通勤者日活动―出行时间预测方法

摘要

本发明公开了一种通勤者日活动-出行时间预测方法，旨在克服现有技术存在仅考虑一天内的某一段活动-出行、某一类出行或活动等问题。步骤为：调查通勤者出行数据；将通勤日活动和出行按顺序划分为5个活动-出行段；构建通勤者日活动-出行时间预测的模型系统的整体框架；为模型系统筛选影响变量；设定出发时间选择模型和驻停开始时间选择模型的选择枝；应用Ordered Probit模型，构建模型系统的出发时间选择子模型和驻停开始时间选择子模型；应用支持向量回归机模型，构建模型系统中的出行耗时预测子模型和活动耗时预测子模型；预测和计算通勤日活动-出行时间要素；识别和去除重叠时间段，形成最终的通勤者日活动-出行时间安排。

说明书

技术领域

本发明涉及一种出行需求预测领域的方法，更确切地说，本发明涉及一种针对通勤者的全日活动-出行时间的预测方法。 

背景技术

出行时间是出行需求的构成要素之一，出行时间预测是出行需求预测模型系统中不可或缺的组成部分，属于交通规划领域的一项重要研究课题。日活动-出行时间预测是指预测出行者一天中所有的活动和出行时间的安排，包括各次出行的出发时间和出行耗时、各次活动的开始时间和持续时间，以及出行途中驻停的开始和持续时间。通过日活动-出行时间的预测，可以获得出行者对全日所有活动和出行时间的安排，从而为城市路网和轨道交通等建设规划方案的制定以及交通管理策略等的实施效果预测和可行性评估提供分析工具。另外，作为一类典型的交通参与者，通勤者是城市早晚高峰交通流的主要来源之一，因此通勤者的日活动-出行时间预测对于相关的交通需求管理政策（如弹性工作制、错时上下班）的制定和交通拥堵问题的解决至关重要。 

美国、欧洲等国的研究人员从20世纪90年代开始在传统的出行需求预测中引入活动的概念，早期的代表性成果是Bowman和Ben-Akiva于2000年开发的基于活动的出行需求预测模型系统，该系统虽然可进行全日的时间预测，但仅能预测离散的出发时段，不能预测连续的活动耗时和出行耗时。2004年Bhat等开发了日活动-出行模式微观仿真软件CEMDAP，该软件可以实现离散和连续时间的联合预测，但由于该系统包含了活动模式预测、出行方式预测、出行时间预测等多个模块，系统极其庞大，各模块相互衔接，对单个模块的预测效率和精度产生了影响。近年来国内学者也开展了一些活动和出行需求预测方面的研究，并在出行时间预测、活动模式预测等方面取得了一定成果。出行时间预测领域的主要研究成果是鲜于建川等于2008与2009年、宗芳等于2013年进行的出发时段和出行耗时预测，但这些研究均针对某类出行而非对一天的所有活动和出行进行整体时间预测，缺少对活动耗时、活动开始时间、中途驻停时间等的建模预测。而且国内此领域的研究缺乏整合，缺少系统性的建模分析，研究方法和模型框架基本遵循国外类似研究，创新不明显。 

检索相关文献，可以将目前活动-出行时间预测研究的局限性总结如下： 

1.多数研究仅考虑一天内的某一段活动-出行、某一类出行或活动，如仅预测上、下班出行时间的安排或仅涉及购物出行，没有将一日内所有的活动和出行连接起来形成日活动-出行链，并进行整体的时间预测； 

2.多数研究仅涉及离散的出发和到达时段预测或连续的出行耗时和活动耗时预测，没有进行包括连续和离散时间的整体建模预测； 

3.对于连续的出行耗时或活动持续时间预测，现有研究多数应用Hazard模型，但相关研究表明应用支持向量回归机(Support Vector Regression，SVR)模型预测连续变量，其预测精度比Hazard模型高10%以上。 

发明内容

本发明所要解决的技术问题是克服了现有技术存在的仅考虑一天内的某一段活动-出行、某一类出行或活动、没有进行连续和离散时间的整体建模、没有选择预测精度更高的SVR模型等问题，提供了一种进行通勤者日活动-出行时间预测方法。 

