基于生活方式的家庭邻里定位模型

极端值跨越家庭、个人、旅游目的、旅游、旅游模式和类别，位置为零，比例为一。假设所有个人都是效用最大化者，则特定于班级的出行模式选择模型可表述如下：P（m= 1 |克= 1） =经验值()经验值（7） ，其中m如果家庭h中的个人n为旅行目的d选择旅行模式k而不是tourt，则等于1，否则为0；和表示属于s类的个人为d目的旅行考虑的所有旅行模式集。我们引入了Subscript d，以说明我们为强制和非强制旅行提供了单独的特定于类别的模式选择模型。通过允许味觉参数以及考虑因素集提交给WSTLUR 2017年会议的varySubmitted，布里斯班第19页，跨模态样式。例如，无论其他旅行模式的服务水平如何，属于特定类别的个人可能总是会选择驾驶，而属于不同类别的个人可能会考虑所有旅行模式，但时间价值较高，这同样会使他们倾向于选择汽车。方程（7）可在旅行模式、旅行和旅行目的上进行组合，以降低观察选择向量的以下条件概率:f(|g级= 1)=   [P（m= 1 |克= 1)]（8） ，其中D表示旅游目的的数量，在本例中为两个；和T表示家庭h中用于旅游目的d的个人n的观察旅游次数。方程式（8）可能被边缘化，以得出观察选择向量的概率函数, 取决于家庭的模式风格。

随后，这可以在属于家庭的所有个体上迭代组合，乘以方程式（4），在家庭成员模式类型的分布上边缘化，并在样本人口中的所有家庭上迭代组合，得出以下似然函数：L(, )= P（q= 1） f级(|q= 1)f(|g级= 1） P（g= 1 | q= 1)（9） ，其中H表示样本人口中的家庭数量；和N表示属于家庭h的个体数量。未知模型参数, , 和  可通过最大化等式（9）给出的似然函数进行估计。然而，在2017年WSTLUR会议（布里斯班第20页）上，对整个模型的同时估计被证明是在计算上提交的。本文报告的模型最终通过三步程序依次进行估计：（1）估计家庭邻里选择行为的LCCM，以确定R，家庭形态类型的数量，, 类特定模型选择模型参数的向量，以及, 家庭形态类型类别隶属度模型参数向量；（2） 估计个人出行模式选择行为的LCCM，以确定S、个人模式类型的数量，以及, 特定类别模型选择模型参数的向量；和（3）使用估计值 和 从第一步开始 从第二个，最大化方程（9）. 所有模型和子模型都在Python中使用期望最大化算法和包含在SciPy库中的BFGS算法的实现进行了估计（Jones，Oliphant et al。

2001).建模方法是探索性的，因为家庭和个人模态风格的数量以及每个模态风格的行为都是在测试不同模型规范的过程中自然产生的。正如我们将在随后的案例研究中所展示的那样，不同邻里之间的品味参数差异和旅行方式选择的类别特定模型，以及这些差异如何通过个人和家庭形态结构相互关联，可以深入了解住户自己选择不同建筑环境的程度，以及建筑环境对出行行为的影响程度。提交给WSTLUR 2017年会议，布里斯班，第214页。数据用于调查住宅区选择和个人出行模式选择的分层潜在阶级选择模型的数据来自2010-2012年加州家庭出行调查（CHTS）。CHTS是对整个加利福尼亚州居民的人口统计和旅行行为特征的多模式研究。本次调查的主要目的是能够应用数据开发和更新交通模型，以满足联邦（空气质量分析）和州可持续社区和2008年气候保护法案（SB375）的法定要求，议会第32号法案（AB 32）和参议院第391号法案（SB 391），旨在通过协调交通和土地使用规划减少温室气体排放，以实现更可持续的社区。CHTS 2010-12是美国有史以来进行的最大的单一地区家庭旅行调查。

