-1-
基于活动的时间选择模型研究1
隽志才1，宗芳2，李志瑶2
1.上海交通大学交通运输研究所，上海 200052；
2.吉林大学交通学院，吉林 长春 130025
摘 要：本文介绍了基于活动的出行需求预测模型的整体结构。通过分析影响居民时间选择的
因素，分别建立了 Logistic 结构的出发和到达时间选择模型。然后用长春市居民出行调查数据
对模型进行了标定和敏感性分析。并预测了当增加小汽车出行费用时，出行者对出发时间的调
整。最后总结目前模型系统存在的缺点和问题，提出改进时间预测方法的途径。
关键词:出行需求；往返行程；非集计模型；选择肢
1.引言
近年来，随着城市交通拥挤状况日益严重，交通需求管理也越来越得到人们的重视。欧美、
日本等国自上世纪 80 年代以后提出了许多出行需求管理策略，主要包括鼓励公交、促进合乘车
等对居民出行方式的引导，以及实施时差出勤等对出行时间的管理。例如日本实行的抑制高峰
时间出行和弹性工作制等交通拥挤对策；新加坡的区域许可证制度，规定在本国工作日的早晚
高峰时间进入市中心的商务聚集地区实行征收道路使用费的制度；美国的交通需求管理组织也
号召各公司实行弹性工作制等时间管理制度。从这些例子可以看出，许多需求管理措施都试图
在时间上分散交通需求，缓解早晚高峰的交通压力。而实行时间管理政策的前提是要掌握居民
出行的时间规律，根据各地各区的分布特点提出适合本地区的措施。并且根据现有状况预测未
来年的出行时间分布特点，为管理政策的制定和实行提供依据。因此为了避免所采取的政策居
民出行产生误导，进行有效的时间需求预测是必不可少的。
2. 出行需求预测介绍
出行需求预测是交通需求管理的前提，它能够根据对现状数据的调查和分析，预测未来居
民的出行情况，评价各种交通管理措施的可行性。目前出行需求预测中应用较多的是二十世纪
七十年代开发的以用户效用最大化为理论基础的非集计预测模型。它能够用个人及家庭的数据
进行参数估计，准确描述人们的出行决策过程。九十年代，开发人员根据非集计的思想建立了
基于活动的日活动预测模型系统，它主要用于预测出行者一天的活动安排，各次活动的出行时
间和所采取的交通方式等出行信息。本文通过总结以往的研究，把基于活动的模型归纳为一个 3
层的 NL 模型系统（图 1）。其中活动安排模型的具体结构如图 2 所示，它通过 4 个子模型来预
1本课题得到高等学校博士学科点基金资助项目 (20030183008)的资助。
作者简介：隽志才（1954－），男，上海交通大学教授，博士生导师，主要研究方向为运输系统规划与管理
-2-
测出行者一天的主要活动安排：一阶活动模型预测一天中的主要活动；二阶活动预测除主要活
动外其他的活动；中间驻停模型预测从出行的起点到目的地之间的驻停；而基于单位的子往返
行程预测从单位出发到单位终止的一系列出行。
活动安排模型
时间选择模型
出行方式模型
出发时间的
期望效用 模式概率
出行方式和目
的地的期望效用 时间概率
输出：日活动安排、活动目的、每次出行的交
通方式和出发、到达时间
输入：个人、家庭及出行特性数据
二阶活动
一阶活动
中途驻停模型
基于单位的子往返行程
图 2 活动安排模型 图 1 基于活动的出行需求预测模型结构
从整体上看，与传统的“四阶段”模型相比，基于活动的模型的预测更加细致，更有利于
规划人员从各方面分析出行者的出行特性；同时模型也考虑了个人及家庭社会经济属性对出行
的影响，而不是只考虑土地利用、小区人口等宏观的小区属性；最为重要的是模型将一天中所
有的出行连接起来，考虑了各次活动之间的时空约束和相互影响，从而使对活动的描述和预测
更接近于实际。而本文主要以系统中以往研究较少的时间选择模型为例，说明此类非集计模型
的建模、参数估计和预测过程，同时也试图根据我国居民出行特点，对以往国内外的研究做出
一定的改进。
3.时间选择模型的建立
时间选择模型的预测单元是每个人每一次出行（从一地点到另一地点的移动过程），它能够
预测出所有出行从起点出发的时间和到达出行目的地的时间。从而掌握居民出行的时间规律，
为政府制定需求政策提供依据。
模型分析
对出行时间选择来说，一次往返行程（从某地出发再回到该地的全过程）的吸引端通常都
是比较规律的，要比往返行程的生成端更加稳定。例如，对于工作往返行程来说，单位是它的
