2938 计算机应用研究第 31 卷加趋于理性化, 这主要是因为信息的发布将降低出行者等车时间的不确定性, 在一定程度上减少了出行者的损失, 并使出行者可以根据信息经验估计各偏好线路的等车时间及运行时间, 实时选择对出行者自己有利的最佳公交线路基于前景理论的公交线路选择行为分析出行者 i 在

Size: px

Start display at page:

Download "2938 计算机应用研究第 31 卷加趋于理性化, 这主要是因为信息的发布将降低出行者等车时间的不确定性, 在一定程度上减少了出行者的损失, 并使出行者可以根据信息经验估计各偏好线路的等车时间及运行时间, 实时选择对出行者自己有利的最佳公交线路基于前景理论的公交线路选择行为分析出行者 i 在"

兹万
6 years ago
Views:

1 第 31 卷第 10 期 2014 年 10 月计算机应用研究 ApplicationResearchofComputers Vol.31No.10 Oct.2014 信息影响下区分潜在类别的公交线路选择模型郭洪洋 a, 张玺 b, 刘澜 a a, 尹俊淞 ( 西南交通大学 a. 交通运输与物流学院 ;b. 经济管理学院, 成都 ) 摘要 : 为分析实时公交运行信息和用户自身偏好对公交用户路径选择行为的影响, 引入三角分布描述公交信息的不确定性, 并使用前景函数替代效用函数描述出行者决策的不完全理性, 建立基于前景函数的选择概率模型为进一步区分不同出行者偏好差异, 在前景模型的基础上结合潜在类别模型, 构建区分出行者潜在类别的前景概率模型利用 2013 年北京市的实际调查数据进行参数估计并检验结果表明 :a) 出行者的选择行为受自身的偏好影响 ;b) 基于景函数的选择模型比传统的效用函数模型拟合度更好更贴合实际选择行为 ;c) 区分潜在类别模型的统计学特征更优秀 ;d) 多数公交用户对等车时间更敏感通过各种措施缩短等车时间或直觉等车时间比提高公交运行速度更能吸引乘客关键词 : 城市交通 ; 公交线路选择 ; 信息影响 ; 前景理论 ; 偏好中图分类号 :U491;TP391 文献标志码 :A 文章编号 : (2014) doi: /j.isn Busroutechoicemodelunderinfluenceofinformationaccountingforlatentclas GUOHongyang a,zhangxi b,liulan a,yinjunsong a (a.schooloftransportation&logistics,b.schoolofeconomics&management,southwestjiaotonguniversity,chengdu610031,china) Abstract:Inordertoanalyzetheefectofrealtimebusoperationinformationandbusers preferenceonroutechoice behavior,thispaperdescribedtheuncertaintyofbusinformationbyusingtriangulardistribution,replacedtheutilityfunction withprospecttheoryfunctiontorepresenttheincompleterationaldecisionofbusers,andestablishedthechoiceprobabili tymodelbasedontheprospecttheory.forthepurposeofclasifyingthediferenters individualpreferenceheterogenei ty,itestablishedaprospectprobabilitymodelofdistinguishinglatentclasbyintegratingthelatentclasmodelwiththepros pectmodel,thenitestimatedthemodel sparametersandtestedthemodelbyutilizingtheactualsurveydataofbeijing (2013).Theresultsindicatethat:a)Busers individualpreferencehasaninfluenceontheirroutechoicebehavior; b)theroutechoicemodelbasedonprospecttheoryhasabetergoodnesoffitandismorerealisticwiththeactualchoice