为解决上述技术问题，本发明是采用如下技术方案实现的：所述的通勤者日活动-出行时间预测方法的步骤如下： 

1）调查通勤者出行数据 

调查通勤者出行数据，或抽取城市大规模居民出行调查数据中的通勤者出行数据，进行初步的数据处理，去掉有缺项问题的数据，生成包括全日通勤出行日记、出行者个人和家庭属性的基础数据; 

2）划分活动-出行段 

将通勤者的日活动和出行按顺序划分为5个活动-出行段：早活动-出行段、上班活动-出行段、工作子往返活动-出行段、下班活动-出行段和晚活动-出行段； 

3）构建通勤者日活动-出行时间预测的模型系统的整体框架 

分别针对第2）步中划分的每个活动-出行段，建立出发时间选择子模型、驻停开始时间选择子模型、出行耗时预测子模型与活动耗时预测子模型，将5个活动-出行段的子模型整合，构建通勤者日活动-出行时间预测的模型系统的整体框架； 

4）变量筛选 

基于对通勤者出行调查数据的统计分析，选择对通勤者的日活动和出行时间安排有影响的变量，包括个人及家庭属性变量和出行变量，为模型系统筛选变量； 

5）选择枝设定 

基于通勤者出行调查数据，统计分析待预测的出行出发时间和中途驻停开始时间的分布，结合建模经验，设定出行出发时间和中途驻停开始时间的时间分布阈值，将时间分布阈值再划分为若干个时间段，即为出发时间选择模型和驻停开始时间选择模型两组离散模型的选择枝； 

6）建立模型系统中的Ordered Probit模型 

根据已设定的各离散选择模型的选择枝和变量，基于Ordered Probit模型，分别建立出发时间选择模型组中的5个子模型以及驻停开始时间选择模型组中的2个子模型，应用Stata软件中的op命令进行各个Ordered Probit模型的参数标定； 

7）建立模型系统中的支持向量回归机模型 

基于支持向量回归机模型，分别建立出行耗时预测模型组中的5个子模型以及活动耗时预测模型组中的3个子模型，应用Matlab软件的支持向量机回归工具箱进行模型的参数标定； 

8）预测和计算通勤日活动-出行时间要素 

应用已建的模型系统预测通勤者主要的日活动-出行时间要素，根据预测结果对日活动-出行安排中其它的时间要素进行计算，生成初步的通勤者日活动-出行时间安排； 

9）识别和去除重叠时间段 

编制重叠时间段检测程序，对预测所得的通勤者日活动-出行时间安排进行重叠时间段检测识别，对前后有重叠的时间段进行合并，去除重叠段，形成最终的通勤者日活动-出行时间安排； 

10）生成通勤者日活动-出行时间安排 

根据去除重叠段的通勤者日活动-出行时间预测计算结果，生成通勤者日活动-出行时间安排。 

技术方案中所述的通勤者日活动-出行时间预测的模型系统包括如下4个模型组： 

1）出发时间选择模型组：对于各个活动-出行段中的出行，基于离散的Ordered Probit模型，分别建立出发时间选择子模型，构成出发时间选择模型组； 

2）出行耗时预测模型组：对于各个活动-出行段中的出行，基于连续的支持向量回归机模型，分别建立出行耗时预测子模型，构成出行耗时预测模型组； 

3）驻停开始时间选择模型组：对于上、下班活动-出行段的中途驻停，基于离散的Ordered Probit模型，分别建立上、下班中途驻停开始时间选择子模型，构成驻停开始时间选择模型组； 

4）活动耗时预测模型组：对于各个活动-出行段中的活动和中途驻停，基于连续的支持向量回归机模型，分别建立活动耗时预测子模型，构成活动耗时预测模型组。 

技术方案中所述的4个模型组的具体构成为： 

1）出发时间选择模型组包括5个子模型：分别为早出行模型、上班出行模型、工作子往返出行模型、下班出行模型与晚出行模型； 

2）出行耗时预测模型组包括5个子模型：分别为早出行模型、上班出行模型、工作子往返出行模型、下班出行模型与晚出行模型； 

3）驻停开始时间选择模型组包括2个子模型：分别为上班中途驻停模型与下班中途驻停模型； 

4）活动耗时预测模型组包括3个子模型：分别为早晚活动模型、上下班中途驻停模型与工作子往返活动模型； 

其中，出发时间选择模型组和驻停开始时间选择模型组中的子模型均拟建立为Ordered Probit离散选择模型；出行耗时预测模型组和活动耗时预测模型组中的子模型均拟建立为基于支持向量回归机连续预测模型。 