吸引端，有固定的上下班时间。这就决定了人们上班时从家出发的时间和下班回家的时间都要
受单位规定时间的影响。除工作之外，还有一些出行目的如上学和某些会议等都有相对固定的
到达和离开时间。因此，我们更重视往返行程的吸引端，也就是往返行程的目的，而为了简化
模型，暂时不考虑一次出行的生成端是家还是其它地点。因此我们将不按照国外学者的研究模
式把时间模型分为基于家或单位等几种类型，而是用一个模型预测所有出行的出发或到达时间
[5]。
-3-
所占比例
%
%
%
%
%
%
%
%
%
＜
图 3 全方式出行时间分布图
同时，我们根据调查统计2003年长春市居民的日出行数据，得到居民全方式出行时间分布
情况（图3）。从图中可以看出居民出行在全日时间分布上呈双峰状，早晚高峰明显，而早高峰
的7到9点30之间出行数最多，晚高峰的16点到19点之间出行数较多。据此，我们把一天分成以
下5个时间段：
1. Early （EA） 0：00 到 6：59
2. AM Peak （AM） 7：00 到 9：29
3. Midday （MD） 9：30 到 15：59
4. PM Peak （PM） 16：00 到 18：59
5. Late （LA） 19：00 到 24：00
以往文献中建立的时间选择模型把出行起迄时间的组合作为模型的选择集，得到如表1时间
代码一列所示的15个出发－到达时间段的选择肢。而根据对调查数据的统计，可以得到这些选
择肢的发生概率，如表1所示。可以看出，这种分类方法不仅结构复杂，而且导致有些组合（如
表中的EA- LA和AM- PM等时间组合）的样本量非常小，无法进行标定。而如果我们把出发和
到达时间作为两个模型分别考虑，而这两个模型的选择肢都为5个时间段，得出的出发和到达时
间的分布情况如表2所示。这样既满足样本量要求，而且可以分别为控制出行者的早晚高峰的出
发和到达时间提供依据。因此本文把时间选择模型分为出发和到达两个模型，分别进行参数估
计和预测。
-4-
表1 起迄时间组合分布表
时间代码 样本数 百分比
EA-EA 2923 %
EA-AM 2671 %
EA-MD 17 %
EA-PM 21 %
EA- LA 4 %
AM-AM 8291 %
AM-MD 961 %
AM- PM 3 %
AM- LA 3 %
MD-MD
11254 ％
MD-PM 1881 ％
MD-LA 4 ％
PM-PM 7482 ％
PM-LA 564 ％
LA-LA 1094 ％
合计 37163 %
表 2 起迄时间分布表
时间段 出发时间 到达时间
EA 5609（%） 2971（%）
AM 9249（%） 10945（%）
MD 13120（%） 12212（%）
PM 8065（%） 9360（%）
LA 1108（%） 1665（%）
Total 37151 37153
模型结构
我们根据非集计模型的效用最大化理论，假定出行者将选择对自己来说效用最大的时间段，
即出行时间的选择概率由各时间段的效用决定。而由于各选择肢相互独立，我们以多项 Logit
（MNL）模型为基础建立了 Logistic 回归模型。它的基本原理与 MNL 模型相同，但以最后一个
选项即 LA 时间段为基础，采用概率比的形式建立模型，公式如下：
xVp
p
ik
K
k
ki
i ∑
=
==
15
)ln( θ （1）
其中i为从 1 到 4 的整数， 表示出行者选择除LA以外的 4 个选项的概率，而 表示选择LA
的概率。V 表示与LA相比第i个时间段的效用
ip 5p
i
[2]。它可以用最常用的线性形式来表示。其中，θ k
为第k项因素的效用系数； 为选择项i的第k项因素的特征值。 xik
通过这个公式，我们可以得到选择其它 4 个时间段与选择 LA 的概率比。
eV
P
P
ii =
5
（2）
又因为所有选项的概率和为 1，即
（3） 1
5
1
=∑
=i
iP
-5-
由式（2）和（3），我们就可求得选择所有时段出行的概率。
采取这种对数比形式的模型不但简化计算，提高运算速度。更重要的是 Logistic 以各选项
之间的比较为基础建模，这样对各选项的优缺点可以做到一目了然，而用 MNL 模型进行各选择
肢的比较要繁琐得多。
特征变量 的选择 xik
通常情况下，影响出行者出行时间选择的因素主要来自出行者的个人和家庭的属性等。而
