考慮決策過程與潛在異質(zhì)性的居民通勤選擇行為研究

張奕源，李進龍，羅霞，周伊冰

(西南交通大學(xué)，交通運輸與物流學(xué)院，成都611756)

0 引言

城市人口、私家車的快速增長造成日益嚴(yán)重的交通擁堵，給通勤效率、環(huán)保及交通安全帶來較大的不良影響。TOD 開發(fā)模式(Transit-Oriented-Development)可以通過土地使用和交通政策協(xié)調(diào)城市發(fā)展過程中產(chǎn)生的交通擁堵和用地不足的矛盾，被視為諸多城市病的解決方案。以軌道交通車站為中心的TOD開發(fā)模式關(guān)鍵在于較高的軌道交通客流量。一方面，可以通過高強度的土地混合開發(fā)，提升人口聚集度，增加穩(wěn)定的客流量；另一方面，可以配合交通需求管理政策，對軌道交通車站附近通勤方式的屬性進行調(diào)整優(yōu)化，增加軌道交通分擔(dān)率，減少私家車出行。目前，通勤方式選擇的研究集中于以Logit 模型為代表的離散選擇模型，較多學(xué)者針對模型的IIA特性及偏好異質(zhì)性進行改進[1-3]。然而，以隨機效用最大化為假設(shè)的離散選擇模型忽略了決策過程的動態(tài)性及決策者的心理過程，無法分析個體決策過程的潛在變化、時間壓力等因素的影響。決策場理論(Decision Field Theory，DFT)由Busemeyer 提出，從心理學(xué)角度解釋了決策行為中的動態(tài)性和隨機性，在時間壓力下的風(fēng)險決策方面具有較好的解釋能力，可以預(yù)測決策環(huán)境變化條件下的決策行為。目前，決策場理論的應(yīng)用有限，Berkowitsch[4]對決策場理論進行了改進并應(yīng)用于消費者決策分析中，解釋了非理性效應(yīng)；高峰[5]等結(jié)合貝葉斯理論和決策場理論對駕駛員的路徑選擇行為進行研究，崔宸[6]以道路交通狀態(tài)波動為實際場景，將決策者不同交通狀態(tài)下的路徑選擇劃分為多階段決策，基于決策場理論進行分析預(yù)測；Qin[7]等以停車換乘、小汽車和公交車為選擇肢，利用決策場理論對出行決策過程進行分析，探討停車換乘行為決策的規(guī)律和影響因素。此外，決策場理論還被應(yīng)用于貨幣賭博、犯罪分析、服裝選購等方面。上述研究實現(xiàn)了決策場理論的應(yīng)用，解釋了決策過程的不確定性和動態(tài)性，但是均忽略了個體的差異性，在標(biāo)定參數(shù)時采用了同質(zhì)化標(biāo)定方法，難以體現(xiàn)個體差異在預(yù)測中的影響。為此，Hancock 借鑒隨機參數(shù)Logit 模型表征個體差異的思路，將隨機參數(shù)引入DFT 模型，利用截尾正態(tài)分布描述注意力權(quán)重參數(shù)。結(jié)果表明，隨機參數(shù)DFT模型擬合程度更好，預(yù)測精度更強[8]。潛在類別分析是表征決策群體潛在異質(zhì)性的方法之一，作為半?yún)?shù)模型可以避免對參數(shù)分布作過強的數(shù)學(xué)假設(shè)[1]，在離散選擇模型中的應(yīng)用較多，相較于隨機參數(shù)法具有一定的優(yōu)勢[9]，目前，鮮有在DFT 模型中引入潛在類別分析方法的研究。

綜上，本文利用潛在類別模型引入決策群體的異質(zhì)性，對DFT 模型的參數(shù)標(biāo)定進行優(yōu)化，研究地鐵站附近居民的出行決策過程和影響因素。

