基于多元logit的上海市货车目的地选择模型.pdf

77 TRAFFIC&TRANSPORTATION2023 年 7 月 第 39 卷第 4 期（总第 228 期）Jul.2023,Volume 39No.4(Serial No.228)收稿日期：2023-04-07第一作者简介：汤月华（1989-），女，汉族，江苏昆山人，硕士，工程师，主要研究方向：公共交通模型和货运模型。基于多元 logit 的上海市货车目的地选择模型汤月华，李 璐，王 媛（上海市城乡建设和交通发展研究院，上海 200040）摘 要：在上海市第六次综合交通大调查货车数据的基础上，研究一种基于多元 logit 的货车单点配送目的地选择模型。首先，将 12t 以上货车的 GPS 数据、12t 以下货车的人工问询调查数据、网络货运平台数据和无线电射频识别（RFID）标签数据进行相互核对和校核；其次，划分 399 个货运小区，按货物和货车类型交叉分类将货车分为 7 类，将目的地小区的综合阻抗、非规模吸引变量、规模吸引变量等变量作为输入条件，标定目的地选择模型的参数并进行解释，得到精度较高的系数估计结果；最后，在小区层面检验了 7 类货车的单点配送模型，证实模型结果达到中宏观应用要求。关键词：货车；目的地选择模型；单点配送；综合交通大调查；规模变量；非规模变量中图分类号：U491文献标志码：A文章编号：1671-3400(2023)04-0077-07Shanghai Freight Car Destination Selection Model Based on Multiple LogitTANG Yuehua,LI Lu,WANG Yuan(Shanghai Urban-Rural Construction and Transportation Development Research Institute,Shanghai 200040,China)Abstract:On the basis of the 6th comprehensive transportation survey truck data in Shanghai,a truck single point delivery destination selection model based on multiple logits was studied.Firstly,cross check and verify the GPS data of trucks above 12 tons,manual inquiry survey data of trucks below 12 tons,network freight platform data,and RF card data;Secondly,399 freight communities were divided into 7 categories based on the cross classification of goods and truck types.The comprehensive impedance,non scale attraction variables,and scale attraction variables of the destination community were used as input conditions to calibrate the parameters of the destination selection model and explain them,Obtained highly accurate coefficient estimation results;Finally,a single point delivery model for 7 types of trucks was tested at the community level,confirming that the model results meet the requirements for medium to macro applications.Keyword:Truck;Destination selection model;Single point delivery;Comprehensive transportation survey;Scale variables;Non scale variables因而从货物到货车的货车出行分布模型研究很难开展。