本文认为，出行者的时间选择还要受到往返行程的目的、一阶、二阶活动类型和中途驻停等活
动安排的制约。这是因为出行时间首先受往返行程的吸引端的时间规定的约束，即受到往返行
程目的的影响；其次，途中的驻停，如下车购物等活动也对出行时间有很大的影响。因此，我
们在模型中引入一系列的出行特性变量。然而为了简化模型，本文忽略了交通流量对出行时间
的影响。如果今后把交通分配模型加入到基于活动模型中时，就可以考虑到交通流量的影响。
最终确定的影响变量可见表 3：
表 3 时间模型变量统计表
影响因素类别 影响因素 变量
性 别 Gender
20 岁以下 AGE A
20-40 岁 AGE B
个人属性 年 龄
40-60 岁 AGE C
0-500 INC A
501-1000 INC B
1001-2000 INC C
2001-3000 INC D
家庭月总收入
（元）
3001-5000 INC E
家中儿童情况 有否 6 岁以下儿童 Child6
有无小汽车 Car
有无摩托车 Motor
出行者
特性
家庭属性
家中车辆拥有
情况 是否有两台以上的自行车 Bike
一阶活动 （工作、生活、娱乐、在家） Pri
二阶活动 （工作、生活、娱乐、
没有二阶活动、二阶生活＋娱乐） Sec
中途驻停（去时驻停、回时、都有、没有驻停） Inter
出行特性
有否工作子往返 Sub
模型的标定及结果分析
模型标定
Logistic模型与MNL模型相同，使用极大似然函数法进行参数估计，本文应用统计软件SPSS
进行模型标定。所用数据为 2003 年长春市的居民日出行调查数据，共包括 5101 户家庭，14655
个出行者的 37276 次出行。另外，由于时间选择要受到出行方式的制约，因此我们按照 NL 模
型的建模规则，把下层方式选择模型的所有选项的总效用的自然对数，即 Logsum 作为上层时
间选择模型的一个变量。由于篇幅有限，这里就不介绍方式模型的标定结果及 Logsum 的计算
过程，而直接给出出发和到达时间模型的标定结果，如表 4 所示。
表 4 出发和到达时间选择模型的参数估计结果
出发时间模型 到达时间模型
EA AM MD PM EA AM MD PM 变量
V t V t V t V t V t V t V t V t
Constant .70
Logsum .02 .01 .03 .001
Gender .21 .18 .33 .13 .41 .13 .32 .17
AGE A
AGE B .12
AGE C .37
INC B .20
INC C .16
Child6 .24 .46 .32 .40 .33 .42 .35 .46
Car
Motor .15
Bike .24
Pri .13 .55 .71 .42 .09 .84
Sec .18 .10 .10 .04 .07 .03
Inter 1
Sub -13
结果分析
我们通过计算所得系数
绝对值大于 ，而且参
示该变量对结果影响显著。
的MNL模型的标定实例中，
对结果会产生影响，也可以
模型的参数估计值可以
9
-6-
.4
与标准差的比值得到各参数的t检验值。根据统计学理论，如果t的
数的符号正确，那么这个变量对选择肢产生影响的置信度是 95%，表
然而t检验不符合要求并不能绝对地说明变量不重要。在许多文献中
即使某些变量的t值不符合要求，但是如果凭以往经验认为这个变量
凭借其他统计量的值保留这个变量[3]。
这样理解：以出发时间模型中 EA 时段为例，变量 Child6 的参数估
-7-
计值为 ，表示当出行者家里有 6 岁以下儿童时，选择在 EA 时段出发的可能性是选择 LA
时段的 Exp()＝ 倍。即对于家中有儿童的出行者来说，可能由于要送小孩去托儿所
等，人们更易选择在 EA 时段出发。
4. 模型的敏感性分析
这里的敏感性分析是指当某一影响因素发生变化时，出行时间概率比发生的变化，用来判
断某一变量对个人选择出发时间的影响程度。本文中，我们主要分析出行者年龄发生变化时，
EA / LA（ / ），AM /LA（ / ）两组比值的变化。 1p 5p 2p 5p
假定某人即将进行一天的活动，其个人、家庭特征及活动安排描述为：男，家中有 6 岁以
下儿童，有摩托车。一天的活动安排暂定为早上骑摩托车去上班（上学），中午休息时外出吃饭，