1 考慮潛在異質(zhì)性的決策場理論模型

1.1 基本模型

與隨機效用理論中個體形成的“靜態(tài)的效用”不同，決策場理論采用“偏好”來描述決策者對各方案的喜好程度，這種偏好是隨著決策時間演進而逐漸形成的，當(dāng)決策者對某一種方案的偏好顯著大于其他方案時，決策作者選擇該方案[10]。從數(shù)學(xué)角度，可以將決策場理論做如下表述：在實際的居民通勤選擇場景中，出行者面臨I個可選出行方案時，第i個方案的效用由方案本身的交通屬性以及個體n的屬性注意力權(quán)重決定[11]，其數(shù)學(xué)表達式[7]為

式中：Ui(t)為t時刻方案i的效用；mij為方案i中屬性j的值；εi(t)為隨機誤差項，代表個體無法預(yù)測的部分；Wj(t)為t時刻屬性j的注意力權(quán)重，反映了個體在t時刻對于屬性的注意力分布情況，若決策者此時關(guān)注屬性j，則Wj(t)=1，其余屬性的注意力權(quán)重為0。決策場理論假設(shè)在決策過程中屬性注意力權(quán)重向量按照平穩(wěn)隨機過程變化，即個體在決策過程中分配給各個屬性的注意力隨著時間變化波動[10]。因此，在居民出行決策中，步行&地鐵、共享單車&地鐵、公交車&地鐵和私家車的交通屬性和居民的屬性注意權(quán)重決定了出行方案的效用。個體在主觀上形成了各個方案的效用之后，t時刻方案i的效價通過比較其與各方案的效用得到[11]，即

式中：vi(t)為方案i的效價；為方案i以外其他方案的平均效用。因此，某一方案的效價可以理解為是其相對于其他方案的優(yōu)劣程度。計算所有方案的效價可以形成效價向量v(t)=[v1(t),v2(t),…,vI(t)]T。為方便后續(xù)計算，引入比較矩陣、屬性矩陣計算效價向量，即

式中：W(t)為t時刻的屬性注意力權(quán)重矩陣；M為屬性矩陣，本文將屬性設(shè)置為通勤時間、費用、等待時間和方便靈活性；C為比較矩陣，矩陣元素cij計算公式為，當(dāng)(i=j)時，cij=1，當(dāng)(i≠j)時，仿真預(yù)測各類出行者的決策過程，共涉及到3個方案，故n=3；ε(t)為隨機誤差項，代表無法預(yù)測的部分。

在通勤決策過程中，出行者對比不同出行方案的屬性形成方案效價，通過累積則形成偏好，t時刻方案i的偏好可以寫為

對所有方案的偏好進行計算后，得到偏好向量P(t)=[P1(t),P2(t),…,PI(t)]T，t=0 時，定義P(0)為初始偏好向量，其值由決策者的個人特質(zhì)、閱歷等決定[8]。

式中：h為一個任意小的時間單位；s為反饋矩陣。s的對角線元素sii反映了決策者的記憶效應(yīng)，取值為[0,1) 時，代表從(t-h)到t時刻決策者的記憶有所衰減，上一時刻的偏好在下一時刻影響下降；取值大于1時，代表(t-h)時刻決策者偏好的影響在t時刻有所增強；取值等于1時，代表決策者的記憶沒有衰減，上一時刻的偏好在下一時刻的影響無變化。s的非對角線元素sij代表方案之間的相互影響作用，當(dāng)sij<0 時，方案i與方案j之間存在相互抑制；當(dāng)sij=0 時，方案之間不存在相互影響。反饋矩陣的非對角線元素為

式中：dij為方案之間的心理距離，采用歐氏距離進行計算[7,12]，即

式中：k為方案的第k個屬性；K為方案屬性的總數(shù)量。

個體形成最終決策的標(biāo)準(zhǔn)有兩個：一是決策過程的停止由停止時間決定，即決策過程由t=0 時刻開始，持續(xù)到特定的Tf時刻結(jié)束，以決策停止時間時偏好最大的方案作為最終選擇方案；二是決策過程的停止由偏好閾值θ決定，即個體對某一方案的偏好強度若最先達到閾值θ，則該方案作為最終選擇方案。

