Одновременное назначение МультиклассаVISUM обеспечивает назначение мультикласса, где несколько определенных OD матриц могут быть назначены одновременно для нескольких классов требования (классификаций спроса). Введение в модель классов требования (классификации спроса) полезно в случае необходимости удельной оценки группы для различных типов транспортных средств или пользователей с различными типами билетов (отдельная поездка, арендованный для пригородной зоны single riders, commuter pass holders). Дополнительно VT -распределения могут быть найдены для каждого класса требования, приводя, таким образом, к более реалистичной картине закономерностей всего требования и эластичности метода ценового управления (дословно – адаптационной способности к оценочной политике). Например, для класса пользователей «дом-работа-жители пригородной зоны», другой спрос на частные и профессиональные поездки показан на Иллюстрации 57.
Иллюстрация 7: Мультиклассовое VT -распределение
2.4.8.8 Обнаружение параметров
Применение TRIBUT в проекте планирования, нахождение VT -распределения (то есть двух параметров распределения vt и σ; от значений распределения времени для поездок различных классов или единственного такового для глобального спроса на передвижения), является одним из самых решающих шагов. Практически есть три способа нахождения параметров: показанные (раскрытые) предпочтительные обзоры, установленные (заявленные) предпочтительные обзоры или макроэкономическое исчисление. Самый слабый, но самый дешевый метод - макроэкономическое исчисление, которое, например, делит полный доход работы общества к полному времени работы, чтобы получить среднее значение времени для рабочих поездок. Такой подход не отражает действительное поведение, например существенные различия в поведении жителей пригородной зоны в городских зонах по сравнению с пользователями дальней связи. Во-вторых, этот подход определяет среднее значение времени, которое является наименее соответствующим, чем квантили (медианы). Когда потери введены в общество без показанного опыта потерь, обычно применяются заявляемые (установленные) предпочтительные методы. В заявленном предпочтении берут интервью в различных гипотетических ситуациях с изменением времени и стоимости, моделируются, чтобы найти критическую разовую комбинацию стоимости-времени (“цена на передвижение”), в которой пользователь изменяет свое поведение. Оценка максимальной вероятности определит эти два logN-параметра от заявленной или показанной предпочтительной выборки (образца). Было исследовано, что люди едва ли могут предположить (предвидеть) ситуацию потерь, насколько это предложено в заявленном (фиксированном) привилегированном интервью, если они не привыкли к потерям в реальной жизни. Следовательно, стандартные отклонения σ; главным образом завышены заявленным привилегированным методом.
Лучший метод должен оценивать значение времени на основе показанного предпочтения. Это требует дорожных потерь (информации о дорожных потерях?) и системы оценки, которая управляет, по крайней мере, тремя или четырьмя годами до обзора, чтобы гарантировать, что система прибыла в равновесие. Недавно показанное привилегированное исследование было выполнено в области Марселя/Франции [6]. Метод состоит из OD обзора, измерения долей автомобилей, использующих дорогу или не оцененную альтернативную инфраструктуру, а также действительное время движения для каждой OD в различные периоды дня. Самые важные результаты: • Экономия времени, как показало исследование, наиболее показательная переменная в использовании дорог и оценке дорожных потерь. Никакой статистический результат не был найден для отклонений времени движения или дорожного комфорта. • было найдено, что медиана значения времени - очень существенное и устойчивое значение, даже если оценены различные типы распределений. • Предполагаемые logN параметры для глобального спроса были рассчитаны как vt = 57 FF/H ≈ 10 Euro/h и σ; = 0.66. • различные цели поездки показывают меньшее влияние на значение параметров времени, чем факт, должен ли пользователь заплатить потери “из его собственного кармана” или они будут возмещены, например, его компанией.
|
и σ;
