楊 超，繆子山，史 晟

（1.同濟大學(xué) 道路與交通工程教育部重點實驗室，上海201804；2.上海市城市規(guī)劃設(shè)計研究院，上海200040）

隨著城市化、機動化進程的加快，以傳統(tǒng)“四階段”法為代表的交通需求預(yù)測技術(shù)已經(jīng)不能應(yīng)對伴隨城市交通發(fā)展所產(chǎn)生的新問題，而基于活動的出行需求分析模型（下簡稱“活動模型”）較好地解釋了出行產(chǎn)生的機理，同時又能敏感地對交通政策和交通需求管理做出響應(yīng)，為決策者更好地制定改善城市交通的政策和指令提供服務(wù).

作為一種出行需求分析方法，活動模型的創(chuàng)立可以追溯到瑞典倫德大學(xué)的地理學(xué)家Hagerstrand[1]和美國北卡大學(xué)的社會學(xué)家兼規(guī)劃師Chapin[2]的先期貢獻.直到20世紀(jì)70年代中后期，Jones等[3]開始對基于活動的出行行為進行首次綜合研究，對活動模型給出了明確的定義，并進行了復(fù)雜出行行為建模的初步探索.其后的研究主要分為基于離散選擇建模和基于仿真建模的方法.基于離散選擇模型如Bowman在Sacramento地區(qū)開發(fā)的SACSIM模型[4].基于仿真方法的研究如Bhat等開發(fā)的CEMDAP模型[5]，Koohbanani等在開發(fā)的TRANSIMS系統(tǒng)[6]以及Balmer和 Axhausen在瑞典開發(fā)的 MATSIM模型[7].

近年來國內(nèi)一些學(xué)者也開始結(jié)合中國城市的特點在活動模型領(lǐng)域進行了探索和研究.李志瑤、雋志才等將活動模式定義為一階、二階、中間駐停、工作子往返4類，并運用logistic回歸方法進行模型的標(biāo)定[8－9].楊敏對工作者通勤出行簡單鏈模式和復(fù)雜鏈模式的選擇行為特征進行了建模分析[10].穆蕊利用2005年北京居民出行調(diào)查數(shù)據(jù)建立基于活動的出行方式選擇模型，研究了年齡、職業(yè)、月票情況、家庭月交通費、家庭月收入和出行距離等對出行方式選擇的影響[11].總體來說，國內(nèi)關(guān)于活動模型的研究還處于起步階段，基本還停留在分析出行鏈和出行的不同，以及出行鏈的基本特征的研究上，在活動模型的實際應(yīng)用方面還有待深入研究.

本文結(jié)合基于活動的理論和離散選擇理論，提出適合我國國情的基于活動的居民出行需求預(yù)測模型結(jié)構(gòu).以2010年綿陽市傳統(tǒng)居民出行調(diào)查數(shù)據(jù)為輸入數(shù)據(jù)，研究從傳統(tǒng)居民調(diào)查數(shù)據(jù)中提取往返行程和日活動模式以及活動模型建模所需特性數(shù)據(jù)的方法和流程，并提出以方式／目的地選擇模型、時間選擇模型和日活動模式選擇模型為主體的層次選擇模型結(jié)構(gòu)，采用分層標(biāo)定模型的方法，就活動模型的數(shù)據(jù)處理、模型結(jié)構(gòu)、變量選擇、模型標(biāo)定提出一個完整的分析方法，并用于預(yù)測分目的、分方式、分時間段的居民出行起迄矩陣，從而實現(xiàn)基于活動模型的交通需求預(yù)測.

1 數(shù)據(jù)

居民出行調(diào)查數(shù)據(jù)是居民出行需求預(yù)測的基礎(chǔ).目前我國大多數(shù)城市仍使用基于傳統(tǒng)“四階段”法的交通需求預(yù)測方法，與之相對應(yīng)的城市居民出行調(diào)查無論是調(diào)查內(nèi)容還是調(diào)查問卷也都是為傳統(tǒng)模型服務(wù).本文建模使用的是2010年四川省綿陽市綜合交通規(guī)劃中進行的傳統(tǒng)居民出行調(diào)查數(shù)據(jù)，通過處理，從調(diào)查數(shù)據(jù)中提取往返行程和日活動模式等基于活動模型建模所需的特性數(shù)據(jù)，使其符合基于活動模型的建模要求，從而進行模型活動鏈特征的統(tǒng)計分析和各層模型的標(biāo)定.

