交通运输基础/出行生成

出行生成是传统四阶段交通预测过程中的第一步（接下来是目的地选择、出行方式选择，以及路线选择），广泛用于预测出行需求。它预测从特定交通分析区发出的或通往特定交通分析区的出行次数。

每次出行都有两个端点，我们需要知道这两个端点在哪里。第一步是确定从某个区域发出的出行次数，第二步是确定通往某个区域的出行次数。由于土地利用可以分为两个主要类别（居住用地和非居住用地），因此我们拥有基于家庭的和非基于家庭的模型（例如，与工作岗位数量或零售活动相关的函数）。

对于居住用地方面，出行生成被认为是家庭社会经济属性的函数（家庭和住房单位是十分相似的度量，但有时住房单位没有家庭，有时它们包含多个家庭，显然住房单位更容易测量，并且这些单位通常用于模型中，重要的是要明确你使用的是哪种假设）。

在交通分析区的层面上，使用的语言是土地利用“产生”或吸引出行，其中假设出行是由家庭“产生”并被非家庭“吸引”。生产和吸引与起点和目的地不同。即使在返回家中的情况下（即，家庭是目的地），出行也由家庭产生。同样重要的是要明确你使用的是哪种假设。

活动

人们参与活动，这些活动是出行的“目的”。主要的活动包括家庭、工作、购物、上学、外出就餐、社交、娱乐以及载客（接送）。人们还有许多其他活动，例如去看医生、银行业务等，这些活动频率不到每天甚至每周。通常，频率较低的类别被丢弃并归入“其他”这一总称中。

每次出行都有两个端点，起点和目的地。出行按目的分类，即在目的地地点进行的活动。

根据性别观察双子城（2000-2001 年）出行行为清单中的出行情况

出行目的	男性	女性	总计
工作	4008	3691	7691
工作相关	1325	698	2023
上学	495	465	960
其他学校活动	108	134	242
儿童保育、日托、课后看护	111	115	226
快速停留	45	51	96
购物	2972	4347	7319
拜访朋友或亲戚	856	1086	1942
个人事务	3174	3928	7102
在外面吃饭	1465	1754	3219
娱乐、休闲、健身	1394	1399	2793
公民或宗教活动	307	462	769
接送乘客	1612	2490	4102
陪同他人参加活动	64	48	112
家庭活动	288	384	672

一些观察结果

• 平均而言，男性和女性的行为不同，他们在家庭内部分担责任，并参与不同的活动。
• 大多数出行并非工作出行，尽管工作出行很重要，因为它们具有高峰特性（以及它们在距离和出行时间上往往更长）。
• 绝大多数出行并非人们前往（或从）工作的地方。

人们按顺序参与活动，并且可能会将他们的出行串联起来。在下图中，出行者从家出发，先去上班，然后去购物，然后去外面吃饭，最后返回家中。

模型的规定

我们如何预测某个区域将产生多少出行？从某个区域发出或通往某个目的地的出行次数可以通过出行率（通常按年龄或人口统计特征进行交叉分类）或方程来描述。首先，我们需要确定我们认为哪些变量是相关的。

家庭端

某个区域离开或返回家庭的总出行次数可以描述为以下函数的函数

$T_{h}=f(housing\ units,\ household\ size,\ age,\ income,\ accessibility,\ vehicle\ ownership).\,\!$

家庭端出行有时是以下因素的函数

• 住房单位
• 家庭规模
• 年龄
• 收入
• 可达性
• 汽车拥有量
• 其他家庭相关因素

工作端

在工作出行的工作端，产生的出行次数可能是以下函数的函数

$T_{w}=f(jobs(area\ of\ space\ by\ type,\ occupancy\ rate))\,\!$

工作端出行有时是以下因素的函数

• 工作岗位
• 工作空间面积
• 占用率
• 其他工作相关因素

商店端

类似地，购物出行取决于许多因素

$\,\!T_{s}=f(number\ of\ retail\ workers,\ type\ of\ retail,\ area,\ location,\ competition)$