behaviorthanthetraditionalutilityfunctionmodel;c)theprospecttheoryselectionprobabilitymodelhasbeterdemographic characteristics;d)mostbusersaremoresensitivetowaitingtime.cutingwaitingtimeorinstinctivewaitingtimeismore atractivethanimprovingbusoperationvelocity. Keywords:urbantrafic;busroutechoice;informationafects;prospecttheory;individualpreference 引言在交通行为研究中, 常假设出行者为完全理性的经济人, 这与实际情况并不相符心理学研究表明, 人类的行为决策是一个复杂的心理过程, 就交通出行者而言, 他们在出行决策时具有不完全理性的特征出行者面对某些情形时会表现出比较固定的思维模式及行为方式即习惯 [1,2], 这主要取决于出行者的出行经验以及个体行为特征, 而习惯则是形成不完全理性的主要因素公交线路规划需要考虑公交用户出行线路选择行为, 这时, 决策中习惯的影响主要表现在对某些备选线路方案影响因素的偏好及用户面临风险时的态度偏好主要指公交用户对备选线路方案的排序和对影响因素的不同重视程度等公交出行者的线路选择决策过程一般会受到用户的出行特征和出行经验影响, 包括出行的目的地距离理想到达时刻对线路的熟悉程度等特别地, 当备选公交线路有两条或以上且各线路在出行者出行区域不完全重合时, 出行者的线路决策在不同情形下表现不同一方面, 当公交车站无车辆实时运行信息时, 不确定的等车时间会给出行者带来一定的焦虑和不安情绪 [3], 用户直觉上会感到等车时间的放大 [4,5], 为尽快到达目的地并结束漫长不可预知的等车时间, 出行者会倾向于选择备选线路集中第一辆到达本站的公交车, 但该车不一定是出行者原计划的最优偏好线路在上述情况下出行者在进行线路选择时会优先考虑等车时间而非车辆行程时间, 这时就可能造成先到车辆非常拥挤, 而后续车辆空载的现象, 在出行高峰时段甚至会给因车辆过度拥挤而无法乘坐最优线路车辆的出行者带来损失另一方面, 当公交站安置了可变信息板时, 出行者的出行决策更收稿日期 : ; 修回日期 : 基金项目 : 国家自然科学基金资助项目 ( ); 中央高校基本科研业务费专项资金资助项目 (SWJTU09ZT18); 四川省学术和技术带头人培养资金资助项目 ( 川人办发 [2008]24 号 ) 作者简介 : 郭洪洋 (1982), 男, 辽宁沈阳人, 博士研究生, 主要研究方向为信息约束下的路网可靠性 (hongyang.guo@163.com); 张玺 (1982), 男, 博士 ( 后 ), 主要研究方向为交通运输规划与管理 ; 刘澜 (1965), 男, 教授, 博士, 主要研究方向为交通运输规划与管理 ; 尹俊淞 (1988), 男, 博士研究生, 主要研究方向为智能交通控制系统.

2 2938 计算机应用研究第 31 卷加趋于理性化, 这主要是因为信息的发布将降低出行者等车时间的不确定性, 在一定程度上减少了出行者的损失, 并使出行者可以根据信息经验估计各偏好线路的等车时间及运行时间, 实时选择对出行者自己有利的最佳公交线路基于前景理论的公交线路选择行为分析出行者 i 在 OD 对 w 间出行, 设 w 间存在元素个数 2 的备选路径集 L i, 则实时信息影响下出行者公交线路选择决策过程如图 1 所示!"# $%&' +,-. 参照点的确定 ()* "789 /:; /01 // < $%"7=>?@ 信息影响下 i 的感知行程时间由感知车内行程时间和感知等车时间两部分组成, 判断感知行程时间收益或损失的参照点 u p i, 由静态部分和时变部分组成参照点静态部分 : 设 i 会选择行程时间期望最短的线路 q 为其偏好线路, 则 q 的感知车内行程时间是 i 衡量其他线路 (q, L i 且 q) 感知车内行程时间 i, 收益或损失参照点 i, 时视 i, 为收益, i, > 时视 i, 为损失参照点的时变部分 : 在等车时段内,i 会根据可变信息板显示的线路预计到达本站时间 T arive 估计感知等车时间 i,[6], 设最早到站的是线路 j 的公交车辆, 则 j 的感知等车时间 i,j 为 i 衡量其他线路 ( j) 感知等车时间收益或损失的参照点 i, i,j 时视 i, 为收益, i, > i,j 时视 i, 为损失参照点 u q i,j=θ i +θ wait i i,j, 其中 θ i θ wait i 分别为 i 对感知车内行程时间感知等车时间的敏感程度 ; 当 q 上的公交车为最早到站车辆 (q=j) 时,u q i,j 才具有物理意义, 表示偏好线路 q 为当前最佳出行线路的情形下 