基于MNL的停车信息选择方法

技术领域

本发明涉及停车选择技术领域，具体地说，涉及一种基于MNL的停车信息选择方法。

背景技术

由于社会经济水平不断提高，城市化进程速度加快，私家车数量增长迅猛且居高不下。与此同时，居民消费水平提升，居民出行比例不断增长，特别是人口流动密集的区域，例如城市中心商业区、热门景点、高薪产业园、大型三甲医院附近，停车场的车位数量往往供不应求，造成停车拥堵，城市交通停车难的矛盾日益突出，特别像成都这座新兴的一线城市，更是如此。

与此同时，停车泊位空间分布不均，导致热门停车场过热，冷门停车场却鲜人问津，造成城市交通需求与供给严重不平衡、停车资源闲置等问题。另外，有文献研究表明居民驾车出行具有习惯性行为的特点，即他们经常使用相同的停车设施来停放车辆，这在一定程度上也会影响停车位的利用率。再者，停车信息共享平台尚未普及，并不是所有出行者都可以获得有利、可靠的交通及停车场信息，并按照最短时间路线出行，这对个人来说大大增加了出行的时间和成本。

由于上述的客观原因，居民在出行中遇到重重阻碍和困扰，停车难的问题已经迫在眉睫。停车拥堵过程中势必会造成居民的第一希望停车场车位已满，出行者缺少备选停车场的信息，停车搜索活动增加，巡航时间过长，无效交通的比例加大，降低了居民的停车效率；其次，部分出行者找不到可停车的位置，开始违法占道和非法停车，不利于交通秩序的良性发展；另外，停车设施的供应和管理逐渐成为私人企业，停车费迅速上涨，出行者倾向于使用免费的停车设施，这大大降低了城市停车位的利用率，停车资源闲置的问题开始凸显。最后，停车服务设施不足，也会在某种程度上阻碍居民的交通出行，减少城市的经济活动。

发明内容

本发明的内容是提供一种基于MNL的停车信息选择方法，其能够克服现有技术的某种或某些缺陷。

根据本发明的基于MNL的停车信息选择方法，其包括以下步骤：

一、对影响因素进行单变量筛选，剔除不显著的变量；

二、用基于随机效用理论建立了显著变量的多项Logit模型，运用SPSS对模型进行拟合，并对模型拟合信息、拟合优度、似然比进行检验及评价；

三、对预测的模型进行讨论分析，探讨影响因素的效果。

作为优选，步骤一中，采用先单因素后多因素的回归方法进行单变量筛选。

作为优选，步骤二中，具体包括以下步骤：

1)确定效用函数的形式；

2)选择特性变量；

3)选择调查方法；

4)收集并整理数据；

5)极大似然估计法标定参数；

6)模型的检验。

作为优选，步骤1)中，若效用函数的固定项V

其中，K是变量的个数，θ是所有变量的参数集合，θ

作为优选，步骤3)中，调查方法选择为行为RP调查和意向SP调查。

作为优选，步骤4)中，在总体中采用随机抽取的方式，选出一部分出行者作为样本，其中，需要将离散变量的数量化，连续变量的离散化。

作为优选，步骤5)中，极大似然估计是利用选择结果已知的原始数据，反推出最具可能导致这些选择结果出现的模型参数，若有3个样本数据，用P

L

序号为1的样本个体最终选择第2个方案可表达为下式，概率P的上标表示为几次幂，则有：

带入后得到：

将3个样本的情况类比到N个样本，样本序号用n表示；选择方案i的个数增加到J，可得:

其中δ

其中,

将MNL的最终表达形式带入得出极大似然函数的最终形式：

A

用θ

则根据上式，可以得出MNL的梯度向量▽L为：

θ

其中，

θ

作为优选，步骤6)中，模型的检验包括优度比检验和似然比检验，ρ

优度比公式为：

似然比公式为：

L(c)为仅包含常数的对数似然检验值，

作为优选，步骤2)中，选择性别、年龄、收入、驾龄、驾车频率作为个人特性变量，选择预定空闲停车位、可用停车位的数量、停车费用、到目的地的距离、停车位置追踪作为方案特性变量，则选择方案的效用函数表达为：

