Spelling suggestions: "subject:"potatosplit"" "subject:"adasplit""
1 |
A Multimodal Logit Model of Modal Split for a Short JourneyInglis, Paul F. 12 1900 (has links)
<p> The logit format for a modal split model, which has previously been used for only binary cases, is used to build a new set of behavioural, probabilistic, multi-mode models. The models and the testing were carried out on a CDC 6400 Computer. </p> <p> A program developed at Chicago was used to construct the models while a separate program was developed to analyze the results. The type and number of variables to be used in the different sections of the model were investigated and an attempt was made to find the best method of aggregation. An inferred 'value of time' was also calculated and statistical testing of the individual and aggregate models was made. </p> <p> It is shown that this method of modelling is indeed feasible in terms of the significance of the models and the accuracy of the predictions on a separate data set. </p> / Thesis / Master of Engineering (ME)
|
2 |
Klassifizierung junger Erwachsener anhand ihres Mobilitätsverhaltens – Eine empirische Analyse der großen SrV-VergleichsstädteChutsch, Bastian 30 September 2015 (has links) (PDF)
Die vorliegende Arbeit untersucht das Mobilitätsverhalten junger Erwachsener. Dies ist von besonderer Relevanz, da die heutige jüngere Generation die Mobilität der Zukunft prägen wird. Aus jenem Grund ist es von eminenter Bedeutung, dass diese Altersklasse intensiv und über einen längeren Zeitraum betrachtet wird, um Veränderungen in deren Verkehrsmittelwahlverhalten zu erkennen. Weiterhin beeinflussen neben den mobilitätsspezifischen Einflüssen auch soziodemografische Entwicklungen das genannte Verhalten, welche sowohl identifiziert, als auch bzgl. der Einflussstärke ausgewertet werden müssen.
Ein Vergleich diverser Studien zeigt jedoch, dass die Altersklasse der jungen Erwachsenen eine noch relativ unerforschte Gruppe darstellt. Zudem besteht im Hinblick auf die Altersabgrenzung in der Literatur Uneinigkeit. Daraus ergibt sich die zentrale Frage dieser Arbeit, inwieweit sich die Gruppe der jungen Erwachsenen im Mobilitätsverhalten unterscheidet und ob es somit sinnvoll ist eine differenziertere Betrachtung vorzunehmen. Nach intensiver Recherche wurde hier die Altersspanne der jungen Erwachsenen wie folgt definiert: Personen zwischen 18 und 35 Jahren.
Als Datengrundlage dieser empirischen Analyse wurden die großen SrV-Vergleichsstädte von 2013 herangezogen. Der Datensatz jener Stadtgruppe bezieht sich auf deutsche Großstädte mit mind. 100.000 Einwohnern. Mithilfe einer Clusteranalyse konnte zunächst eine Struktur im Datensatz aufgedeckt werden, wonach die 18-21-, 22-26- und 27-35-Jährigen homogene Cluster bilden. Diese Cluster wurden anschließend deskriptiv analysiert. Hierbei sind deutliche Unterschiede im Verkehrsmittelwahlverhalten festzustellen. Der MIV-Anteil steigt z. B. mit zunehmendem Alter an, wohingegen beim ÖPV ein entgegengesetztes Verhalten zu erkennen ist. Die Fahrradnutzung ist wiederum konstant und mit steigendem Alter werden mehr Wege zu Fuß zurückgelegt. Weiterhin werden die einzelnen Gruppen u. a. durch unterschiedliche Lebensumstände sowie neue Kommunikationstechnologie beeinflusst. Abschließend wurde eine Diskriminanzanalyse durchgeführt, um ein Modell zur Gruppentrennung der drei gebildeten Cluster zu entwickeln. Das resultierende Modell beinhaltet jeweils drei soziodemografische und mobilitätsspezifische Variablen und trennt die Gruppen sehr gut. Darüber hinaus wurden die Elemente eines Kontrolldatensatzes ähnlich optimal eingeordnet, wodurch die Anwendbarkeit dieses Modells bestätigt werden konnte.