q 的感知效用 i, 的确定 :i 对仅依靠先验信息估计 i,, 因此可用线路的车内行程时间期望 E( i, ) 代替 i, i, 的确定 :i 在到达车站时刻 T O i 至所乘车辆到站时刻 T bus i ( 本文不考虑从 T bus i 至车辆开动的时间损耗 ) 的等车时段 [T O i,t bus i ] 内, 线路上公交车辆的实际等车时间是时变的, 且服从三角分布 f( t min,t max,t mode ) [7] 在安装了可变信息板的车站,i 对上车辆的感知等车时间 i,,0 服从 f( i,,0 t min i,,0,t max i,,0,t mode i,,0), 其中 t min i,,0 =0,t max i,,0 =(1/ f )+ε bus,t mode i,,0=[(1/f ) 2 +(σ ) 2 ]/(2/f ) [7],f 为线路的发车频率,ε bus 为的运行延误,σ 为的偏差因子, 取值与 ε bus 有关, 常规公交取 0.707/f [7] 因此无信息影响的 i,,0 相对固定, 且存在较大感知误差有可变信息板的公交站会显示线路预计到站时间 T arive, 此时的实际等车时间分布可表示为 f( ε min t,t arive +ε max t,t mode ), 其中 [ε min t,ε max t T arive + ] 为不同的显示时间 T arive 所对应的误差分布区间, 可通过实地调查获得, 误差分布如表 1 所示表 1 不同的 T arive 显示值对应的误差分布显示到站时间 /min 误差分布区间 /min 显示到站时间 /min 误差分布区间 /min >10 [-2.0,5.0] 5 [-0.7,1.4] 10 [-1.5,3.0] 4 [-0.6,1.2] 9 [-1.3,2.6] 3 [-0.5,1.1] 8 [-1.1,2.2] 2 [-0.4,0.9] 7 [-0.9,1.8] 1 [0,0] 6 [-0.8,1.6] 信息影响下 i 对上公交车辆的感知等车时间估计值 i,,t [T arive +ε min,t arive +ε max ], 同时 i,,t 不能超过范围, 因此 i,,t [t min i,,t,t max i,,t], 其中 t min i,,t =max(t min,t arive +ε min ), t max i,,t=min(t max,t arive +ε max ), 最可能到达时间 τ mode i,,t 与车辆的运行情况有关, 且不同等车时间对应不同的误差, 因此 τ mode i,,t = E( )+ε t =(t min +t max +t mode )/3+ε t,ε t [ε min t,ε max t ]; 同样最可能到达时间 τ mode i,,t 不能超过实际等车时间范围, 因此 t mode i,,t=min(max(t min,τ mode i,,t),t max ), 此时感知等车时间服从 f( i,,t t min i,,t,t max i,,t,t mode i,,t) 可用的感知等车时间期望值 E( i,,t)=(t min i,,t+t max i,,t+t mode i,,t)/3( 简记为 i,) 代替 i,,t 价值函数的确定根据前景理论 i 面对损失时多呈现风险偏好态度, 而面对收益多呈现风险规避, 且对损失更敏感其价值函数曲线如图 2 所示当线路的感知效用差值 Δu i, =u i, -u q i, 0 时,i 认为产生收益 ;Δu i, =u i, -u q i,<0 时, 线路产生损失, 其中的感知效用 u i, =θ i i, +θ wait i i,,θ i θ wait i 分别代表 i 对车内行程时间差值等车时间差值的敏感程度为区别 i 对提早到达目的地节约时间及迟到时间的不同敏感程度, 引入 θ E θ L, 分别表示节约时间带来的单位时间收益成本, 迟到带来的单位时间损失成本, 则 Δu i, 可按式 (1) 计算 : Δu i, =θ i [ (1-σ E )θ L ( i, - { 0 i, > i, q 其中 :σ E = 1 i, -σ E θ E ( )]+θ wait i [ - i, )+ i,j +θ L ( i,j - i,)] (1) 根据前景理论, 感知出行效用的价值函数如式 (2) 所示 (Δu i, ) α Δu i, 0 v(δu i, )= (2) { -λ(-δu i, ) β Δu i, <0 其中 :α 表示 i 面对获得时的风险规避程度,0<α<1;β 表示 i 面对损失时的风险偏好程度,0<β<1;λ 为风险规避系数, λ 1, 表明对损失比获得更敏感本文取符合我国国情的标定值 [8] :α=1.21,β=1.02,λ=2.25 概率权重函数的确定 i 会高估小概率事件, 低估大概率事件前景理论的概率权重曲线如图 3 所示概率权重按式 (3) 计算 : p γ w + (p)= [p γ +(1-p) γ ] 1/γ w - p (p)= δ [p δ +(1-p) δ ] 1/ δ (3)