货车出行分布模型是传统“四阶段”模型的基础和重点，目的地选择模型作为出行分布模型的一种，从非集计（Disaggregate）的角度重新定义了货车出行的特性1。目前，国内对非集计行为模型的研究大多集中在“四阶段”模型中的出行生成和出行方式选择这两个阶段中，但是用于出行分布的研究相对较少，在整个“四阶段”模型的研究和项目应用中仍然以集计模型为主2。为提高上海市综合交通模型精度，规划城市货运物流体系，制定货物运输发展政策，优化上海国际航运中心集疏运体，从而促进上海市城市货运的可持续发展，本文结合 12 t 以上货车 GPS 数据和 12 t 以下货车人工0 引言 货车出行分布模型是研究上海市域内货运车辆出行分布特征的交通模型。相对于人员交通出行分布来说，货车的出行分布模型基础较为薄弱。货车的出行分布本质上是货物的运输分布，要想掌握一个区域货车的出行量及分布，就必须先弄清楚该区域货物的移动规律。然而，由于货种繁多，整个城市的物流资料很难调查获得，142023 年第 4 期 78 问询调查数据，建立基于多元 logit 的货车目的地选择模型，并对模型变量系数进行参数估计与解释说明，使模型能够准确地模拟货车的空间分布特征，为定量分析不同类型货车的出行目的地选择行为提供有力的工具。1 相关研究综述 在各类文献报告中研究的交通分布模型有很多种类，从短期预测和中长期预测的角度来区分，大致可以归为两类：一类是增长系数法；另一类是重力模型法3。前者假定未来和现有的 OD 交通量的分布形式相同，在此假定的基础上预测目标区域目标年的 OD 交通量；后者分析研究现状的 OD 交通量，剖析 OD 交通量的分布结构和规律，并将此规律用数学模型的形式表现出来，用现状的调查数据或者统计数据来标定数学模型中的参数，而后用标定的分布模型预测未来年的 OD 交通量。与增长系数法相比，重力模型法使用交通小区之间的时间阻抗、距离阻抗以及出行成本等因素作为模型研究的基础，不仅考虑了用地使用变化对出行分布的影响，而且体现了交通设施的影响。重力模型法虽有较好的理论基础且有成熟的软件可以标定，但仍有以下缺陷：难以解释目的地选择行为，仅仅将交通阻抗和出行产生、吸引量作为决定出行分布的变量；重力模型法难以反应土地利用模式对出行分布的影响4。针对重力模型中仅考虑交通阻抗、出行产生、吸引量作为决定因素，难以对目的地的选择做出解释的缺陷，为此通过引入反映服务功能和交通设施的非规模吸引变量，将反映目的地用地性质规模的吸引变量作为模型输入条件，结合 12 t 以上货车 GPS 数据和 12 t 以下货车人工问询调查数据建立上海市的货车出行目的地选择模型。2 货车单点配送出行链模型研究案例2.1 数据来源 结合上海市第六次综合交通大调查中的货运调查数据，调查对象为在上海市行驶的货运车辆。调查途经有 4 个：通过货运企业开展人工问询、GPS 数据开发、网络货运平台数据分析以及无线电射频识别（Radio Frequency Identification，RFID）标签数据挖掘。以往的调查是以通过货运企业开展人工问询调查为主，本次调查获取了 12 t 以上本外地籍货车在上海市范围内行驶轨迹以及网络货运平台的部分运单数据，采用 12 t 以上货车以 GPS 数据开发为主、12 t 以下货车以通过货运企业开展人工问询为主、网络货运平台为补充的调查方法，4 种调查途径获取的数据进行相互核对和校核。12 t 以上货车 GPS 数据来源于工作日在沪运营的12 t 以上重货车辆 8.3 万辆，集卡 5.0 万辆。重型货车GPS 数据包含日期时间、车辆编号、经纬度、车型、排放标准等，车辆轨迹的默认回报间隔为 30 s，通过对货车 GPS 的数据进行开发和处理，获取车辆出行分布、运营特征指标、主要货运通道、主要货运通道车速、货车集聚地和停留地分析，并且根据车牌号码的匹配对几种调查途经获取的数据进行校核。对于可得的车辆 GPS 数据，一方面，货运车辆类型无法覆盖中小型车辆；另一方面，货运车辆 GPS 数据以反映车辆出行空间特征为主，无法获知货物运输的肌理。因此，要想掌握货物运输的源头性特征，还是需要开展必要的人工调查补充，获取本市货车出行基本特征，如出车率、出行总车次、平均每车出行次数、平均出行距离、空驶率、货运量等，基于行政区扩算获取一定精度的现状货车 OD，为货车 OD 预测提供现状基础。