技术方案中所述的根据预测结果对日活动-出行安排中其它的时间要素进行计算是指： 

1）对于早活动-出行段、晚活动-出行段和工作子往返活动-出行段： 

去程到达时间=去程出发时间+出行耗时； 

回程出发时间=去程到达时间+活动耗时； 

回程到达时间=回程出发时间+出行耗时； 

2）对于上、下班活动-出行段： 

上班或下班到达时间=上班或下班出行出发时间+上班或下班出行耗时+上班或下班驻停活动时间； 

上班或下班驻停活动结束时间=上班或下班驻停开始时间+上班或下班活动耗时。 

技术方案中所述的对前后有重叠的时间段进行合并是指： 

识别重叠时间段的首末时间点，用重叠时间段的首时间点替代前面时间段的末时间点，用重叠时间段的末时间点替代后面时间段的首时间点。 

与现有技术相比本发明的有益效果是： 

1.本发明所述的通勤者日活动-出行时间预测方法将通勤者一日的所有活动、出行和驻停行为首末相连为一个活动-出行整体，实现日活动-出行时间的整体预测，可以用于考查相关的管理和规划方案对全日交通需求的整体影响，并作为日活动-出行需求预测模型体系的时间预测子模块。 

2.本发明所述的通勤者日活动-出行时间预测方法提出了离散-连续的整合建模方法，以离散的出发时段为连续持续时间的模型输入，将离散的出发时间预测与连续的持续时间预测融合在一个模型系统中。 

3.本发明所述的通勤者日活动-出行时间预测方法应用支持向量回归机模型提高了出行耗时和活动耗时等连续时间预测的精度。 

4.本发明所述的通勤者日活动-出行时间预测方法以典型的出行者——通勤者为研究对象，可用于城市早晚高峰交通拥堵问题的针对性研究和解决。 

附图说明

下面结合附图对本发明作进一步的说明： 

图1是本发明所述的通勤者日活动-出行时间预测方法的全日的活动-出行段构成示意图； 

图2是本发明所述的通勤者日活动-出行时间预测方法的通勤者日活动-出行计划中的时间要素示意图； 

图3是本发明所述的通勤者日活动-出行时间预测方法的总体流程框图； 

图4是本发明所述的通勤者日活动-出行时间预测方法的通勤者日活动-出行时间预测模型系统的框架图； 

图5是本发明所述的通勤者日活动-出行时间预测方法的通勤者日活动-出行时间预测的流程框图； 

图6是本发明所述的通勤者日活动-出行时间预测方法的实施例中通勤者实际的日活动-出行时间的示意图； 

图7是本发明所述的通勤者日活动-出行时间预测方法的实施例中预测所得的通勤者日活动-出行时间的示意图。 

具体实施方式

下面结合附图对本发明作详细的描述： 

一.通勤者日活动-出行时间预测方法中的基本概念 

参阅图1，定义通勤者日活动-出行时间预测方法中的基本概念： 

1.出行和活动 

出行指车辆、行人从出发地向目的地移动的交通行为，出行的目的即为去目的地参加某一活动。 

2.工作子往返行程 

往返行程是指把一系列有序的出行按照先后顺序依次首尾连接起来形成以同一地点为起终点的出行链。工作子往返行程是以工作单位为起终点的往返行程，可简称为工作子往返。 

3.中途驻停 

一次出行过程中以短时活动为目的的停顿，例如上班途中去幼儿园送孩子。 

4.早活动-出行段 

在早晨上班前从家出发的早出行和所进行的活动，例如晨练； 

5.上班活动-出行段 

从家到单位的上班出行过程，包括途中的第一次驻停； 

6.工作子往返活动-出行段 

从单位出发又返回单位的出行和活动过程，例如吃午饭； 

7.下班活动-出行段 

从单位到家的下班出行过程，包括途中的第一次驻停； 

8.晚活动-出行段 

下班回家后又从家出发的晚出行和所进行的活动，例如购物。 

参阅图2，根据通勤者日活动和出行计划中的5个活动-出行段（基本概念4至8活动-出行段）的排列顺序，可以列出其中包含的关键的时间要素，也即本发明中待预测的时间要素。总体来说，这些时间要素按照在时间预测模型中的时间存在形态可以分为两类，即离散的时间和连续的时间，例如离散的出发时间和连续的出行耗时；如果按照这些时间要素所处的位置可以分为三类，即出行时间要素、中途驻停时间要素及活动时间要素。 

