城市道路預(yù)約出行策略下的出行方式選擇

周睿予，陳 紅，陳恒瑞

（長安大學(xué) 運輸工程學(xué)院，西安 710064）

隨著機動車保有量的超常規(guī)增長，城市交通供需矛盾日漸突出，交通擁堵治理面臨的困難逐步疊加.交通擁堵嚴重影響了居民的日常生活，不僅給城市帶來嚴重的經(jīng)濟損失，還加劇了出行安全隱患和環(huán)境污染，限制了城市的穩(wěn)定發(fā)展.交通擁堵的根本原因是交通供給與居民出行需求不匹配，表現(xiàn)在缺乏有效的交通管理措施來調(diào)節(jié)日益增長的出行需求.

科學(xué)有效的交通管理策略應(yīng)同時注重交通供給的合理性與需求控制的科學(xué)性，達到供需的動態(tài)平衡.考慮任意單一層面的管理手段都無法從根本上緩解城市交通系統(tǒng)存在的供需結(jié)構(gòu)性失衡問題，即高峰時段供給不足，平峰時段供給過剩.如車輛限行策略一刀切地限制了部分居民的出行需求，無法根據(jù)特定時段的道路運行狀態(tài)有針對性地控制出行；又如盲目改擴建道路，有時會產(chǎn)生布雷斯悖論（Braess’s paradox）現(xiàn)象［1］，不但沒有減少交通延誤，反而降低了整體路網(wǎng)的服務(wù)水平.現(xiàn)有的一些交通需求管理策略，如擁堵收費、多乘員車道等，缺少精細化時空需求調(diào)節(jié)，無法從根本上緩解由高峰小時激增的交通需求所引發(fā)的道路擁堵問題.由于城市路網(wǎng)結(jié)構(gòu)短期內(nèi)難以改變，因此治理交通擁堵的重點是優(yōu)化交通供需結(jié)構(gòu)，通過對車輛時空路權(quán)的管理，平衡區(qū)域路網(wǎng)交通流，防止形成擁堵或擁堵蔓延.

隨著智能網(wǎng)聯(lián)技術(shù)的興起，為有效實施交通流誘導(dǎo)提供了條件.同時隨著移動互聯(lián)網(wǎng)的普及，預(yù)約的方式逐漸被大眾接受.將預(yù)約理念引入日常出行成為一種新的交通需求管理手段.預(yù)約出行是面向變化的出行需求，結(jié)合城市道路交通供給能力，依托全局最優(yōu)供需匹配算法，為出行者提供舒適便捷的出行服務(wù).通過預(yù)約出行，交通管理者可以對道路交通出行次數(shù)和強度進行供需合理配置，實現(xiàn)對交通參與者出行行為的有計劃引導(dǎo)，將路段流量控制在合理的范圍之內(nèi)，確保從出發(fā)地到目的地的出行時間或速度，從而減少局部或高峰期路段交通擁堵，提升用戶的出行體驗.

Akahane等［2］最先將預(yù)約出行方式應(yīng)用于道路交通管理，探索了利用出行預(yù)約系統(tǒng)調(diào)整司機出發(fā)時間來緩解假日道路交通擁堵的可能性.自此，越來越多的學(xué)者進行了道路預(yù)約出行的探索，預(yù)約出行的概念被應(yīng)用于各個交通場景，如高速公路路段、城市道路路段等.在高速公路上實現(xiàn)預(yù)約系統(tǒng)相對簡單［3］，因為只需對特定路段或車道實施出入口控制.城市道路復(fù)雜的路網(wǎng)結(jié)構(gòu)和多樣的交通行為，導(dǎo)致城市道路預(yù)約出行系統(tǒng)的建立更加困難.Menelaou等［4］基于路線預(yù)約設(shè)計了一種可完全消除擁堵的車輛調(diào)度和路線選擇算法.深圳市于2018年在東部景區(qū)實施預(yù)約出行管理［5］，根據(jù)交通流量日分布特征，將交通流分配至不同時段，在出行總量大致不變的情況下，有效提升了景區(qū)通行效率和服務(wù)水平.郭繼孚等［6］在北京市回龍觀地區(qū)進行了預(yù)約通行實踐，結(jié)果表明預(yù)約通行可以減少每個出行者通過堵點的時間和交通系統(tǒng)平均擁堵時間.目前已有不少學(xué)者對預(yù)約出行進行了理論建模和效果驗證，仿真實驗均得出了出行預(yù)約能有效緩解道路擁堵的結(jié)論.與先到先得的排隊系統(tǒng)相比，預(yù)約系統(tǒng)可以顯著減少等待時間［7］.目前關(guān)于城市道路預(yù)約出行的理論研究非常有限，尚未形成完整體系.之前的研究多聚焦在設(shè)計預(yù)約出行的車輛調(diào)度算法及模型構(gòu)建，較少關(guān)注預(yù)約出行下的居民出行方式選擇行為研究.