本次调查总体抽样车辆约为 1.65 万辆，小型货车（2 t以下）抽样率为车辆总数的 20%，中型货车（2 4 t）、大型货车（4 8 t）抽样率为车辆总数的 10%，由于12 t 以上车辆可以获取 GPS 数据，重型货车（8 t 以上）选取抽样率为 5%。RFID 标签是利用射频在非接触双向通信中的交换数据，以达到识别的目的。通过对集装箱 RFID 标签相关数据开发和处理，获得集装箱车辆结构特征和集装箱车辆进出港区的特征，与通过企业开展人工问询和 GPS数据挖掘获取的数据进行相互补充和校核。目前，货运市场上出现了众多基于互联网的货运平台，属无车承运人范畴，如天地汇等。使用这类平台的货运企业以规模以下企业为主，可作为人工调查的补充。拟获取指标同普通货运的调查内容一致，2 种不同调查方式获取的数据可相互对照、补充。2.2 货运小区划分 由于货物产生吸引与居民出行产生吸引的机理有所不同，需要小区根据货运特征进行重新划分。在原有中区的基础上，根据货运枢纽、场站地理位置、工业物流用地特征以及货车 GPS 到发点分布情况，对其进一步合并拆分，得到一套适用于货运需求分析的交通小区，共计 399 个货运小区。主要考虑的货运枢纽场站包括：外高桥港区、洋山港区、吴淞港区、浦东机场、芦潮港站、闵行站、杨行站共 7 个。根据人工调查样本，进出道口车流量较大的包括：淀山湖（S26 沪常高速）、安亭（G2 京沪高速）、汾湖（G50 沪渝高速）、朱桥（G15 沈海高速）、金山卫（G15 沈海高速）、枫泾（G60 沪昆高速）共 6 个。12 t 以上普通货车市域内部主要通道包括 S20 外环高速、G15 沈海高速、S32 申嘉湖高速和 S4 沪金高速，进出上海市主要道口包括朱桥、S26、枫泾、金山卫和汾湖道口等；集卡市域内部主要通道包括 G1503 上海绕汤月华，李 璐，王 媛：基于多元 logit 的上海市货车目的地选择模型2023 年第 4 期 79 城高速、G15 沈海高速、S32 申嘉湖高速和 S2 沪芦高速，进出上海市主要道口包括洋桥、朱桥、汾湖、枫泾和金山卫道口等（见图 1）。2.3 货车模型分类 首先，根据货种将模型分为生产型和生活型两类，其中：能源、生产型原材料、建筑材料、机械设备、化工及医药为生产型货物；农副产品、农林牧渔业、生活用品为生活型货物。其次，根据车型分为小货车、大中型货车、重型货车三类，共计 6 个子类。最后，集装箱货车不区分生活型货物或者生产型货物，共计 7 个子类。2.4 单点配送出行链模式 单点配送出行链模式共分为取货 送货 返回、取货 送货、送货 返回、送货共 4 种类型，车辆单点配送中，车辆除了配送目的外，还有取货、返回目的地 2种空载出行，本次研究将这 2 种空载出行归入该次送货的货物类型类目中。2.5 货车分布模型2.5.1 模型技术路线 目的地选择模型是实现配送活动分布向货车出行分布转换的核心步骤，是当前出行分布领域的研究热点。相比于传统的出行分布模型，如重力模型、增长率模型、最大熵模型等，目的地选择模型可以捕捉到个体层面上决策者选择行为的变化，能够更加灵活的引入除阻抗变量外的解释变量，如用地属性、小区属性、政策相关变量等，因而具有更广泛的应用范围5。所有的目的地小区选项采用如下统一的随机效用图 1 货运小区区划及道口枢纽分布图方程：Uij=Vij+ij=b1 tij+b2 xj+ln(zj)+ij（1）式中：i 为货车的起点小区；j 为货车的目的地小区；Vij为从小区 i 出发，选择小区 j 为出行目的地的系统效用部分；tij为小区 i 到小区 j 之间的出行阻抗向量（如行程时间、行程距离、花费、有无山脉或河流等）；xj为目的地小区 j 的非规模型吸引向量（如目的小区是否包含枢纽、是否包含道口、是否与小区 i 处于同一小区等）；zj为目的地小区 j 的规模型吸引向量（小区拆分或合并时会发生变化的规模变量，如小区内的人口数、就业岗位数、工业仓储用地面积、建筑量等）；b1、b2和分别为变量对应的系数向量；ij为相互独立且服从标准Gumbel 分布的随机效用部分。根据分布假设和效用最大化原理可以导出基于多元logit 模型的目的地选择的概率表达式：Pik=exp(Vik)（2）exp(Vik)式中：Pik为从小区 i 出发的货车选择小区 k 作为出行目的地的概率。基于多元 logit 的目的地选择模型具有“无关选项独立性”（Independence of Irrelevant Alternatives，IIA）属性，即任意 2 个选项之间的概率比与其他选项无关。这个属性给目的地选择模型系数的估计工作带来了很大便利6。