1.1 數(shù)據(jù)收集

2010年四川省綿陽市居民出行調(diào)查采用傳統(tǒng)的居民調(diào)查設(shè)計表，調(diào)查6周歲以上的居民，以戶為單位，采取家訪調(diào)查的形式.調(diào)查共抽取家庭10 593戶，約27 500人，抽樣率4%，回收表格10 120戶，其中有效戶數(shù)為9 359戶，有效記錄19 944人，有效抽樣率3%.本文建模僅針對綿陽市區(qū)范圍，劃分為189個小區(qū)，土地利用、人口、就業(yè)崗位等均以小區(qū)為單位進行統(tǒng)計.

1.2 數(shù)據(jù)處理

傳統(tǒng)模型的居民出行調(diào)查在社會經(jīng)濟特征、出行方式可選性、小區(qū)特征和用地特征等方面的調(diào)查內(nèi)容與面向活動模型的居民出行調(diào)查基本相同.主要區(qū)別在于傳統(tǒng)的居民出行調(diào)查中居民的出行活動是以出行為研究單位；而面向活動模型的調(diào)查是以往返行程為研究單位.因此，要利用傳統(tǒng)居民出行調(diào)查的數(shù)據(jù)來進行活動模型的建模，需要對居民出行的相關(guān)數(shù)據(jù)進行處理，從中提取出居民出行的往返行程和日活動模式等建模所需的特性數(shù)據(jù).

本文采用的問卷按照一天出行次序的先后，逐次記錄每次出行的出發(fā)和到達(dá)時間、出行目的、目的地、出行方式和費用等，采用錄入程序得到基礎(chǔ)的Excel數(shù)據(jù)表格后，使用Excel中的VBA語句對基礎(chǔ)數(shù)據(jù)進行處理，剔除了邏輯錯誤數(shù)據(jù)后進行分解、判斷，合成得到往返行程和日活動模式的數(shù)據(jù).對每個出行居民的數(shù)據(jù)處理邏輯流程如圖1所示.

圖1 出行數(shù)據(jù)提取邏輯圖Fig.1 Flow chart of extracting activity－based data from traditional trip survey

根據(jù)以上步驟對數(shù)據(jù)進行處理統(tǒng)計，得到本文所建離散選擇模型的樣本量見表1.

表1 各個離散選擇模型的樣本量Tab.1 Sample sizes of each discrete choice model

1.3 數(shù)據(jù)描述

根據(jù)調(diào)查數(shù)據(jù)，每個出行居民一天的活動可分為一階往返行程、二階往返行程和子往返行程.鑒于一階往返行程中工作／上學(xué)往返行程主要集中在早晚高峰時段，更具規(guī)律性，可單獨分類考慮.根據(jù)數(shù)據(jù)統(tǒng)計，一階工作／上學(xué)往返行程占43.19%，一階非工作／上學(xué)往返行程占38.66%，二階往返行程16.50%，子往返行程占1.64%.一階往返行程所占比例較大，出行時間集中在早晚高峰，而且工作／上學(xué)往返行程和非工作／上學(xué)往返行程在特征上有較大不同，可分兩類討論.而子往返行程的數(shù)量較少，因此不單獨建模研究.

2 方法

根據(jù)綿陽市居民活動特征和活動理論的基本要求，對居民每日的活動做如下假設(shè)：①假設(shè)調(diào)查所得的數(shù)據(jù)反映了居民每天按一定時間上下班（學(xué)）的規(guī)律性；②將居民具有規(guī)律性的每日活動劃分出不同的日活動模式；③出行者在選擇日活動模式的條件下，再進一步考慮每一個往返行程的目的地、出行時間和出行方式；④假設(shè)各個往返行程相互之間是獨立的.根據(jù)以上假設(shè)，本文在建模時按照活動－出行選擇順序建立三層模型：日活動模式選擇模型、時間選擇模型和方式／目的地聯(lián)合選擇模型，模型的選擇結(jié)構(gòu)如圖2所示.下面從底層開始逐一對模型進行介紹.

圖2 基于活動的多層選擇模型結(jié)構(gòu)Fig.2 Structure of activity－based hierarchy selection model

2.1 方式／目的地選擇模型

本研究中出行方式和目的地的聯(lián)合選擇模型為

式中：Pmd為交通方式m和出行目的地d組合的概率；m是僅隨出行方式變化的確定效用項d是僅隨出行目的地變化的效用確定項md是同時隨交通方式和目的地變化的效用確定項；Cmd為可以選擇的出行方式和目的地集合.