Die Analyse des Mobilitätsverhaltens der jungen Erwachsenen hat somit ergeben, dass es sich hierbei um eine heterogene Altersklasse handelt. Aus diesem Grund scheint es sinnvoll jene Zielgruppe bei zukünftigen Untersuchungen differenzierter zu betrachten und die ermittelten Cluster zu berücksichtigen.
|
3 |
The Cycling Mode Share in Cities: Nationaler Radverkehrsplan - Fahrradportal - Cycling ExpertiseThiemann-Linden, Jörg, Bohrmann, Nathalie 03 January 2023 (has links)
No description available.
|
4 |
Developing bicycle culture in a city prioritizing automobiles: A case study with attitude-based analysis of the city of Gliwice, PolandLutogniewska, Ewa January 2014 (has links)
This thesis is a case study of a Polish city which faces a problem of high automobile share and little popularity of cycling in its residents’ modal split. In times when the world is facing climate change and there is a need of preserving scarce resources, it is essential that urban areas adopt a sustainability approach to the way they develop. Thus, this research focuses on what attitude is held by residents and local authorities of the subject city and how it should be facilitated so that biking for transportation becomes more common. With the approach of Ajzen’s (1991) theory of planned behaviour, the citizens’ perspective is investigated by a questionnaire where the results lead to dividing the population sample into seven groups based on their attitude. Such segmentation into population groups with respect to mobility can help promote sustainable mobility behaviour and is essential in order to address the problem successfully. Local authorities’ attitude is examined by interviews and secondary data analysis. A principal finding here is that in this city bicycle is a secondary or tertiary mode of transportation, while there is a prevailing automobile priority continuously being facilitated by the authorities. The problem lies in that it is not fully understood how bicycling can bring benefits to the city and that managing transportation is an essential part of sustainable urban development. The dissertation concludes with suggestions for both the residents and the authorities so that pro-sustainability behaviour can occur. Additionally, the analysis in this paper could be used in a number of similar cities in Poland.
|
5 |
Prognóza dopravního chování obyvatel / Prognosis of traffic behavior of inhabitantsKobzová, Hana January 2020 (has links)
This diploma thesis focuses on the development of modal split, as a fundamental indicator determining travel behavior for traffic model forecasting. Firstly, approaches to traffic forecasting in the Czech Republic are described, and an emphasis is put on non-uniform definitions and factors influencing modal split. The body of the thesis describes methods of establishing, as well as the development and objective of the modal split in Brno, Zurich, Dresden, Nurnberg, and Vienna. For each city, the effects of traffic network changes on modal split and travel behavior are evaluated. Finally, the observed trends are compared with each other.
|
6 |
Analyse und Vergleich des Modal Splits in den Jahren 2013 und 2018 auf Basis der SrV-Daten mithilfe von Random ForestLins, Stefan Martin 04 March 2021 (has links)