3 第 10 期郭洪洋, 等 : 信息影响下区分潜在类别的公交线路选择模型 2939 其中 :p 为结果出现的概率 ;w + (p) 为出行者面对获得时的决策权重 ;w - (p) 为损失时的决策权重 ;γ 为出行者的收益态度系数 ;δ 为损失态度系数本文取符合我国国情的标定值 [8] : γ=0.55,δ=0.47 前景值得计算!"#$ 将各可能的结果 Δu i, 按升序排列记做 Δu i,,l, 满足 : a)δu i,,l 0, 对应的下标 l 0, 反之 l<0;b)l>l 时, 有 Δu i l> Δu i l ; 设有 m 个小于 0 下标,n+1 个大于等于 0 下标, 则 i 在实时信息影响下选择的前景值 (PS) i, 可按式 (4) 计算 : (PS) i, = l [-m,0) π- lv(δu i,,l )+ π + l [0,n] lv(δu i,,l ) (4) 其中 :π - l =w - (p - p l-1 p l )-w - (p - p l-2 p l-1 ),-m+1 l<0;π + l =w + (p l p l+1 p n )-w + (p l+1 p l+2 p n ),0 l n-1;π - -=w - (p - );π + n =w + (p n ) 基于前景理论的选择概率模型根据 Wardrop 均衡原理,i 选择 L i 中线路的概率为 P i, =P(u u i, u u i,,,, L i ) (5) 式中 :u u i, 表示 i 选择带来的实际效用式 (5) 成立要基于如下假设 :i 完全了解实时路网状况并会选择 u i, 最大的线路该假设在现实中很难满足, 因此要构建贴近真实决策过程的决策模型应考虑 :i 对收益损失时的风险态度及 i 的偏好 [9], 包括最优路径选取对影响因素重视程度参照点的选取等因此本文基于前景理论用基于前景值的感知效用 u sp i, 代替 u i, 改进选择概率模型, 则式 (5) 转换为 P i, =P(u sp i, u sp i,,,, L i ) (6) 其中 :u sp i,=[z i, +(SP) i, ]+ε i,,z i, +(SP) i, 为 u sp i, 的可观测部分,(SP) i, 以 u p i, 参照点, 可按照式 (4) 计算 ;z i, 表示 (SP) i, 中未考虑的影响因素, 例如 i 对的熟悉程度舒适度等,z i, 可理解为 i 对的偏好,z i, 值越大,i 对忠诚度越高 ;ε i, 为概率项, 与路网运行状况的随机性有关 [10] 设每个 ε i,, L i 均独立且服从 Gumbel(μ,σ) 分布, 其中 σ 为尺度参数, 与 i 的感知准确度有关, 则 ε i, 的概率密度函数为 f(ε i, )=σe -σε+σμ e -e-σε+σμ (7) 由上可知, 线路选择概率式 (6) 转变为设 u max P i, =P(z i, +(SP) i, )+ε i, (z i, +(SP) i, )+ε i,,, L i )= i, = (SP) i, )=v sp i, P(z i, +(SP) i, )+ε i, max ((z i, +(SP) i, )+ε i, ), L i ) (8) max ((z i, +(SP) i, ) +ε i, ),(z i, +,, L i Gumbel 分布有如下特性 : 性质 1 若 ε i, ~Gumbel(μ,σ), 则 (aε i, +b)~gumbel (aμ+b, σ a ) 性质 2 当 (ε i,1,ε i,2,,ε i,k ) 两两独立且分别服从 Gum bel(μ 1,σ),Gumbel(μ 2,σ),,Gumbel(μ K,σ), 则 max(ε i,1, ε i,2,,ε i,k )~Gumbel( 1 σ ln L i e σμ,σ) 性质 3 ε i,1 ε i,2 相互独立且分别服从 Gumbel(μ 1,σ) Gumbel(μ 2,σ), 则 ε =ε i,1 -ε i,2 服从以式 (9) 为分布函数的后勤分布 F(ε )= 1 1+e σ(μ 1 -μ 2 -ε ) σ>0 (9) 设 ε i,1,ε i,2,,ε i,k 两两独立且分别服从同分布的 Gumbel (μ,σ), 由性质 1 可知,u sp i,~gumbel([μ+v sp i,],σ); 由性质 2 可知,u max i, ~Gumbel( 1 σ ln ε max i,,v max i, = 1 σ ln e σv sp, L