Y

第一方案集合为：

i

i

i

i

每个方案的效用函数具体的为如下所示：

V

V

+β

V

+β

V

+β

根据基于随机效用理论的多项logit模型，出行者选择这4个不同停车信息方案的概率分别为：

通过上述表达式可得出决策者n选择方案i的概率；

第二方案集合为：

i

i

i

其处理方法与第一方案集合的处理方法相同。

本发明的有益效果如下：

(1)本发明的目标是研究出行者选择停车信息的影响因素，探究具有不同社会属性的出行者对停车信息的选择偏好；

(2)本发明根据收集到的数据对基于随机效用理论的MNL模型进行标定和检验，预测模型回归系数，解读哪些是显著影响因素以及这些因素是如何影响出行者的对停车信息的选择概率问题；

(3)本发明对回归出的模型进行讨论和分析，根据研究结果合理推测哪些属性可以吸引出行者使用停车共享信息系统，从而使共享经济和实时信息在停车过程中也能为广大出行者带来极大的便利。同时，本发明旨在为停车软件开发商提供参考意见，促使其建设的平台能够提供高效、有价值的内容并为大众普遍接受，真正地为出行者提供出行便利，节省出行时间，并希望能够为软件商节省开发和优化的时间和成本；

(4)本发明研究了出行者在选择停车APP中考虑的各项信息或功能等影响因素,从而为交通管理者在确定预定空闲停车位策略、开放共享泊位策略以及制定与实施相关政策方面提供参考依据，希望能够在一定程度上缓解停车供需矛盾，改善停车难的问题。

附图说明

图1为实施例中一种基于MNL的停车信息选择方法的流程图。

具体实施方式

为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。

实施例

如图1所示，实施例提供了一种基于MNL的停车信息选择方法，其包括以下步骤：

一、对影响因素进行单变量筛选，剔除不显著的变量；

二、用基于随机效用理论建立了显著变量的多项Logit模型，运用SPSS对模型进行拟合，并对模型拟合信息、拟合优度、似然比进行检验及评价；

三、对预测的模型进行讨论分析，探讨影响因素的效果。

步骤一中，采用先单因素后多因素的回归方法进行单变量筛选。

步骤二中，具体包括以下步骤：

1)确定效用函数的形式；

步骤1)中，若效用函数的固定项V

其中，K是变量的个数，θ是所有变量的参数集合，θ

2)选择特性变量；

步骤2)中，选择性别、年龄、收入、驾龄、驾车频率作为个人特性变量，选择预定空闲停车位、可用停车位的数量、停车费用、到目的地的距离、停车位置追踪作为方案特性变量，则选择方案的效用函数表达为：

Y

第一方案集合为：

i

i

i

i

每个方案的效用函数具体的为如下所示：

V

V

V

V

根据基于随机效用理论的多项logit模型，出行者选择这4个不同停车信息方案的概率分别为：

通过上述表达式得出决策者n选择方案i的概率。但在统计分析软件输出的logit模型结果中，模型系数通常是用机会比率(odd)来进行解释的。机会比率是指事件发生的概率与事件不发生的概率之比，机会比率和概率都可以用来描述事件发生的可能性。

在MNL模型中，这里的机会比率指的是不同选择方案概率比的对数，也称为相对机会比率。在本实施例中我们将使用SPSS作为主要的统计分析软件，采用极大似然法来估计多元回归模型。由于其中一个方案为参照组，所以模型的输出结果为J-1组系数，例如本实施例中每组模型中选择方案集合的方案个数为4，选取其中1个选择方案作为基准组，最后会输出3组模型回归结果。根据我们上述筛选的特征变量及效用表达式，则有下式：

在上述表达式中的自变量均为分类变量，在MNL模型中需要对多分类变量进行编码处理，例如年龄这一类别变量，需要建立三个哑变量进行分析处理，

(Income1＝0,Income2＝0,Income3＝0)用来表示年龄＝1，即在20—29岁之间

(Income1＝1,Income2＝0,Income3＝0)用来表示年龄＝2，即在30—39岁之间

(Income1＝0,Income2＝1,Income3＝0)用来表示年龄＝3，即在40—49岁之间

(Income1＝0,Income2＝0,Income3＝1)用来表示年龄＝4，即在50及以上

我们将根据调查问卷收集到的数据，运用SPSS16进行分类变量的哑变量处理后，对多项logit模型进行标定与检验，进行数据的分析和讨论。图表是第一组选择方案集合I

在每个具体的分类变量中，选择第一分类做为参照组，例如X2

在性别方面：方案1,2系数为负，表明与方案3相比，男性更愿意选择这两个方案，这两个方案中同时包含“预定空闲停车位”这一功能，从某种意义上表明男性更愿意尝试一些新功能；另外，方案2,3都包含“停车费用”这一功能，而女性更愿意选择3，这可能是因为他们更关注方案3中停车位置追踪功能。

