趙凱華

（北京交通大學 交通運輸學院，北京 100044）

交通出行選擇行為理論與模型應用分析

趙凱華

（北京交通大學 交通運輸學院，北京 100044）

從交通出行選擇行為理論與模型的發(fā)展歷程和理論淵源出發(fā)，闡述隨機效用理論、期望效用理論、累積前景理論、后悔理論及非/半補償模型的基本原理和應用現(xiàn)狀，并對其在決策準則、決策情景、決策者假設和決策策略等方面比較分析，指出在應用中存在的問題和適用性。基于效用最大化的模型在實踐中應用廣泛，但其理性人假設和補償形式受到質疑，其替代模型在描述和預測出行選擇行為上有更大潛力，但需進行有效性驗證。與貝葉斯學習、博弈論等結合描述出行選擇的動態(tài)過程、從出行產(chǎn)生的內(nèi)在機理和決策心理出發(fā)構建出行選擇行為模型及大數(shù)據(jù)環(huán)境下的交通出行行為研究將是今后研究的方向。

交通出行；隨機效用理論；期望效用理論；前景理論；后悔理論；半補償模型；大數(shù)據(jù)；數(shù)據(jù)導向

0 引言

出行選擇行為研究是交通問題研究和實踐的基礎，無論是交通規(guī)劃、日常交通管理，還是制定交通需求管理政策，都需要對出行者的出行選擇行為和決策方式進行深入分析和研究，依此建立合理的出行選擇行為模型，對出行選擇行為進而對交通需求做出正確的描述與預測。交通出行選擇行為包括：出行目的地選擇、出發(fā)時間選擇、出行方式選擇、出行路徑選擇等。在出行過程中，出行活動特征屬性、備選方案屬性、出行者社會經(jīng)濟屬性和行為決策方式會對出行選擇行為產(chǎn)生影響。出行選擇通常涉及多個備選方案、方案有多種屬性、方案各屬性在不同狀態(tài)下結果不同，是一個需從多維度考慮的復雜問題。

出行選擇行為可看作一種經(jīng)濟行為，可借鑒離散選擇行為（計量經(jīng)濟學）、個體決策行為（行為經(jīng)濟學）、消費者購買決策行為（消費者行為學）和判斷與決策（心理學）的理論和模型進行研究。用于出行選擇行為研究的理論和模型主要包括：隨機效用理論、期望效用理論、前景理論、后悔理論及非/半補償模型。

1 出行選擇行為理論和模型基本原理及應用現(xiàn)狀

1.1 隨機效用理論

隨機效用最大化（Random Utility Maximization，RUM）模型（交通運輸領域有時稱為離散選擇模型或非集計行為模型）是一種概率模型，選擇結果用每種方案的被選概率表達，RUM模型在交通運輸領域中得到廣泛應用。這類模型假設決策者能夠做出效用最大化選擇，同時也考慮決策者有限的認知能力，對效用的感知存在隨機誤差。

效用可分解為2部分：可觀測部分（稱固定項）和不可觀測部分（稱隨機項，包含難以觀測到的效用和觀測誤差）。不同的隨機項分布假設推導出不同的模型形式，常用的有Probit、MNL（Multinomial Logit）、CL（Conditional Logit）、NL（Nested Logit）和 ML（Mixed Logit）。

RUM模型因其理論成熟、應用簡便，在各類出行選擇問題上都有較多應用，但需根據(jù)問題的具體特點采用適當?shù)哪Ｐ托问健?/p>

（1）出發(fā)時間選項間存在相關的不可觀測因素，不能滿足Logit模型要求的IIA（Independence from Irrelevant Alternatives）特性，用Logit模型描述出發(fā)時間選擇問題會造成偏差，研究者采用其他形式RUM模型。例如：Wen等[1]建立了基于CCNL（Continuous Cross-Nested Logit）的出發(fā)時間選擇模型，利用RUM易于處理的優(yōu)勢，并認識到時間的連續(xù)性；Ben-Elia等[2]將ML模型應用在出發(fā)時間選擇中。

