李春燕，陈　峻，孙正安，叶晓飞

1)深圳市综合交通运行指挥中心，广东深圳 518041；2)东南大学交通学院，江苏南京 210096；

3)深圳市城市交通规划研究中心，广东深圳 518021；4)宁波大学海运学院，浙江宁波 315211



ATIS条件下驾驶员出行途中路径选择行为研究

李春燕1，陈峻2，孙正安3，叶晓飞4

1)深圳市综合交通运行指挥中心，广东深圳 518041；2)东南大学交通学院，江苏南京 210096；

3)深圳市城市交通规划研究中心，广东深圳 518021；4)宁波大学海运学院，浙江宁波 315211

摘要：在假设驾驶人对不同来源交通信息的参考程度不同的情况下，研究驾驶人在先进的出行者交通信息服务系统(advanced traveler information systems, ATIS)提供的多源实时信息条件下的出行途中路径选择行为，针对传统logit模型不能模拟影响变量对目标变量的非线性影响的缺点，利用BP(back propagation)神经网络模型进行信息参考行为的影响因素筛选，通过二元logit模型分析交通信息的参考概率，且作为自变量建立驾驶人出行途中路径选择模型．以南京驾驶人在广播和可变信息板(variable message signs, VMS)两种信息发布源条件下的出行路径选择行为进行模型验证，发现年龄和学历是影响广播信息参考的主要因素，年收入和对本地道路的熟悉程度是影响VMS信息参考的主要因素，驾驶人在接收到外界信息时改变出行路径的概率较大，在未接收到外界信息时选择原路径概率较大．

关键词：城市交通；多源信息参考；BP神经网络；自变量筛选；路径选择；多元logit模型

先进的出行者交通信息服务系统(advanced traveler information systems, ATIS)是智能交通系统(intelligent transportation system，ITS)的重要组成之一．出行途中的ATIS技术在整个出行信息系统中有着非常重要的作用，通过可变信息板(variable message signs, VMS)和电台广播等方式向驾驶人及时提供道路交通变化情况，使出行者能够提前获取道路信息，调整出行路径，使出行变得更为有效．

国外对ATIS条件下路径选择行为研究仍以单一信息发布方式为主．Lam等[1]发现VMS的设置对非常规条件下拥堵路段的缓解现象更为有效．Wardman等[2]认为VMS发布的道路交通延误原因、正常条件下出行时间及驾驶人的个体属性是VMS对驾驶人途中路径选择的重要影响因素．He等[3]认为即使仅在某个交叉口或部分基本路段上设置VMS装置，整个交通网络的交通拥堵现象也会有所缓解．Gan等[4]通过VMS装置向驾驶人传递城市快速路和其他等级道路的通行时间等信息，发现驾驶人接收到此类信息后改变出行路径的比例增加．Dutta等[5]发现当VMS信息在较短时间段内向驾驶人呈现2次时，其运行效率达到最高．Erke等[6]发现驾驶人参考VMS信息的可能性较高，即选择改变出行路线的比例较高．Eran等[7]通过GPS显示屏向驾驶人传递3条路径的描述性信息、指导性信息和事实反馈性信息，由驾驶人选择路径行走，发现驾驶人对指导性信息的信任程度较大．Hooi等[8]认为若能对手机交通信息进行进一步优化，对制定交通信息发布策略有较大帮助．

国内对各种信息发布方式条件下的路径选择行为研究起步较晚．孟超等[9]通过仿真实验得知驾驶人按照VMS指示信息行走之后，整个交通网络的拥堵情况会有较大的改善．尚华艳等[10]模拟了无信息诱导、基于VMS的近视转换以及有界理性路径选择3种条件下的路径选择行为，并认为后两者条件下的交通网络运行效果达到最优．姜桂艳等[11]认为VMS信息板的设置位置对交通信息发挥作用的影响较大．吴波[12]模拟VMS环境下驾驶人改变出行路径的概率，发现驾驶人的路径选择行为能够缓解道路交通拥堵．孙伟力[13]认为驾驶人在出行途中对VMS不一定完全服从，给出3种假设情况的仿真实验，并根据不同仿真结果制定合理的发布策略．张薇[14]利用Repast S工具对ATIS提供道路拥堵信息条件下驾驶人的途中路径选择行为进行仿真实验，结果发现,实时信息的提供有缓解道路交通拥堵的作用．

