一種地鐵突發中斷下的乘客接駁方式選擇行為建模方法

本發明屬于乘客應急接駁方式選擇行為，具體涉及一種地鐵突發中斷下的乘客接駁方式選擇行為建模方法。

背景技術：

1、隨著出行需求的增長與網絡運營的擴張，地鐵系統在實際運行中可能面臨各種突發事件導致地鐵服務中斷，如設備故障、運營事故等。中斷期間地鐵系統可能在中斷影響范圍暫停運營、減緩運行速度、關閉站點或部分線路，直到問題得到解決為止，這將對地鐵乘客的出行產生深遠影響。因此，一旦發生地鐵突發中斷事件，地鐵運營管理部門需要及時針對事件依據受阻乘客的實際需求制定應急接駁方案，高效安全地將滯留乘客疏散至目的地，其中如何準確識別受阻乘客的接駁需求是重要環節。

2、然而，要獲取地鐵突發中斷后受阻乘客的接駁需求，需重點剖析乘客接駁方式選擇行為。在地鐵服務中斷場景下，乘客接駁方式選擇行為決定受阻乘客利用何種交通方式完成接續出行，體現了最直觀的接駁需求，但其具有難以重現性、復雜非線性等性質，并且影響因素在不同乘客間組成復雜，導致其測度始終存在很大難度。現有研究多聚焦于日常居民通勤的接駁方式選擇行為，而針對地鐵突發中斷下的行為研究多是對中斷場景下乘客后續出行方案選擇展開分析，其本質是乘客出行路徑的選擇，這導致對地鐵中斷事件下接駁方式選擇行為研究并不透徹。因此，有必要深入探究地鐵突發中斷下的乘客接駁方式選擇行為。

3、事實上，解析地鐵突發中斷下乘客接駁方式選擇行為的關鍵在于如何剖析各心理潛變量的影響機理，刻畫受阻乘客心理。一方面，發生地鐵突發中斷事件后，乘客心理最先受到外界多重客觀因素的影響，常態下的出行偏好將被打破，進而影響接駁方式選擇決策，解析乘客心理潛變量的影響機理有助于揭示這些因素如何綜合作用于乘客的行為決策。另一方面，受阻乘客的心理狀態和情緒反應會直接影響其接駁方式的選擇，通過刻畫受阻乘客的心理，可以更準確地預測其可能選擇的接駁出行方式，為應急管理和服務調配提供依據。因此，如何揭示地鐵突發中斷事件對乘客心理的影響機理成為了解析乘客接駁方式選擇行為亟需解決的關鍵問題，并具有重要的現實意義。

技術實現思路

1、本發明的目的在于解決背景技術存在問題，提供一種地鐵突發中斷下的乘客接駁方式選擇行為建模方法，能夠揭示地鐵突發中斷事件對不同乘客群體心理的影響機理，實現地鐵中斷后乘客接駁方式選擇行為的合理預測。

2、本發明方法通過獲取地鐵突發中斷屬性信息，確定城市地鐵線網中各類型中心站點，分析地鐵突發中斷下影響乘客接駁方式選擇的解釋變量，選定影響接駁方式選擇行為的心理潛變量，擬合心理潛變量間的影響作用路徑，計算各心理潛變量對各屬性乘客子群體選擇行為的標準化影響權重，擬合心理潛變量與解釋變量間的影響作用路徑，檢驗解釋變量與乘客心理間的非線性關系，識別影響總體乘客心理的關鍵解釋變量以劃分受阻乘客子群體，構造異質乘客子群體的離散選擇模型效用函數，進一步建立考慮乘客心理的接駁方式選擇行為模型。本發明能夠揭示地鐵突發中斷事件對不同乘客群體心理的影響機理，實現地鐵中斷后乘客接駁方式選擇行為的合理預測，為發生地鐵中斷后獲取受阻乘客接駁需求提供有效技術手段。