（2）目的地選擇在模型構建上以MNL和NL為主。例如：Kikuchi等[3]應用MCMC算法仿真估計基于MNL模型的目的地選擇模型；Wu等[4]應用NL模型建立旅客出游目的地選擇模型。目的地選擇模型最大的困難是選擇枝過多，選擇枝采用隨機抽樣或分層抽樣的方法產(chǎn)生。蔡昌俊[5-8]等建立城市軌道交通D站選擇的MNL模型，利用代表個人法將AFC采集的集計OD數(shù)據(jù)轉化為非集計數(shù)據(jù)，基于WESML方法對模型進行標定。

（3）出行方式和路徑選擇是典型的離散選擇，各類RUM模型都有應用。例如：Raquel[9]基于RP和SP調查數(shù)據(jù)建立非集計模型，分析市郊運輸通道內(nèi)旅客出行方式選擇行為；Wen[10]應用隱類NL模型分析高鐵通道內(nèi)的出行方式選擇行為；Si等[11]應用Logit模型對城市軌道交通OD間的客流進行分配。

1.2 期望效用理論

期望效用理論（Expected Utility Theory，EUT）是一種風險決策條件下（各備選方案將發(fā)生的結果不確定，但其概率可根據(jù)過去的信息或經(jīng)驗做主觀估計）的規(guī)范化行為理論，即不是要描述人們的實際行為，而是要解釋在滿足一定理性決策條件下人們將如何表現(xiàn)自己的行為。EUT為理性決策提供一套明確的基本假設（或公理）：有序性（分為完備性和傳遞性）、連續(xù)性、獨立性?；谶@4個公理，EUT認為決策者是效用最大化者，即選擇期望效用最大的方案。

備選方案的效用Ui由式（1）給出，它是所有方案可能結果的效用總和。

Savage[12]在EUT的公理體系基礎上，由直覺的偏好關系推導出概率測度（主觀概率），從而得到一個由效用和主觀概率來線性規(guī)范人們行為選擇的主觀期望效用理論（SEU）。

RUM和EUT的決策準則都是效用最大化，但RUM模型通常不考慮選擇方案結果客觀上的不確定性，而EUT是一種風險決策理論。在交通出行選擇行為研究中，一般不直接應用EUT，而是將其作為non-EUT理論的參照理論。

1.3 （累積）前景理論

前景理論（Prospect Theory，PT）是心理學及行為科學的研究成果，是描述性行為理論，描述了風險決策條件下有限理性人的實際行為。PT假設風險決策過程分為編輯和評價2個階段。在編輯階段，決策者根據(jù)“參考點”判斷備選方案的可能結果是“損失”還是“收益”；在評價階段，決策者依賴價值函數(shù)和權重函數(shù)對各方案進行比較，根據(jù)前景值V最大化原則做出選擇。

式中：w（p）為權重函數(shù)（主觀概率）；v（x）為價值函數(shù)；x0為參考點；λ反映損失厭惡程度；α和β分別為收益和損失的邊際遞減敏感度。價值函數(shù)是經(jīng)驗型的，α=β=0.88，λ=2.25，即大多數(shù)人在面臨收益時是風險規(guī)避、在面臨損失時是風險追求、對損失比對收益更敏感；γ和δ分別為收益和損失時權重函數(shù)的曲率，描述主觀概率函數(shù)的變形，二者估計值為γ=0.61、δ=0.69，反映出人們通常高估小概率、低估大概率。

累積前景理論（Cumulative Prospect Theory，CPT）是Tversky等[13]對PT的改進，修正了PT的權重函數(shù)（CPT稱為累積權重函數(shù)π（p）），考慮了方案各可能結果發(fā)生概率的排序依賴，避免與一階隨機占優(yōu)的矛盾。

（C）PT在經(jīng)濟領域應用較多，在出行選擇行為建模中的應用開始于近十幾年，主要關注點在于：

（1）（C）PT描述出行選擇行為的適用性。Katsikopoulos等[14]在路徑選擇實驗中發(fā)現(xiàn)，根據(jù)出行時間參照值，出行者風險態(tài)度也出現(xiàn)“風險規(guī)避”和“風險追求”的轉變；Avineri等[15]設計了路徑選擇實驗，驗證了出行者的實際選擇行為與EUT相背離，而與CPT相一致。Ramos等[16]在實驗基礎上對比了EUT和PT在描述路徑選擇行為上的潛力，結果顯示當有信息提供時PT表現(xiàn)更好。

