交通運輸基礎/出行生成

出行生成是傳統四階段交通預測過程中的第一步（接下來是目的地選擇、出行方式選擇，以及路線選擇），廣泛用於預測出行需求。它預測從特定交通分析區發出的或通往特定交通分析區的出行次數。

每次出行都有兩個端點，我們需要知道這兩個端點在哪裡。第一步是確定從某個區域發出的出行次數，第二步是確定通往某個區域的出行次數。由於土地利用可以分為兩個主要類別（居住用地和非居住用地），因此我們擁有基於家庭的和非基於家庭的模型（例如，與工作崗位數量或零售活動相關的函式）。

對於居住用地方面，出行生成被認為是家庭社會經濟屬性的函式（家庭和住房單位是十分相似的度量，但有時住房單位沒有家庭，有時它們包含多個家庭，顯然住房單位更容易測量，並且這些單位通常用於模型中，重要的是要明確你使用的是哪種假設）。

在交通分析區的層面上，使用的語言是土地利用“產生”或吸引出行，其中假設出行是由家庭“產生”並被非家庭“吸引”。生產和吸引與起點和目的地不同。即使在返回家中的情況下（即，家庭是目的地），出行也由家庭產生。同樣重要的是要明確你使用的是哪種假設。

活動

人們參與活動，這些活動是出行的“目的”。主要的活動包括家庭、工作、購物、上學、外出就餐、社交、娛樂以及載客（接送）。人們還有許多其他活動，例如去看醫生、銀行業務等，這些活動頻率不到每天甚至每週。通常，頻率較低的類別被丟棄並歸入“其他”這一總稱中。

每次出行都有兩個端點，起點和目的地。出行按目的分類，即在目的地地點進行的活動。

根據性別觀察雙子城（2000-2001 年）出行行為清單中的出行情況

出行目的	男性	女性	總計
工作	4008	3691	7691
工作相關	1325	698	2023
上學	495	465	960
其他學校活動	108	134	242
兒童保育、日託、課後看護	111	115	226
快速停留	45	51	96
購物	2972	4347	7319
拜訪朋友或親戚	856	1086	1942
個人事務	3174	3928	7102
在外面吃飯	1465	1754	3219
娛樂、休閒、健身	1394	1399	2793
公民或宗教活動	307	462	769
接送乘客	1612	2490	4102
陪同他人參加活動	64	48	112
家庭活動	288	384	672

一些觀察結果

• 平均而言，男性和女性的行為不同，他們在家庭內部分擔責任，並參與不同的活動。
• 大多數出行並非工作出行，儘管工作出行很重要，因為它們具有高峰特性（以及它們在距離和出行時間上往往更長）。
• 絕大多數出行並非人們前往（或從）工作的地方。

人們按順序參與活動，並且可能會將他們的出行串聯起來。在下圖中，出行者從家出發，先去上班，然後去購物，然後去外面吃飯，最後返回家中。

模型的規定

我們如何預測某個區域將產生多少出行？從某個區域發出或通往某個目的地的出行次數可以通過出行率（通常按年齡或人口統計特徵進行交叉分類）或方程來描述。首先，我們需要確定我們認為哪些變數是相關的。

家庭端

某個區域離開或返回家庭的總出行次數可以描述為以下函式的函式

$T_{h}=f(housing\ units,\ household\ size,\ age,\ income,\ accessibility,\ vehicle\ ownership).\,\!$

家庭端出行有時是以下因素的函式

• 住房單位
• 家庭規模
• 年齡
• 收入
• 可達性
• 汽車擁有量
• 其他家庭相關因素

工作端

在工作出行的工作端，產生的出行次數可能是以下函式的函式

$T_{w}=f(jobs(area\ of\ space\ by\ type,\ occupancy\ rate))\,\!$

工作端出行有時是以下因素的函式

• 工作崗位
• 工作空間面積
• 佔用率
• 其他工作相關因素

商店端

類似地，購物出行取決於許多因素

$\,\!T_{s}=f(number\ of\ retail\ workers,\ type\ of\ retail,\ area,\ location,\ competition)$