綜上所述，決策場理論框架下個體的決策過程如圖1所示。

圖1 個體決策的形成過程Fig.1 Formation process of individual decision making

由上述模型的基本結(jié)構(gòu)可知，決策場理論通過建立效用、效價、偏好與時間之間變化關(guān)系，將動態(tài)性引入模型之中，通過具有時變特性的注意力權(quán)重向量將有限理性引入個體決策的描述中，使注意力轉(zhuǎn)移過程和決策的不確定性更好地體現(xiàn)，實現(xiàn)了對個體的實際決策行為以及心理微觀動態(tài)更為真實地刻畫。

在出行決策場景中，個體在個人社會經(jīng)濟屬性、教育背景、閱歷及消費理念等方面均存在一定的差異，導(dǎo)致面臨相同決策時不同的個體將產(chǎn)生不同的方案初始偏好和屬性注意力。例如：環(huán)保意識較強的出行者更加關(guān)注各個出行備選方案的CO2排放量，決策前對公共交通的初始偏好較大；風(fēng)險厭惡型的出行者在駕駛電動汽車時更加關(guān)注續(xù)航里程，出行前對充電更便利的出行路線偏好較大。然而，傳統(tǒng)決策場理論建模和求解以整個人群為單位同質(zhì)化標(biāo)定了注意力權(quán)重分配概率以及初始偏好向量，忽略了備選決策者的偏好異質(zhì)性。因此，本文基于現(xiàn)有決策場理論存在的缺陷，引入潛在類別模型進行出行者市場細(xì)分，通過類別劃分及特征分析體現(xiàn)出行者的偏好異質(zhì)性，提升模型仿真的預(yù)測精度。

1.2 考慮潛在異質(zhì)性的決策場理論模型參數(shù)標(biāo)定

1.2.1 潛在類別模型

個體決策形成受到可觀測顯變量及不可觀測的潛在異質(zhì)性共同影響。潛在類別模型將這種潛在的異質(zhì)性離散化為潛在類別變量，假設(shè)任意兩個外顯變量之間的關(guān)聯(lián)可以由潛在類別變量解釋和估計，實現(xiàn)對顯變量背后共性的分析和個體類別的劃分。具體地，當(dāng)出行者的外顯屬性A、B和C的水平組合為{ }r,s,t時，出行者潛在類別概率的估計值為

式中：X為潛在變量；q為潛在變量的水平數(shù)；為{r,s,t} 屬性水平組合的類別概率與條件概率，，估計值的乘積，，將類別變量的概率轉(zhuǎn)化為參數(shù)代入模型是潛在類別模型的根本原理；為各類別加總后聯(lián)合概率的極大似然估計數(shù)。通過對觀測得到的顯變量進行潛在類別分析，可以探究個體的潛在特質(zhì)并實現(xiàn)分類，分析不同類別群體的異質(zhì)性。

1.2.2 決策場理論模型的參數(shù)標(biāo)定

初始偏好表示決策者對各方案的傾向性，大小取決于決策發(fā)生前個體對方案的固有認(rèn)識和偏愛程度，故與個體異質(zhì)性緊密相關(guān)。因此，本文基于出行者的分類結(jié)果，考慮類別間異質(zhì)性分別標(biāo)定初始偏好向量。具體而言，在通勤場景下，不給定各方案的屬性值，要求被試者根據(jù)以往的體驗選擇最為傾向的3種出行方式并進行打分，統(tǒng)計各個方案的得分進行歸一化后表征該類別出行者的平均初始偏好。