Der hohe Anteil des Verkehrs an den Gesamtemissionen, dem damit verbundenen Beitrag zum Klimawandel sowie der extensive Flächenverbrauch des Individualverkehrs verstärken die politischen Forderungen nach einer Verkehrswende. Das Ziel dieser Arbeit ist es, mithilfe ausführlich methodisch dargestellter Verfahren des maschinellen Lernens ein optimales Klassifikationsmodell zu entwickeln. Dieses ermöglicht die Evaluation und Prognose der Verkehrsmittelwahl und damit den Modal Split auf Basis verschiedener Einflussfaktoren insbesondere im Zeitverlauf zwischen 2013 und 2018. Bisherige Untersuchungen konzentrieren sich auf außereuropäische Gebiete und einmalige Erhebungsdurchläufe. Für die Analyse wird auf die von der Technischen Universität Dresden durchgeführte Mobilitätsbefragung 'SrV - Mobilität in Städten' für die 25 großen deutschen Vergleichsstädte der Jahre 2013 und 2018 zurückgegriffen. Nach der Datenaufbereitung werden unter Verwendung deskriptiver Methoden und Zusammenhangsmaße die einzelnen Merkmalsvariablen auf die Eignung in der Modellbildung beurteilt, um möglichst aussagekräftige Modellergebnisse zu erhalten. Basierend auf CART-Entscheidungsbäumen werden Modelle mit dem Bagging-, Random Forest- und dem Boosting-Algorithmus für beide Jahre erstellt. Zur Einordnung der Effektivität der Modelle werden ebenfalls Modelle für Künstliche Neuronale Netzwerke und der Multinomialen Logistischen Regression für beide Jahre untersucht. Auf Basis von Random Forest, das insgesamt in der Untersuchung mit einer Gesamttrefferquote von 82,9 % (AUC-Wert 0,9458) für 2013 und 79,8 % (AUC-Wert 0,9377) für 2018 die besten Gütemaße erzielt, werden die Einflussfaktoren mittels eines Variable Importance Plots und des Partial Dependence Plots beschrieben und ausgewertet. Insbesondere wird festgestellt, dass Länge und Dauer des Weges und die Verfügbarkeit einer Dauerkarte für den öffentlichen Verkehr den größten Einfluss auf die Verkehrsmittelwahl haben. Im Zeitverlauf fällt auf, dass insbesondere MIV-Wege durch Rad- und ÖV-Fahrten substituiert werden, während bei den Fußwegen nur geringe Veränderungen auffallen. Die geschätzten Klassifikationsmodelle erreichen überwiegend herausragende Vorhersagen der Verkehrsmittelwahl, wobei diese Prognosen für das Fahrrad sich am schwierigsten gestalten.:Inhaltsverzeichnis
Abbildungsverzeichnis VII
Tabellenverzeichnis XI
Abkürzungsverzeichnis XIII
Symbolverzeichnis XV
1 Einleitung 1
2 Literaturübersicht 3
3 Methodik 5
3.1 Entscheidungsbäume 5
3.1.1 Notation der Baumstruktur 5
3.1.2 Regressionsbäume 6
3.1.3 Klassifikationsbäume 6
3.1.4 Stutzen eines Baumes und Abbruchkriterien 9
3.1.5 Bewertung des Verfahrens 10
3.2 Bagging 11
3.2.1 Idee 11
3.2.2 Bootstrap 12
3.2.3 Subsampling 12
3.2.4 Prinzip des Bagging-Algorithmus 12
3.2.5 Bewertung des Verfahrens und Anpassung 15
3.3 Random Forest 16
3.3.1 Idee 16
3.3.2 Prinzip des Random-Forest-Algorithmus 17
3.3.3 Bewertung des Verfahrens und Anpassung 20
3.3.4 Bewertung der Einflussfaktoren 21
3.4 Boosting 23
3.4.1 Idee 23
3.4.2 Prinzip des AdaBoost-Verfahrens 24
3.4.3 Evaluation 25
3.5 Künstliches Neuronales Netzwerk 25
3.5.1 Idee 26
3.5.2 Prinzip des Künstlichen Neuronalen Netzwerks 26
3.5.3 Evaluation und Anpassungsparameter 29
3.6 Multinomiale Logistische Regression 30
3.7 Gütemaße 30
3.7.1 Trefferquote 30
3.7.2 ROC-Kurve und AUC 30
4 Daten 33
4.1 Datensatz 33
4.2 Datenaufbereitung 34
4.2.1 Auflösung der Multilevelstruktur 34
4.2.2 Daten in der Haushaltsebene 35
4.2.3 Daten in der Personenebene 36
4.2.4 Daten in der Wegeebene 37
4.2.5 Ausreißer und fehlende Werte 37
5 Deskriptive Analyse 39
5.1 Auswertung der kategorialen abhängigen Variablen 39
5.2 Auswertung der kardinalen Variablen 40
5.2.1 Streu- und Lagemaße 40
5.2.2 Korrelation zwischen den kardinalen Variablen 42
5.3 Auswertung der ordinalen und nominalen Variablen 43
5.3.1 Relative Häufigkeiten 43
5.3.2 Beurteilung der ordinalen und nominalen Variablen mithilfe des korrigierten Kontingenzkoeffizienten nach Pearson 46
5.4 Analyse statistischer Unterschiede der beiden untersuchten Stichproben 47