研究居民的出行方式選擇行為，掌握居民的出行規(guī)律，能為制定合理有效的預(yù)約出行政策提供理論依據(jù).早期涉及出行方式選擇的研究中，通常假設(shè)出行者絕對理性，具有相同喜好與完全信息，多采用隨機效用理論建立出行方式選擇模型，并選擇效用最大方案完成出行，但實際上出行個體僅具有有限理性.因此Kahneman等［8］在有限理性的基礎(chǔ)上提出了前景理論，描述決策個體在不確定條件和風(fēng)險狀態(tài)下的決策模型.由于前景理論無法對社會整體的某種經(jīng)濟行為做出解釋，后來二位學(xué)者結(jié)合等級依賴期望效用理論，進一步提出了累積前景理論［9］.累積前景理論在交通領(lǐng)域的應(yīng)用集中在出行路徑、出發(fā)時刻和出行方式選擇等方面，例如張衛(wèi)華等［10］運用累積前景理論對出行者的路徑選擇行為進行建模，以描述出行者在不確定條件下的路徑選擇行為.馬書紅等［11］根據(jù)出行方式與出發(fā)時段構(gòu)建雙因素出行方案，建立基于巢式Logit-累計前景理論的出行方式選擇模型.Guan等［12］基于通勤者的感知價值影響對出行方式的選擇，建立了一種基于累積前景理論的新型多目標優(yōu)化模型，以解決通勤者的首選出行方式.

綜上所述，本文面向城市道路預(yù)約出行政策，運用累積前景理論，以早晚高峰通勤時段為例分析出行者在不確定環(huán)境下對出行方式的實際選擇行為，并從經(jīng)濟學(xué)角度分析預(yù)約出行政策對出行者合理選擇出行方式的影響，為有關(guān)部門制定有效的交通擁堵治理措施提供參考.

1 預(yù)約出行策略實施機制

預(yù)約出行策略是基于交管部門對城市路網(wǎng)交通運行狀態(tài)的研判，確定需要進行預(yù)約出行的極端擁堵路段與時段.以歷史出行需求為導(dǎo)向，以順暢通行為目標，根據(jù)不同時段的出行需求設(shè)置不同容量閾值.針對私家車出行者制定預(yù)約出行時刻表，出行者可以在預(yù)約平臺選擇行駛路段與出發(fā)時刻.其核心思想是通過規(guī)劃極端擁堵路段私家車的通過時段，將現(xiàn)場的擁堵排隊轉(zhuǎn)變?yōu)樘摂M的線上排隊，促使出行者合理選擇出行方式及路徑［13］.在預(yù)約時段內(nèi)，除公交車、特種車輛外，所有未預(yù)約的私家車禁止在實施預(yù)約出行的道路上行駛.極端擁堵路段預(yù)約出行實施步驟如圖1所示.

圖1 極端擁堵路段預(yù)約出行實施機制Fig.1 Operational mechanism for travel reservation on extremely congested road

預(yù)約系統(tǒng)應(yīng)至少包括3個子系統(tǒng)：云計算平臺、預(yù)約系統(tǒng)和管理系統(tǒng).

云計算平臺負責(zé)出行時刻表的編制.系統(tǒng)根據(jù)歷史交通態(tài)勢研判路網(wǎng)極端擁堵的路段及時段，考慮路段的時空供需平衡，采用循環(huán)迭代的優(yōu)化算法，確定各預(yù)約時段的容量閾值，為用戶輸出科學(xué)、合理的出行時刻表.