晚上下班（放学）回家，并且在回家的途中去商店购物。从家到单位的路程为 10km，由于城市
内高峰出行车速受到影响，取摩托车一般时速为 25 公里/小时，而上车前步行时间和等车时间
均为 0，则总的行程时间约为 24 分钟。
由于模型要根据下层的方式选择模型计算摩托车方式的总效用Logsum的值，因此这里给出
EA / LA和AM /LA两个出发时间模型以及摩托车方式模型中所有用到的变量：AGE A（x1），AGE
B（x2）,AGE C（x3）,Gender（x4），Child 6（x5），Motor（x6），Logsum（x7），Pri（x8），Sec
（x9），Sub（x10），Inter（x11），Time B（行程时间在 20 到 40 分钟，x12）和Time C（行程时间
在 40 到 60 分钟，x13）。从以上对此出行者的描述可得各模型中影响变量的值依次为：x4＝1，
x5＝1，x6＝1，x8＝1，x9＝0，x10＝1，x11＝2，x12＝1，x13＝0。
通过对摩托车方式模型以及两个出发模型的简化，可得出 Logsum 以及 EA / LA 和 AM /LA
发生比的计算公式分别为：
)(log 1312118651 xxxxxxxsum +++−+−−−=
)
(
109
8765432
5
1
xx
xxxxxxx
p
p
−+
+−−++−−=
)
(
11109
8765432
5
2
xxx
xxxxxxx
p
p
−−+
++−++++=
简化后的模型只考虑年龄（x1，x2, x3）的变化对个人出行时间选择的影响。为了进行比较
分析，我们考虑此出行者的年龄分别为 19、35、50，即分别在三个不同年龄段时，其出发时间
的变化，计算结果见表 5。
-8-
表 5 不同年龄出发时间的变化
年龄 变量值（x1，x2, x3） Logsum EA / LA AM/ LA
19 （1，0，0）
35 （0，1，0）
50 （0，0，1）
通过对表中数据的分析可以看出，对所有年龄段的出行者来说，选择在 EA 或 AM 上班（或
上学）的可能性显然都比选择在 LA 上班（或上学）高出很多，而且在 AM 和 EA 中，人们更
易选择在早高峰时段出发。对于 AM/LA 模型来说，随着年龄的增加，选择在 AM 时段出发的
可能性增大。这主要是由于随着年龄的增大，人们选择在晚上出行的可能性逐渐减小。而对于
EA 时段来说，有许多学生有早自习或做值日，所以可能在早晨 7 点之前去上学，所以比例较其
他年龄段大。而年龄在 40 到 60 岁之间的出行者比年龄在 20 到 40 段的出行者选择早 7 点之前
出行的比例要大。当然，对于其他指标我们也同样进行了敏感性分析，在此就不再详述。以上
分析结果表明，所建模型能较好地模拟居民出行的时间分布特征，可以应用于居民出行行为预
测分析。
5. 模型应用
本文对模型的应用主要侧重于预测居民针对政府的交通需求管理政策对出行时间做出的调
整，以此来判断政策的实施效果。这里主要考虑两种针对小汽车的拥挤收费政策：一个是规定
驾驶小汽车出行费用增加 10％，另一个是规定高峰时段小汽车出行费用增加 1 倍。通过应用已
建的时间选择模型对长春市居民出行时间的预测和原始数据的比较，我们得出如下结果（见表
6）。当小汽车出行费用增加 10％时，无论对于全方式出行和小汽车方式来说，居民选择在 AM
和 PM 两个高峰时段出行的概率都有所减小，而非高峰时段概率增大。而当高峰时段小汽车出
行费用增加 1 倍时，居民更易选择在非高峰时段出行，而且各时段出行概率的变化程度要高于
前者。而对于两个政策来说，采取小汽车方式出行的居民对出行时间的调整程度都明显大于全
方式出行的平均值。可见调整高峰时段小汽车出行费用不仅在很大程度上引导居民选择在非高
峰时段出行，而且可以鼓励居民采取其他出行方式，如公共汽车、轻轨等出行，从而从时间分
布和空间利用两方面解决交通拥挤问题。
-9-
表 6 交通需求管理政策下出发时间变化表
出发时间变化百分比
出行方式 时间段
小汽车出行费用增加 10%高峰时段小汽车出行费用增加 100%
EA/LA
AM/LA
MD/LA
全方式
PM/LA
EA/LA
AM/LA
MD/LA
小汽车
PM/LA
6. 总结