6 Ergebnisse der Modelle 49
6.1 Baumbasierte Klassifikationsverfahren 49
6.1.1 CART-Entscheidungsbäume 49
6.1.2 Bagging 52
6.1.3 Random Forest 53
6.1.4 Boosting 66
6.2 Künstliches Neuronales Netzwerk 69
6.3 Multinomiale Logistische Regression 71
7 Fazit 73
8 Kritische Würdigung und Ausblick 75
Literaturverzeichnis XIX
Anhang XXV
Danksagung LXI / The high share of traffic in total emissions, the associated contribution to climate change and the extensive land consumption of individual traffic reinforce the political demands for a traffic turnaround. The aim of this thesis is to develop an optimal classification model with the help of detailed methodical presented methods of machine learning. This enables the evaluation and forcast of the choice of means of transport and thus the modal split on the basis of various influencing factors, particularly over the course of time between 2013 and 2018. Previous studies have focused on non-European areas and one-off surveys. For the analysis, the mobility survey 'SrV-Mobilität in Städten' carried out by the Technische Universität Dresden for the 25 large German cities in 2013 and 2018 is used. After the data processing, the individual feature variables are assessed for their suitability in the modeling process using descriptive methods and correlation measures in order to obtain the most meaningful model results possible. Based on CART Decision Trees, models with the Bagging, Random Forest and Boosting algorithms are created for both years. To classify the effectiveness of the models, models for Artificial Neural Networks and Multinomial Logistic Regression are also examined for both years. Based on Random Forest, which achieved the best quality measures in the study with an overall accuracy of 82.9 % (AUC value 0.9458) for 2013 and 79.8 % (AUC value 0.9377) for 2018, the influencing factors are described and evaluated using a Variable Importance Plot and the Partial Dependence Plot. In particular, it is found that the length and duration of the journey and the availability of a season ticket for public transport have the greatest influence on the choice of the mode of transport. Over the course of time, it is noticeable that in particular motorized traffic routes are being replaced by cycling and public transport, while only minor changes are noticeable in the case of walking. Most of the estimated classification models achieve excellent predictions in the choice of mode of transport, although these predictions are the most difficult for the bicycle.:Inhaltsverzeichnis
Abbildungsverzeichnis VII
Tabellenverzeichnis XI
Abkürzungsverzeichnis XIII
Symbolverzeichnis XV
1 Einleitung 1
2 Literaturübersicht 3
3 Methodik 5
3.1 Entscheidungsbäume 5
3.1.1 Notation der Baumstruktur 5
3.1.2 Regressionsbäume 6
3.1.3 Klassifikationsbäume 6
3.1.4 Stutzen eines Baumes und Abbruchkriterien 9
3.1.5 Bewertung des Verfahrens 10
3.2 Bagging 11
3.2.1 Idee 11
3.2.2 Bootstrap 12
3.2.3 Subsampling 12
3.2.4 Prinzip des Bagging-Algorithmus 12
3.2.5 Bewertung des Verfahrens und Anpassung 15
3.3 Random Forest 16
3.3.1 Idee 16
3.3.2 Prinzip des Random-Forest-Algorithmus 17
3.3.3 Bewertung des Verfahrens und Anpassung 20
3.3.4 Bewertung der Einflussfaktoren 21
3.4 Boosting 23
3.4.1 Idee 23
3.4.2 Prinzip des AdaBoost-Verfahrens 24
3.4.3 Evaluation 25
3.5 Künstliches Neuronales Netzwerk 25
3.5.1 Idee 26
3.5.2 Prinzip des Künstlichen Neuronalen Netzwerks 26
3.5.3 Evaluation und Anpassungsparameter 29
3.6 Multinomiale Logistische Regression 30
3.7 Gütemaße 30
3.7.1 Trefferquote 30
3.7.2 ROC-Kurve und AUC 30
4 Daten 33
4.1 Datensatz 33
4.2 Datenaufbereitung 34