出行方式／出行目的地聯(lián)合選擇模型的效用函數(shù)影響變量主要有3類：社會經(jīng)濟屬性變量、出行模式變量和城市用地屬性變量.社會經(jīng)濟屬性變量包括：家庭規(guī)模、交通工具擁有情況、家庭收入、性別、年齡和職業(yè)等.出行模式變量包括：出行者的出行模式中是否存在駐停、駐停的次數(shù)和位置等.城市用地屬性變量包括：阻抗變量、區(qū)位變量和吸引性變量3類.阻抗變量主要指出行距離；區(qū)位變量包括目的地小區(qū)所處區(qū)位（中心區(qū)、郊區(qū)）、出行是否跨江、出發(fā)小區(qū)和目的地小區(qū)是否相同；吸引性變量主要包括小區(qū)的人口、就業(yè)面積和居住面積.

2.2 時間選擇模型

離散選擇模型中，難以模擬連續(xù)時間的選擇.本研究中時間選擇模型為

式中，Pj為選擇時間段j的概率是根據(jù)時間選擇影響因素Xkj計算的確定效用項，θkj是可觀測變量的參數(shù)；Ct為可以選擇的時間段集合.

本文對一天的時間進行了分段，將早高峰作為一個時間段，晚高峰作為一個時間段，早高峰前、早晚高峰之間、晚高峰以后分為3個時間段，一天共劃分為5個時間段，并假定每個時間段內(nèi)交通系統(tǒng)的性能大致相同.往返行程用往程起始時間所在時間段，返程起始時間所在時間段來定義往返行程的時間，同時假定：①往程起始時間（返程起始時間）所在的時間段內(nèi)交通系統(tǒng)的性能一致；②認(rèn)為往程起訖時間和返程起訖時間不發(fā)生時間段的跨越.

出行者對出行時間的選擇主要受到家庭屬性和個人屬性的影響，同時也受到往返行程類型和目的以及其駐停的位置和數(shù)量的影響.本文在建立時間選擇模型的效用函數(shù)時主要考慮3類變量：家庭屬性變量，包括家庭人口、家庭擁有交通工具的數(shù)量；個人屬性變量，包括性別、年齡、職業(yè)、收入、是否有駕照等；駐停屬性變量，包括駐停的位置和數(shù)量.

2.3 日活動模式選擇模型

本研究中日活動模式選擇模型為

式中：Pl為日活動模式選擇概率，是日活動模式選擇影響因素Xkl計算的確定效用項，θkl是可觀測變量的參數(shù)；Cm為可以選擇的活動模式集合.

在綿陽市居民出行調(diào)查問卷中將出行目的劃分為11類，包括：工作、工作外出、上學(xué)、購物、私人事務(wù)、走訪親友、娛樂等.結(jié)合調(diào)查數(shù)據(jù)中日活動模式的特點，本文對日活動模式按以下幾種特征進行分類：一階往返行程的目的、一階往返行程的駐停位置、有無二階往返行程.通過對調(diào)查數(shù)據(jù)進行統(tǒng)計分類，得出綿陽市居民出行調(diào)查存在17種日活動模式.

日活動模式模型是活動模型的最上層模型，影響日活動模式的變量非常多，本文建模時主要考慮家庭屬性、個人屬性、家庭和個人屬性交叉類、出行距離變量等幾種因素.家庭屬性類變量，包括家庭人口數(shù)和家庭交通工具擁有情況；個人屬性變量，包括個人的年齡、性別和職業(yè)；家庭和個人屬性交叉類變量，包括：男－家庭人口數(shù)1（male＿h(yuǎn)h1）、男－家庭人口數(shù)2（male＿h(yuǎn)h2）、男－家庭人口數(shù)3（male＿h(yuǎn)h3）、男－家庭人口數(shù)4（male＿h(yuǎn)h4）、女－家庭人口數(shù)1（female＿h(yuǎn)h1）、女－家庭人口數(shù)2（female＿h(yuǎn)h2）、女－家庭人口數(shù)3（female＿h(yuǎn)h3）、女－家庭人口數(shù)4（female＿h(yuǎn)h4）、老人－家庭人口數(shù)3以上（old＿h(yuǎn)h3＋）和年輕人－家庭人口數(shù)3以上（young＿h(yuǎn)h3＋）；出行距離變量，根據(jù)綿陽市居民出行調(diào)查的數(shù)據(jù)，當(dāng)一階活動的出行距離大于2.5 km時，僅有25%的出行者仍然會選擇二階活動，因此設(shè)置出行距離變量DIST，當(dāng)一階活動出行距離大于2.5 km時DIST＝1，否則為0.