i ln K e σμ,σ), 式 (8) 转换为 e σ(μ+v sp, L i i, ),σ), 令 u max i, =v max i, + i,, 由性质 1 可知 ε max i, ~Gumbel( 1 σ P i, =P(v sp i,+ε i, v max i, +ε max i,,, L i )= P[(v max i, +ε max i, )-(v sp i,+ε i, )] 0,, L i ) (10) 由性质 3 可知 : P i, = 1 1+e σ(vmax i, -vsp )= i, e σ v sp i, e σ Vsp i,+exp[ 1 σ ln e σv, L i e σ vsp i, = eσ (z i, +(SP) i, ) e σ v sp i, L i sp i, ] = L i e σ (z i, +(SP) i, ) (11) σ 与 i 对路网的认知程度有关,σ 越大,var(ε i, ) 越小, 说明 i 出行经验越多, 对路况认知趋于准确区分潜在类别的选择模型第 1 章分析了 i 偏好的前两个因素 ( 最佳线路参照点的选取 ) 本章主要研究 i 对影响因素重视程度将式 (1)~ (4) 带入式 (11) 可得 P i,, 根据 i 对 P i, 中 z i, θ i 和 θ wait i 等变量参数偏好将出行者分为 R 类, 当 i 属于 r(r R) 类时,i 选择 [11] 的概率为 P i, = r R P i r, P i r (12) 其中 :P i r, 代表第 r 类出行者 i 选择线路的概率,P i r 表示 i 隶属于 r 类的概率 P i r 可按式 (13) 计算 [12] : P i r = exp(v i r) exp(v i r ) = exp( rx i r ) exp( r X i r ) r R r R (13) 其中 :v i r 为 i 隶属于类别 r 的隶属度函数 u i r (u i r =v i r + ε i r ) 的可观测部分 ;X i r 为 i 隶属于类别 r 的隶属度函数的变量向量 ; r 为隶属度函数变量向量的系数向量确定类别数及 r 的数值后, 可估计 i 隶属于 r 的概率, 类别 r 的大小 D r 用式 (14) 计算 [13] : 其中 :n i 表示参与调查的出行者的总人数 D r = 1 n i P n i r (14) i i=1 i r 时的的基于前景值的感知效用 u sp i r, 可按式 (15) 计算 : u sp i r,=v sp i r,+ε i r, =σ (z i r, +(SP) i r, )+ε i r, (15) 其中 :v sp i r, 为 u sp i r, 的可观测部分 ;ε i r, 为 u sp i r, 的机误差项 ;z i r,

4 2940 计算机应用研究第 31 卷表示第 r 类出行者对的偏好 ;(SP) i r, 表示第 r 类出行者选择的前景值设 ε i r, 相互独立且服从 Gumbel 分布, 则第 r 类出行者选择的概率 P i r, 为模型应用 P i r, = exp[σ (z i r,+(sp) i r, )] exp[σ (z i r, +(SP) i r, )] L i 实验设计及估计结果 (16) 让实验对象在六种情形 ( 短距离通勤中距离通勤长距离通勤短距离非通勤中距离非通勤长距离非通勤出行 ) 下进行公交线路选择为简化计算, 设每人仅有两条备选线路, 且均选择行程时间期望值较小的线路为偏好线路 q, 当次优线路 j(j q) 先到达本站时, 记录各出行者根据当前最优线路的等车时间作出的实际线路选择 z z i,j 为 q j 固有哑元, 设 σ=1 使用 Biogeme 软件进行参数估计, 估计结果如表 2 所示表 2 效用模型与前景模型的估计结果前景模型效用模型参数参数值 t 检验参考值 t 检验 z z i,j θ i θ wait i 待估参数个数 3 3 LL(Nul) LL(θ) LR ALR 似然率检验 χ 2 = >5.99 在表 2 中,LL(Nul) 表示模型仅含有常数项时的对数似然值 ;LL(θ) 为当前模型对数似然值 ;LR 表示似然比 ;ALR 为调整后的似然比,ALR 越大模型拟合度越好从表 2 中前景模型部分可以看出, 基于本文参照点的选取, 等车时间与车内行程时间的感知效用均小于 0, 因此等车时间与车内行程时间的参数大于 0, 即用于度量负效用, 符合实际, 且 Ttest 检验值均大于 1.96, 表明在 0.05 显著性水平下对决策影响显著 ; 而效用模型部分各时间变量的系数估计值小于 0, 符合预期从似然比 LR 及调整后的似然比 ALR 可以看出, 相对于传统的效用模型, 前景模型由于考虑了出行者的非理性决策, 