4.2.1 Auflösung der Multilevelstruktur 34
4.2.2 Daten in der Haushaltsebene 35
4.2.3 Daten in der Personenebene 36
4.2.4 Daten in der Wegeebene 37
4.2.5 Ausreißer und fehlende Werte 37
5 Deskriptive Analyse 39
5.1 Auswertung der kategorialen abhängigen Variablen 39
5.2 Auswertung der kardinalen Variablen 40
5.2.1 Streu- und Lagemaße 40
5.2.2 Korrelation zwischen den kardinalen Variablen 42
5.3 Auswertung der ordinalen und nominalen Variablen 43
5.3.1 Relative Häufigkeiten 43
5.3.2 Beurteilung der ordinalen und nominalen Variablen mithilfe des korrigierten Kontingenzkoeffizienten nach Pearson 46
5.4 Analyse statistischer Unterschiede der beiden untersuchten Stichproben 47
6 Ergebnisse der Modelle 49
6.1 Baumbasierte Klassifikationsverfahren 49
6.1.1 CART-Entscheidungsbäume 49
6.1.2 Bagging 52
6.1.3 Random Forest 53
6.1.4 Boosting 66
6.2 Künstliches Neuronales Netzwerk 69
6.3 Multinomiale Logistische Regression 71
7 Fazit 73
8 Kritische Würdigung und Ausblick 75
Literaturverzeichnis XIX
Anhang XXV
Danksagung LXI
|
7 |
Klassifizierung junger Erwachsener anhand ihres Mobilitätsverhaltens – Eine empirische Analyse der großen SrV-VergleichsstädteChutsch, Bastian January 2015 (has links)
Die vorliegende Arbeit untersucht das Mobilitätsverhalten junger Erwachsener. Dies ist von besonderer Relevanz, da die heutige jüngere Generation die Mobilität der Zukunft prägen wird. Aus jenem Grund ist es von eminenter Bedeutung, dass diese Altersklasse intensiv und über einen längeren Zeitraum betrachtet wird, um Veränderungen in deren Verkehrsmittelwahlverhalten zu erkennen. Weiterhin beeinflussen neben den mobilitätsspezifischen Einflüssen auch soziodemografische Entwicklungen das genannte Verhalten, welche sowohl identifiziert, als auch bzgl. der Einflussstärke ausgewertet werden müssen.
Ein Vergleich diverser Studien zeigt jedoch, dass die Altersklasse der jungen Erwachsenen eine noch relativ unerforschte Gruppe darstellt. Zudem besteht im Hinblick auf die Altersabgrenzung in der Literatur Uneinigkeit. Daraus ergibt sich die zentrale Frage dieser Arbeit, inwieweit sich die Gruppe der jungen Erwachsenen im Mobilitätsverhalten unterscheidet und ob es somit sinnvoll ist eine differenziertere Betrachtung vorzunehmen. Nach intensiver Recherche wurde hier die Altersspanne der jungen Erwachsenen wie folgt definiert: Personen zwischen 18 und 35 Jahren.
Als Datengrundlage dieser empirischen Analyse wurden die großen SrV-Vergleichsstädte von 2013 herangezogen. Der Datensatz jener Stadtgruppe bezieht sich auf deutsche Großstädte mit mind. 100.000 Einwohnern. Mithilfe einer Clusteranalyse konnte zunächst eine Struktur im Datensatz aufgedeckt werden, wonach die 18-21-, 22-26- und 27-35-Jährigen homogene Cluster bilden. Diese Cluster wurden anschließend deskriptiv analysiert. Hierbei sind deutliche Unterschiede im Verkehrsmittelwahlverhalten festzustellen. Der MIV-Anteil steigt z. B. mit zunehmendem Alter an, wohingegen beim ÖPV ein entgegengesetztes Verhalten zu erkennen ist. Die Fahrradnutzung ist wiederum konstant und mit steigendem Alter werden mehr Wege zu Fuß zurückgelegt. Weiterhin werden die einzelnen Gruppen u. a. durch unterschiedliche Lebensumstände sowie neue Kommunikationstechnologie beeinflusst. Abschließend wurde eine Diskriminanzanalyse durchgeführt, um ein Modell zur Gruppentrennung der drei gebildeten Cluster zu entwickeln. Das resultierende Modell beinhaltet jeweils drei soziodemografische und mobilitätsspezifische Variablen und trennt die Gruppen sehr gut. Darüber hinaus wurden die Elemente eines Kontrolldatensatzes ähnlich optimal eingeordnet, wodurch die Anwendbarkeit dieses Modells bestätigt werden konnte.