本文首先阐述了基于活动的出行需求预测模型的基本结构，通过对调查数据的分析和对以往
模型的总结，建立了出行时间选择模型。并对模型进行了标定、敏感性分析和简单的应用。以
时间模型为例，阐述了基于活动出行需求预测模型的总的建模和预测过程。尝试从一个崭新的
角度去研究居民的活出行行为，为合理诱导居民出行提供相关决策依据。
应指出的是，目前的模型还存在一些缺点。首先，为了简化模型，我们只把一天时间分为
5 个时间段。以后可以经过进一步数据处理和模拟，考虑把时间划分的更细。其次，模型没有
考虑路网状况对出行时间的影响，因此在今后的模型中还可以加入由交通分配模型得到的表示
路网状况的变量（如拥挤程度、出行时间等），使模型的参数估计和预测更加精确。同时我们
可以考虑将基于活动链的出行需求预测模型与“四阶段”模型相结合，引入后者的交通分配模
型和它的集计思想，简化数据处理和预测过程，使基于活动的模型更适合用于大规模的实际预
测和规划。
参考文献
[1] 陆化普．交通规划理论与方法[M]．北京：清华大学出版社，1998．
[2] 王济川，郭志刚．Logistic 回归模型——方法与应用[M]．北京：高等教育出版社，2001．
[3] 金安．Logit 模型参数估计方法研究[J]．交通运输系统工程与信息，2004,4(1)．
[4] John L. Bowman, Mark Bradley, et al. Demonstration of an activity based model system for Portland[J] ．8th
World Conference on Transport Research, 1998,July 12-17
[5] Sacramento Area Council of Governments. Sacramento Regional Travel Demand Model Version 2001[EB/OL].
-10-
A Time Choice Model Based on Multi-logit Model
JUAN ZHI-cai1，ZONG Fang2，Li ZHI-yao2
of Transportation Studying, Shanghai Jiao Tong University, Shanghai 200052, China;
2. Jilin University, Changchun 130025, China
Abstract
In this paper, the basic theory of multinomial logit model is presented. And through analyzing the factors
which effect the residents’ time decisions, a time choice model which can forecast the times of the start and
end points of the trips is developed. Then the model is estimated with the survey data of Changchun and the
results of some main parameters are explained as well. Taking the influence of the change of the income
level on the time decisions of the residents as an example, the sensitivity of the model is analyzed, and
feasibility of the model is proved. Finally, the weaknesses and problems of current systems are summarized,
and the way to improve the approach of the time forecasting is put forward.
Keywords: Travel demand；Tour； Disaggregate model；Alternative