目的地选择模型以划分的 399 个交通小区作为目的地选择模型的选择肢，分别构建 7 个子类的货车分布模型，输入生成吸引量、阻抗矩阵（出行距离或出行时间）、用地等变量。使用 Transcad 9.0 软件进行目的地选择的参数标定工作。2.5.2 模型特性变量 在进行分布模型标定之前，需要通过车流分配模型获得货车的出行阻抗矩阵，阻抗矩阵是考虑时间、距离、费用等因素的综合阻抗。还需要准备是否区内、是否枢纽、是否道口等非规模吸引变量和人口、分类岗位、分类用地、分类建筑量等规模吸引变量作为模型的输入条件（见表 1）。2.5.3 检验标准判定与结果汇总 参数估计结果：对模型参数进行 T 检验后，如果|Tk|1.96（2.576），则有 95%（99%）的把握认为相应变量对选择概率影响显著；当|Tk|1.96（2.576）时，则有95%（99%）的把握认为相应变量对选择概率无影响，参数值为正，代表对选择结果有正影响，也就是货车越倾向于选择该目的地；参数值为负，代表对选择结果有负影响，也就是货车越不倾向于选择该目的地。标准差用于衡量回归系数值的稳定性和可靠性，数值越小越稳定，若小于 0.05，则参数的显著性通过检验。通常采用拟合优度比2来评价模型预测是否准确，Jj=1汤月华，李 璐，王 媛：基于多元 logit 的上海市货车目的地选择模型2023 年第 4 期 80 越大模型的精度越高。一般认为达到 0.2 0.4 时，即可认为可以接受。预测结果表示本模型的预测精度较高。2.5.4 模型估计与解释 对货车行程样本数据进行估计，得到各类型货车目的地选择模型的系数（见表 2）。从表 2 可以看出，所有变量在模型回归时的 T 检验绝对值都在 1.96 以上，且标准差均小于 0.05，达到了95%的置信度，而且模型的 McFadden 系数2均大于0.2，满足了一般拟合度的要求。虽然引用了小区人口和不同类型的岗位数量、建筑量和用地面积作为输入的可选变量，但最终被选择的规模型吸引变量大致可分为三类：仓储用地面积，与七类货车的目的地选择均产生相关联系；以工业岗位数量为代表的生产型变量；以小区人口数量、商业服务类建筑量、住宅用地面积、公共与商业用地面积为代表的生活型变量。标定结果呈现以下特征。（1）根据模型估计结果，综合阻抗前的系数为负，表明行程时间越长、距离越长、花费越多，出行综合阻表 2 基于第六次交通大调查数据的目的地选择模型参数标定结果车型分类变量类型变量名称单位系数标准差T 检验2集卡阻抗变量综合阻抗min 0.008 70.000 5 17.400.50非规模吸引变量是否区内0 或 1 1.626 40.019 8 82.09是否枢纽0 或 11.722 00.019 886.92规模型吸引变量工业岗位万个0.151 40.006 124.93仓储用地hm20.005 30.000 150.79集卡吸引量车次0.037 70.000 575.40生产重货阻抗变量综合阻抗min 0.025 50.001 8 14.110.34非规模吸引变量是否区内0 或 1 1.159 20.023 4 49.47是否枢纽0 或 10.451 50.027 016.73规模型吸引变量仓储用地hm20.006 70.001 73.96工业岗位万个0.001 90.000 53.64生产重货吸引量车次0.003 00.000 126.06生活重货阻抗变量综合阻抗min 0.023 20.003 3 7.030.35非规模吸引变量是否枢纽0 或 10.812 80.043 118.87是否区内0 或 1 1.095 20.040 6 26.96规模型吸引变量商业服务类建筑量万 m20.004 40.001 43.16人口万人0.030 90.007 04.39生活重货吸引量车次0.005 40.000 222.62生产小货阻抗变量综合阻抗min 0.025 20.003 1 8.050.39非规模吸引变量是否区内0 或 1 0.485 80.037 5 12.96规模型吸引变量住宅用地hm20.005 40.001 63.26仓储用地hm20.006 60.000 79.88工业岗位万个0.065 40.011 95.51人口万人0.032 60.005 95.57生产小货吸引量车次0.002 60.000 132.01表 1 货车目的地选择模型特性变量及数据来源变量类型变量名称单位数据备注阻抗变量综合阻抗min时间、距离、费用等综合阻抗目的地小区非规模吸引变量是否区内0/1小区内则取 