注意力權(quán)重向量按照平穩(wěn)隨機過程隨時間變化，其值隨時間的分布變化情況直接影響模型對個體決策行為的預(yù)測。某一時刻決策者關(guān)注屬性k的概率Pr[Wk=1] 為qk，先前的研究大多采用實驗打分測試個體對屬性的關(guān)注程度，以整個人群為單位，取屬性關(guān)注度打分結(jié)果的平均值，進行歸一化后標(biāo)定屬性關(guān)注概率。然而，這與實際情況中個體存在的注意力分配差異性不符。因此，本文考慮人群的異質(zhì)性，基于分類結(jié)果利用Likert量表標(biāo)定屬性關(guān)注概率，計算公式為

式中：Fk為被調(diào)查者在Likert量表中對屬性k的評分值；q為個體n所屬的類別。

2 實例分析

2.1 調(diào)查方法

本文通過設(shè)計問卷進行實證研究，在成都市范圍內(nèi)共發(fā)放問卷813份，主要發(fā)放對象為地鐵站附近3 km的居民，調(diào)查周期為2019年9月15日-12月8日。問卷分為：①個人信息和出行態(tài)度調(diào)查，詢問被試者性別、年齡、職業(yè)、環(huán)保態(tài)度等問題；②日常通勤信息調(diào)查，要求被試者根據(jù)日常通勤出行經(jīng)驗對步行&地鐵、共享單車&地鐵、公交車&地鐵、私家車這4 種方式的偏愛程度進行評分，采用在Likert 量表進行統(tǒng)計；③試驗場景下的決策研究，為避免實際場景中干擾信息對被試者的影響，此處采用虛擬場景進行設(shè)置，如圖2所示，要求被試者在給定的屬性條件下進行通勤決策。表1中列出了各通勤方式屬性設(shè)置情況，其中，各類出行方式的通勤時間、費用和等待時間根據(jù)百度地圖歷史數(shù)據(jù)以及《成都市交通發(fā)展年報》統(tǒng)計資料得到，出行方式方便靈活性根據(jù)本文RP調(diào)查中居民打分情況確定。具體試驗場景的設(shè)置為，在一次通勤過程中，出行距離15 km，居住地點距離地鐵站1.5 km，共有4種出行方式，請選擇1種方式進行通勤。

圖2 試驗場景示意Fig.2 Schematic diagram of experiment scene

表1 各通勤方式屬性設(shè)置Table 1 Attributes of commuting modes

2.2 潛在類別分析結(jié)果

利用Latentgold5.0 軟件對問卷調(diào)研數(shù)據(jù)進行處理，類別范圍設(shè)置為1～6，計算得到各模型的BIC指標(biāo)、AIC指標(biāo)、似然比卡方統(tǒng)計量(G2)以及P值檢驗，如表2所示。

表2 潛在類別模型擬合結(jié)果Table 2 Fitting results of Latent class model

由表2數(shù)據(jù)可知，當(dāng)潛在類別個數(shù)為4 時，BIC指標(biāo)為17515.64，為M1～M6 中的最小值，AIC 指標(biāo)、似然比卡方統(tǒng)計量(G2)均較小，p-value 小于0.001，有足夠的概率保證原假設(shè)成立。綜合考慮各項檢驗指標(biāo)，最終選擇模型M4進行研究，將出行者分為4 個潛在類別。對計算所得的條件概率矩陣進行分析處理，得到各類人群在個人屬性、環(huán)保態(tài)度屬性以及通勤屬性的各個水平上的“傾向性”，各類別樣本的社會經(jīng)濟屬性分布如圖3所示。結(jié)合各類出行者職業(yè)屬性分布，對各類別的通勤者進行命名，具體結(jié)果如表3所示。

圖3 各類出行者的個人社會經(jīng)濟屬性分布Fig.3 Distribution of Socio-demographic attributes of each subgroup