（2）參考點設置。Jou等[17]假定2個參考點——最早可接受到達時間和工作開始時間。Avineri等[18]認為參考點是出行者對交通系統(tǒng)不確定性的感知，可設置為出行時間的均值；Schul等[19]通過重復實驗發(fā)現(xiàn)，出行者會依據(jù)以往經(jīng)驗持續(xù)更新參考點；Avineri[20]在出行路徑選擇建模中提出模糊參考點的概念。

（3）出行者風險態(tài)度（模型參數(shù)）及參考點設置的異質性。Xu等[21]認為CPT模型中的原始參數(shù)未必適合出行選擇行為的描述，根據(jù)SP調查結果，估計了一組價值函數(shù)參數(shù)，但指出其并非適 用所有路徑選擇行為的一般性參數(shù)。Ramos等[16]根據(jù)實驗數(shù)據(jù)，在每位出行者采用各自參考點時對路徑選擇行為進行預測，與采用統(tǒng)一參考點相比預測結果有一定程度提高，表明考慮不同出行者參考點異質性的必要性。Zhou等[22]將出行者分類，根據(jù)不同類型出行者的不同風險態(tài)度，對參數(shù)分類進行估計，認為忽視出行者風險態(tài)度的異質性會導致無效的預測。

雖然（C）PT作為風險決策條件下的主要替代理論在交通出行選擇行為研究中應用較多，但其適用性也受到了一些質疑，主要體現(xiàn)在：（C）PT假設風險條件下的決策基于客觀概率，而在交通出行環(huán)境中，出行者不知道這些概率，即使提供出行信息，出行者對其也并非完全依賴；交通行為中的參考點非常不明顯，損失規(guī)避在出行選擇等日常行為中是否也起顯著作用并無明確證據(jù)；出行者的參考點和風險態(tài)度參數(shù)存在異質性，不同群體這些參數(shù)不同；出行選擇通常是重復的日常決策，而（C）PT主要只涉及一次決策，不能考慮出行者對決策結果的學習和行為調整。

1.4 后悔理論

后悔理論（Regret Theory，RT）認為決策者是有限理性的，決策行為受到后悔或欣喜情緒的影響。選擇某方案產(chǎn)生的后悔不僅與自身屬性相關，也與備選集中的其他方案相關，方案在不同備選集中的后悔不同，因此不同備選集中的方案間的后悔大小順序可能不同，因此RT在傳遞性上與EUT不同。RT最初作為風險條件下逐對選擇理論發(fā)展起來，經(jīng)過近些年的發(fā)展，形成期望后悔最小化模型（Expected Regret Minimization，ERM）和隨機后悔最小化模型（Random Regret Minimization，RRM），可分別用于風險和確定型決策，適合多項選擇集和多屬性的選擇決策。

在出行選擇行為方面，Chorus[23-25]等在后悔函數(shù)中加入誤差項，提出RRM模型，將其應用于購物目的地選擇、出行方式、車輛燃油類型選擇等方面的研究，并對RRM和RUM進行比較。欒琨[26-27]等應用RRM研究了出行方式和出行路徑選擇行為。

近些年才在出行選擇中引入RT，主要是對RRM模型的應用。RRM中方案的后悔不僅與自身屬性有關，還取決于其他方案屬性大小，而RUM中方案的效用僅與自身屬性有關，理論上RRM似乎比RUM更能刻畫出行者的選擇心理及行為，但仍需更多的數(shù)據(jù)驗證。此外，RRM模型還能克服RUM模型的IIA特性。

1.5 非/半補償模型

基于效用最大化的規(guī)范性決策模型已在交通出行選擇中廣泛應用，假設決策者補償性地利用所有信息（在對備選方案進行選擇時，允許方案某一屬性的不良表現(xiàn)可由其他屬性的優(yōu)秀表現(xiàn)補償），采用效用最大化框架。