在年龄方面：方案2,4系数为正，表明与方案3相比，年龄越大的人，越倾向于选择这两个方案，这俩方案中同时包含到目的地的距离，这大概是由于年级越大的人对最短步行距离的要求越高；方案1系数为负，表明与方案3相比年轻人更倾向于选择方案1，这大概是因为方案1中的功能相比于方案3，具有更高的实用性；年轻人对停车费用的关注度有所降低，在当今社会，居民的消费观念正在发生变化，他们更愿意为可靠、安全及服务水平好的停车设施买单，并且相当多一部分年轻人能够负担得起所以没有那么重视。

在收入方面：方案1,4系数为正，而这两个方案中都不包含“停车费用”这一功能，并且方案2的系数为负，总体上来说这其中可能的原因是，收入越低的出行者，越关注停车费用这一信息；而收入高的居民对其关注度相对较低；

在驾龄方面：与方案1,4相比，驾驶年限越高的人，越倾向于选择方案3，这可能是因为其他功能在“停车费用”上都显得微不足道；同时，与方案3相比，驾龄越高越愿意选择方案2，这可能是因为他们对于车辆停放的场所比较熟悉，不太需要停车位置追踪功能；

在驾车频率方面：方案1系数为正，说明与方案3相比，驾车频率越高越倾向于选择方案1，结合实际情况可以说明的是，驾车频率越高，往往可能的是出行者出于日常工作、商务等需求而驾车出行，在这种情况下，他们往往更在乎是否能够按计划出行，这是因为他们对于是否准时要求很高，而方案1中提供的预定空闲停车位和显示可用停车位数量可以帮助他们解决这个问题；与此同时无论是工作还是商务出行，由于其停车场大多是具备公司单位属性，是不收费的或者说停车费是可以报销的，因次他们不太关注停车费这一信息。

另外，驾车频率在方案2和方案4中的系数为负，这说明驾车频率越低的人越倾向于去选择这两个方案，而他们同时包含“到目的地距离”这一功能，结合实际情况考虑，这大概是因为他们通常是出于特定的出行需求，需要到达陌生的场所和区域，对他们来说能够直达目的地才是最重要的事情，输入目的地检索出的近距离停车场能够为他们的出行带来极大的便利。

在方案特性变量方面，停车位置追踪和长期租赁停车位没有显著影响。结合实际情况并根据描述性统计及调查过程中与被调查者的讨论，可以了解到的是，长期租赁可用停车位这一功能并不是大众感兴趣的功能，一方面是出租停车位的大多是酒店及公寓的停车场所有者，对于出行者来说其地理位置比较特殊，可能并不能够为自己的出行停放带来便利，且开放的时间大多是夜间，所以并不满足他们对车辆停放的要求；另外，停车位置追踪在很多大型停车场中可能比较常用，但出行者通过牢记停车位的编号以及场内指示灯牌就可以轻松找到。

本实施例还建立了模型二，在模型二中，选择第二方案集合为I

i

i

i

选取第6个实验方案作为基准组，由于两个模型的显著变量相同，每个方案的效用函数表达式和模型1中的一致，只是常数项不同，因此出行者选择这4个方案的概率可以表达为相同形式。运用SPSS进行模型回归。

模型2中的处理方式与1相同，根据logit模型回归结果，我们可以得出:

(1)在性别方面，方案8系数为负，表明男性比女性更倾向于选择方案8，这大概是因为男性更愿意去选择功能全面的停车APP；方案5系数为正，说明女生更愿意选择方案5，这可能是因为他们更关注停车位到目的地的距离或停车位置追踪功能，这与模型1的结果一致；

(2)在年龄方面，方案5系数为正，表明年龄大的人越倾向于选择方案5，与模型1共性的地方在于，他们非常重视选择到目的地距离最短的停车场；方案7和8系数为负，更受年轻人的青睐，结合实际背景，这其中的原因可能是：年轻人更愿意接受新事物和功能完备的APP。而年龄越大越注重简易化、实用性。

