基于区间模糊数的换乘耐受性研究

发布时间：2019-09-22 20:58

【摘要】：从耐受感知的角度,分别针对步行过程和等待过程中的空间要素、时间要素和环境要素进行分析,并提出了空间耐受性、等待耐受性和基于这两者相互叠加而形成的综合耐受性的概念.同时,通过耐受阈值的确定,界定了换乘过程中的耐受极限与实际采取的换乘决策的关系.在进行建模分析时,通过引入区间模糊数,实现了对耐受感知的模糊化处理,提高了参数的回归精度.对模型进行回归分析,得出了不同耐受性的参数估计,并绘制了耐受阈值关于要素叠加的等值面图.研究表明,在常规环境下,人们所能接受的步行距离阈值为381 m,步行等待时间阈值为7.1 min,候车等待时间阈值为12.9 min.同时,该模型可得到换乘者在换乘过程中不同时空要素以及环境要素叠加所引发的耐受感知的变化.
【图文】：

壤?．40绿化遮蔽比例0．30生活服务设施0．10路面整洁情况0．20场站服务设施遮挡及建筑物0．25通行辅助设施0．10信息提示0．40休息候车设施0．251．2耐受感知变量与阈值实际换乘过程中，换乘者很难直观地判断对各项换乘要素的耐受性．因此，需要设置一个过渡变量进行研究．本文通过定义一个耐受感知变量来衡量换乘者感知到的换乘体验与耐受极限的接近程度．耐受感知值越高，说明换乘体验越差．同理，当耐受感知值对于某个要素的变化敏感程度越高(正相关程度越高)，那么说明对该要素的耐受性也就越低(见图1)．β={s，E1－s}limit{s，E1－s}，δ={t，E2－t}limit{s，E2－t}η={s，t，E1－s，E2－t}limit{s，t，E1－s，E2－t}(1)式中，β，δ，η分别表示空间耐受感知值、等待耐受感知值和综合耐受感知值，取值范围均为［0，1］;s为步行距离;E1为步行环境感知要素;t为等待时间;E2为等待环境感知要素．例如，{s，E1}limit{s，E1}表示某次换乘所经历的步行距离和步行环境感知要素的叠加组合与自身的耐受极限进行感知对比后所得比例，即为相应的耐受感知．图1耐受性与阈值示意图同时，在现实生活中，大多数换乘者一般不会采用换乘消耗非常高的换乘组合作为常用的换乘策略，这就产生了实际换乘阈值的问题．换乘阈值涉及2个层面:空间耐受阈值、等待耐受阈值(见图1)．在数据预处理中，本文发现换乘者大多数交通换乘行为的空间耐受感知值和等待耐受感知值一般都位于低于极限值(β=1，δ=1)的某个区间范围内．在交通行为理论研究中，大多数交通行为阈值都设置在其行为样本总量的70%～80%之间［12-16］．本文定义空间耐受阈值βc和等待耐受阈

http://journal．seu．edu．cn(a)换乘轨迹与速度分布(b)步行过程信息(c)换乘过程评价(d)GIS图像还原图2基于APP的数据收集与GIS街景还原轨迹非直系数．并按照同样的标准对步行道水平和场站设施要素的分项指标进行评分，将由此得到的要素分项指标值与用户提交的要素总评值进行协同分析．数据分类与来源如表2所示．表2数据变量列表名称符号数据来源范围空间耐受感知值β用户提交0～100%等待耐受感知值δ用户提交0～100%综合耐受感知值η用户提交0～100%空间距离sAPP记录步行等待时间t1APP记录候车等待时间t2APP记录路径复杂性评价e1用户提交0，10，…，100对应的分项指标值图像挖掘步行道评价e2用户提交0，10，…，100对应的分项指标值图像挖掘0，10，…，100场站设施评价e3用户提交0，10，…，100对应的分项指标值图像挖掘0，10，…，100通过APP提供的Web数据库来存储所有帐户中的数据，以便进行数据挖掘和分析．其数据挖掘分析框架如图3所示．为得到换乘耐受性相关数据，本文选取成都市公共交通网作为调查取样空间，并设定数据收集的极限距离为800m．成都市共开行公交线路428条，地铁线路4条．在统计数据中，，步行距离、等待时间等指标均可以得到相对准确的数值，而对于耐受感知值而言，为了降低感知误差，换乘者只需给出一个范围值即可，比如某次换乘的空间耐受感知值为70%～80%．2．2换乘行为分析在成都市进行的交通换乘感知和耐受性实验中，共统计有效样本807份．图3换乘数据挖掘与处理框架1256东南大学学报(自然科学版)第47卷
【作者单位】： 西南交通大学交通运输与物流学院;西南交通大学综合运输四川省重点实验室;
【基金】：国家自然科学基金资助项目(51578465)
【分类号】：U491


本文编号：2540163