RUM背后的微觀經(jīng)濟假設是個體的補償型策略，受到一些研究者的質疑，他們認為非補償策略（不允許屬性間好壞相抵，一個屬性差的表現(xiàn)通常導致該方案被拋棄）可能更符合實際。這些非補償策略通常會為方案各屬性指定切除點（或閾值），高于或低于閾值的方案會被排除。

研究發(fā)現(xiàn)用非補償策略減少選項數(shù)量，用補償策略評估剩余選項的證據(jù)。Ben-Akiva等[28]提出松弛補償假設的2階段半補償模型，顯式地對選擇集生成過程建模：首先對每個個體生成一個可行選擇集，然后應用補償模型計算選擇集中每個選項的被選概率。

研究發(fā)現(xiàn)，雖然決策者事先指定了切除點，但在決策時常常違背。對切除點的違反可能不是導致方案被剔除，而是在效用中加入一個懲罰。Swait[29]對傳統(tǒng)補償型效用最大化框架進行擴展，建立考慮屬性切除點的半補償選擇模型，包含屬性和價格取值的約束，定義一套屬性和價格的上下限（或切除點），在效用函數(shù)中對切除點違反加入線性懲罰項。

在交通選擇行為相關研究中，Cantillo等[30]將2階段半補償模型應用于出行方式選擇；Mart í nez等[31]建立約束MNL模型，即帶懲罰項的半補償模型，表示此模型可應用于交通需求和供給選擇。

對非補償和半補償模型的研究出現(xiàn)較早，但其在出行選擇上的應用并不多，主要是因為其模型較復雜，切除點不易確定，但其確實更能描述確定條件下實際的出行選擇過程，需要進一步對其研究，結合有關智能算法，使其能夠更加有效地應用于出行選擇行為研究中。

2 出行選擇行為理論和模型對比分析

2.1 理論對比

出行選擇行為理論、模型分類及特性見表1。

（1）出行選擇行為發(fā)生的決策情景有確定型（備選方案結果只有1種）和風險型（備選方案結果有2種以上，各結果發(fā)生的概率可以估計）。在確定情景下，適用的模型有RUM、RRM、非/半補償模型；在風險情景下，適用的模型有EUT、（C）PT、ERM。

表1 出行選擇行為理論、模型分類及特性

（2）對于風險決策，EUT是基于決策者理性假設的規(guī)范性決策理論，指導人們應如何作出理性決策，在解釋和預測 決策行為時會產(chǎn)生一些悖論。（C）PT和RT是基于決策者有限理性假設的描述性決策理論，描述人們的實際行為，可用來預測決策行為。EUT有一套理性決策的公理體系，（C）PT和RT是對EUT公理的松弛，前者是獨立性，后者是傳遞性。

（3）風險決策理論中出行者對備選方案的結果不能確定（客觀上也不確定）；而RUM和RRM是概率選擇模型，其中的不確定性（客觀上是確定的）源于出行者的錯誤知覺，因出行者的認知能力有限而不能精確確定備選方案效用，存在一定誤差。

（4）不管是RUM還是EUT、（C）PT，模型中都保持了加權求和的形式，都采用了補償式?jīng)Q策策略。而RT模型中，由于備選方案的后悔函數(shù)不僅與自身屬性有關，也與其他方案屬性有關，因此是一個半補償決策過程。

（5）RUM模型是在出行選擇集確定、效用最大化的假設上提出的，而實際上出行者未必搜索所有方案，會在權衡決策收益和決策成本后選擇滿意方案，半補償模型主要是對RUM模型完全補償策略的修正。

2.2 應用對比

（1）傳統(tǒng)交通出行選擇行為模型大多基于效用理論展開。以備選方案的出行時間、出行費用、擁擠度等屬性期望值或確定值構建阻抗或效用函數(shù)，出行者依阻抗最小或效用最大原則做出選擇。這種模型用補償策略得到方案評價尺度過于單一，且沒有考慮出行者風險態(tài)度的轉變，有時未必能夠反映真實的出行選擇行為。不過有些研究者發(fā)現(xiàn)：當選擇方案數(shù)量不多時，補償型效用理論模型確實能夠較真實地反映出行者的選擇過程；當決策情景是確定型或不確定條件下人們沒有出行信息時，效用理論模型對出行行為的預測比non-EUT模型表現(xiàn)好。