1，否则取 0是否枢纽0/1小区内包含则取 1，否则取 0是否道口0/1小区内包含则取 1，否则取 0目的地小区规模吸引变量人口万人人口普查数据岗位类型万个遥感用地数据建筑量类型 万 m2用地类型hm2吸引量车次货运调查数据和货车 GPS 数据它们相当于确定系数，可以理解为描述因变量的变异中被自变量所“解释”的百分比，其值在 0 1 之间，值汤月华，李 璐，王 媛：基于多元 logit 的上海市货车目的地选择模型2023 年第 4 期 81 续表 2车型分类变量类型变量名称单位系数标准差T 检验2生活小货阻抗变量综合阻抗min 0.022 80.002 6 8.680.40规模型吸引变量仓储用地hm20.001 30.000 34.19人口万人0.020 00.005 13.95商业服务类建筑量万 m20.004 20.001 04.14生活小货吸引量车次0.003 20.000 133.41生产大中货阻抗变量综合阻抗min 0.045 30.003 1 14.580.34非规模吸引变量是否区内0 或 1 0.781 40.037 1 21.06规模型吸引变量公共与商业用地hm20.001 00.000 33.02工业岗位万个0.085 10.011 67.36仓储用地hm20.001 50.000 26.20住宅用地hm20.003 60.000 93.96生产大中货吸引量车次0.003 60.000 222.10生活大中货阻抗变量综合阻抗min 0.044 10.003 1 14.170.34非规模吸引变量是否区内0 或 1 0.570 70.030 8 18.55规模型吸引变量仓储用地hm20.001 70.000 35.79商业服务类建筑量万 m20.002 60.000 73.78生活大中货吸引量车次0.007 80.000 236.68抗越大，则货车选择某一小区的概率越小；是否区内的系数也为负数，说明货车更倾向于选择货运小区以外的目的地。其余变量前的系数都为正，表明其余变量会增加该小区对货车出行的吸引。（2）在 7 种车型中，集卡的 McFadden 系数2最高，说明其与相关变量的拟合度最高，与集卡吸引量高度相关的变量包括小区内是否有枢纽、工业岗位个数、仓储用地面积等生产型变量；集卡车的出行主要集中在堆场、仓储用地、工业用地较为集中的区域以及港口码头等集装箱货物较为集中的区域。（3）从被选择的变量来看，七类车型的目的地选择概率均与该小区的仓储用地面积产生强相关，但是与工业岗位数量产生强相关联系的是集卡和生产型货车，而商业服务类建筑量是和生活型货车目的地选择产生强相关的变量，说明所有货车都倾向于去向堆场、仓储用地或者物流园区；生产型货车出行主要集中在工业仓储用地较为集中的区域；生活型货车出行主要集中在商住用地较为集中的区域。（4）目的地选择的变量依赖度在七类货车之间存在差别，体现在生活型货车目的地选择的规模变量只与生活型变量相关。生产型货车也呈现同样的特征，但在生产型普通货车的吸引变量选择中，生产型变量和生活型变量的选择就会产生交叉，说明大多数货车出行目的地的用地性质较为单一。生活型货车以运输日常生活类货物为主，出行分布上多集中在人口密集的城市化地区，与经济发达程度、人口岗位密集度等关系较大；生产型货车出行主要集中在工业仓储用地较为集中以及货运枢纽区域，生产型普通货车在运输电器、医药等物品时也可能去向人口密集地区（见表 3）。表 3 标定结果特征总结货车分类生产型货车生活型货车集卡只与生产型变量相关均与仓储用地面积、工业岗位数量相关均与仓储用地面积、商业服务类建筑量相关重货只与生产型变量相关只与生活型变量相关普货（大中小型货车）主要与生产型变量相关，也与生活型变量相关只与生活型变量相关 为了更直观地表现三类货车的出行分布特征，将399 个货运小区归并为 46 个货运中区来显示期望线分布（见表 4）。从各类货车的起讫点分布看，集卡、重货和普通货车由于其服务的运输对象货种不同，三类车种的起讫点分布呈现不同的特征。首先，集卡的起讫点主要集中在满足海运需求的浦东外高桥、洋山港区、临港等码头，满足铁路运输需求的金山化工园区、宝钢物流园区、浦东芦潮港站等铁路专用货运场站，满足航空运输需求的浦东空港物流园区，满足嘉定上汽工业园区等本地大汤月华，李 璐，王 媛：基于多元 logit 的上海市货车目的地选择模型2023 年第 4 期 82 型企业运输需求以及有提、还箱等伴生需求的集装箱堆场。