商店末端出行有時是以下因素的函式

• 零售員工數量
• 零售型別
• 零售面積
• 位置
• 競爭
• 其他與零售相關的因素

輸入資料

規劃人員或經濟學家進行的預測活動，例如基於經濟基礎分析的概念的活動，提供人口和活動增長的彙總指標。土地利用預測將預測的活動變化分佈到交通區域。

估計模型

哪個更準確：資料還是平均值？平均值（或彙總值）的問題在於，每個人的出行模式都不同。

家庭端

為了估計家庭端出行量，可以使用交叉分類模型。這基本上是構建一個表格，表格的行和列具有不同的屬性，表格中的每個單元格都顯示一個預測的出行量，這通常直接從資料中得出。

在交叉分類模型示例中：因變數是每人出行量。自變數是住宅型別（單戶或多戶家庭）、家庭規模（每戶 1、2、3、4 或 5 人以上）和個人年齡。

下圖顯示了出行量隨年齡在單戶住宅和多戶住宅型別中變化的典型示例。

下圖顯示了移動平均線。

非家庭端

可以使用普通最小二乘 (OLS) 迴歸（一種統計技術，用於擬合曲線以最小化平方誤差（預測值和實際值之間的差異）之和，將出行量與就業型別和人口特徵相關聯）來開發“工作”和“其他”出行端的出行量。

用於估計工作端出行量的變數是辦公室就業 ($E_{off}\,\!$), 零售 ($E_{ret}\,\!$) 和 其他 ($E_{oth}\,\!$)

方程的典型形式可以表示為

$T_{D,k}=a_{1}E_{off,k}+a_{2}E_{oth,k}+a_{3}E_{ret,k}\,\!$

其中

• $T_{D,k}\,\!$ - 區域 k 中每位員工吸引的出行量
• $E_{off,i}\,\!$ - 第 i 個區域的辦公室就業
• $E_{oth,i}\,\!$ - 第 i 個區域的其他就業
• $E_{ret,i}\,\!$- 第 i 個區域的零售就業
• $a_{1},a_{2},a_{3}\,\!$ - 模型係數

標準化

對於每種出行目的（例如，從家到工作），從家出發的出行次數必須等於到達工作的出行次數。兩個不同的模型可能會得出兩個結果。有幾種技術可以處理這個問題。可以假設其中一個模型是正確的，並調整另一個模型，或者取中間值。

必須確保出行起點的總數等於出行終點的總數，因為根據定義，每次出行交換都必須有兩個出行端。

假設在家端開發的比率是最準確的，

標準化的基本方程

$T'_{D,j}=T_{D,j}{\frac {\sum \limits _{i=1}^{I}{T_{O,i}}}{\sum \limits _{j=1}^{J}{T_{D,j}}}}\,\!$

示例問題

• 問題 (解答)
• 問題 (解答)
• 問題 (解答)

變數

• $T_{O},i$ - 從區域 i 出發的出行人數
• $T_{D},j$ - 到達區域 j 的出行人數
• $T_{O},i'$ - 標準化後從區域 i 出發的出行人數
• $T_{D},j'$ - 標準化後到達區域 j 的出行人數
• $T_{h}$ - 從家出發的人數（通常為早上出行，下午目的地）
• $T_{w}$ - 從工作出發的人數（通常為下午出行，早上目的地）
• $T_{s}$ - 從商店出發的人數
• $H_{i}$ - 區域 i 的家庭數量
• $E_{off,k}$ - 區域 k 的辦公就業人數
• $E_{ret,k}$ - 區域 k 的零售就業人數
• $E_{oth,k}$ - 區域 k 的其他就業人數
• $B_{n}$ - 模型係數

縮略語

• H2W - 居住地到工作地
• W2H - 工作地到居住地
• W2O - 工作地到其他地點
• O2W - 其他地點到工作地
• H2O - 居住地到其他地點
• O2H - 其他地點到居住地
• O2O - 其他地點到其他地點
• HBO - 居住地為起點的其他出行（包括 H2O、O2H）
• HBW - 居住地為起點的上下班出行（H2W、W2H）
• NHB - 非居住地為起點的出行（O2W、W2O、O2O）

外部練習

使用 STREET 網站 上的 ADAM 軟體，嘗試完成作業 #1，瞭解分析區域特徵的變化如何生成網路上的額外出行。

附加問題

• 家庭作業
• 附加問題

進一步閱讀

• 維基百科上的出行生成文章

影片

• 出行生成
• 標準化