（2）風險條件下的出行選擇行為，尤其是出行方式和出行路徑選擇，適用（C）PT，但其他出行選擇行為是否適用還缺少足夠證據(jù)。而且當前研究考慮的備選方案屬性多基于行程時間，若考慮其他屬性（如費用、舒適性等），也是先將其按補償原則求出綜合阻抗，將確定和不確定屬性轉化統(tǒng)一后是否適用（C）PT有待研究，同時這種情況下的參考點很難確定。另外，（C）PT的應用需要給定備選方案各結果的發(fā)生概率，對于沒有這種出行信息提供的場景，出行者很難按照（C）PT描述的決策過程行事。

（3）RT是另一種non-EUT理論，雖然源于風險條件下的決策問題，但應用較多的是RRM模型，是RT的一種擴展，用于確定型決策，適合多項選擇集和多屬性的選擇決策。當備選方案可對比屬性較多且提供各屬性值信息時，出行者能對更多的屬性進行有效對比，RRM會比RUM更有優(yōu)勢。

（4）當出行選擇的備選方案集確定且數(shù)量較少時，適用補償模型；數(shù)量較多時，出行者會先用非補償策略篩選出選擇集，再用補償原則評估選擇集中的方案。但如果備選方案數(shù)量很大，選擇集的形成過程就不夠高效，如在空間選擇的案例中（如出行目的地和位置選擇）。Swait提出的一步式半補償模型省去選擇集的生成過程，但其效用函數(shù)在切除點處不可微，這給計算過程造成困難。

（5）RUM和RRM模型形式簡單，參數(shù)易估計；（C）PT至少要5個模型參數(shù)，還有1個參考點，且在出行行為中，參考點的確定也沒有統(tǒng)一規(guī)則；半補償模型存在切除點不易確定的問題。

3 結論與展望

綜上所述，以效用最大化理論為基礎的EUT和RUM模型在出行選擇行為分析上有著廣泛應用，但其理性人假設和補償型的模型形式受到心理學、行為科學和交通領域研究者的質疑，出現(xiàn)了一些替代理論和模型，如（C）PT、RT、半補償模型。PT和RT在理論上描述出行行為很有潛力，但用于出行行為建模的研究還剛起步，其有效性有待驗證；出行信息供給不足時，出行者的選擇行為未必能夠被其捕獲。半補償模型雖能更為真實地描述出行選擇行為過程，但由于其模型標定復雜、切除點難確定，實際應用中也受到限制。隨著數(shù)據(jù)采集手段的進步及出行信息提供量的加大，這些非效用最大化模型對出行選擇行為的描述和預測會更有效，其應用價值更大。實際應用中需根據(jù)問題的具體特點和模型特性進行比選，確定適當模型。

基于介紹的基礎理論和模型，在具體研究中還可從以下3方面考慮，將不同領域的理論和方法相結合，以更客觀、精確地描述和預測出行選擇行為。

（1）出行選擇也是一個動態(tài)、重復的行為過程，出行者會根據(jù)交通管理者提供的或自己搜索到的出行信息，以及每次的出行體驗，在途或逐日調整自己的選擇行為，這需要將出行選擇理論與貝葉斯學習、博弈論、計算機仿真技術等相結合，以真實描述和預測出行者的選擇行為。

（2）傳統(tǒng)出行選擇行為模型中，通常僅考慮客觀、可測量的出行方案屬性和出行者經(jīng)濟社會屬性，未考慮出行者態(tài)度、認知等主觀因素對決策過程的影響，單純追求行為結果，而對行為的內(nèi)在機理研究較少。從出行產(chǎn)生的內(nèi)在機理和決策心理過程出發(fā)，考慮影響出行選擇的心理因素潛變量和其他顯性變量，運用結構方程或計劃行為理論等深入理解和研究出行行為，構建潛變量和顯變量的整合模型，提高傳統(tǒng)出行選擇模型的解釋能力和精度，也是今后研究的一個方向。