表3 潛在類別命名Table 3 Naming of latent classes

對日常通勤偏好調(diào)查的Likert 打分表進行統(tǒng)計分析，得到表4中各通勤方式被選擇的概率。由表4可知，各類人群對出行方式的偏好程度存在顯著差異。據(jù)此，本文對各類通勤者制定差異化的備選方案集合，選取被選概率較高的3個出行方案作為該類通勤者備選方案集，利用式(8)對各類出行者的初始偏好和屬性關(guān)注概率進行計算，結(jié)果如表5所示。結(jié)果表明，不同人群在偏好演進過程中對屬性的關(guān)注概率存在顯著差異。

表4 各類通勤者對出行方式的偏好分布情況Table 4 Distribution of commuters'preference for travel modes

表5 各類出行者對屬性的關(guān)注概率Table 5 Probability of travelers'attention to attributes

反饋矩陣標(biāo)定方面：非對角線元素采用式(5)計算；對角線元素計算，本文基于Qin等[7]提出的試驗方法進行問卷設(shè)計，采用二次確認(rèn)法標(biāo)定反映記憶效應(yīng)的對角線元素。具體而言，在問卷設(shè)計時向決策者連續(xù)提供兩個獨立的選擇界面，首先要求被試在第一個界面的10級量表中對各方案的偏好強度進行選擇，完成選擇后立即切換至頁面二(提供相同的選擇情景)。之后，要求被試根據(jù)自己的記憶再次進行選擇。通過對比兩次的評分差異，量化決策者對上一時刻的“記憶效應(yīng)”，最終計算得到對角線元素sii取值為0.943。

2.3 模型仿真結(jié)果

2.3.1 出行分擔(dān)率預(yù)測結(jié)果

基于潛在類別模型的計算結(jié)果，對決策場理論模型中涉及到的參數(shù)進行標(biāo)定，通過Matlab 仿真，設(shè)置仿真次數(shù)為20000，實現(xiàn)對出行者決策結(jié)果和決策心理過程的預(yù)測。表6為各類通勤者的實際選擇結(jié)果及仿真結(jié)果，模型預(yù)測結(jié)果與實際選擇結(jié)果之間的平均誤差為4.12%，最小誤差為0.61%，91.67%的預(yù)測結(jié)果誤差在10%以下。表7為各類出行者實測選擇結(jié)果與仿真選擇結(jié)果的相關(guān)性分析，皮爾遜相關(guān)系數(shù)為0.979，相關(guān)性顯著，預(yù)測精度較高。

表6 出行方式選擇預(yù)測結(jié)果Table 6 Prediction results of travel mode choice of commuters

表7 實測決策結(jié)果與仿真結(jié)果相關(guān)性分析Table 7 Analysis results of correlation between choice results and simulation results

由決策結(jié)果可知：商務(wù)需求型通勤者主要傾向于選擇私家車和共享單車換乘地鐵兩種方式，對步行乘坐地鐵的方式選擇概率較小，主要原因在于此類通勤者的時間價值較高，對出行時間屬性的關(guān)注度最高，有很高的舒適度和便利性需求，故傾向于選擇舒適、靈活的私家車和通勤總時間最短的共享單車換乘地鐵方式；追求效率型通勤者選擇共享單車換乘地鐵的概率最大，占到60%以上，其次是步行換乘地鐵，主要原因在于此類通勤者兼顧了出行時間短和費用低的需求，追求通勤性價比，故對速度快、費用低的共享單車&地鐵選擇概率最大，步行&地鐵次之，概率最低的為私家車出行；經(jīng)濟環(huán)保型出行者的備擇選項與其他3類人群有所差異，此類群體以學(xué)生為主，出行基本不采用私家車，對費用的敏感性最高，因此，共享單車換乘地鐵方式被選擇概率最高，步行換乘地鐵和公交車換乘地鐵兩種方式的實測結(jié)果和仿真結(jié)果存在較為明顯的差異，步行乘坐地鐵的概率預(yù)測較高，而公交車換乘地鐵的預(yù)測概率較低，這一偏差可能與本文未納入考慮舒適度屬性有關(guān)；保守型出行者選擇公交車換乘地鐵的概率在幾類人群中最高，其次是私家車、步行乘坐地鐵，主要原因在于這部分出行者的節(jié)約意識較強，年齡普遍較大，時間緊迫性相對較小，對于傳統(tǒng)交通方式的接受度遠(yuǎn)大于共享單車&地鐵等新出現(xiàn)的通勤模式，故對傳統(tǒng)的公交&地鐵選擇概率最大。

