konspekt

2.3.1Приклад регресійної моделі

Іноді немає місцевих даних для проектних моделей, і є необхідним переміщення моделі з іншої проектної області. В цьому випадку, якщо є місцеві дані, які відповідають незалежним змінним в моделі, можна використовувати модель для передбачення кількості поїздок одним з двох шляхів.

Якщо це проста лінійна форма моделі вигляду:

k

y0 i xi ,

i1

то пізніше можна створити програму моделі. Типова модель і її коефіцієнти:

константа - -1.42 кількість автомобілів - 1.69 розмір сім’ї - 1.46 кількість дітей <5 - -1.65

кількість працезайнятих - 0.75, які описують цю модель.

Поїздки/HH = -1.42 + 1.69*[кількість автомобілів]+ 1.46*[розмір сім’ї] - 1.65*[кількість дітей <5]+ 0.75*[кількість працезайнятих]

Ця модель може бути застосована до будь-якої бази даних, яка включає незалежні змінні дані: кількість авто на сім'ю, розмір сім’ї, кількість дітей у віці до п'яти років і кількість працезайнятих в сім'ї.

Іншим шляхом є виведення коефіцієнтів моделі за допомогою статистичного апарату і наявних реальних даних про кількість поїздок і незалежні характеристики.

Методи дискретного вибору

Так як індивідууми здійснюють вибір можливості поїздки, моделі дискретного вибору, наприклад логіт регресія, можуть використовуватися для передбачення кількості поїздок. З логіт регресією, ймовірність того, що індивідуум здійснить поїздку (а в протилежність – ймовірність того, що не здійснить поїздку) може бути виражена як:

де:

Pn 1 - ймовірність того, що особа n здійснить поїздку;- вектор коефіцієнтів моделі;

x1n - вектор незалежних змінних вигідності особи n здійснення поїздки; x0n - вектор незалежних змінних вигідності особи n не здійснення поїздки.

Маючи розраховані коефіцієнти, можна оцінити як незалежні змінні впливатимуть на ймовірність, з якою індивідуум здійснить певну поїздку. Крім того, можна підсумувати ймовірності, щоб отримати долю населення, яке здійснить даний вид поїздки, і як результат кількість поїздок, які генеруються із зони.

2.4.1Приклад моделі логіт регресії

Розрахована модель на основі логіт регресії з наступними параметрами:

Критерій збіжності Пірсона 0,22. Змінні стать, вік, заміжня жінка, одружений чоловік, жінка з дитиною віком до 6 років - всі формальні змінні (тобто близькі до 1 або рівні 0). Всі коефіцієнти вірні на 95% - ному довірчому рівні (розподіл Стьюдента > 2).

Ця логіт модель передбачає ймовірність, з якою індивідуум зробить поїздку на роботу згідно наступного виразу:

З розрахованих коефіцієнтів можна зробити висновок як незалежні змінні впливатимуть на ймовірність, з якою індивідуум здійснить поїздку на роботу. Наприклад, коефіцієнт для освіти (0,211) вказує за всіх інших умов, що люди з більшим ступенем освіти, ймовірніше, здійснюють поїздки на роботу, ніж з меншим ступенем освіти. Важливим є те, що жоден з знаків в моделі не здається необгрунтованим. За допомогою вищенаведеної залежності можна також визначити як зміна в незалежній змінній впливатиме на ймовірність здійснити особою поїздку на роботу. Наприклад, особа з атестатом середньої школи (освіта=10) здійснить поїздку на роботу з ймовірністю 50% на противагу 70% ймовірності для особи з дипломом ступеня бакалавра (освіта=14) за всіх інших рівних умов.

Результатом моделі логіт регресії є ймовірність, з якою визначена особа здійснить поїздку. Проте в транспортному плануванні необхідна не ймовірність здійснення особою поїздки, а повна кількість поїздок, які згенеровані зоною. Тому результати моделей дискретного вибору повинні бути узагальнені для прогнозу.

Висновки

Проектування актуальних моделей прогнозування кількості поїздок вимагає застосування відповідних статистичних і економетричних методів. Застосовуються відповідні теоретичні принципи, щоб формалізувати зв’язки в моделі, незалежні змінні і класифікаційні схеми.