其次，重货的起讫点分布与工业和仓储用地的重合度较高，主要分布在企业园区，如沪嘉高速沿线、安亭汽车园区、松江高新科技园区、青浦快递企业物流园区、吴泾闵行站铁路物流区、空港物流区等。最后，普通货车的起讫点在市区和郊区基本全覆盖，重点分布在郊区，集中在青浦、宝山、浦东等快递企业分拨中心的集中区域，浦东的机场西侧、南汇工业园区、UPS 物流操作中心和普洛斯闵行等工业园区，嘉定的京东上海亚洲一号基地、菜鸟网络以及中心城区范围内的商办集中区，如陆家嘴、黄浦区等也是普通货车服务的主要区域（见图 2）。（a）集卡 （b）重货 （c）普通货车图 2 三类货车的期望线分布图表 4 上海市域范围内 46 个货运中区区域数量/个备注内环内6内外环间15世博浦西 1 个、徐汇 1 个、闵行 1 个、长宁 1 个、普陀 1 个、桃浦 1 个、新静安 1 个、宝山 1 个、杨浦 1 个、外高桥2 个、金桥 2 个、张江 1 个、三林 1 个外环外郊区24宝山 3 个、嘉定 3 个、虹桥 2 个、青浦 2 个、松江 3 个、闵行 2 个、金山 2个、奉贤 2 个、浦东 3 个、崇明 2 个洋山港12.5.5 分布模型检验 为了对货车分布模型进行验证，利用上海市第六次综合交通大调查中货车出行的 OD 对所建立的模型进行验证，其中 12 t 以上货车以 GPS 数据开发为主、12 t 以下货车以通过货运企业开展人工问询为主。以 399 个货运小区作为统计单元，验证每个小区七类货车的实际吸引量与模型吸引量的 R2误差（见图 3）。集卡的 R2拟合度最优，达到0.88以上，所有货车的拟合R2均大于0.72，满足标定允许的误差范围（平均分布误差在 10%以内，R2大于 0.81；平均分布误差在 15%以内，R2大于 0.72）。3 结语 对经济活跃的城市来说，货运模型的构建尤为重要。首先，经济的活跃带动新兴产业的不断涌现，从而产生新的货运流和物流，其本身也对原有的客流产生一定程度的影响；其次，城市内部产业的局部调整、产业的兴衰转变、进出口吞吐量的增减、国际形势的变化等都会直接改变货车和货运的流动肌理，这样的不确定性在进出口贸易为主的东南沿海城市更为凸显；最后，货运交通流在受到产业影响的同时，还会受到多种模型竞争的影响。以上原因对货车出行预测模型提出了挑战。由于货种繁多，整个城市的物流资料很难调查获得，从货物到货车的货车出行分布模型研究很难开展，一直以来都被简化，如仅用统计学的方法来建模。针对传统集计交通分布模型土地利用吸引度变量单一、难以描述定性变量影响、无法刻画个体目的地选择行为的局限性，本文建立了基于多元 logit 货车目的地的选择模型，引入是否区内、是否枢纽、是否道口等非规模吸引变量和人口、分类岗位、分类用地、分类建筑量等规模吸引变量作为模型的输入条件，反映了设施属性、用地属性、服务功能属性对目的地选择行为的影响，并对模型变量系数进行参数估计与解释说明，使模型能够准确地模拟货车的空间分布特征，模型标定所得效用函数可以用于计算目的地选择概率，进而服务于出行分布预测分析，为定量分析不同类型货车的出行目的地选择行为提供有力的工具。汤月华，李 璐，王 媛：基于多元 logit 的上海市货车目的地选择模型2023 年第 4 期 83 图 3 399 个货运小区吸引量的统计值与模拟值拟合图R2=0.889 6R2=0.721 8R2=0.757 1R2=0.791 5R2=0.797 6R2=0.721 0R2=0.737 8?参考文献：1 魏薇，黎豪.基于 Logit 客流分配模型城际轨道交通定价研究 J.科技与创新，2023（4）：24-26.2 庄焱，董春娇，米雪玉，等.基于随机参数 Logit 的中小城市居民出行方式选择建模 J/OL.吉林大学学报（工学版）：1-102023-04-07.https:/doi.org/10.13229/ki.jdxbgxb20220312.3 金方磊，刘畅，陈涛.基于多源问卷数据融合的公铁货运方式选择模型研究 J.铁道经济研究，2022（4）：35-40.4 李新媛.基于深度学习的货车出行路径偏好分析与预测D.成都：西南交通大学，2020.5 蔡静.货车交通需求预测模型及通行管理政策效果评价方法研究 D.北京：北京工业大学，2019.6 朱家瑜，叶昕.上海市出租汽车乘客目的地选择模型 C/中国城市规划学会城市交通规划学术委员会.2017 年中国城市交通规划年会论文集.北京：中国建筑工业出版社，2017：11.汤月华，李 璐，王 媛：基于多元 logit 的上海市货车目的地选择模型