驾驶人在出行过程中，会通过各种渠道接收交通信息，由于个体属性的不同，即使面临同一发布内容的不同信息发布渠道，其选择接受的程度也不相同，从而会产生不同的路径选择行为．不同信息发布方式共存时的路径选择行为研究目前仍不多．Richard等[15]研究了在广播信息和VMS信息共同影响下的驾驶人路径选择行为，通过建立有序probit模型、多项logit模型以及双变量有序probit模型对相关影响因素进行分析．马飞等[16]通过设置相互独立的6个情景，发现驾驶人更偏向于接受VMS与广播等动态信息．孙晓梅[17]研究了多源交通信息条件下的路径选择行为，并提出以预测行程时间最短，行程时间可靠性为约束的目标规划方程解决路径选择行为问题．郭锦景[18]采用决策论方法对多源交通信息条件下的路径选择行为进行分析．

综上研究发现，有关单一交通信息发布方式下路径选择行为的研究虽多，但在2种或多种交通信息条件下相应的研究，以及驾驶人对不同信息发布方式的参考程度的研究仍较少．当驾驶人同时面临2种或多种实时信息时，不同实时信息发布方式的参考程度会对路径选择行为产生不同影响．因此，研究驾驶人对ATIS所提供多源交通信息的参考程度及其对路径选择的影响非常重要．本研究首先分析驾驶人是否参考实时信息，并在此基础上对出行中的路径选择行为进行建模分析．

1模型建立

首先，建立驾驶人对ATIS提供的出行信息参考模型．驾驶人参考交通信息过程中,当涉及到较多因素影响时，为提高模型的预测精度，需筛选出主要影响变量．通常直接采用logit模型进行影响变量筛选，但logit模型的向前向后筛选变量法不能模拟变量对目标变量的非线性影响，而神经网络系统恰好能弥补这一缺点，通过不断地自动学习和反馈判断，神经网络能够模拟人的大脑，通过学习得到不同个体对实时信息的偏好程度，从而判断主要影响因素，主要步骤如下：

1)数据处理.

由于影响驾驶人信息参考过程的变量x均为正值，对所有影响因素进行量纲归一化处理为

x′=(x-min(x))/(max(x)-min(x))

(1)

2)BP(back propagation)神经网络筛选变量.

采用较为成熟的经验公式法确定隐层节点数的一般公式[19]，如式(2)，通过试凑法得到模拟结果最优时的隐层节点数即确定为该隐层的最优个数．

(2)

其中，n1为隐层节点数； m为输入层神经元个数； n为输出层神经元个数； a为常数．

其次，建立实时信息参考的二项logit模型为

P{Uti>Utj}= eVtieVti+eVtj=

(3)

其中， P{Uti>Utj}表示驾驶人t选择参考信息i大于选择参考信息j的概率； Vti为驾驶人t选择参考信息i时的系统变量，可表示为信息i的内容特性Xi和驾驶人t特性St的线性组合Vti=αiXi+βtSt(αi和βt为参数)．

最后，建立以实时信息参考概率为自变量的路径选择多元logit模型为

(4)

2实例验证

为验证上述模型的有效性，随机对南京市673个驾驶人进行偏好性调查(stated preference survey，SPs)．通过调查者的叙述，每位被调查者被带入以下调查情景.

1)基础假设情景.将南京市民较为熟悉的2个典型地点——雨花台和鼓楼，作为上班出行起点和终点，驾驶人被告知有3条可利用的路径，分别为：路径1(龙蟠路，城市快速路)，路径2(中山路，城市主干道)以及路径3(虎踞路，城市快速路)．其中，路径1为驾驶人日常出行过程中的常用路径．假设情景如图1．

图1　SP调查假设情景设置示意图Fig.1　Sketch map for the SPs’ hypothetical scenario

2)实时信息的传输.VMS设置于起点处,驾驶人出行途中能够实时通过电台广播接收到3条路径的交通拥堵情况．在起点处同时收到来自电台广播和VMS的道路拥堵信息，两种发布渠道所反映的道路拥堵情况一，但表现形式不一，前者为口头文字表述，后者为图形表述，如表1．

3) 路径选择.被调查者根据1)和2)做路径选择．

2.1基于BP神经网络的信息参考过程分析

选取驾驶人个体属性和日常出行模式2组因素共11个变量作为BP神经网络训练样本和测试样本的输入变量，构建基本神经网络如图2．

表1　广播和VMS信息内容

图2　自变量筛选过程的神经网络构建Fig.2　Neural network for influence factors selection

采用神经网络模型进行分析，确定训练和测试样本按照7∶3的比例随机选取，隐层和输出层的激活函数均选取Sigmoid函数，隐层节点数依此选取3～14个，优化算法采用调整的共轭梯度方法，学习步长的初始值为0.000 000 5， δ的初始值确定为0.000 05，最长培训时间选择为15 min，得到在广播实时信息和VMS实时信息下训练样本和测试样本的预测结果，如图3．