Вмоделях повинні бути чітко визначені причинні зв’язки і уникнено взаємовпливаючих зв’язків. У виборі змінних в моделях поїздок важливо мати на увазі, що прогнозувати їх необхідно протягом майбутніх років. І навпаки, якщо використовується перехресна класифікація, то потрібно передбачати кількість осіб або сімей в кожній категорії станом на рік прогнозу.

Всучасній практиці перехресна класифікація може бути заснована на статистичному розрахунку. Дійсно, перехресна класифікація в цьому контексті - просто регресія фіктивних змінних. Якщо доступні базові дані, то можна перевірити змінні і рівні перехресної класифікації на статистичну достовірність. Перевірка показує важливі взаємодії, оскільки вони, можливо, впливають на нелінійність у кількості поїздок.

Вбільш сучасному практичному використанні застосовуються класифікаційні моделі, засновані на логіт регресії. Існують також спеціальні методи групувань, які також є корисні у виборі категорій і їх відповідних рівнів.

При розрахунку рівнянь, які визначають кількість поїздок із зони та їх узагальнення виникає багато економетричних проблем. Належний розгляд цих проблем на стадії раннього проектування допоможе уникнути ряду загальних помилок.

По перше, кількість поїздок обмежена нижньою границею - нулем. Деякі регресійні наближення продукують негативні значення кількості поїздок. Коли це відбувається, необхідно провести спостереження або трансформувати дані в іншу форму перед розрахунком моделі. Вимушення придатної лінії регресії до проходження через конкретно вказані точки шляхом пониження константи - не дуже хороша практика, оскільки це призводить до суттєво неточних коефіцієнтів регресії. Є більш кращі альтернативи як наприклад пробіт моделі, але вони не завжди забезпечують хороші результати.

Регресії зон часто страждають від проблеми гетероскедастії (мають дисперсію, яка суттєво залежить від іншої випадкової величини). Тобто, помилки прогнозу є часто функцією, яка залежить від розміру зони або в іншому випадку корелюються величиною залежної змінної (наприклад кількістю поїздок). Одним із можливих методів є використання норм, які базуються на розмірах зони, щоб розділити залежні і незалежні змінні.

Всі регресії наближено відображають ефекти узагальнення, які залежать від системи зонування, що використовується в моделі. Іншими словами, якщо змінити схему зонування, розрахункові параметри моделі також зміняться.

В GIS програмному забезпеченні легко оцінити і застосувати різні розрахункові параметри для різних географічних районів. Це призводить до значного удосконалення в точності побудови моделей.

3 ПРИВАБЛИВІСТЬ ПОЇЗДКИ

Мета визначення привабливості поїздки - передбачити кількість поїздок, які здійснюються до кожної зони або до специфічної точки притягання пасажирів. Методи, які застосовуються при цьому, дуже подібні до тих, які використовуються для визначення кількості поїздок.

Загальна характеристика

Восновному оцінка привабливості поїздки подібна до оцінки генерування поїздки, оскільки проблема одна й та ж: передбачити кількість поїздок, причому кількість або частота поїздок пов’язані

зхарактеристиками індивідуумів, зони і транспортної мережі. Тому, методи для визначення кількості згенерованих поїздок (перехресна класифікація, регресія і методи дискретного вибору) можливо також використовувати щоб оцінити кількість поїздок здійснених в зону.

Вмоделях визначення кількості поїздок розрахунки перш за все базуються на демографічних показниках населення в межах зони. Для моделей привабливості поїздок змінні, які застосовуються, володіють кращим керуванням так як уособлюють характеристики використання певної території, як наприклад територія офісних центрів і гіпермаркетів або рівні зайнятості в різних секторах ринку. Як і в моделях генерування поїздок, характеристики транспортної мережі використовуються рідко, тобто це означає, що моделі не можуть відображати вплив на привабливість поїздки в залежності від змін в транспортній доступності. Проте, іноді використовуються такі змінні як приналежність до центрального бізнес району або відстань до такого району.

Регресійні моделі - стандартний метод, який використовується для оцінки привабливості поїздки, через високу кореляцію між здійсненими поїздками і незалежними змінними як наприклад зайнятість і офіс/гіпермаркет територія (особливо для поїздок на роботу). Перехресна класифікація може також використовуватися для визначення привабливості поїздки, при цьому класифікація зазвичай базується на видах зайнятості і іноді на щільності зайнятості. Проте може бути важко зібрати розпорошені дані для побудови таблиці перехресної класифікації: наприклад набагато легше зібрати середні статистичні характеристики НН, ніж офісів або магазинів. Це впливає на вкрай обмежене використання перехресної класифікації у визначенні привабливості поїздки. Використання методів дискретного вибору також неефективне через труднощі збору окремих даних для визначення привабливості поїздки, хоча логіт моделі могли би бути застосовані на узагальненому рівні.