商店末端出行有时是以下因素的函数

• 零售员工数量
• 零售类型
• 零售面积
• 位置
• 竞争
• 其他与零售相关的因素

输入数据

规划人员或经济学家进行的预测活动，例如基于经济基础分析的概念的活动，提供人口和活动增长的汇总指标。土地利用预测将预测的活动变化分布到交通区域。

估计模型

哪个更准确：数据还是平均值？平均值（或汇总值）的问题在于，每个人的出行模式都不同。

家庭端

为了估计家庭端出行量，可以使用交叉分类模型。这基本上是构建一个表格，表格的行和列具有不同的属性，表格中的每个单元格都显示一个预测的出行量，这通常直接从数据中得出。

在交叉分类模型示例中：因变量是每人出行量。自变量是住宅类型（单户或多户家庭）、家庭规模（每户 1、2、3、4 或 5 人以上）和个人年龄。

下图显示了出行量随年龄在单户住宅和多户住宅类型中变化的典型示例。

下图显示了移动平均线。

非家庭端

可以使用普通最小二乘 (OLS) 回归（一种统计技术，用于拟合曲线以最小化平方误差（预测值和实际值之间的差异）之和，将出行量与就业类型和人口特征相关联）来开发“工作”和“其他”出行端的出行量。

用于估计工作端出行量的变量是办公室就业 ($E_{off}\,\!$), 零售 ($E_{ret}\,\!$) 和 其他 ($E_{oth}\,\!$)

方程的典型形式可以表示为

$T_{D,k}=a_{1}E_{off,k}+a_{2}E_{oth,k}+a_{3}E_{ret,k}\,\!$

其中

• $T_{D,k}\,\!$ - 区域 k 中每位员工吸引的出行量
• $E_{off,i}\,\!$ - 第 i 个区域的办公室就业
• $E_{oth,i}\,\!$ - 第 i 个区域的其他就业
• $E_{ret,i}\,\!$- 第 i 个区域的零售就业
• $a_{1},a_{2},a_{3}\,\!$ - 模型系数

标准化

对于每种出行目的（例如，从家到工作），从家出发的出行次数必须等于到达工作的出行次数。两个不同的模型可能会得出两个结果。有几种技术可以处理这个问题。可以假设其中一个模型是正确的，并调整另一个模型，或者取中间值。

必须确保出行起点的总数等于出行终点的总数，因为根据定义，每次出行交换都必须有两个出行端。

假设在家端开发的比率是最准确的，

标准化的基本方程

$T'_{D,j}=T_{D,j}{\frac {\sum \limits _{i=1}^{I}{T_{O,i}}}{\sum \limits _{j=1}^{J}{T_{D,j}}}}\,\!$

示例问题

• 问题 (解答)
• 问题 (解答)
• 问题 (解答)

变量

• $T_{O},i$ - 从区域 i 出发的出行人数
• $T_{D},j$ - 到达区域 j 的出行人数
• $T_{O},i'$ - 标准化后从区域 i 出发的出行人数
• $T_{D},j'$ - 标准化后到达区域 j 的出行人数
• $T_{h}$ - 从家出发的人数（通常为早上出行，下午目的地）
• $T_{w}$ - 从工作出发的人数（通常为下午出行，早上目的地）
• $T_{s}$ - 从商店出发的人数
• $H_{i}$ - 区域 i 的家庭数量
• $E_{off,k}$ - 区域 k 的办公就业人数
• $E_{ret,k}$ - 区域 k 的零售就业人数
• $E_{oth,k}$ - 区域 k 的其他就业人数
• $B_{n}$ - 模型系数

缩略语

• H2W - 居住地到工作地
• W2H - 工作地到居住地
• W2O - 工作地到其他地点
• O2W - 其他地点到工作地
• H2O - 居住地到其他地点
• O2H - 其他地点到居住地
• O2O - 其他地点到其他地点
• HBO - 居住地为起点的其他出行（包括 H2O、O2H）
• HBW - 居住地为起点的上下班出行（H2W、W2H）
• NHB - 非居住地为起点的出行（O2W、W2O、O2O）

外部练习

使用 STREET 网站 上的 ADAM 软件，尝试完成作业 #1，了解分析区域特征的变化如何生成网络上的额外出行。

附加问题

• 家庭作业
• 附加问题

进一步阅读

• 维基百科上的出行生成文章

视频

• 出行生成
• 标准化