图3　不同交通信息条件下测试样本和预测样本预测结果分析Fig.3　Forecasting results for test samples and predicting samples under different traffic information

传统条件下最优隐层节点数遵循以下原则：① 训练样本和测试样本的平方和错误同时越小越好；② 分类预测正确百分比同时越大越好；③ 不取训练样本的平方和错误最小时的隐层节点数，防止错选过饱和现象发生时的隐层节点数[20]．依此选取广播信息最优节点数为4，VMS信息最优节点数为11．将广播信息和VMS信息条件下各自变量的原始重要性和标准化后的重要性进行排序，结果如表2．

表2　广播和VMS信息条件下自变量重要性排序

将标准化后重要性在50%以上的变量代入二元logit模型，并与未考虑自变量筛选过程的二元logit模型相比，得到两种实时信息参考过程的预测结果如表3．可见，在广播和VMS参考过程的预测结果中，两种模型的变量预测显著性均较高，但在不考虑自变量筛选过程的二元logit模型中均存在对预测结果影响较小的变量．其中，广播信息参考过程结果中，职业变量预测系数为-0.099，VMS信息参考过程结果中，性别变量预测系数为-0.795，两者对实时信息参考的负影响显著性不高，可以从该模型中去除，而二元logit模型的向后wald法保留了该变量，说明单纯采用二元logit模型的限制．

表3　两种实时信息参考过程的变量预测表

图4　广播信息二元logit模型预测分类图Fig.4　Forecast classification chart by using the binary logit model for broadcast information

为分析考虑自变量参考过程的实时信息参考过程的预测结果，绘制4种实时信息条件下的预测分类图，2种实时信息参考过程的预测分类图分别如图4和图5．其中，预测分类图的横轴表示以0.5为阀值，只有当预测概率值高于0.5时才认为驾驶人参考该实时信息，纵轴表示实际预测结果．由图4和图5可见：① 在广播信息参考预测分类图中，预测概率小于0.5组中，预测值全部为不参考实时信息，且集中于[0,0.2]，说明当观测值为不参考广播信息时，预测得到的参考交通信息的概率有较大比例低于20%，预测结果较为精准；②在VMS信息参考预测分类图中，预测概率小于0.5的这组中，实际预测值集中于[0,0.2]，而在预测概率大于0.5的这组中，实际预测值集中于[0.9,1.0]，预测准确性较高．

2.2基于多元logit模型的出行中路径选择行为分析

将出行者参考实时信息概率重新归类，认为当出行者选择参考该信息的概率低于50%时，其参考该实时信息的可能性很小，用数字1表示；如果出行者选择参考该信息的概率高于80%时，认为其参考该信息的可能性非常大，用数字3表示；当出行者选择参考该信息的概率介于50%至80%之间时，认为出行选择参考该信息的可能性较大，用数字2表示.建立广播信息和VMS信息参考的自变量体系，如表4．

表4　两种实时信息参考的自变量种类及取值汇总

图5　VMS信息二元logit模型预测分类图Fig.5　Forecast classification chart by using the binary logit model for VMS information

以驾驶人对广播和VMS两种实时信息发布方式的参考程度为自变量，以3条路径为因变量，其中，路径3为参照变量建立多元logit模型，预测结果如表5．

表5　出行中路径选择模型的参数估计结果

由表5可见：

1)路径1预测结果当中，广播信息分类1和VMS信息分类1两个变量的参数为正值，且在100%水平上显著，说明与改走路径3相比，当驾驶人不参考交通广播或电子指示板给出的信息时，路径1被选择的可能性非常大，由此也可看出，在外界信息没有被接收到的条件下，驾驶人主要依靠自身经验选择路径，且更偏向于选择常用路径．

2)路径2中广播信息分类1这一变量的参数估计为正值，且高度显著，说明当驾驶人在常用路径上遇到拥堵时，即使在没有交通广播随时播报各条路径所用的出行时间，驾驶人依然会选择路径2行走，这一方面是驾驶人根据自身经验做出的判断，另一方面由于路径3的长度比路径2小，驾驶人更偏向比较道路长度这一因素．在路径2的参数估计结果中，广播信息分类2，VMS信息分类2两变量的估计结果不显著，说明这与驾驶人有可能参考或高度参考广播和VMS所显示的信息，对其路径选择结果无较大影响．