似然比更大, 对样本数据的拟合度更高 ; 此外通过似然比检验, 显著性水平为 0.05 时, 前景模型优于效用模型 (χ 2 = -2 ( ( ))= >5.99) 考虑出行者潜在类别的选择模型估计结果以上模型假设不同出行者偏好无差异, 实际上不同出行者甚至同一个出行者在不同状况下偏好存在差异, 本文在区分了潜在类别的基础上重新构建前景选择概率模型 i 隶属于类别 r 的隶属度函数 u i r 可按式 (17) 计算 : u i r =v i r +ε i r =ASC r +θ r,dis S i +θ r,aim σ i,aim +ε i r (17) 其中 :S i 表示 i 在 q 上的出行距离 ;σ aim 表示出行目的,σ aim = 1 通勤出行 { ;θ r,dis θ r,aim 分别为第 r 类出行者的变量 S i σ aim 0 其他对应的系数 ;ASC r 代表所有未考虑因素对隶属度函数 u i r 的影响 ;ε i r 为隶属度函数的随机误差项, 设 ε i r 服从标准 Gumbel 分布按文献 [14] 附录中的计算步骤计算不同出行者类别数的前景模型拟合度及模型参数估计结果不同类别数对应的前景模型拟合度如表 3 所示表 3 不同分类数的前景模型的拟合度类别数待估参数数目 LL(θ) LR ALR 从表 3 可知, 随出行者类别数增加, 待估参数数目增长迅速, 但拟合优度增幅减小 ; 另一方面, 当类别数为 4 时某些类别隶属率过小, 因此理想类别数为 3 将出行者分为三类的潜在类别模型参数估计结果如表 4 所示表 4 区分潜在类别的景模型参数估计结果类别 1 类别 2 类别 3 参数参数值 t 检验参数值 t 检验参数值 t 检验 z θ θ wait ASC r θ r,dis θ r,aim D r 33.22% 50.13% 16.67% 待估参数个数 15 LL(θ) LR ALR 似然率检验 χ 2 =-2 ( ( ))=75.512>23.68 从表 4 的常数项来看, 类别 1 的出行者比较而言更愿意选择先到车站的次优线路, 多为中短距离的通勤出行者, 对等车时间十分敏感 ; 类别 3 的出行者更愿意坚持理想线路, 主要由长距离的非通勤出行者组成, 对车内行程时间更敏感 ; 类别 2 的出行者介于类别 1 3 之间结束语本文在信息环境下研究了公交出行者的随机动态线路选择行为区分出行者的潜在类别, 基于前景理论构建选择概率模型, 并在算例中对模型进行验证, 得出如下结论 :a) 信息环境下, 出行者的选择行为很大程度上受自身的偏好影响 ( 表 2 4);b) 通过对比效用模型与前景模型估计结果中调整后的似然比 ( 表 2) 可知, 相比传统效用模型, 前景模型的拟合度更好, 更符合实际 ;c) 区分出行者潜在类别的前景模型充分考虑了出行目的出行距离不同的出行者对公交线路的偏好差异 ( 表 4), 相比普通前景模型, 区分潜在类别的前景模型拟合度更好, 其预测结果更准确 ;d) 大多数通勤的乘客 ( 类别 1) 更倾向于选择先到车站的次优线路, 表明该类出行者对偏好线路忠诚度低且对等车时间更敏感因此笔者建议, 通过提高发车频率降低直觉等车时间等措施比提高公交运行速度的措施更能提高公交吸引力参考文献 : [1] DULB.Motives,behaviors,andatachments:acomparativestudybe tweenolderersandyoungerersinnationalscenicarea [D].CentralCounty:ThePennsylvaniaStateUniversity,2005. [2] 王日凤, 钟宁. 高级认知过程对人脑信号活动模式的影响及认知系统仿真 [J]. 计算机应用研究,2011,28(9): ,3304. ( 下转第 2981 页 )

5 第 10 期李华忠, 等 : 仿人机器人手臂抓取运动规划广义逆 RRT 算法 [7] 钟秋波. 类人机器人运动规划关键技术研究 [D]. 哈尔滨 : 哈尔滨工业大学,2011. [8] 柯文德, 彭志平, 洪炳, 等. 基于运动相似性的仿人机器人上阶梯行走研究 [J]. 华中科技大学学报 : 自然科学版,2012,40(12): [9] 王剑. 仿人机器人在线运动规划方法研究 [D]. 长沙 : 国防科学技术大学,2008. [10] 廖一寰, 李道奎, 唐国金. 基于混合规划策略的空间机械臂运动规划研究 [J]. 