Регресійні моделі привабливості поїздки

Часто регресійні моделі базуються на таких даних як рівень зайнятості, площа офісів і магазинів, які використовуються для моделювання привабливості поїздки.

В США наприклад використовуються рівняння регресії, в яких використовуються середні узагальнені національні дані: Travel Estimation Techniques for Urban Planning (NCHRP 365, Martin, 1998) і Quick Response Method Tables (NCHRP 187, Sosslau et al., 1978). Треба розуміти, що ці дані є середніми величинами і можуть бути непридатними для конкретної території проектування.

На основі Travel Estimation Techniques for Urban Planning (NCHRP 365, Martin, 1998) виведені наступні залежності, за допомогою яких можна передбачити кількість поїздок на особу:

HBW Attr. = 1.45(Загальна кількість працюючих);

HBO Attr. CBD = 2.00(CBD RE) + 1.7(SE) + 0.5(OE) + 0.9(HH); HBO Attr. NCBD = 9.00(NCBD RE) + 1.7(SE) + 0.5(OE) + 0.9(HH); NHB Attr. CBD = 1.40(CBD RE) + 1.2(SE) + 0.5(OE) + 0.5(HH); NHB Attr. NCBD = 4.10(NCBD RE) + 1.2(SE) + 0.5(OE) + 0.5(HH),

де:

HBW – поїздки з дому на роботу; HBO – поїздки з дому в інших цілях; NHB – поїздки не з дому; CBD RE – кількість працівників сфери торгівлі в зонах центральних ділових районів; NCBD RE - кількість працівників сфери торгівлі в зонах не центральних ділових районів; SE – кількість працівників сфери послуг; OE - інші працівники (бюджетні установи, інші постійні працівники); HH – кількість сімейних господарств.

3.2.1Модель регресії для експрес методу

Експрес метод визначення кількості поїздок стосовно їх привабливості використовує рівняння регресії, на основі якого розраховується кількість поїздок на особу в зону в залежності від рівнів зайнятості в сфері торгівлі і інших сферах та кількості помешкань в зоні:

HBW Attr. = 1.7(кількість працівників сфери торгівлі) + 1.7(кількість працівників в інших сферах);

HBNW Attr. = 10.0(кількість працівників сфери торгівлі) + 0.5(кількість працівників в інших сферах) + 1.0(кількість квартир);

NHB Attr. = 2.0(кількість працівників сфери торгівлі) + 2.5(кількість працівників в інших сферах) + 0.5(кількість помешкань).

Щоб використовувати експрес метод необхідно мати наступну інформацію в шарі зон:

кількість працюючих в сфері торгівлі;

кількість працюючих в інших сферах;

кількість помешкань в зоні.

ITE норми привабливості і генерування поїздок

The Institute of Transportation Engineers (ІТЕ, Інститут інженерів транспорту, США) займається збором, відслідковуванням і опублікуванням в США таких даних як кількість поїздок до території із специфічним використанням.

Використовуючи дані ITE можна обчислити привабливість поїздок двома методами:

метод середньозваженої норми генерації поїздок (кількість поїздок до певної території, яка припадає на одну одиницю певної незалежної змінної;

метод рівнянь регресії, виведених в ITE (відображають кількість приваблених поїздок як функцію незалежної змінної).

Вобох цих методах незалежна змінна – одиниця виміру розміру певної потужності; наприклад,

кількість працівників або площа поверху. Такі дані закумульовані для більш ніж 120 типів використання територій і більшість використань мають дані для більш ніж одної залежної змінної. Крім того, норми поїздок і рівняння регресії встановлені для дев'яти різних періодів часу, які утворені тим, що фіксація значень була проведена в будній день, і в суботу або в неділю, потоки фіксувались протягом всього дня (24 години) або протягом ранкового і вечірнього піку суміжної вулиці, або протягом пікового періоду джерела генерування поїздок.

Висновки

Найбільш придатний підхід для моделювання привабливості поїздок зазвичай залежатиме від специфіки планування або необхідних отриманих в кінцевому результаті прогнозів і на придатності до використання наявних місцевих даних.