預(yù)約系統(tǒng)負責(zé)預(yù)約請求的管理.預(yù)約系統(tǒng)向出行者展示預(yù)約出行時刻表，該表顯示需預(yù)約路段在某時間段內(nèi)可預(yù)約的剩余容量，以便出行者合理規(guī)劃出行時刻與行駛路徑.出行者在出行前通過智能手機、互聯(lián)網(wǎng)等設(shè)備進行預(yù)約，預(yù)約成功后預(yù)約系統(tǒng)保留出行者使用預(yù)約道路的時隙.

管理系統(tǒng)負責(zé)預(yù)約路段出入口車輛管理.包含為有效傳遞交通管控信息的預(yù)約路段的交通標志管理，以及通過攝像頭技術(shù)、射頻識別技術(shù)，將來還可以通過V2I技術(shù)核實預(yù)約車輛的履約情況并甄別非預(yù)約車輛，從而對違規(guī)駛?cè)胲囕v進行懲罰，這是決定預(yù)約策略成功與否的關(guān)鍵.

2 居民出行方式選擇模型

2.1 基本假設(shè)

為分析居民在預(yù)約出行策略下的出行方式選擇行為，根據(jù)累計前景理論進行建模.假設(shè)所有成功預(yù)約的出行者都按照預(yù)約時刻表準時上路，未預(yù)約出行者選擇繞行或乘坐公共交通出行，不考慮違規(guī)上路的情況.

2.2 模型構(gòu)建

1）計算出行成本.

出行成本是影響出行者對出行方式選擇的主要因素.出行者感知的第k種出行方式的廣義出行成本Ck包括出行時間成本和出行費用.對上班時段通勤者，通勤具有嚴格的時間約束，必須在單位規(guī)定的時刻之前到達目的地，早到或遲到時都會產(chǎn)生時間成本.因此，出行時間成本包括早到時間成本或遲到時間成本和在途時間成本.而下班時段通勤者無固定時間約束，只有在途時間成本.設(shè)通勤者在tdk時刻出發(fā)，tk為在途時間，則tdk+tk為通勤者到達目的地的時刻，Ts為通勤者單位規(guī)定的上班時刻，則出行者感知的廣義出行成本Ck為

式中：η為0-1變量，代表是否早到，1為早到，0為遲到；ηvek[Ts-(tkd+tk)]為早到時間成本，vek為早到時間價值，當[Ts-(tkd+tk)]≥0時，代表出行者按時到達或提前到達目的地，此時η=1；(1-η)vlk[(tkd+tk)-Ts]為遲到時間成本，vlk為遲到時間價值，當[Ts-(tkd+tk)]＜0時，代表出行者遲到，此時η=0.vk×tk是在途時間成本，是在途時間價值vk和在途時間tk的乘積，在途時間價值包括私家車出行時間價值vak和公交車出行時間價值vbk.Fk為出行費用，當乘坐公交出行時，出行費用為公交票價成本；當采用汽車出行時，出行費用為汽車油耗成本，計算時不考慮環(huán)境污染成本等其他成本.

2）選取參考點.

在累積前景理論中，參考點的選取最為關(guān)鍵，出行者在進行決策時根據(jù)選取的參考點來衡量選擇各種出行方式可能帶來的收益與損失.本文假設(shè)通勤出行的參考點為預(yù)約出行策略實施前，汽車在原路段行駛的期望成本C0.xk指出行者感知的出行成本Ck相較于參考點C0的變化，即xk=C0-Ck.當xk≥0時，出行者認為選擇某種出行方式會獲得收益；當xk＜0時，出行者認為選擇某種出行方式會造成損失.

3）計算累積前景值.

根據(jù)價值函數(shù)和概率權(quán)重函數(shù)，計算各種出行方式的累積前景值，出行者選擇累積前景值最大的方式出行.本文采用Tversky等［9］提出的價值函數(shù)和權(quán)重函數(shù)形式.第k種出行方式的價值函數(shù)V(xk)為

式中：xk為方案損益值，α、β為風(fēng)險敏感系數(shù)，且0＜α≤1，0＜β≤1；λ為損 失規(guī)避系 數(shù)，且λ＞1.根 據(jù)文獻［9］中對相關(guān)系數(shù)的研究，確定本文相關(guān)參數(shù)值為α=β=0.88，λ=2.25.