结语

本研究认为在出行途中并非所有的驾驶人都会参考ATIS提供的实时信息.首先，按照实时信息的发布方式划分，以驾驶人最熟悉的交通广播和VMS两种交通实时信息发布渠道为例，利用BP神经网络理论对影响广播信息和VMS信息参考过程的主要因素进行筛选，并对每个驾驶人的实时信息参考概率进行预测；其次，建立了基于以上实时信息参考过程的驾驶人途中路径选择模型，按照每个驾驶人对广播信息和VMS信息参考的概率大小将自变量进行分组，通过分析发现当两种实时信息的参考程度不同时，驾驶人对各条路径的选择均不同，说明了实时信息的重要性．

引文：李春燕，陈峻，孙正安，等．ATIS条件下驾驶员出行途中路径选择行为研究[J]. 深圳大学学报理工版，2016，33(2)：164-172.

参考文献/ References：

[1] Lam W H K, Chan K S. A model for assessing the effects of dynamic travel time information via variable message signs[J]. Transportation, 2001, 28(1): 79-99.

[2] Wardman M, Bonsall P W, Shires J D. Driver response to variable message signs: a stated preference investigation[J]. Transportation Research Part C Emerging Technologies, 1997, 5(6): 389-405.

[3] He Shuyan, Guan Wei. Evaluation of the effects of variable message signs at urban traffic network[C]// Proceeding of the International Conference on Industrial Technology. Mumbai, India: IEEE, 2006: 2955-2959.

[4] Gan H, Ye X. Urban freeway users’ diversion response to variable message sign displaying the travel time of both freeway and local street[J]. IET Intelligent Transport Systems, 2012, 6(1): 78-86.

[5] Dutta A, Fisher L D, Noyce A D. Use of a driving simulator to evaluate and optimize factors affecting understandability of variable message signs[J]. Transportation Research Part F: Traffic Psychology & Behavior, 2004, 7(4/5): 209-227.

[6] Erke A, Sagberg F, Hagman R. Effects of route guidance variable message signs (VMS) on driver behavior[J]. Transportation Research Part F: Traffic Psychology & Behavior, 2007, 10(6): 447-457.

[7] Eran B E, Roberta D P, Gennaro N B, et al. The impact of travel information’s accuracy on route-choice[J]. Transportation Research Part C: Emerging Technologies, 2013, 26(1): 146-159.

[8] Hooi L K, Asitha K S. User requirements and route choice response to smart phone traffic applications (apps)[J]. Travel Behavior and Society, 2016, 3(1): 59-70.

[9] 孟超, 邵春福, 李玮，等. VMS对驾驶人路径选择行为影响的仿真研究[J]. 城市交通，2009, 7(1): 76-81.

Meng Chao, Shao Chunfu, Li Wei, et al. Impact simulation of VMSs on driver’s route selection behaviors[J]. Urban Transport of China, 2009, 7(1): 76-81.(in Chinese)

[10] 尚华艳, 黄海军, 高自友. 可变信息标志诱导下额路径选择行为[J]. 系统工程理论与实践，2009, 29(7): 166-172.

Shang Huayan, Huang Haijun, Gao Ziyou. Route choice behavior under guidance of variable message signs[J]. System Engineering-Theory & Practice, 2009, 29(7): 166-172.(in Chinese)

[11] 姜桂艳, 郑祖舵, 白竹，等. 拥挤条件下可变信息版交通诱导信息对驾驶行为的影响[J]. 吉林大学学报工学版, 2006, 36(2): 183-187.

Jiang Guiyan, Zheng Zuduo, Bai Zhu, et al. Simulation-based assessment of variable message signs route guidance information under congestion condition[J]. Journal of Jilin University Engineering and Technology Edition, 2006, 36(2): 183-187.(in Chinese)

[12] 吴波. 基于VMS信息环境中的动态路径选择模型研究[D]. 成都: 西南交通大学, 2014.

Wu Bo. The study of dynamic route choice model based on VMS information[D]. Chengdu: Southwest Jiaotong University, 2014.(in Chinese)

[13] 孙伟力. 基于VMS发布诱导信息的快速路网动态最优控制[D]. 杭州: 浙江大学，2013.

