基于潜在类分析的城市异质出行群体识别研究

范爱华, 陈旭梅,2

(1. 北京交通大学 综合交通运输大数据应用技术交通运输行业重点实验室,北京 100044;2.许昌学院 智能交通学院, 河南 许昌 461000)

出行异质性用来描述不同出行者在出行方式选择、对各交通政策的响应等方面的差异.恰当地进行异质出行群体划分，不仅利于深入了解出行者的总体出行特性，提升对出行者交通方式选择和出行需求预测的准确性，还能针对不同出行群体实施针对性的交通管理.如赵鹏等[1]在研究高速铁路旅客选择行为时，分别构建不考虑个体异质性的多项Logit模型、考虑个体异质性的多项Logit模型和混合Logit模型，结果表明考虑异质性的模型拟合效果更好.针对不同出行群体实施有针对性的交通管理方面，王丹等[2]针对不同交通场景下选择公交/轻轨及一定选择小汽车的两类异质出行群体，分别提出了相应的低碳出行策略.

目前多数对于异质出行群体的识别常基于聚类分析方法[3-4]，应用K-means或层次聚类方法将出行个体划分到某个群体中，但传统聚类方法的不足在于会确定性地将一个出行者分在某个群体中，忽略了将某个出行者划分在错误群体中的可能性，而潜在类分析(Latent Class Cluster Analysis, LCCA)的方法能够克服这一缺点[5].另外，与K-means聚类相比，LCCA不需要提前决定群体数，且对于数值型变量和名义变量均适用.近年，LCCA方法在交通领域受到较多的关注，并逐渐应用到对不同交通方式使用偏好及新型交通服务使用倾向性差异的异质出……