Для довгострокового планування буде як мінімум два рівняння привабливості поїздок: одне для поїздок на роботу і інше для поїздок в інших цілях. Якщо відомий рівень зайнятості в зоні, то це буде найкраща одиниця виміру кількості поїздок на роботу в зону. Тому, можливо, немає ніякої потреби в побудові моделі: стандартна модель базується на твердженні, що кожен працівник здійснює поїздку до місця праці. Це, звичайно, тільки апроксимація. Дехто працює вдома і не здійснює поїздки на

роботу. Також деякі працівники здійснюють більш ніж одну поїздку на роботу до тієї ж зони кожного дня. Проте, малоймовірно, що детальна розроблена статистична модель була б корисною для прогнозу привабливості поїздок в робочих цілях до місць праці.

4БАЛАНС КІЛЬКОСТІ ПОЇЗДОК

Уформуванні поїздок для передбачення генерування і поглинання поїздок використовуються окремі моделі. Це незмінно призводить до різниці в кількості згенерованих і поглинутих поїздок в області проектування. Для збереження поїздок застосовуються методи балансування, які роблять рівними кількість поглинутих і згенерованих поїздок.

Процедура збалансовування згенерованих і поглинутих поїздок передбачає, що згенеровані і поглинуті поїздки з різними цілями можна зрівноважити одним кроком. В процедурі використовуються наступні методи балансування:

Згенеровані поїздки - константа: кількість згенерованих поїздок - константа і поглинені скоректовуються таким чином, що їх сума дорівнює сумі згенерованих;

Поглинені поїздки - константа: кількість поглинених поїздок - зафіксована константа і згенеровані коректуються таким чином, щоб їх сума була рівною сумі поглинених;

Зважена сума згенерованих і поглинених поїздок: як згенеровані, так і поглинені поїздки скоректовані таким чином, що їх суми дорівнюють зваженій величині;

Конкретне значення суми: як згенеровані, так і поглинені поїздки скоректовані до конкретно вказаної величини.

Коли балансуються поїздки, то можна вибрати специфічні зони (спеціальні генератори), для яких оригінальні значення кількості згенерованих поїздок не змінюються в процесі балансування. Таким же чином можна конкретизувати зони (спеціальні поглиначі), для яких значення кількості поглинених поїздок не повинні змінюватися.

На практиці вважається, що моделі визначення генерування поїздок точніше прогнозують дійсність, тобто кількість згенерованих поїздок є визначеною або майже постійною константою, а поглинені поїздки коректуються. Якщо вважається, що оригінальні значення кількості згенерованих або поглинених поїздок для деяких зон адекватніші, ніж для інших (наприклад через кращі методи збору даних), то в такому випадку ці зони позначаються як спеціальні генератори або поглиначі, а в інших зонах значення кількості поїздок змінюються в процесі балансування.

5 ЕКСПРЕС МЕТОД ВИЗНАЧЕННЯ КІЛЬКОСТІ ПОЇЗДОК

Експрес метод визначення кількості поїздок (QRM) дозволяє швидко і легко отримати збалансовані кількості згенерованих і поглинутих поїздок. Згенеровані поїздки розраховуються за допомогою методу перехресної класифікації, з класифікаціями, які визначають дохід НН і кількість автомобілів в НН. Поглинуті поїздки розраховуються за допомогою рівнянь регресії, заснованих на рівні зайнятості в сфері торгівлі та всіх інших сферах і кількості помешкань.

Використання стандартних довідкових таблиць дає можливість швидко і з мінімальною вхідною інформацією отримати змінні сформованих поїздок. Проте, типові параметри є доволі загальними і не завжди можуть задовільняти специфіці території проектування. Тому QRM використовується лише для попереднього аналізу у випадку, коли отримання даних потребує багато часу і фінансових витрат.

Експрес метод визначення кількості згенерованих поїздок

В експрес методі використовується стандартна довідкова таблиця перехресної класифікації, яка включає сегменти чисельності міста, доходу НН і кількості автомобілів в НН. Стандартна таблиця включає норми поїздок з трьома цілями: з дому на роботу, з дому в інших цілях і не з дому. Результат моделі - кількість пасажиропоїздок, яку генерує кожна зона для кожної з трьох цілей поїздки.