宇航学报,2011,32(1): [11]JAILLETL,SIM?ONT.APRMbasedmotionplannerfordynamical lychangingenvironments[c]//procofieee/rsjinternationalcon ferenceoninteligentrobotsandsystems.2004: [12]SUNZheng,HSUD,JIANGTingting,etal.Narowpasagesam plingforprobabilisticroadmapplanning[j].ieeetransonrobo ticsandautomation,2005,21(6): [13]TSIANOSK I,SUCAN IA,KAVRAKILE.Samplingbasedrobot motionplanning:towardsrealisticapplications[j].computersci encereview,2007,1(1):211. [14] 付根平. 仿人机器人的步态规划和步行控制研究 [D]. 广州 : 广东工业大学,2013. [15] 张彤. 仿人机器人步行控制及路径规划方法研究 [D]. 广州 : 华南理工大学,2010. [16]LaVALLES,KUFFNERJ.Rapidlyexploringrandomtrees:progres andprospects[c]//procofthe4thworshoponalgorithmicand ComputationalRobotics.2001: [17]EGEES.Anewapproachtoincreaseperformanceofrapidlyexplo ringrandomtrees(rrt)inmobilerobotics[c]//procofieeein ternationalconferenceonroboticsandautomation.[s.l.]:ieee Pres,2006: [18] 康亮, 赵春霞, 郭剑辉. 未知环境下改进的基于 RRT 算法的移动机器人路径规划 [J]. 模式识别与人工智能,2009,22(3): [19] 王维, 李焱. 基于 RRT 的虚拟人双臂操控规划方法 [J]. 系统仿真学报,2009,21(20): [20] 李华忠, 梁永生, 但唐仁, 等. 基于 RRT 的机器人避碰运动规划算法研究 [J]. 深圳职业技术学院学报,2012,10(3):2027. [21]LIHuazhong,LIANGYongsheng,WANGMeini,etal.Designand implementationofimprovedrrtalgorithm forcolisionfreemotion planningofhighdimensionalrobotincomplexenvironment[c]// Procofthe2ndInternationalConferenceonComputerScienceand NetworTechnology.2012: [22]KUFFNERJJ,NISHWAKIK,KAGAMIS,etal.Motionplanningfor humanoidrobots[c]//procofthe11thinternationalsymposium of RoboticsResearch.2003: [23]KUFFNERJJ,NISHWAKIK.NISHIWAKI,etal.Dynamicalysta blemotionplanningforhumanoidrobots[j].autonomousrobots, 2002,12(1): [24] 王维. 虚拟人运动规划与运动合成关键技术研究 [D]. 长沙 : 国防科学技术大学,2011. [25]BERTRAM D,KUFFNERJJ,DILLMANNR,etal.Anintegratedap proachtoinverseinematicsandpathplanningforredundantmanipu lators[c]//procofieeeinternationalconferenceonroboticsand Automation.2006: [26]WEGHEM K,FERGUSOND,SRINICASASS.Randomizedpath planningforredundantmanipulatorswithoutinverseinematics[c]// ProcofIEEEInternationalConferenceonHumanoidRobots.2007: [27]BERENSOND,SRINIVASASS,FERGUEOND,etal.Manipulation planningonconstraintmanifolds[c]//procofieee International ConferenceonRoboticsandAutomation.2009: [28]GUILAMOL,KUFFNERJ,NISHIWAKIK,etal.Eficientprioritized inverseinematicsolutionsforredundantmanipulators[c]//procof IEEE/RSJInternationalConferenceonInteligentRobotsandSys tems.2005: [29] 韩峥, 刘华平, 黄文炳, 等. 