將客觀概率Pk轉(zhuǎn)化為主觀決策權(quán)重w(Pk)的權(quán)重函數(shù)為

式中：Pk為結(jié)果發(fā)生的客觀概率；w+(Pk)，w-(Pk)分別為出行者對收益和損失的主觀感知概率；γ、δ是概率偏移系數(shù)，參考文獻［9］取γ=0.61，δ=0.69.

累計權(quán)重函數(shù)借鑒了排序依賴效用函數(shù)形式，將累積前景值V(xk，Pk)進行正負分類，分為V+(xk，Pk)和V-(xk，Pk)，即備選出行方案k的總累積前景值為

式中：xki、xkn分別為收益、損失狀態(tài)下出行方案的損益值；Pki、Pkn分別表示出行價值為正、負的情況下出行方案的選擇概率.則累計權(quán)重函數(shù)可表示為

式中：PkI、PkN分別表示價值最大與價值最小狀態(tài)方案對應(yīng)選擇概率；w±即為方案對應(yīng)累計權(quán)重函數(shù).基于累計權(quán)重函數(shù)與價值函數(shù)，當參考點為C0，備選出行方案為k的時候，總累積前景值為

式中：V(xki)，V(xkn)分別為損益值為正、負狀態(tài)時方案對應(yīng)價值函數(shù).

4）模型求解步驟.

步驟1：設(shè)置不同的出行場景，設(shè)定相關(guān)參數(shù)，計算各出行場景下的參考點C0；

步驟2：根據(jù)式（1）計算通勤出行者不同出行方式的廣義出行成本Ck，進而得出xk；

步驟3：根據(jù)式（2）計算各出行方式的價值函數(shù)值V(xk)；

步驟4：根據(jù)式（3）和式（4）計算通勤者感知的概率權(quán)重值w+(Pk)和w-(Pk)；

步驟5：根據(jù)式（8）～式（11）計算正、負前景的累積權(quán)重值

步驟6：根據(jù)式（12）計算總累積前景值

V(xk，Pk).

3 算例分析

早晚高峰時段大規(guī)模集中的通勤出行是造成城市路網(wǎng)常發(fā)性擁堵的主要原因.因此，以通勤者在早晚高峰期間從出發(fā)地向目的地的單次出行方式選擇為例，通過算例分析預(yù)約出行策略實施后的出行者出行方式選擇行為.其中，出行場景分別考慮早高峰時段和晚高峰時段，出行方式考慮私家車預(yù)約出行、私家車繞路行駛和公交出行3種出行方式，預(yù)約出行和公交出行均行駛于預(yù)約路段，為挖掘預(yù)約出行策略與其他交通需求管理策略下居民出行方式選擇的差異，引入擁堵收費策略進行對比分析.

3.1 出行場景及參數(shù)設(shè)定

設(shè)置4種出行場景，分析不同場景下出行方式選擇的差異.出行場景1和出行場景2處于早高峰時段，出發(fā)時刻分別為8∶00和8∶20，上班時刻為9∶00.出行場景2距離上班時刻更加接近，道路運行狀態(tài)比出行場景1更加擁堵.出行場景3和出行場景4處于晚高峰時段，出發(fā)時刻分別為17∶00和17∶20，出行場景4道路運行狀態(tài)更加擁堵.對時間成本而言，早高峰出行具有上班時刻約束，存在早到時間成本或遲到時間成本，晚高峰出行無固定時間約束，只有在途時間成本.以西安市為例，2020年西安市平均單程通勤時耗為38 min，平均通勤直線距離5.7 km［14］.在此基礎(chǔ)上假設(shè)通勤者在4種出行場景下參考點和不同出行方式的感知出行時間tk、出行費用Fk和實際擁堵概率Pk如表1所示.