(3)关于收入这一影响因素，我们在模型2中也得出与模型1同样的结论：收入越低，越关注停车费用这一功能，与收入高的出行者相比，他们能接受更长的步行距离。

(4)关于方案特性变量部分，在不提供预约空闲停车位的情况下，相比于方案6，人们更愿意选择5，所以到目的地的距离这一因素相比于停车费和可用停车位的数量这两个功能，可能备受出行者的关注；如果不提供可用停车位，则相比于方案6，方案7更有竞争力，从一定程度上可以说明预定空闲停车位要比停车费用更受出行者的关注，这大概是因为预定空闲停车位这个功能对绝大多数出行者来说比较新，更好奇且他们可能认为如果能实现这个功能，可以为自己节省非常大的出行时间和成本；而如果不提供停车费用这一信息，方案6依旧比7有竞争力，这说明可用停车位对预定功能来说，更是出行者需要的。因此一定程度上我们可以认为被调查者对方案特性的关注程度为：到目的地的距离>可用停车位的数量>预定空闲停车位>停车费用。

(5)值得注意的是，无论方案特性变量怎么变化，方案8相对于方案7的系数总为正，这是因为方案8提供的信息或功能总是比方案7要全面，可以理解的是出行者在进行选择时，无论对功能是否真正需要，惯性思维会促使他们选择功能较多的方案；这种情况可能会导致模型出现较大误差，这也是本实施例将方案集合分成了两组的重要原因之一。

3)选择调查方法；

调查方法选择为行为RP调查和意向SP调查；

行为调查(Revealed Preference,即RP调查)是指对已经发生过的事情进行的选择性行为的调查，这类数据意味着显在化的偏好，主要是为了解被调查的出行者在某种特定的选择状态下的选择条件以及选择结果。例如，某些研究需要了解出行者的出行时间、出行方式选择结果等调查数据时，就可以采用RP调查。

意向调查(Stated Preference,即SP调查)是一种出行者在假设的情况下，如何去进行考量和选择的调查方法。调查内容为尚未发生的状况是SP最大的特点所在。采用SP调查收集数据可以应用在许多实际的交通需求研究中，例如过去尚不存在的交通服务设施以及之前没有实行过的新政策措施时。在SP调查中被调查的出行者通常会被要求采用选择、排序、打分以及匹配等方式进行回答和选择。

4)收集并整理数据；

首先，在确定研究对象后，在总体中采用随机抽取的方式，选出一部分出行者作为样本进行研究。另外，在数据的处理过程中有两个重要问题需要特别注意；

首先是离散变量的数量化，通常在我们自然界中存在两种性质的变量，一种是连续变化的量，如海拔高度、压强等；而另一种则是离散量，如居民选择哪种出行交通方式以及本实施例中出行者选择包含哪些信息的停车软件；在多项Logit模型中需要将离散变量转换成具体的数值，最普遍的做法就是用0或1来表示类别变量。例如，女性取值为1，而男性则取值为0；

其次是连续变量的离散化，也就是说将一个连续变化的量，分解成互斥的区间段即非连续的离散量。通常的做法是先对基础数据进行初步分析，将对选择结果具有显著影响的年龄大小划分为不同年龄区间，将其转换成类别变量。

5)极大似然估计法标定参数；

步骤5)中，极大似然估计是利用选择结果已知的原始数据，反推出最具可能导致这些选择结果出现的模型参数，也就是说，当选择结果有N个数据时，找到一组参数，使得N个选择结果同时发生的概率最大，在本实施例中，通过调查问卷收集到若干有关停车APP选择方案的调查数据，并且运用MNL模型去分析选择结果，这里就是运用极大似然法来估计模型的参数。若有3个样本数据，用P

L

序号为1的样本个体最终选择第2个方案可以更一般的表达为下式，概率P的上标表示为几次幂，则有：

带入后得到：

将3个样本的情况类比到N个样本，样本序号用n表示；选择方案i的个数增加到J，可得:

其中δ

A

其中,

将MNL的最终表达形式带入得出极大似然函数的最终形式：

用θ

则根据上式，可以得出MNL的梯度向量▽L为：

θ

其中，

θ

6)模型的检验。

步骤6)中，模型的检验包括优度比检验和似然比检验，ρ

ρ

似然比公式为：

L(c)为仅包含常数的对数似然检验值，

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。