（3）隨著現(xiàn)代信息技術的發(fā)展，移動互聯(lián)和物聯(lián)網(wǎng)能夠提供大量交通出行數(shù)據(jù)（如IC卡數(shù)據(jù)、手機GPS數(shù)據(jù)、汽車導航數(shù)據(jù)等），大數(shù)據(jù)環(huán)境下的交通出行行為研究將成為該領域發(fā)展的前沿熱點，以數(shù)據(jù)為導向的出行選擇行為建模將是一個重要命題。

[1] WEN C，KOPPELMAN F S．The generalized nested logit model[J]．Transportation Research Part B：Methodological，2001，35(7)：627-641．

[2] BEN-ELIA E，ETTEMA D．Rewarding rush-hour avoidance：a study of commuters’ behavior[J]．Transportation Research Part A：Policy and Practice，2011，45(7)：567-582．

[3] KIKUCHI A，KITAMURA R，YAMAMOTO T，et al．Simulating spatial choices with quasi-continuous representation of urban space：An application of MCMC algorithms[C]// Transportation Research Board，National Research Council，Washington DC，2003．

[4] WU LINGLING, ZHANG JUNYI, AKIMASA FUJIWARA．Representing tourist’s heterogeneous choice of destination and travel party with an integrated latent class and nested logit model[J]．Tourism Management，2011(32)：1 407-1 413．

[5] 蔡昌俊，姚恩建，張永生，等．基于AFC數(shù)據(jù)的城軌站間客流量分布預測[J]．中國鐵道科學，2015，36(1)：126-132．

[6] 李偉，周峰，朱煒，等．軌道交通網(wǎng)絡客流大數(shù)據(jù)可視化研究[J]．中國鐵路，2015(2)：94-98．

[7] 姜利，張正普，王曉冬．公交化鐵路客運站客流統(tǒng)計與分析系統(tǒng)研究[J]．中國鐵路，2014(4)：26-28．

[8] 羅志強，林肯．基于智能視頻分析的區(qū)域式客流計數(shù)算法[J]．中國鐵路，2013(1)：87-90．

[9] RAQUEL E．Understanding suburban travel demand：flexible modeling with revealed and stated choice data[J]．Transportation Research Part A：Policy and Practice，2007，41(10)：899-912．

[10] WEN CHIEH-HUA．Latent c lass nested logit model for analyzing high-speed rail access mode choice[J]．Transportation Research Part E：Logistics and Transportation Review，2012，48(2)：545-554．

[11] SI BINGFENG，ZHONG MING，LIU JIAN-FENG，et al．Development of a transfer-cost-based logit assignment model for the Beijing rail transit network using automated fare collection data[J]．Journal of Advanced Transportation， 2013，47(3)：297-318．

[12] SAVAGE L J．The foundations of statistics[M]．New York：John Wiley and Sons，1954．

[13] TVERSKY A，KAHNEMAN D．Advance in prospect theory：cumulative representation of uncertainty[J]．Journal of Risk and Uncertainty，1992(5)：297-323．

[14] KATSIKOPOULOS K V，DUSE-ANTHONY Y，F(xiàn)ISHER D L，et al．Risk attitude reversals in drivers’ route choice when range of travel time information is provided[J]．Human Factors：the Journal of the Human Factors and Ergonomics Society，2002，44(3)：466-473．

[15] AVINERI E，PRASHKER J N．Violations of expected utility theory in route-choice stated preferences：certainty effect and inflation of small probabilities[J]．Transportation Research Record：Journal of the Transportation Research Board，2004(1 894)：222-229．

[16] RAMOS G D，DAAMEN W，HOOGENDOORN S．Expected utility theory，prospect theory，and regret theory compared for predi ction of route choice behavior[J]．Transportation Research Record：Journal of the Transportation Research Board，2011(2 230)：19-28．

[17] JOU R C，KITAMURA R．Commuter departure time choice：a reference-point approach[C]//Proceedings EWGT，Bari，Italy，2002．