3、為實現上述目的，本發明的技術方案是：一種地鐵突發中斷下的乘客接駁方式選擇行為建模方法，包括：

4、s1、獲取地鐵突發中斷屬性信息；

5、s2、確定城市地鐵線網中各類型中心站點，分析地鐵突發中斷下影響乘客接駁方式選擇的解釋變量；

6、s3、基于地鐵突發中斷屬性信息，選定影響乘客接駁方式選擇行為的心理潛變量，計算各心理潛變量對各屬性乘客子群體選擇行為的標準化影響權重；

7、s4、基于地鐵突發中斷屬性信息、地鐵突發中斷下影響乘客接駁方式選擇的解釋變量，分析解釋變量與乘客心理間的非線性關系，識別影響總體乘客心理的關鍵解釋變量；

8、s5、基于各心理潛變量對各屬性乘客子群體選擇行為的標準化影響權重、影響總體乘客心理的關鍵解釋變量，劃分受阻乘客子群體；

9、s6、基于解釋變量與乘客心理間的非線性關系、劃分的受阻乘客子群體，構造異質乘客子群體的離散選擇模型效用函數，建立考慮乘客心理的接駁方式選擇行為模型。

10、在本發明一實施例中，步驟s1中，所述地鐵突發中斷屬性信息至少包括地鐵站點周邊的建成環境指標信息、乘客基礎屬性信息、中斷乘客出行屬性信息、中斷乘客心理屬性信息與地鐵突發中斷場景屬性信息；其中，

11、地鐵站點周邊的建成環境指標信息至少包括：地鐵網絡普通站點周邊900m半徑范圍、換乘站點周邊700m半徑范圍、首末站點周邊1200m半徑范圍內的容積率、土地利用混合度、道路網絡密度、公交站數量、距最近公交站距離、距cbd距離；

12、所述乘客基礎屬性信息至少包括：乘客社會經濟屬性信息、乘客出行特征屬性信息；

13、所述乘客社會經濟屬性信息至少包括：乘客的性別、年齡、月收入、職業、受教育程度，并分別進行數值賦值；其中，所述性別包括男性和女性，分別賦值為1和0；所述年齡至少包括小于18歲、19-25歲、26-45歲、46-60歲、大于60歲，分別賦值為1、2、3、4、5；所述月收入至少包括，2000元以下、2000-5000元、5000-10000元、10000-20000元、20000元以上，分別賦值為1、2、3、4、5；所述職業至少包括機關事業單位人員、國企職員、私企職員、自由職業者、離退休人員、學生、其他，分別賦值為1、2、3、4、5、6、7；所述受教育程度至少包括初中及以下、高中、專科及本科、碩士研究生及以上，分別賦值為1、2、3、4；上述所賦數值無實際意義，均表示名義變量代碼；

14、所述乘客出行特征屬性信息至少包括：乘客出行頻率、是否經歷過中斷、信息關注度，并分別進行數值賦值；其中，所述乘客出行頻率至少包括每天1-2次、每天2次以上、每周不超過5次、每月不超過5次、其他，分別賦值為1、2、3、4；所述是否經歷過中斷包括是、否，分別賦值1和0；所述信息關注度包括是否查看實時地鐵信息，分別賦值為1和0；上述所賦數值無實際意義，均表示名義變量代碼；

15、所述中斷乘客出行屬性信息至少包括：中斷乘客出行目的、中斷乘客出行距離、中斷乘客出行同伴，并分別進行數值賦值；其中，所述中斷乘客出行目的至少包括上班、上學、公務外出、生活購物、文旅游憩、探親訪友、其他，分別賦值為1、2、3、4、5、6、7；所述中斷乘客出行距離至少包括小于5km、5-10km、10-15km、15-20km、大于20km，分別賦值為1、2、3、4、5；所述中斷乘客出行同伴至少包括家人、同學、朋友、同事、其他，分別賦值為1、2、3、4、5；上述所賦數值無實際意義，均表示名義變量代碼；