二.本发明所述的通勤者日活动-出行时间预测方法 

参阅图3，通勤者日活动-出行时间预测方法的步骤如下： 

1.调查通勤者出行数据 

调查通勤者出行数据，或抽取城市大规模居民出行调查数据中的通勤者出行数据，进行初步的数据处理，去掉有缺项等问题的数据，生成包括全日通勤出行日记、出行者个人和家庭属性等项目的基础数据。 

2.划分活动-出行段 

将通勤者的日活动和出行按顺序划分为5个活动-出行段：早活动-出行段、上班活动-出行段、工作子往返活动-出行段、下班活动-出行段和晚活动-出行段。 

3.构建通勤者日活动-出行时间预测的模型系统的整体框架 

分别针对第2步中划分的每个活动-出行段，建立出发时间选择子模型、驻停开始时间选择子模型、出行耗时预测子模型、活动耗时预测子模型，将5个活动-出行段的子模型整合，构建通勤者日活动-出行时间预测的模型系统的整体框架。 

参阅图4，所述的通勤者日活动-出行时间预测的模型系统包括如下4个模型组： 

1）出发时间选择模型组：对于各个活动-出行段中的出行，基于离散的Ordered Probit模型，分别建立出发时间选择子模型，构成出发时间选择模型组； 

2）出行耗时预测模型组：对于各个活动-出行段中的出行，基于连续的支持向量回归机模型，分别建立出行耗时预测子模型，构成出行耗时预测模型组； 

3）驻停开始时间选择模型组：对于上、下班活动-出行段的中途驻停，基于离散的Ordered Probit模型，分别建立上、下班中途驻停开始时间选择子模型，构成驻停开始时间选择模型组； 

4）活动耗时预测模型组：对于各个活动-出行段中的活动和中途驻停，基 于连续的支持向量回归机模型，分别建立活动耗时预测子模型，构成活动耗时预测模型组。 

参阅图4，所述的4个模型组的具体构成为： 

1）出发时间选择模型组：包括5个子模型，分别为早出行模型、上班出行模型、工作子往返出行模型、下班出行模型与晚出行模型； 

2）出行耗时预测模型组：包括5个子模型，分别为早出行模型、上班出行模型、工作子往返出行模型、下班出行模型与晚出行模型； 

3）驻停开始时间选择模型组：包括2个子模型，分别为上班中途驻停模型与下班中途驻停模型； 

4）活动耗时预测模型组：包括3个子模型，分别为早晚活动模型、上下班中途驻停模型与工作子往返活动模型。 

其中，出发时间选择模型组和驻停开始时间选择模型组中的子模型均拟建立为Ordered Probit离散选择模型；出行耗时预测模型组和活动耗时预测模型组中的子模型均拟建立为支持向量回归机连续预测模型。 

4.变量筛选 

基于对通勤者出行调查数据的统计分析，选择对通勤者的日活动和出行时间安排有影响的变量，包括个人及家庭属性变量（如性别、年龄）和出行变量（如出行方式、出行距离），为模型系统筛选变量。 

5.选择枝设定 

基于通勤者出行调查数据，统计分析待预测的出行出发时间和中途驻停开始时间的分布，结合建模经验，设定出行出发时间和中途驻停开始时间的时间分布阈值，将时间分布阈值再划分为若干个时间段，即为出发时间选择模型和驻停开始时间选择模型两组离散模型的选择枝（可选选项，如各出发时间段）。 

6.建立模型系统中的Ordered Probit模型 

根据已设定的各离散选择模型的选择枝和变量，基于Ordered Probit模型，分别建立出发时间选择模型组中的5个子模型以及驻停开始时间选择模型组中的2个子模型，应用Stata软件中的op命令进行各个Ordered Probit模型的参数标定。 