Експрес метод визначення кількості поглинутих поїздок

В QRM для визначення кількості поглинутих поїздок використовується модель визначення привабливості зони. Для поглинених поїздок стандартною моделлю є рівняння регресії, яке визначає кількість пасажиропоїздок, поглинутих зоною і базується на рівні зайнятості у сфері торгівлі, рівні зайнятості в інших сферах та кількості помешкань в зоні.

Для використання QRM кількості поглинутих поїздок необхідно мати наступну інформацію в шарі зон:

рівень зайнятості в сфері торгівлі;

рівень зайнятості в інших сферах;

кількість помешкань.

Балансування кількості поїздок в QRM

Так як для передбачення кількості згенерованих і поглинених поїздок використовуються різні моделі, то це призводить до різниці між кількістю згенерованих і поглинених поїздок в межах області проектування. Визначення кореспонденції поїздок вимагає, щоб кількість згенерованих і поглинутих поїздок була збалансована, тобто процедура балансування повинна бути проведеною для переходу до наступного кроку чотирьохетапного планувального процесу.

Методи коефіцієнтів росту не враховують інформацію про транспортну мережу і тому не можуть відобразити впливів змін в мережі. Це є придатним для дуже короткострокових прогнозів, але не працює для середньота довготривалих прогнозів, для яких мережа змінилася та для сценаріїв прогнозу, які містять зміни в мережі. Внаслідок того, що більшість елементів транспортного планування включають аналіз транспортних мереж, гравітаційні моделі або більш складніші моделі вибору місця призначення з успіхом застосовуються на практиці.

Вузагальненому аналізі вибір функції впливу залежить від математичних властивостей функції

ірозподілів даних, які моделюються. На практиці визначення функціональної форми моделі повинно засновуватись на формі емпіричного розподілу довжин поїздок; тому дослідження емпіричного розподілу довжин поїздок - важливі вхідні дані для процесу прийняття рішення. При цьому знаходять застосування як згладжені функції впливу і дискретні функції (тобто фактори спротиву), так і гібридні функції, які комбінують функції або використовують згладжені дискретні значення.

Для встановлення параметрів функції впливу часто використовуються стандартні значення. Проте ці значення розраховані на основі середніх величин даних спостережень і, можливо, не відповідають особливостям території проектування. Тому рекомендовано використовувати процедури калібрування для отримання значень коефіцієнтів функції впливу.

Моделі кореспонденції поїздок можуть бути сформовані і розраховані для декількох цілей поїздки. Поясненням цього є те, що як альтернативи, так і готовність індивідуумів здійснення поїздки різняться за метою.

Моделі кореспонденції поїздок можуть бути гнучко застосовані як для потоків згенерованихпоглинутих поїздок, так і для потоків з місць виникнення до місць призначення. Ці терміни використовуються як рівнозначні.

Методи коефіцієнтів росту

В методах коефіцієнтів росту в існуючій матриці поїздок між зонами значення елементів змінюють домножуючи їх на певні коефіцієнти. Для кожного елементу матриці використовується лише один коефіцієнт (так званий однорідний коефіцієнт росту) або ж коефіцієнти встановлюються для кожної зони, виходячи з розрахованих згенерованих і поглинутих поїздок.

Для моделі однорідного коефіцієнту росту передбачається, що єдиною доступною інформацією є норми приросту для території проектування. Наприклад, якщо очікується, що кількість поїздок зросте на 50% з того моменту, коли була розрахована базова матриця, то для отримання нової матриці необхідно всі елементи матриці перемножити на 1,5.

Для застосування однорідного коефіцієнту росту необхідно:

основну матрицю утворень і місць призначень поїздок;

значення коефіцієнту росту.

Коефіцієнт росту є просто величиною, на яку домножують всі елементи матриці.

6.2.1Коефіцієнт одночасно обмеженого росту

Метод коефіцієнтів росту використовується на більш детальному рівні, коли наявні прогнози згенерованих і поглинутих поїздок для кожної зони.

В методі одночасно обмеженого росту використовуються норми приросту окремі для кожної зони. Норми враховують те, що сума поїздок, які генеруються кожною зоною (тобто, сума кожного рядку матриці) дорівнює прогнозній загальній кількості згенерованих поїздок для кожної зони. Аналогічно норми можуть бути засновані на прогнозних загальних кількостях поглинутих поїздок для кожної зони, в якій сума подорожей, поглинутих кожною зоною (тобто, сума кожної колонки) дорівнює прогнозній кількості поглинутих поїздок для кожної зони.