16、所述中斷乘客心理屬性信息至少包括：感知建成環境量表數據、事件強度感知量表數據、乘客心理決策量表數據；所述感知建成環境量表數據至少包括：感知出行便捷性量表題項得分、感知出行安全性量表題項得分、感知道路通達性量表題項得分；所述事件強度感知量表數據至少包括：事件新穎性量表題項得分、事件顛覆性量表題項得分、事件關鍵性量表題項得分；所述乘客心理決策量表數據至少包括：行為態度量表題項得分、主觀規范量表題項得分、知覺行為控制量表題項得分、行為意向量表題項得分、實際行為量表題項得分；

17、所述地鐵突發中斷場景屬性信息至少包括：中斷站點、中斷持續時間、中斷發生時段、中斷乘客所處位置、備選接駁方式，并分別進行數值賦值；其中，所述中斷站點至少包括城市地鐵線網中各類型中心站點；所述中斷持續時間至少包括小于15分鐘、15-30分鐘、30-45分鐘、45-60分鐘、大于60分鐘，分別賦值為1、2、3、4、5；所述中斷發生時段包括高峰、平峰，分別賦值為1和0；所述中斷乘客所處位置包括已進站、未進站，分別賦值為1和0；所述備選接駁方式至少包括應急接駁公交、常規公交、出租車/網約車、共享單車、步行，分別賦值為1、2、3、4、5；上述所賦數值無實際意義，均表示名義變量代碼。

18、在本發明一實施例中，所述步驟s2的實現方式為：

19、步驟s21、針對獲取的地鐵站點周邊的建成環境指標信息，利用聚類分析方法劃分城市地鐵線網站點類型，選取各聚類中心作為城市地鐵線網中各類型中心站點，并選定各聚類中心作為地鐵突發中斷場景屬性信息中的中斷站點；

20、步驟s22、針對獲取的地鐵站點周邊的建成環境指標信息、乘客基礎屬性信息、中斷乘客出行屬性信息、中斷乘客心理屬性信息與地鐵突發中斷場景屬性信息，分別繪制不同地鐵站點周邊的建成環境指標、不同乘客基礎屬性、不同中斷乘客出行屬性、不同地鐵突發中斷場景屬性下備選接駁方式選擇結果分布雷達圖，對比備選接駁方式獲得不同屬性中影響乘客接駁方式選擇的解釋變量。

21、在本發明一實施例中，所述步驟s3的實現方式為：

22、步驟s31、針對獲取的中斷乘客心理屬性信息，根據檢驗性因子分析驗證數據的指標信度、組合信度、收斂效度、區別效度，按乘客基礎屬性信息、中斷乘客出行屬性信息中單個屬性劃分選擇各備選接駁方式出行乘客子群體，獲取各乘客子群體心理屬性信息；

23、步驟s32、針對步驟s31劃分的乘客子群體心理屬性信息構建結構方程模型；根據擴展計劃行為理論、事件系統理論與刺激-機體-反應理論，將感知出行便捷性、感知出行安全性、感知道路通達性、事件新穎性、事件顛覆性、事件關鍵性、知覺行為控制、行為意向和實際行為設置為乘客心理潛變量，將乘客心理潛變量所對應的量表題項設置為測量變量，確定結構方程模型的內生潛變量與外生潛變量，內生潛變量與外生潛變量相應的測量變量設定為結構方程模型的內生顯變量與外生顯變量，提出各備選接駁方式出行下各屬性乘客子群體內生潛變量與內生潛變量間、內生潛變量與外生潛變量間、外生潛變量與外生潛變量間、內生潛變量與內生顯變量間、外生潛變量與外生顯變量間的假設路徑；