使用计算机辅助电话采访（CATI）、在线和三种可穿戴的车载和车载全球定位系统（GPS）设备以及车载诊断（OBD）装置，对来自58个县的42500户家庭以及内华达州三个相邻县的部分家庭进行了抽样。surveysampling计划旨在确保准确反映该州的全体人口。因此，使用基于地址的抽样框架方法对接收美国邮件的所有住宅地址进行随机抽样。它的主要优势是能够接触到通常低于平均水平的人口群体，这主要是由于年龄偏见（例如没有手机的家庭或只有手机的家庭）。为了提高数据收集的效率，NuStats将地址与电话号码进行了匹配，这些电话号码在抽样的邮寄地址后列出了户名。该样本提交给WSTLUR 2017年布里斯班会议，第22页框架确保覆盖所有类型的家庭，无论其电话所有权状况如何，包括没有电话的家庭（估计美国家庭的比例不到3%）。为了更好地针对难以接触到的群体，对基于地址的样本进行了补充，从列出的住宅框架中提取样本，其中包括列出的电话号码，这些电话号码来自已知与电话号码相关的名称和地址的美国工作区号码。抽样供应商提供的“目标”居民样本包括低收入居民样本、大家庭居民样本、年轻人口样本和西班牙姓氏样本。正如所料，该样本用于进一步加强难以到达的房屋的覆盖范围。

从这一框架中抽取样本的优势在于，它能够有效地开展调查工作，能够直接接触到难以接触到的家庭，并确保他们以直接和积极的方式参与调查。在本研究中，我们只调查了居住在旧金山湾区（此后为湾区）的家庭，其中包括九个县：阿拉米达、康特拉科斯塔、马林、纳帕、旧金山、圣马特奥、圣克拉拉、索拉诺和索诺马。我们总共有8208户家庭的数据。对于每个家庭，我们都知道他们当前居住地的人口普查区位置。与湾区1577个人口普查区的每个特征相关的次要数据摘自2013年老虎/线条形状文件和2009-2013年美国社区调查（ACS）5年估计数据。读者可参考附录（A）了解我们模型规范中使用的变量的详尽列表。提交给WSTLUR 2017年会议的布里斯班第23页要求参与家庭的个人在一天的时间内提供有关所有家庭内外活动的额外信息。我们将此信息处理为家庭旅游，然后将旅游分为强制性（包括工作或学校停留）或非强制性（所有其他）。结果数据集包括来自8208户家庭的17680名个人进行的9762次强制旅行和17292次非强制旅行。对于每次旅行，定义了五种可行的旅行模式选择：私家车、私人交通、公共交通、自行车和步行。私家车是指个人使用自己（或认识的人）拥有的机动车作为驾驶员或乘客的情况。

私人交通包括使用出租车、优步、汽车共享、租车和私人班车等出行方式。公共交通包括公共汽车、火车、渡轮等方式。六种出行方式的服务水平属性，即出行时间和成本，都是使用2000年和2010年SF MTC的网络浏览构建的，使用相同的出行需求模型生成。我们无法将行程时间分解为其组成要素，如车内时间和等待时间，因为我们无法获得这些信息。5、估算结果如第3节所述，我们采用三步程序确定最终模型规范。首先，我们估计了个人出行方式选择行为的多个模型，以确定个人出行方式类型的数量以及每种出行方式类型的特定于类别的模式选择模型。表1报告了不同ModelSpecification的汇总统计信息。巧合的是，根据为WSTLUR 2017年会议提交的拟合和行为统计指标，布里斯班第24页解释，我们也选择了六类模型作为这种情况下的首选规范。表3和表4分别报告了针对特定类别的旅行选择模型的估算结果。其次，我们估计了家庭居住区选择行为的多个模型，以确定家庭形态类型的数量，以及每种形态类型的阶级成员关系模型和阶级特定的邻里选择模型。表2报告了每种不同型号规格的汇总统计数据，这些规格对应特定数量的类别，被认为是该数量类别的最佳类别。我们选择六类模型作为首选规范。

然而，读者会注意到，我们探索最多的是六门课。这部分是由于计算限制。在随后的工作中，我们打算用更多的类来评估模型规范。表5和表6分别报告了家庭形态类型的阶级成员模型和居住区的阶级特定选择模型的估计结果。第三，我们使用全似然函数重新估计与个人模态风格相对应的类别成员模型，以家庭模态风格为条件，将所有其他模型参数限制为等于前两步的估计值。表7报告了类成员模型的估计结果。基于拟合的统计度量，我们选择个人和家庭模态风格的六类LCCM作为首选模型规范。提交给WSTLUR 2017年会议，布里斯班第25页，表1。个人模态样式和出行模式选项子模型不同规格的汇总统计模型参数SLOG可能性AICBICTwo class-97840.71819641199413 class-96820.72019482199604 class-96190.72119388199965 class-95270.72319252200546 class-94770.724192022367 class-94600.72419229204858八class-94460.7231923920641九class-94420.7231927920875十class-94410.7221931821084十一class-94300.72219342212955表2。

