管理系统。出行能耗反馈下所收集到的出行行为数据是板面数据（panel data）而不是截面数据，因此有必要提出一种适用于分析板面数据的出行方式选择模型。尽管带有随机参数的出行模型已经被成功的应用于分析板面数据来探索多天动态行为之间的联系，但是需要注意的是随机参数模型一般来说无法解释出行者在出行反馈信息下在属性感知方面的误差。本研究通过引入一种多层概率结构有效地在出行行为模型中考虑到了感知误差，使得我们通过行为调查数据可以量化估计出人们在选择出行方式时所产生的属性感知误差。Markov chain Monte Carlo（MCMC）算法是主流的估计随机参数的方法。在设计基于MCMC的参数估计算法时我们为全体数据建立一个统一的似然函数。这样带来的直接好处是可以避免参数的样本之间的相关性过高使得Markov链快速收敛。我们同时也尽量避免调用Metropolis–Hastings算法抽取样本，而是基于条件概率采用Gibbs方法从可以写出紧凑密度函数的概率分布中抽出随机样本。出行信息反馈下的出行方式选择模型的线性补偿结构会因人而异产生一定的异质性，我们也探讨了设置随机参数在处理异质性方面的作用。在进行数据采集与分析时，我们考虑到了累计能耗与累计出行费用之间的线性关系，为了避免多重共线问题我们引入了出行者剩余预算作为反馈信息的属性变量，验证了剩余预算在公共交通方式以及私人交通出行方式的效用函数中的权重正负相反性。