[18] AVINERI E，PRASHKER J N．Sensitivity to uncertainty：the need for a paradigm shift[J]．Transportation Research Record，2003(1 854)：90-98．

[19] SCHUL Y，MAYO R．Searching for certainty in an uncertain word：the difficulty of giving up the experiential for the rational mode of thinking[J]．Journal of Behavioral Decision Making，2003(16)：93-106．

[20] AVINERI E．Incorporating fuzzy reference points into applications of travel choice modeling[C]//Applications of Soft Computing：Updating the State of ART．Germany：Springer-Verlag，2009．

[21] XU H L，ZHOU J，XU W．A decision-making rule for modeling travelers’route choice behavior based on cumulative prospect theory[J]．Transportation Research Part C：Emerging Technologies，2011，19(2)：218-228．

[22] ZHOU LIZHEN，ZHONG SHIQUAN，MA SHOUFENG，et al．Prospect theory based estimation of drivers’risk attitudes

in route choice behaviors[J]．Accident Analysis and Prevention，2014(73)：1-11．

[23] CHORUS C G，ARENTZE T A，TIMMERMANS H J P．A random regret-minimization model of travel choice[J]．Transportation Research Part B：Methodological，2008，42(1)：1-18．

[24] HENSHER D A，GREENE W H，CHORUS C G．Random regret minimization or random utility maximization：an exploratory analysis in the context of automobile fuel

choice[J]．Journal of Advanced Transportation，2013，47(7) ：667-678．

[25] CHORUS C G．A generalized random regret minimization model[J]．Transportation Research part B：Methodological，2014(68)：224-238．

[26] 欒琨，雋志才，倪安寧．出行路徑選擇的隨機后悔最小化模型[J]．交通信息與安全，2012(6)：77-80．

[27] 鮮于建川，雋志才，朱泰英．后悔理論視角下的出行選擇行為[J]．交通運輸工程學報，2012，3(12)：67-72．

[28] BEN-AKIVA M E，BOCCARA B．Discrete choice models with latent choice sets[J]．International Journal of Research in Marketing，1995(12)：9-24．

[29] SWAIT J D．A non-compensatory choice model incorporating attribute cut-offs[J]．Transportation Research B：Methodological，2001(35)：903-928．

[30] CANTILLO V，ORTúZAR J DE D．A semi-compensatory discrete choice model with explicit attribute thresholds of perception[J]．Transportation Research B：Methodological，2005(39)：641-657．

[31] MARTíNEZ F，AGUILA F，HURTUBIA R．The constrained multinomial logit：a semi-compensatory choice model[J]．Transportation Research Part B：Methodological，2009，43(3)：365-377．

責任編輯 高紅義

Traveling Habits and Preference Theories and Model Application

ZHAO Kaihua（Beijing Jiaotong University，School of Traff c and Transportation，Beijing 100044，China）

The origins and development of travelling habits and preference theories and model are presented; random utility theory, expected utility theory, prospect theory, regret theory and the principle and current application of non/semi-compensation model are elaborated, which are compared in terms of decision principle, decision scenario, decision-maker assumption and decision strategy, etc. and the problems in application and adaptability are clarified. The models based on utility maximization are currently widely used, while their rational man supposition and the type of compensation are questioned. Its substitute models have more potential in description and forecast of travelling habits and behaviors, while they need to be more effectively validated. Bayesian Learning, game theory and other theories are adopted to describe the dynamic process of travelling. Establishing the travelling habits forecast model from the aspect of deep factor driving the traveling and the decision-making psychology and studying the travelling habits and behaviors based on big data would be the future trend.

travelling preference pattern；random utility theory；expected utility theory；prospect theory；regret theory；semi-compensation model；big data；data-oriented

U29-3

A

1001-683X（2017）02-0055-07

10.19549/j.issn.1001-683x.2017.02.055

2016-11-02

軌道交通控制與安全國家重點實驗室自主課題（RCS2016ZT008）

趙凱華（1985—），女，博士研究生。E-mail：09114203@bjtu.edu.cn