2.4 模型標(biāo)定

Pendyala等在FAMOS系統(tǒng)的技術(shù)手冊中提到，對于多層選擇模型的標(biāo)定一般有兩種方法：逐層標(biāo)定（sequential）方法和整體同時標(biāo)定（simultaneous）方法[12].其中，逐層標(biāo)定方法存在下列優(yōu)點：

（1）可操作性：當(dāng)使用整體同時標(biāo)定法來標(biāo)定活動模型時，總的選擇枝數(shù)量是每一層的選擇枝的數(shù)量的乘積，這在用非集計模型求解時將非常困難，而逐層標(biāo)定在每一層標(biāo)定時所面對的選擇枝數(shù)量要小得多[13].

（2）行為理論基礎(chǔ)：逐層標(biāo)定方法也存在出行者出行行為決策的理論支持.出行者往往并不了解所有交通方式、出行時間段、出行目的地等在出行性能上的不同，因此雖然有些選擇枝的效用可能更好，但是出行者卻并不一定選擇.因此出行者在出行決策時往往更傾向于逐層選擇來確定日活動模式、活動時間和活動的方式／目的地[14].

考慮到實際標(biāo)定的可操作性和出行者實際選擇出行時的思維模式，本文建立的基于活動的出行需求預(yù)測模型對如下3種關(guān)系進行簡化處理：①各階往返行程之間的獨立不相關(guān)性；②時間選擇與方式／目的地選擇的獨立不相關(guān)性；③日活動模式與往返行程之間的獨立不相關(guān)性.因此，本文建立的日活動模式模型、時間選擇模型和方式／目的地聯(lián)合選擇模型之間是相互不相關(guān)的，可以使用逐層標(biāo)定的方法依次標(biāo)定方式／目的地選擇模型、時間選擇模型和日活動模式模型.下面以方式／目的地聯(lián)合選擇模型中一階工作往返模型的標(biāo)定為例，介紹標(biāo)定過程.

使用SAS軟件中的logistic回歸對方式／目的地聯(lián)合選擇模型的數(shù)據(jù)用多項羅吉特（MNL）模型進行標(biāo)定，先將與方式與目的地選擇相關(guān)的變量全部代入模型，使用stepwise逐步回歸對變量進行選擇，在每一步迭代中選擇對模型貢獻最大（表征變量顯著水平的P值＜0.05）的變量，將對模型影響水平不顯著的變量剔除出模型，反復(fù)迭代，直到?jīng)]有變量可以進入模型同時也沒有變量可以剔除出模型為止.將一階工作往返行程的數(shù)據(jù)篩選出來進行標(biāo)定后，模型共迭代39次，標(biāo)定的擬合指標(biāo)和每輪迭代的變量的顯著水平見表2.

表2 一階工作往返方式／目的地模型擬合指標(biāo)Tab.2 Fitness index of mode／destination choice modal for first order wor k trip

從表2可見，模型極大似然比（likelihood ratio）、Score檢驗和 Wald檢驗的值都符合要求，遠(yuǎn)大于臨界值.模型的McFadden系數(shù)（SAS中為R2）和最大修正R2分別為0.584 4和0.608 2滿足回歸要求（該系數(shù)一般達(dá)到0.2～0.4即認(rèn)為符合要求）.