Sun Weili. Dynamic optimal control of urban expressway via variable message signs[D]. Hang Zhou: Zhejiang University, 2013.(in Chinese)

[14] 张薇. ATIS信息诱导下的路径选择行为研究[J]. 计算机工程与应用, 2013, 49(13): 234-236.

Zhang Wei. Research of traveler’s route choice behavior under ATIS[J]. Computer Engineering and Applications, 2013, 49(13): 234-236. (in Chinese)

[15] Emmerink H M R, Nijkamp P, Rietveld P, et al. Variable message signs and radio traffic information: and integrated empirical analysis of drivers’ route choice behavior[J]. Transportation Research Part A: Policy & Practice, 1996, 30(2): 135-153.

[16] 马飞, 吴群琪, 王炼. 多源诱导信息对驾驶员路径变更行为的影响研究[J]. 交通运输系统工程与信息, 2014, 14(5): 61-66.

Ma Fei, Wu Qunqi, Wang Lian. Impact of multi-source guidance information on path change of drivers[J]. Journal of Transportation Systems Engineering and Information Technology, 2014, 14(5): 61-66.(in Chinese)

[17] 孙晓梅. 多源交通信息下的动态路径选择模型与方法研究[D]. 吉林: 吉林大学, 2011.

Sun Xiaomei. Research on route choice models and methods under multi-sources traffic information[D]. Jilin: Jilin University, 2011.(in Chinese)

[18] 郭锦景. 多源交通信息条件下的出行行为选择研究[J]. 交通工程, 2011, 9(17): 57-61.

Guo Jinjing. Travel behavior choice under condition of multi-source traffic information[J]. Traffic Engineering, 2011, 9(17): 57-61.(in Chinese)

[19] Xu Shuxiang, Chen Ling. A novel approach for determining the optimal number of hidden layer neurons for FNN’S and its application in data mining[C]// The 5th International Conference on Information Technology and Application. Cairns, Australia: ICITA, 2008.

[20] Stathakis D. How many hidden layers and nodes?[J]. International Journal of Remote Sensing, 2009, 30(8): 2133-2147.

【中文责编：方圆；英文责编：木南】

Drivers’ route choice behavior analysis under ATIS

Li Chunyan1, Chen Jun2†, Sun Zheng’an3, and Ye Xiaofei4

1) Shenzhen Transportation Operation Command Center, Shenzhen 518041, Guangdong Province, P.R.China 2) School of Transportation, Southeast University, Nanjing 210096, Jiangsu Province, P.R.China 3) Shenzhen Urban Transport Planning Center, Shenzhen 518021, Guangdong Province, P.R.China 4) School of Maritime and Transportation, Ningbo University, Ningbo 315211, Zhejiang Province, P.R.China

Abstract：To analyze drivers’ en-route route choice behavior under multi-source traffic information provided by advanced traveler information systems (ATIS), this paper assumes that believed drivers’ reference behavior of different sources for information is different. To overcome the shortcoming of the logit model which cannot simulate the nonlinear effects of the independent variables on the target variables, influence factors were first selected using BP neural theory. Then the traffic information reference probability was analyzed using binary logit model, and the en-route route choice model was founded. To verify the effectiveness of the model, drivers’ en-route route choice behavior under broadcast and variable message signs (VMS) traffic information condition in Nanjing was taken for instance. We find that age and education are the main factors for broadcast information while income and familiarity to Nanjing road network are the main factors for VMS information. The probability of changing route is much bigger when drivers accept travel information.

Key words：urban traffic; multi-source traffic information reference; BP neural theory; influence factor selection; route choice; binary logit model

作者简介：李春燕(1986—)，女，深圳市综合交通运行指挥中心工程师、博士．研究方向：智能交通，大数据挖掘与分析 ．E-mail：duoduo.mu@foxmail.com

基金项目：国家高技术研究发展计划资助项目(2011AA110304)；国家自然科学基金资助项目(51408322)

中图分类号：U 491.1

文献标志码：A

doi：10.3724/SP.J.1249.2016.02164

Received：2015-11-10；Accepted：2016-01-06

Foundation：National High-Tech Research and Development Program of China (2011AA110304); National Natural Science Foundation of China (51408322)

† Corresponding author：Professor Chen Jun．E-mail: chenjun@seu.edu.cn

Citation：Li Chunyan, Chen Jun, Sun Zheng’an，et al．Drivers’ route choice behavior analysis under ATIS[J]. Journal of Shenzhen University Science and Engineering, 2016, 33(2): 164-172.(in Chinese)

【应用数学 / Applied Mathematics】