24、步驟s33、根據確定的內生潛變量、外生潛變量、內生顯變量、外生顯變量，構造結構方程模型的測量模型與結構模型；其中，

25、外生顯變量測量模型為：

26、

27、式中， x為外生顯變量向量， η為外生潛變量向量， χ為外生因子荷載矩陣， ν x為外生測量誤差項，服從正態分布；

28、內生顯變量測量模型為：

29、

30、式中， y為內生顯變量向量， λ為內生潛變量向量， γ為內生因子荷載矩陣， δ y為內生測量誤差項，服從正態分布；

31、結構模型為：

32、

33、式中， ψ為內生潛變量間的作用系數矩陣， г為內外潛變量間的作用系數矩陣， θ為結果誤差項，服從正態分布；

34、步驟s34、聯立步驟s33所構建的測量模型與結構模型，計算內生潛變量與內生顯變量間、外生潛變量與外生顯變量間的標準化路徑系數，刪除步驟s32構建的假設路徑中未通過檢驗的內生顯變量和外生顯變量，計算結構方程模型的卡方自由度、近似均方根誤差、比較擬合指數、tucker?lewis指數與標準化殘差五個指標，檢驗結構方程模型的擬合程度；

35、步驟s35、根據步驟s34擬合的結構方程模型，根據結構方程模型輸出修正建議增加或刪除影響擬合結果的假設路徑，獲得各備選接駁方式出行下各屬性乘客子群體內生潛變量與內生潛變量間、內生潛變量與外生潛變量間、外生潛變量與外生潛變量間、內生潛變量與內生顯變量間、外生潛變量與外生顯變量間的影響作用路徑；

36、步驟s36、根據步驟s35擬合的結構方程模型構造神經網絡模型拓撲結構；其中，外生顯變量為神經網絡的輸入，外生潛變量與內生潛變量為神經網絡的隱含層神經元，設置各隱含層神經元激活函數為sigmoid函數，根據隱含層神經元間的連接方式與神經元個數確定隱含層層數，內生顯變量為神經網絡的輸出，外生潛變量與內生潛變量的相互作用關系為隱含層神經元間的連接方式，神經網絡輸入輸出節點與神經元間的權重系數與所擬合結構方程模型中的外生/內生因子荷載矩陣相對應，神經網絡隱含層神經元間的權重系數與所擬合結構方程模型中的標準化路徑系數相對應；

37、步驟s37、針對步驟s36構造的神經網絡模型拓撲結構進行模型訓練；標準化處理模型的輸入與期望輸出，初始化網絡各節點間權重系數，輸入樣本中外生顯變量取值，根據神經網絡模型拓撲結構逐級計算各網絡節點的輸出值，期望輸出值為樣本中的內生顯變量取值，計算模型輸出值與期望輸出值的總輸出誤差，輸出誤差根據網絡拓撲結構逐級向前傳播，利用delta規則調節各節點間權重系數，直至網絡總誤差達到最小，此時的權重系數為各備選接駁方式出行下各屬性乘客子群體心理潛變量對各屬性乘客子群體選擇行為的標準化影響權重。

38、在本發明一實施例中，所述步驟s4的實現方式為：

39、步驟s41、針對步驟s22獲得的不同屬性中影響乘客接駁方式選擇的解釋變量與步驟s32構建的結構方程模型，將獲取的解釋變量設定為結構方程模型的協變量，提出各備選接駁方式出行下乘客總體心理內生潛變量與內生潛變量間、內生潛變量與外生潛變量間、外生潛變量與外生潛變量間、內生潛變量與內生顯變量間、外生潛變量與外生顯變量間、內生潛變量與協變量間、外生潛變量與協變量間的假設路徑；

40、步驟s42、根據確定的內生潛變量、外生潛變量、內生顯變量、外生顯變量、協變量，構造多指標多因果模型的測量模型與結構模型，外生顯變量測量模型為：

41、

42、式中， x為外生顯變量向量， η為外生潛變量向量， ρ為協變量向量 ，χ為外生因子荷載矩陣， α為外生潛變量與協變量間的系數矩陣， ν x和 ν ξ為外生測量誤差項，服從正態分布；