表1中，參考點選取交通需求管理策略實施前私家車在同一路段行駛的感知出行時間、出行費用和概率；概率指出行者在特定出行場景下使用某種出行方式消耗出行時間的概率，例如在出行場景1下選擇預(yù)約出行時，單次出行的出行費用為8元，出行者有0.7的概率出行耗時40 min，0.3的概率出行耗時50 min；假定擁堵收費政策下選擇在收費路段乘坐公交或選擇避開收費路段繞行與預(yù)約出行政策下選擇公交和繞行的參數(shù)相同，因此只計算擁堵收費政策下駕車行駛在收費路段的累積前景值.根據(jù)參考文獻［15-16］，取vlk=1.2元/min；vek=0.8元/min；vbk=0.39元/min；vak=0.803元/min.

表1 各出行方式的出行時間、費用及概率Tab.1 Travel time,cost,and probability of different travel modes

3.2 不同出行場景下的計算結(jié)果分析

基于居民出行方式選擇模型，以預(yù)約出行策略實施前私家車的出行成本作為參考點，根據(jù)步驟1～步驟6進行求解.結(jié)果顯示，出行場景1～4的廣義出行成本參考點分別為54.108、54.144、44.544和50.908.出行者在4種出行場景下的累積前景值計算結(jié)果如表2所示.

表2 模型計算結(jié)果Tab.2 Model calculation results

3.2.1 按出行場景分析

在預(yù)約出行政策實施路段，出行者在4種出行場景下的預(yù)約出行和公交出行累積前景值均為正數(shù)，證明了預(yù)約出行可以使出行效用得到一定程度的提高.

綜合分析4個出行場景，除繞路行駛外，出行場景2下各出行方式的累積前景值均大于出行場景1，出行場景3下各出行方式的累積前景值均大于出行場景4.由基礎(chǔ)設(shè)定可得，出行場景2和出行場景3分別是早晚高峰時期最為擁堵的時段，表明城市道路越擁堵，出行不確定性越大，實施交通需求管理政策后的前景值越大，出行者感知到的出行滿足感越高，出行者越傾向于實施交通需求管理政策的路段而不是繞路行駛.

除繞路行駛外，出行場景2下各出行方式的累積前景值均大于出行場景3，表明在極端擁堵的情況下，出行者認為在早高峰出行預(yù)約所獲得的效益大于晚高峰時段.早高峰時段擁堵特點是高峰時刻通勤路段車輛激增且消散較快；晚高峰時段則不同，其特點是增速緩慢、擁堵范圍較大且消散較慢［17］.因此早高峰時段預(yù)約出行的效益改善情況最為顯著.不僅如此，出行場景2下繞路行駛累積前景值是4種場景中的最小值，而其他3種出行方式均為4種出行場景中的最大值.這是由于價值函數(shù)對收益和損失賦予了不同的權(quán)重，對損失賦予的權(quán)重更大.通勤者在早晨明確的到達工作地點的時間約束，預(yù)約路段出行可以保證通勤者按時到達工作地點，而繞路行駛下出行不確定性較高，出行者表現(xiàn)出損失厭惡，因此出行者認為在出行場景2下實施交通需求管理效益更高.

3.2.2 按出行方式分析

1）預(yù)約出行.

預(yù)約出行的累積前景值在4種出行場景下均為正數(shù)，表明出行者認為策略實施后與實施前相比是獲益的.為討論預(yù)約出行策略在擁堵路段實行的優(yōu)勢，結(jié)合出行者個人效用進行分析.出行效用指出行需求的實現(xiàn)預(yù)期可以給出行者帶來的滿足.以單個通勤者在早高峰時段的出行為例，出行效用關(guān)于出行時間的函數(shù)如圖2所示，其中，t1為通勤者最早出發(fā)時刻，t4為通勤者上班時刻，在t3時刻出發(fā)剛好能在t4時刻到達，晚于這個時刻通勤者就會遲到，效用為負.圖2（a）為預(yù)約出行前出行效用關(guān)于出行時間的函數(shù).出行者均選擇對自己最有利的出行時段與路段，反而使出行者陷入囚徒困境式的納什均衡［18］，體現(xiàn)在t2～t4的早高峰擁堵時段.在預(yù)約出行策略下，出行需求被合理安排在各出行時段，避免車輛集中在高峰時段上路，從而緩解交通擁堵，理想情況下出行效用關(guān)于出行時間的函數(shù)可以達到圖2（b）的狀態(tài).