Die Analyse des Mobilitätsverhaltens der jungen Erwachsenen hat somit ergeben, dass es sich hierbei um eine heterogene Altersklasse handelt. Aus diesem Grund scheint es sinnvoll jene Zielgruppe bei zukünftigen Untersuchungen differenzierter zu betrachten und die ermittelten Cluster zu berücksichtigen.:Inhaltsverzeichnis v
Abbildungsverzeichnis vii
Abkürzungsverzeichnis ix
1 Einleitung 1
2 Theoretische Grundlagen 3
2.1 Datengrundlage 3
2.2 Multivariate Analysemethoden 5
2.2.1 Clusteranalyse 6
2.2.2 Diskriminanzanalyse 10
3 Literaturanalyse 17
3.1 Altersabgrenzung 17
3.2 Mobilitätsstudien 20
4 Clusteranalyse 25
4.1 Merkmalsvariablen 25
4.2 Clusterbildung 26
4.3 Ergebnisprüfung 27
5 Deskriptive Analyse 31
5.1 Soziodemografische Betrachtung 31
5.2 Mobilitätsspezifische Betrachtung 33
5.2.1 Modal-Split 33
5.2.2 Wegespezifische Daten 39
5.2.3 Verkehrstechnische Daten 41
6 Diskriminanzanalyse 47
6.1 Merkmalsvariablen 47
6.2 Untersuchungsergebnisse 50
6.3 Güteprüfung 52
6.3.1 Modellklassifikation 53
6.3.2 Kontrollgruppe 54
7 Fazit 57
8 Kritische Würdigung 59
9 Ausblick 61
Literaturverzeichnis XI
Anhang XVII
|
8 |
Hodnocení změn dělby přepravní práce v souvislosti s výstavbou vysokorychlostní trati Praha-Brno / Assessment of Changes of the Modal Split in Connection with the Construction of High Speed Railway Prague-BrnoKoukal, Martin January 2018 (has links)
The aim of this diploma thesis is to discuss the assessment of changes of the modal split in connection with the construction of high speed railway Prague-Brno. Thesis is aimed on wider context of two theoretical concepts in transportation researches: travel behaviour and the value of travel time. Data collection took place in the form of "Paper and Pencil Interview" method. For a deeper analysis was used the Pivot Table tools. From the collected data was found that economically active people from coaches and trains have higher travel time than students. Among cars users the most important factor influencing the choice of traffic mode is the speed, for coach users it is price and for train users the posibility of work/rest during the journey. Assuming a reduction of travel time between Prague and Brno for about 1 hour while keeping the fare price about CZK 200, high-speed rail connections has the potential to generate more frequent journeys among existing passengers. Keywords: modal split, travel behaviour, the value of travel time savings, competitiveness of railways, high speed railway
|
9 |
Um procedimento para determinação de matriz origem-destino para diferentes modos: método indireto baseado em modelo de escolha discreta / Procedure for determining an origin-destination matrix for multiple modes: a discrete choice model based indirect methodLópez Reyes, Delfos Enrique 23 December 1999 (has links)
Apresenta-se um procedimento para estimativa da matriz origem-destino (O/D) a partir de um modelo de escolha discreta em combinação com uma matriz O/D de transporte público, a qual pode ser estimada de maneira relativamente fácil e rápida. O modelo de escolha discreta utilizado para realizar a divisão modal é o modelo logit multinomial. A calibração do modelo logit é realizada com base em 505 observações e considerando três situações: a população de viajantes sem segmentação, com segmentação segundo posse de automóvel no domicílio, e com segmentação segundo a distância de viagem. Analisa-se a precisão da estimativa do número de viagens quando as zonas de controle que formam a área de estudo são divididas segundo o critério de distância de acesso às linhas de ônibus. Na verificação realizada são empregados dados obtidos da pesquisa domiciliar realizada na cidade de Bauru, SP. Os erros cometidos na estimativa são medidos e comparados com os resultados obtidos na pesquisa domiciliar sem expansão. O trabalho demostrou experimentalmente que o procedimento proposto é uma alternativa viável para se obter a distribuição de viagens e, portanto, para determinar a matriz O/D. / A procedure is presented