Ordered Probit模型是排序离散选择模型中的一种，它的多个因变量之间具有排序关系。假设因变量y为要进行预测的有序离散变量（0，1，2，3，…），自变量x是影响因变量y的各种因素。Ordered Probit模型的一般形式为： 

$y^{*}=\underset{i=1}{\overset{m}{\Sigma }}{\beta }_i{x}_i+ϵ=\mathrm{X\beta }+ϵ---\left(1\right)$

其中：y^*称为潜变量或隐性变量，为有序离散变量（0，1，2，3，…），其 取值影响因变量y的值；x_i表示第i个影响变量，β_i为x_i的系数，表明该变量对选择行为的影响程度，X和β分别为x_i和β_i组成的向量，i＝1,…,m，m为影响变量个数；ε为随机扰动误差项，服从标准正态分布，ε服从Normal(0,1)分布。 

设共有n+1个选择枝，α₁，α₂，α₃，…，α_n为阀值，且α₁＜α₂＜α₃＜…＜α_n，有如下关系： 

$y=\left(\begin{array}{c}0,y^{*}\le {\alpha }_1\\ 1,{\alpha }_1<y^{*}\le {\alpha }_2\\ 2,{\alpha }_2<y^{*}\le {\alpha }_3\\ ···\\ n-1,{\alpha }_{n-1}<y^{*}\le {\alpha }_n\\ n,y^{*}>{\alpha }_n\end{array}\right)---\left(2\right)$

则y对X的条件概率用下式计算： 

Pr(y＝0|X)＝Pr(y^*≤α₁|X)＝Pr(Xβ+ε≤α₁|X)＝φ(α₁-Xβ) 

Pr(y＝1|X)＝Pr(α₁≤y^*≤α₂|X)＝φ(α₂-Xβ)-φ(α₁-Xβ)    （3） 

Pr(y＝2|X)＝Pr(α₂≤y^*≤α₃|X)＝φ(α₃-Xβ)-φ(α₂-Xβ) 

…… 

Pr(y＝n|X)＝Pr(y^*＞α_n|X)＝1-φ(α_n-Xβ) 

模型中系数β和阀值α₁，α₂，α₃，…，α_n为待标定参数。参数标定应用统计软件Stata的op命令实现。 

7.建立模型系统中的支持向量回归机模型 

基于支持向量回归机模型，分别建立出行耗时预测模型组中的5个子模型以及活动耗时预测模型组中的3个子模型。应用Matlab软件的支持向量机回归工具箱进行模型的参数标定。 

支持向量回归机模型是支持向量机模型的一种。已知l组关系未知的数据样本(x₁,y₁),(x₂,y₂),…，(x_i,y_i)，…,(x_l,y_l)（x_i为影响因素，y_i为输出变量，即出行耗时或活动耗时，l是训练样本的数量），支持向量回归机模型可以利用一个非线性映射φ将数据x映射到非线性高维特征空间，并且在这个高维特征空间进行线性逼近，从而找到映射函数使其能够更好的逼近给定已知的数据样本。根据统计学习理论，此函数具有如下形式： 

f(x)＝w·φ(x)+b    w,x∈R^m,b∈Rⁿ        （4） 

其中：φ(x)表示从输入空间x到非线性高维特征空间的映射；w表示参数向量，b为阈值。 

把回归估计问题定义为对一个损失函数进行风险最小化的问题，而最优的回归函数式通过在一定的约束条件下进行最小化规则化风险泛函： 

$\frac{1}{2}{\left|\right|w\left|\right|}^2+C\frac{1}{l}\underset{i=1}{\overset{l}{\Sigma }}{L}_e(y_i,f\left(x_i\right))---\left(5\right)$

公式（5）中第一项使函数更为平坦，从而提高泛化能力，称为规则化项；第二项为经验风险泛函，由不同的损失函数确定，常数C＞0控制对超出误差ε的样本的惩罚程度，用于在结构风险和经验风险之间进行平衡。采用ε不敏感损失函数： 