圖4(a)～(d)依次代表仿真得到的第1 類～第4類通勤者的偏好分布情況，圖中，點代表通勤者個體在決策結(jié)束時(t=30 s)對某一出行方式的偏好強度。由圖4可知：第1 類出行者決策時，私家車的偏好強度分布情況與共享單車&地鐵相似，第1類出行者對私家車和共享單車&地鐵的偏好相當(dāng)，整體高于步行&地鐵；在第2、3 類出行者中，共享單車&地鐵的整體偏好分布位置明顯高于其他兩種方式；第4 類出行者中，公交車&地鐵占據(jù)了絕對主導(dǎo)地位。

圖4 4類通勤者的偏好分布情況Fig.4 Preference distribution of commuters

2.3.2 決策過程的動態(tài)性分析

圖5為仿真得到的兩類較為典型的通勤者偏好演進過程。

圖5(a)中出行者的偏好振蕩幅度較大，決策開始前15 s 內(nèi)，3 類出行方式的偏好交替上升，出現(xiàn)多次偏好反轉(zhuǎn)情況。經(jīng)過一段時間的思考對比之后，出行者放棄了步行&地鐵的出行方式，在共享單車&地鐵和私家車之間進行選擇，最終選擇了共享單車&地鐵的方式，這一仿真結(jié)果與個體“猶豫不決”的情景相似，需要較長的思考積累偏好才能形成穩(wěn)定的決策。圖5(b)中出行者在決策開始時對3類方式進行了簡短的對比和猶豫，之后迅速形成偏好演進趨勢，這一結(jié)果與實際中個體的“快速決策”較為相似。綜上所述，DFT 模型仿真得到的動態(tài)決策過程可以較為真實地模擬實際場景下個體的決策，解釋微觀心理偏好的進化過程，預(yù)測個體的決策結(jié)果。

圖5 通勤者決策過程仿真示例Fig.5 An example of commuters'decision-making process simulation

2.3.3 用車成本變化的影響及非理性效應(yīng)的分析

提升公共交通分擔(dān)率，減少私家車出行以緩解城市交通擁堵是交通需求管理的重要目標(biāo)之一。在諸多的管理措施中，以擁堵收費、差異化停車收費為代表的經(jīng)濟杠桿策略得到了較為成功的應(yīng)用。因此，本文在特定出行場景下對用車成本進行調(diào)整，利用仿真方法分析不同小汽車出行成本下通勤者的決策行為，為交通需求管理策略的制定提供參考。

圖6為“商務(wù)需求型”出行者在不同用車成本下對各類通勤方式選擇概率的變化情況?？傮w而言，當(dāng)用車成本上升時，私家車的分擔(dān)率逐漸降低，共享單車&地鐵的出行分擔(dān)率呈上升趨勢。由于步行&地鐵通勤方式受該類人群關(guān)注較少，故分擔(dān)率變化較小。

圖6 不同用車成本下通勤決策行為仿真Fig.6 Simulation of commuting choice behavior under different vehicle costs

規(guī)范性決策中假設(shè)方案之間的偏好不依賴于其他備選方案是否存在(IIA 特性)。當(dāng)共享單車&地鐵的被擇概率大于步行&地鐵的被擇概率時，根據(jù)規(guī)范性決策公理，無論私家車的屬性如何變化，共享單車&地鐵的分擔(dān)率應(yīng)始終大于步行&地鐵的分擔(dān)率。