for estimating an origin-destination (O/D) matrix using a discrete choice model jointly with a public transport O/D matrix; the latter being relatively easy and fast to obtain. A multinomial logit discrete choice model is used to determine the mode split of travelers among several available modes. The model is estimated using a sample of 505 observations chosen from a household 0/D survey in the city of Bauru, state of Sao Paulo. This survey is used throughout to verify the results of the proposed methodology. Three different models are considered: one without segmentation of the population, one with segmentation according to car ownership and one with segmentation according to travel distance. An examination is made of the changes on the level of precision of the number of trips estimated with the division of the control zones that conform the study area; the aforementioned division was carried out on the basis of an access distance to the bus network criterion. The estimation errors are measured and compared to the unexpanded O/D survey results. The research shows empirically that the proposed procedure can be used to obtain the distribution of trips and hence to determine an aggregate O/D matrix.
|
10 |
Um procedimento para determinação de matriz origem-destino para diferentes modos: método indireto baseado em modelo de escolha discreta / Procedure for determining an origin-destination matrix for multiple modes: a discrete choice model based indirect methodDelfos Enrique López Reyes 23 December 1999 (has links)
Apresenta-se um procedimento para estimativa da matriz origem-destino (O/D) a partir de um modelo de escolha discreta em combinação com uma matriz O/D de transporte público, a qual pode ser estimada de maneira relativamente fácil e rápida. O modelo de escolha discreta utilizado para realizar a divisão modal é o modelo logit multinomial. A calibração do modelo logit é realizada com base em 505 observações e considerando três situações: a população de viajantes sem segmentação, com segmentação segundo posse de automóvel no domicílio, e com segmentação segundo a distância de viagem. Analisa-se a precisão da estimativa do número de viagens quando as zonas de controle que formam a área de estudo são divididas segundo o critério de distância de acesso às linhas de ônibus. Na verificação realizada são empregados dados obtidos da pesquisa domiciliar realizada na cidade de Bauru, SP. Os erros cometidos na estimativa são medidos e comparados com os resultados obtidos na pesquisa domiciliar sem expansão. O trabalho demostrou experimentalmente que o procedimento proposto é uma alternativa viável para se obter a distribuição de viagens e, portanto, para determinar a matriz O/D. / A procedure is presented for estimating an origin-destination (O/D) matrix using a discrete choice model jointly with a public transport O/D matrix; the latter being relatively easy and fast to obtain. A multinomial logit discrete choice model is used to determine the mode split of travelers among several available modes. The model is estimated using a sample of 505 observations chosen from a household 0/D survey in the city of Bauru, state of Sao Paulo. This survey is used throughout to verify the results of the proposed methodology. Three different models are considered: one without segmentation of the population, one with segmentation according to car ownership and one with segmentation according to travel distance. An examination is made of the changes on the level of precision of the number of trips estimated with the division of the control zones that conform the study area; the aforementioned division was carried out on the basis of an access distance to the bus network criterion. The estimation errors are measured and compared to the unexpanded O/D survey results. The research shows empirically that the proposed procedure can be used to obtain the distribution of trips and hence to determine an aggregate O/D matrix.
|
Page generated in 0.04 seconds