L_e(y_i,f(x_i))＝max(|y_i-f(x_i)|-ε,0)        （6） 

对于L_e(y_i,f(x_i))，如果估计输出f(x_i)与期望输出y_i的偏差的绝对值小于ε，则L_e(y_i,f(x_i))等于0；否则，L_e(y_i,f(x_i))等于偏差的绝对值减去ε，通过引入非负的松弛变量ξ_i，最小化式（4）可以重新描述为： 

$\min \frac{1}{2}{\left|\right|w\left|\right|}^2+C\frac{1}{l}\underset{i=1}{\overset{l}{\Sigma }}({\xi }_i+{\xi }_i^{*})---\left(7\right)$

$s.t.\left(\begin{array}{c}{y}_i-w·\phi \left(x_i\right)-b\le ϵ+{\xi }_i\\ w·\phi \left(x_i\right)+b-y_i\le ϵ+{\xi }_i^{*},i=1,...,l\\ {\xi }_i^{*}\ge 0\end{array}\right)---\left(8\right)$

公式（7）的最小化是一个凸二次优化问题，引入拉格朗日函数，最后可以得到： 

$w-\underset{i=1}{\overset{l}{\Sigma }}(a_i{x}_i-a_i^{*}{x}_i)=0---\left(9\right)$

其中：a_i和为拉格朗日乘数，这样就有： 

$f\left(x\right)=\underset{i=1}{\overset{l}{\Sigma }}(a_i-a_i^{*})\phi \left(x_i\right)·\phi \left(x_j\right)+b---\left(10\right)$

将核函数K(x_i,x_j)带入公式（10）得出： 

$f\left(x\right)=\underset{i=1}{\overset{l}{\Sigma }}(a_i-a_i^{*})K(x_i,x_j)+b---\left(11\right)$

其中核函数K(x_i,x_j)是向量x_i和x_j在特征空间φ(x_i)和φ(x_j)上的内积，即K(x_i,x_j)＝φ(x_i)·φ(x_j)。通过核函数，所有的运算都不必映射到高维特征空间，可以直接在输入空间中计算。 

8.预测和计算通勤日活动-出行时间要素 

应用已建的模型系统预测通勤者主要的日活动-出行时间要素，根据预测结果对日活动-出行安排中其它的时间要素进行计算，生成初步的通勤者日活动-出行时间安排。 

所述的日活动-出行安排中其它的时间要素的计算公式如下： 

1）对于早活动-出行段、晚活动-出行段和工作子往返活动-出行段： 

去程到达时间=去程出发时间+出行耗时； 

回程出发时间=去程到达时间+活动耗时； 

回程到达时间=回程出发时间+出行耗时； 

2）对于上、下班活动-出行段： 

上（下）班到达时间=上（下）班出行出发时间+上（下）班出行耗时+上（下）班驻停活动时间； 

上（下）班驻停活动结束时间=上（下）班驻停开始时间+上（下）班活动耗时； 

9.识别和去除重叠时间段 

编制重叠时间段检测程序，对预测所得的通勤者日活动-出行时间安排进行重叠时间段检测识别，对前后有重叠的时间段进行合并，去除重叠段，形成最终的通勤者日活动-出行时间安排。 

所述的前后有重叠的时间段的合并算法为：识别重叠时间段的首末时间点，用重叠时间段的首时间点替代前面时间段的末时间点，用重叠时间段的末时间点替代后面时间段的首时间点。 

10.生成通勤者日活动-出行时间安排 

根据去除重叠段的通勤者日活动-出行时间预测计算结果，生成通勤者日活动-出行时间安排。 

三.实施例 

本发明所述的通勤者日活动-出行时间预测方法的实施例给出了实施过程和预测结果，但本发明的保护范围不限于下述的实施例。 

1.本发明应用北京市2006年居民出行调查数据进行建模和模型标定。此次出行调查抽样率约为1.17%，经过数据处理和筛选，将最终获得的54,398户家庭、138,480个通勤者的202,883次出行数据作为建模的基础数据。将基础数据分为两个部分，前50%用于模型建立和标定，后50%用于实际预测和模型检验。 