householdmodality styles和Resident Neighbourth Choices子模型不同规格的汇总统计数据ModelParametersLog似然AICBICTwo class-362480.0437258072882三个class-356040.0597135371869四个class-352520.0687070971441五个class-350370.0737033971286六个class-347940.07869911710745.1前面提到的单个模态样式估计，个人出行模式选择行为子模型的最终规范确定了样本人群中的六个类别，这六个类别与提交给WSTLUR 2017年布里斯班会议的每个类别不同，其考虑的出行模式、对出行时间和出行成本的相对敏感性，以及他们的人口特征。在随后的段落中，我们总结了这六个类中每个类的一些关键属性。为了便于理解，我们根据减少对汽车的依赖程度来安排课程。个体类别1：该类别占样本人口的30.9%。属于这一级别的个人在强制性和非强制性旅行中都会选择私人车辆。换句话说，他们完全依赖自己的汽车来满足他们的移动需求。有孩子的已婚成年人最有可能属于这一类。个体类别2：该类别占样本人口的22.5%。属于这一类的个人会考虑所有的旅行方式，除了强制和非强制旅行的私人交通。但就实际使用而言，该课程严重依赖于汽车，强制性和非强制性旅行的模式份额分别为88%和93%。属于这一类的个体对旅行成本不敏感，但对旅行时间具有较高的平均弹性。

与1班类似，已婚有子女的成年人最有可能进入这一班。提交给WSTLUR 2017年会议，布里斯班第27页表3：强制性旅游的特定类别出行模式选择模型的参数估计（和t统计数据）模型完整的持卡依赖性部分汽车依赖性多式联运低汽车依赖性1类2类3类4类5类6替代特定恒常私人汽车0.000（-）0.000（-）0.000（-）0.000（-）0.000（-）0.000（-）0.000（-）私人交通----2.802（-13.987）-1.667（-2.478）公共交通0.472（1.496）*2.842（5.464）-1.439（-5.375）4.979（8.202）10.911（19.663）自行车-1.422（-9.345）-5.4584（-2.656）3.684（9.924）步行1.245（5.605）0.451（1.352）*-2.585（-5.521）6.567（12.630）11.326（16.463）服务级别旅行时间（分钟）-0.0656（-17.697）-0.096（-15.698）-0.001（-1.410）*-0.087（-13.648）-0.061（-13.66）旅行成本（$）--1.005（-16.833）-0.064（-1.038）*-0.532（-6.720）选择概率弹性旅行时间（分钟）0.000-11.236-18.439-0.171-10.553-8.460旅行成本（$）0.000 0.000-1.091 0.000-0.189-0.574时间的边际替代率（$/小时）-∞  5.731∞  81.844 6.831*在95%水平上不显著**括号中给出了T检验估计值。提交给WSTLUR 2017年布里斯班会议第28页第3类个人：该类占样本人口的39.3%。属于这一类的个人在强制性和非强制性旅行中都会考虑使用私家车、公共交通和步行。然而，与2级一样，就实际使用而言，该级别基本上取决于汽车，强制和非强制旅行的模式份额分别为94%和79%。

与2类不同，该类课程对旅行时间和旅行成本都很敏感，预计强制旅行的时间价值为5.7美元/小时，非强制旅行的时间价值为19.3美元/小时。属于这一阶层的人更年轻（平均年龄为40岁，而第二阶级为48岁），就业率较低（46%，而第二阶级为65%），入学率较高（34%，而第二阶级为10%）。个体类别4：该类别占样本人口的3.7%。属于这一类的个人会考虑强制性和非强制性旅行的所有旅行模式，尽管四分之三的强制性旅行和二分之一的非强制性旅行仍然由私人车辆进行。在其他模式中，公共交通最受强制旅行的欢迎，模式份额为13%，步行最受非强制旅行的欢迎，模式份额为34%。对于强制性和非强制性旅行，该类别对旅行时间和成本的平均弹性较低，表明旅行模式决定由除这些服务水平属性以外的因素决定。这一阶层的平均年龄最高（50岁），生育率最低（11%），这表明属于这一阶层的人可能比其他阶层的人在生命周期中处于较晚的阶段。个体类别5：该类别占样本人口的1.6%。与第4类一样，属于该类的个人会考虑强制和非强制旅行的所有旅行模式。然而，与第4类不同，2017年WSTLUR会议（布里斯班）提交了私人车辆的出行模式份额，该比例明显较低，38%的强制出行和56%的非强制出行均采用该模式。该课程对旅行时间具有较高的平均弹性，两种旅行类型的时间值都较高。