43、內生顯變量測量模型為：

44、

45、式中， y為內生顯變量向量， λ為內生潛變量向量， γ為內生因子荷載矩陣， β內生潛變量與協變量間的系數矩陣， δ y和 δ ξ為內生測量誤差項，服從正態分布；

46、結構模型為：

47、

48、式中， ψ為內生潛變量間的作用系數矩陣， г為內外潛變量間的作用系數矩陣， θ為結果誤差項，服從正態分布；

49、步驟s43、聯立步驟s42所構建測量模型與結構模型，計算內生潛變量與內生顯變量間、外生潛變量與外生顯變量間、內生潛變量與協變量、外生潛變量與協變量間的標準化路徑系數，刪除步驟s41假設路徑中未通過檢驗的內生顯變量、外生顯變量和協變量，計算結構方程模型的卡方自由度、近似均方根誤差、比較擬合指數、tucker?lewis指數與標準化殘差五個指標，檢驗結構方程模型的擬合程度；

50、步驟s44、根據步驟s43擬合的結構方程模型，根據結構方程模型輸出修正建議增加或刪除影響擬合結果的假設路徑，確定影響乘客接駁方式選擇行為的內生潛變量和外生潛變量，獲得各備選接駁方式出行下乘客總體心理內生潛變量與內生潛變量間、內生潛變量與外生潛變量間、外生潛變量與外生潛變量間、內生潛變量與內生顯變量間、外生潛變量與外生顯變量間的影響作用路徑；

51、步驟s45、根據步驟s44擬合的結構方程模型構造神經網絡模型拓撲結構；其中，外生顯變量與協變量為神經網絡的輸入，外生潛變量與內生潛變量為神經網絡隱含層神經元，設置各隱含層神經元激活函數為sigmoid函數，根據隱含層神經元間的連接方式與神經元個數確定隱含層層數，內生顯變量為神經網絡的輸出，外生潛變量與內生潛變量的相互作用關系為隱含層神經元間的連接方式，神經網絡輸入輸出節點與神經元間的權重系數與所擬合結構方程模型中的外生/內生因子荷載矩陣相對應，神經網絡隱含層神經元間的權重系數與所擬合結構方程模型中的標準化路徑系數相對應；

52、步驟s46、針對步驟s45構造的神經網絡模型拓撲結構進行模型訓練；標準化處理模型的輸入與期望輸出，初始化網絡各節點間權重系數，輸入樣本中外生顯變量取值，根據神經網絡模型拓撲結構逐級計算各網絡節點的輸出值，期望輸出值為樣本中的內生顯變量取值，計算模型輸出值與期望輸出值的總輸出誤差，輸出誤差根據網絡拓撲結構逐級向前傳播，利用delta規則調節各節點間權重系數，直至網絡總誤差達到最小，此時的權重系數為各備選接駁方式出行下乘客總體心理潛變量對乘客總體選擇行為的標準化影響權重；

53、步驟s47、根據步驟s46計算的標準化影響權重，選取對各備選接駁方式出行下乘客總體心理潛變量影響排名前十的協變量，所對應的影響乘客心理最顯著的地鐵站點周邊的建成環境指標、乘客基礎屬性、中斷乘客出行屬性與地鐵突發中斷場景屬性，即為識別出的影響乘客心理的關鍵變量。

54、在本發明一實施例中，所述步驟s5的實現方式為：

55、步驟s51、根據步驟s47獲取的對乘客心理影響最顯著的地鐵站點周邊的建成環境指標、乘客基礎屬性、中斷乘客出行屬性與地鐵突發中斷場景屬性，運用cart決策樹算法獲得各屬性取值為期望分類的決策樹，計算決策樹訓練集與測試集分類準確率，確定具有代表性的地鐵突發中斷受阻乘客子群體及其對應屬性；