基于 Kinect 的机械臂目标抓取 [J]. 智能系统学报,2013,8(2): [30] 杨. 一种七自由度机械手的运动控制研究 [D]. 杭州 : 中国计量学院,2012. [31] 王孝平, 董秀成. 运动物体仿真中的碰撞检测研究 [J]. 西华大学学报 : 自然科学版,2013,32(5):1517. [32] 谢世富, 马立元, 刘鹏远, 等. 虚拟环境下运动线缆碰撞检测算法研究与实现 [J]. 系统仿真学报,2013,25(8): [33] 许熠. 基于混合包围盒的碰撞检测算法的优化研究 [D]. 南京 : 南京理工大学,2013. ( 上接第 2940 页 ) [3] 王敏. 免疫克隆算法求解公交发车频率问题 [J]. 计算机应用研究,2010,27(12): [4] DZIEKANK,VERMEULENAJ.Psychologicaleefectsofanddesign preferencesforrealtimeinformationdisplays[j].journalofpublic Transportation,2006,9(1):119. [5] DZIEKANK,KOTTENHOFFK.Dynamicatstoprealtimeinforma tiondisplaysforpublictransport:efectsoncustomers[j].transpor tationresearchparta,2007,41(6): [6] 王向华, 陈特放. 智能体技术在公交调度系统中的应用 [J]. 中南大学学报 : 自然科学版,2013,44(8): [7] DeCEAJ,FMANDEZJE.Transitasignmenttominimalroutes:an eficientnewalgorithm[j].traficengineeringandcontrol,1989, 30(10): [8] 曾建敏. 实验检验累积前景理论 [J]. 暨南大学学报,2007,28 (1):4447. [9] KAMAKURAW A,RUSSELLGA.Aprobabilisticchoicemodelfor maretsegmentationandelasticitystructure[j].journalofmare tingresearch,1989,26(4): [10]HICKMAN M D,WILSON N H M.Pasengertimeandpath choiceimplicationsofrealtimetransitinformation[j].transporta tionresearchpartc,1995,3(4): [11]GUPTAS,CHINTAGUNTAPK.Onusingdemographicvariablesto determinesegmentmembershipinlogitmixturemodels[j].journal ofmaretingresearch,1994,31(1): [12] 徐婷, 蓝諂, 胡大伟, 等. 出行成本对居民出行方式的影响 [J]. 交通运输工程学报,2013,13(1):9197. [13]WENCH,WANGW C,FUC.Latentclasnestedlogitmodelforana lyzinghighspeedrailaccesmodechoice[j].transportationre searchparte,2012,48(2): [14]BIERLAIREM.Atheoreticalanalysisofthecrosnestedlogitmodel [J].AnnOperationResearch,2006,144(1):

! # % & # % & ( ) % % %# # %+ %% % & + %, ( % % &, & #!.,/, % &, ) ) ( % %/ ) %# / + & + (! ) &, & % & ( ) % % (% 2 & % ( & 3 % /, 4 ) %+ %( %!

! # # % & ( ) ! # % & # % & ( ) % % %# # %+ %% % & + %, ( % % &, & #!.,/, % &, ) ) ( % %/ ) 0 + 1 %# / + & + (! ) &, & % & ( ) % % (% 2 & % ( & 3 % /, 4 ) %+ %( %! # ( & & 5)6 %+ % ( % %/ ) ( % & + %/