大量研究表明[4]：選擇偏好是可變、動態(tài)的，某一方案的改變或加入將引起偏好發(fā)生系統(tǒng)性的改變，這種非理性效應(yīng)廣泛存在于實際決策之中。在現(xiàn)實場景中，當(dāng)“私家車”出行費用與共享單車&地鐵接近時，將產(chǎn)生相似性效應(yīng)：私家車的整體屬性水平與共享單車&地鐵較為相似，但競爭力強于后者，將產(chǎn)生強競爭性，一定程度降低共享單車&地鐵的被擇概率，造成分擔(dān)率結(jié)構(gòu)的改變。

決策場理論在非理性效應(yīng)方面具有很強的解釋力度，可以全面解釋相似性效應(yīng)、折衷效應(yīng)和吸引效應(yīng)這3 種非理性效應(yīng)。本文在進行仿真研究時，利用決策場理論預(yù)測了用車成本屬性變化后出現(xiàn)的相似性效應(yīng)。基于決策場理論的仿真表明：當(dāng)私家車用車費用(小于9元時)接近共享單車&地鐵的出行成本時，各類出行方式的分擔(dān)率出現(xiàn)異常波動：共享單車&地鐵的被擇概率大幅度降低，而步行&地鐵的被擇概率出現(xiàn)小幅度上升，分擔(dān)率結(jié)構(gòu)出現(xiàn)改變。因此，決策場理論可以實現(xiàn)不同用車費用下出行分擔(dān)率及非理性效應(yīng)預(yù)測，為公交定價、停車收費、擁堵收費等政策的制定提供了重要參考，具有一定的現(xiàn)實意義。

3 結(jié)論

本文從交通需求管理的角度出發(fā)，以車站附近居民為研究對象，基于潛在類別模型優(yōu)化決策場理論模型的仿真標(biāo)定，分析并討論了居民通勤決策中的動態(tài)性和偏好異質(zhì)性，以成都市為實例進行應(yīng)用及仿真分析，主要研究結(jié)論如下：

(1)在模型及仿真算法方面，相較于以Logit模型為代表的計量經(jīng)濟學(xué)模型，決策場理論可以實現(xiàn)對個體微觀心理偏好動態(tài)進化過程的分析，預(yù)測并解釋違背IIA 特性的非理性效應(yīng)，模型預(yù)測結(jié)果與實測數(shù)據(jù)相關(guān)性強，具有較高的預(yù)測精度；相較于傳統(tǒng)的DFT 模型，基于潛在類別分析的改進DFT模型通過初始偏好向量、注意力轉(zhuǎn)移概率矩陣的差異化標(biāo)定體現(xiàn)了通勤者的偏好異質(zhì)性，預(yù)測結(jié)果與實際情況更加接近，提升了模型的解釋能力。

(2)在實際應(yīng)用方面，根據(jù)潛在異質(zhì)性對通勤者進行類別劃分有助于差分通勤需求。本文通過分析得到各類通勤者的備選方案集存在一定的差異，進行決策前的初始偏好以及對各個屬性的關(guān)注程度均有不同；通過仿真可以預(yù)測不同用車成本下的通勤分擔(dān)率和非理性效應(yīng)，為城市公共交通定價、停車收費等政策的制定提供了重要思路；研究不同類別通勤者的偏好動態(tài)進化過程可以更好地掌握決策心理規(guī)律，分析決策環(huán)境中各類屬性變化的影響，預(yù)測突發(fā)事件下多階段動態(tài)決策過程。例如，仿真預(yù)測個體偏好的連續(xù)變化過程可以分析交通環(huán)境下?lián)矶?、交通事故等突發(fā)狀況對個體決策的影響，在高峰通勤時段有很強的現(xiàn)實意義，也是后續(xù)研究工作中需要加強的方面。