模型效用函數(shù)系數(shù)標(biāo)定結(jié)果見表3.表中1指步行，2指自行車，3指摩托車和助動車，4指小汽車，5指公交，6指其他交通方式.6被作為參照組，默認(rèn)所有系數(shù)均為0，則對于其他5種交通方式該變量的標(biāo)定系數(shù)為正，則說明這種交通方式對于該變量屬性更具吸引力.表中變量包括：常數(shù)項（intercept）、家庭人口數(shù)為1～3人（hhsize1～3）、家庭人口數(shù)為4人及以上（hhsize4）、家庭擁有汽車數(shù)為0輛（auto0）、家庭擁有汽車數(shù)為2輛及以上（auto2）、家庭擁有摩托車數(shù)為0～1輛（motor0～1）、家庭擁有自行車數(shù)為0～1輛（bike0～1）、家庭擁有自行車數(shù)為2輛及以上 （bike2）、家 庭 月 收 入 2 000～3 000 元（income2）、家庭月收入3 000～4 000元（income3）、家庭月收入4 000～6 000元（income4）、家庭月收入6 000元以上（income5）、性別為男（gender）、年齡6周歲以下（age1）、年齡6～19周歲（age2）、年齡20～25周歲（age3）、年齡65周歲以上（age5）、擁有駕照（driver＿l）、工人（voca1）、公務(wù)員（voca2）、專業(yè)技術(shù)人員（voca3）、職員（voca4）、商業(yè)服務(wù)人員（voca5）、企事業(yè)負(fù)責(zé)人（voca6）、大專院校學(xué)生（voca7）、農(nóng)民（voca8）、中小學(xué)生（voca9）、家務(wù)勞動者（voca10）、個體經(jīng)營者（voca11）、其他職業(yè)（voca12）、起訖小區(qū)相同（rd）、在中心城內(nèi)（centre）、無駐停（nostop）、返程駐停（backstop）、往返均駐停（bothstop），以上均為啞元變量，是則值為1，否則為0.此外，還包含變量小區(qū)距離阻抗（Modedestimp）和小區(qū)崗位面積（work＿m＿level），小區(qū)崗位面積小于20 000 m2，取值為1；20 000—100 000 m2，取值為2；100 000—200 000 m2，取值為3；200 000—400 000 m2，取值為4；400 000 m2以上，取值為5.

表3 一階工作往返模型變量參數(shù)估計結(jié)果表Tab.3 Results of calibrated variables for first order work trip model

由表3的結(jié)果可以看出：

（1）對于出行距離這個變量（modedestimp），步行的系數(shù)為負(fù)值，而小汽車＞公交＞摩托車＞自行車，說明出行距離越遠(yuǎn)越傾向于選擇機動能力強的交通方式.

（2）對于小區(qū)就業(yè)用地面積（work＿m＿level）這個變量，所有交通方式的系數(shù)均為正，符合小區(qū)就業(yè)用地面積越大提供的崗位數(shù)就相應(yīng)多，產(chǎn)生更多的交通吸引，更容易成為活動的目的地.

（3）對于步行出行交通方式，家庭沒有小汽車（auto0）、沒 有 摩 托 車（motor0）、收 入 較 低（income1）、年齡低（age1，age2）的出行者更傾向于選擇步行交通方式.

（4）對于自行車交通方式，收入較低（income1）、20～25周歲（age3）更愿意選擇自行車交通方式.

（5）對于小汽車交通方式，家庭人數(shù)4人以上的（hhsize4）、收入高的（income5），擁有多輛小汽車的（auto2）更愿意選擇小汽車交通方式.

（6）公務(wù)員（voca2）、企事業(yè)負(fù)責(zé)人（voca6）和個體經(jīng)營者（voca11）更愿意選擇小汽車的出行方式.

（7）當(dāng)返程有駐停（backstop）或往返均有駐停（bothstop）時不易選擇小汽車出行方式.

參數(shù)大部分具有良好的解釋意義，但有一部分參數(shù)解釋意義模糊或者不符合一般的認(rèn)識，如農(nóng)民（voca8）的交通方式選擇，有可能是這部分樣本量相對其他職業(yè)過少，影響標(biāo)定結(jié)果.但為了模型整體交通方式分擔(dān)率和目的地分布的預(yù)測，保留這些參數(shù).

3 驗證

在標(biāo)定模型時使用80%的數(shù)據(jù)用于標(biāo)定模型，剩余20%用于模型的精度檢驗，對一階工作往返行程使用的交通方式進行預(yù)測并和原始數(shù)據(jù)進行比較來檢驗?zāi)Ｐ?對每一條記錄將數(shù)據(jù)用表3的變量參數(shù)計算每一個出行者每種交通方式的效用V步行，V自行車，V摩托車，V小汽車，V公交車，并令V其他＝0，則某方式的選擇概率為：P某方式＝exp（V某方式）／（exp（V步行）＋exp（V自行車）＋exp（V摩托車）＋exp（V小汽車）＋exp（V公交車）＋exp（V其他）），分別計算P步行，P自行車，P摩托車，P小汽車，P公交車，P其他，最后將每一條記錄各種交通方式累加，得到聯(lián)合選擇模型估計的交通方式分擔(dān)率.