2.基于调查数据统计北京市通勤出行的基本时间分布规律，设定出发时间选择模型组和驻停开始时间选择模型组的时间阈值和选择枝如下： 

1）出发时间选择模型组 

（1）早出行模型 

a.时间阈值：[3:00,10:00] 

b.选择枝：[3:00,6:00]、(6:00,7:30]、(7:30,9:00]、(9:00,10:00] 

（2）上班出行模型 

a.时间阈值：[4:00,11:00] 

b.选择枝：[4:00,6:00]、(6:00,7:30]、(7:30,9:00]、(9:00,11:00] 

（3）工作子往返出行模型 

a.时间阈值：[9:00,16:00] 

b.选择枝：[9:00,11:00]、(11:00,13:00]、(13:00,16:00] 

（4）下班出行模型 

a.时间阈值：(12:00,21:00] 

b.选择枝：(12:00,16:00]、(16:00,17:30]、(17:30,19:00]、(19:00,21:00] 

（5）晚出行模型 

a.时间阈值：[18:00,23:00] 

b.选择枝：[18:00,19:00]、(19:00,20:00]、(20:00,23:00] 

2）驻停开始时间选择模型组 

（1）上班中途驻停模型 

a.时间阈值：(5:00,11:30] 

b.选择枝：(5:00,7:00]、(7:00,8:00]、(8:00,9:00]、(9:00,11:30] 

（2）下班中途驻停模型 

a.时间阈值：(13:00,21:30] 

b.选择枝：(13:00,16:30]、(16:30,18:00]、(18:00,19:30]、(19:30,21:30]。 

3.对模型系统中的自变量进行筛选和设置，具体如下： 

4.应用Stata软件中的op命令进行Ordered Probit模型标定，出发时间选择模型组和驻停开始时间选择模型组的参数标定结果分别如下： 

注：Coef.-参数估计值；Z-stat.-参数的Z检验值；P值-模型的P检验值。 

5.应用Matlab软件的支持向量回归机工具箱进行上班出行耗时预测模型、下班出行耗时预测模型及上、下班中途驻停耗时模型的标定，并对比基于支持向量回归机模型与基于Hazard模型的预测精度，结果如下： 

其中，RRMSE为相对均方差根误差，是评价模型拟合精度的一项统计检验参数，计算公式为： 

$\mathrm{RRMSE}\left(\hat{\theta }\right)=\sqrt{\frac{1}{n}\underset{j=1}{\overset{n}{\Sigma }}{\left(\frac{\hat{\theta }-\theta }{\theta }\right)}^2}$

其中：为模型估计值，θ为实际值，n为样本数。 

结果显示支持向量回归机模型的RRMSE值普遍低于Hazard模型，可见应用支持向量回归机理论进行持续时间建模可以提高持续时间预测的精度。 

6.应用基础数据库中的后50%样本进行实际预测，具体预测流程如图5所示。对比预测结果与原调查结果可知，模型系统中离散选择模型的总体命中率约为82%，连续模型的总体RRMSE为0.14，模型系统总体的预测精度为85%，可见模型系统的预测精度较高，可以用于进行城市通勤者日活动-出行时间的预测。 

随机抽取样本数据中的一位通勤者进行日活动-出行时间预测的实例说明。此通勤者的基本信息如下：男，35岁，工人，月收入在1501-2500元区间。调查当日的通勤活动-出行信息如下： 

活动出行段 出行距离（km） 出行方式 出行目的 早活动-出行段 1.00 步行 生活 上班活动-出行段 1.50 步行 工作 上班中途驻停 - - 生活 工作子往返活动-出行段 0.50 公交车 工作 下班活动-出行段 1.50 小汽车 回家 下班中途驻停 - - 生活 晚活动-出行段 0.20 步行 生活

此位通勤者的日活动-出行时间安排如图6所示。 

参阅图5，应用已建的通勤者日活动-出行时间预测模型系统，按照出行出发时间预测、出行耗时预测、中途驻停开始时间预测、中途驻停耗时预测、活动开始时间计算、活动耗时预测、重叠段识别与去除以及通勤者日活动-出行时间生成的步骤，进行通勤者日活动-出行时间预测，预测结果如图7所示。结果表明，预测所得的各时间节点均与实际时间节点相吻合，所构建的通勤者日活动-出行时间预测模型系统可以用于通勤者日活动-出行时间的整体预测计算。