56、步驟s52、根據步驟s51確定的受阻乘客子群體及其對應屬性，利用步驟s37獲取的各備選接駁方式出行下各屬性乘客子群體心理潛變量對各屬性乘客子群體選擇行為的標準化影響權重，根據組合賦值法計算影響乘客子群體 p選擇備選接駁方式 j下各屬性乘客子群體心理潛變量的組合權重，公式為：

57、

58、式中， w p,i為乘客子群體 p關于潛變量i的組合權重， ω p,q,i為乘客子群體 p在屬性 q下關于潛變量 i的權重。

59、在本發明一實施例中，所述步驟s6的實現方式為：

60、步驟s61、根據步驟s47確定的影響乘客心理最顯著的地鐵站點周邊的建成環境指標、乘客基礎屬性、中斷乘客出行屬性與地鐵突發中斷場景屬性與步驟s52計算的各屬性乘客子群體組合權重，構造乘客子群體 p選擇各備選接駁方式 j的效用函數，公式為：

61、

62、

63、式中， u p,j為乘客子群體 p選擇備選接駁方式 j的效用值， v p,j為乘客子群體 p選擇備選接駁方式 j的效用值固定項， ε p,j為乘客子群體 p選擇備選接駁方式 j的效用隨機誤差項， μ ρ,p,j為影響乘客子群體 p選擇備選接駁方式 j的協變量權重系數， ρ p,j為步驟s51獲取的影響乘客子群體 p選擇備選接駁方式 j的協變量， w η,p,j為步驟s52獲取的影響乘客子群體 p選擇備選接駁方式 j的外生潛變量組合權重， μ η,p,j為影響乘客子群體 p選擇備選接駁方式 j的外生潛變量權重系數， η p,j為步驟s44獲取的影響乘客子群體 p選擇備選接駁方式 j的外生潛變量， w λ,p,j為步驟s52獲取的影響乘客子群體 p選擇備選接駁方式 j的內生潛變量組合權重， μ λ,p,j為影響乘客子群體 p選擇備選接駁方式 j的內生潛變量權重系數， λ p,j為步驟s44獲取的影響乘客子群體 p選擇備選接駁方式 j的內生潛變量；

64、步驟s62、利用步驟s61構造的效用函數構建考慮乘客心理的接駁方式選擇行為模型，則乘客子群體 p選擇備選接駁方式 j的概率計算公式如下：

65、

66、步驟s63、利用步驟s62構建的考慮乘客心理的接駁方式選擇行為模型，選用python?biogeme軟件完成參數 μ ρ,p,j， μ η,p,j， μ λ,p,j的標定，計算模型檢驗t值剔除無效參數，計算擬合優度比、調整優度比、赤池信息準則aic、貝葉斯信息準則bic篩選獲得優選模型結果。

67、相較于現有技術，本發明具有以下有益效果：

68、（1）本發明引入感知建成環境量表、事件強度感知量表、乘客心理決策量表設計中斷場景下乘客行為問卷，為全面映射地鐵突發中斷場景下的乘客接駁方式選擇行為提供技術手段與場景數據，突破了現有技術方案獲取的中斷場景數據不全面的局限性；

69、（2）本發明基于擴展計劃行為理論，選取影響行為的關鍵心理潛變量，采用結合結構方程模型與人工神經網絡模型的方法分析各變量間非線性關系，揭示地鐵中斷事件對乘客心理的影響機理，為乘客心理刻畫提供更全面的行為解釋，改善了現有技術無法理清影響選擇行為各變量間的非線性關系的弊端；

70、（3）本發明結合不可觀測的心理潛變量與可觀測的個人屬性變量、出行特征變量、場景變量等關鍵變量共同構造不同乘客群體離散選擇模型的效用函數，進一步完善接駁方式選擇行為理論研究框架，為剖析突發事件情境下乘客的接駁方式選擇行為提供理論依據，彌補了現有技術僅針對受阻乘客總體接駁方式選擇行為進行建模，難以篩選出特征群體分別建模的不足。