將聯(lián)合選擇模型所得的各交通方式出行量和調(diào)查原始數(shù)據(jù)統(tǒng)計的出行量進行比較（圖3）.可以看到聯(lián)合選擇模型除了對摩托車出行量的估計偏高，其他幾種交通方式的出行量估計都比較準(zhǔn)確，方式／目的地聯(lián)合選擇模型可以較為準(zhǔn)確地計算出行者往返行程的交通方式.

圖3 聯(lián)合選擇模型結(jié)果檢驗圖Fig.3 Validation of combined choice model

4 結(jié)論

在目前的交通需求預(yù)測領(lǐng)域，傳統(tǒng)的“四階段”法仍占據(jù)主導(dǎo)地位，但是在交通需求管理和交通政策管理的背景下，“四階段”法本身對于出行機理解釋的不足，模型內(nèi)部各階段之間聯(lián)系不緊密，對政策的不敏感等缺陷都讓其顯得跟不上時代前進的步伐.本文從傳統(tǒng)的居民出行調(diào)查數(shù)據(jù)入手，提出獲取基于活動模型的數(shù)據(jù)的方法，并以此數(shù)據(jù)為模型輸入，提出了基于活動的城市居民出行需求預(yù)測模型，確定模型的結(jié)構(gòu)和變量參數(shù)，采用逐層標(biāo)定的方法對模型進行標(biāo)定，基本實現(xiàn)了預(yù)測居民一日主體活動的功能，但模型中對于活動中所涉及到的有關(guān)家庭決策和外部系統(tǒng)的影響還沒有考慮，有待今后的進一步深入研究.

[1] Hagerstrand T.What about people in regional science [J].Regional Science Association Papers，1970，24（1）：6.

[2] Chapin F S.Human activity patterns in the city：things people do in time and space[M].New York：Wiley，1974.

[3] Jones P M，Dix M C，Clarke M L，et al.Understanding travel behavior[M].Aldershot：Gower，1983.

[4] Bowman J L.Disaggregate treatment of purpose，time of day and location in an activity－based regional travel forecasting model[D].Boston：School of Engineering of Massachusetts Institute of Technology，2005.

[5] Bhat C R，Guo J Y，Srinivasan S.Guide book on activity－based travel demand modeling for planners[R].Austin：School of Engineering of University of Texas at Austin，2003.

[6] Koohbanani M J.Enhancements to transportation analysis and simulation system（TRANSIMS）[D].Virginia：School of Engineering of Virginia Polytechnic Institute and State University，2004.

[7] Balmer M，Axhausen K W，Nagel K.Agent－based demandmodeling framework for large－scale microsimulations [J].Transportation Research Record，2006，1985：125.

[8] 雋志才，李志瑤，宗芳.基于活動鏈的出行需求預(yù)測方法綜述[J].公路交通科技，2005，22（6）：108.JUAN Zhicai，LI Zhiyao，ZONG Fang.A review of activitybased travel demand forecasting method [J].Journal of Highway and Transportation Research and Development，2005，22（6）：108.

[9] 李志瑤，雋志才，宗芳.居民出行時間選擇及擁擠收費政策[J].交通運輸工程學(xué)報，2005，5（3）：105.LI Zhiyao，JUAN Zhicai，ZONG Fang.Resident travel time choice and congestion pricing policy[J].Journal of Traffic and Transportation Engineering，2005，5（3）：105.

[10] 楊敏.基于活動的出行鏈特征與出行需求分析方法研究[D].南京：東南大學(xué)交通學(xué)院，2007.YANG Min.Research on the characteristics of activity－based trip chaining and travel demand analysis method[D].Nanjing：School of Transportation of Southeast University，2007.

[11] 穆蕊.基于出行活動的非集計模型研究及應(yīng)用[D].北京：北京交通大學(xué)交通運輸學(xué)院，2010.MU Rui.Research and utility of disaggregate model based on trip activity[D].Beijing：School of Traffic and Transportation of Beijing Jiaotong University，2010.

[12] Pendyala R M.Phased implementation of a multimodal activitybased travel demand modeling system in Florida.volume I：technical documentation[M].Tallahassee：Florida Department of Transportation，2004.

[13] Jones P. Developments in dynamic and activity－based approaches to travel analysis[M].Aldershot：Avebury，1990.

[14] Simon H A.A behavioral model of rational choice [J].The Quarterly Journal of Economics，1955，69（1）：99.