圖2 出行效用關(guān)于出行時間的函數(shù)Fig.2 Travel utility as the function of travel time

2）公交出行.

公交出行的累積前景值均比其他出行方式要高，說明預(yù)約出行策略實施后，出行者認為乘坐公交出行效用更大.這是因為預(yù)約路段擁堵情況得到緩解，行程時間減少，通行不確定性降低，且出行成本減少，增加了公交出行對出行者的出行吸引力.

3）繞路行駛.

繞路行駛情況下的累積前景值均為最小值，由于繞路行駛增加了通勤路程、通勤時間及出行不確定性，所以未預(yù)約的出行者更傾向于乘坐公交出行.因此，預(yù)約出行策略不僅能促進綠色出行，更進一步緩解城市路網(wǎng)交通壓力，改善路網(wǎng)均衡性.

4）擁堵收費出行.

擁堵收費策略在出行場景1的出行累積前景值為負數(shù)，表現(xiàn)為出行損失，這是因為通勤者提前出發(fā)，預(yù)留的通勤時間充足，可選擇的出行方式多樣，不需要選擇付費上路.而在其他場景下出行累積前景值為正數(shù)，表現(xiàn)為出行收益，通勤者通過付費換取順暢通過擁擠路段的權(quán)益，且累積前景值出行場景2＞出行場景1，出行場景3＞出行場景4，表明早高峰時段越接近工作時間，晚高峰時段越早返程，通勤者越愿意為出行付費.

在4種出行場景下，擁堵收費政策的累積前景值均比預(yù)約出行小，代表出行者更傾向于以預(yù)約的方式出行.為解釋此現(xiàn)象，從社會福利角度對比分析擁堵政策和預(yù)約出行政策，如圖3所示.圖3（a）代表在擁堵收費策略下通過提高出行者道路使用成本，減少擁堵區(qū)域機動車在途量，緩解交通擁堵.實行擁堵收費策略之前，道路容量供給曲線S1與出行需求曲線D1相交于C點，此時道路通行量為q；實行擁堵收費策略后收取擁堵費用r，由于出行成本增加，道路供給減少，供給曲線從S1向左上方移動至S2，道路容量供給曲線S2與出行需求曲線D1相交于G點，道路通行量為q*，機動車在途量減少，擁堵程度降低.出行者福利受到影響：為道路付費的出行者，節(jié)省出行時間的收益為矩形面積FBAH，所付費用的損失為矩形面積EGAH，福利總損失為矩形面積EGBF；不愿為道路付費的出行者改變出行方式，其福利損失為三角形面積GCB.對于道路管理者，實行擁堵收費策略增加了收入，該收入在圖中表現(xiàn)為區(qū)域面積EGAH.綜上所述，社會總福利的增加額為面積EGAH-EGBF-GCB.

圖3 擁堵收費策略和預(yù)約出行策略福利對比Fig.3 Benefits comparison for congestion charging strategyand travel reservation strategy

圖3（b）表示預(yù)約出行策略通過控制各時段的路段容量，減少極端擁堵路段機動車在途量，以緩解交通擁堵.實行預(yù)約出行策略之前，出行高峰期道路容量供給曲線S3與出行需求曲線D2相交于L點，道路通行量為Q.實行預(yù)約出行策略后，道路管理者對道路容量進行控制，道路容量供給曲線由S3向左上方移動至S4，道路容量供給曲線S4與出行需求曲線D2相交于K點，道路通行量為Q*.出行者福利受到影響：成功預(yù)約的出行者，節(jié)省出行時間的收益為矩形面積NJIO，由于不支付額外費用，所以沒有福利損失；不愿預(yù)約的出行者改變出行方式，其福利損失為三角形面積KLJ.對于道路管理者，實行預(yù)約出行減少了道路擁擠成本，提高了道路運行效率，該收益在圖中表現(xiàn)為矩形面積MKIO.社會總福利的增加額為面積MKIO+NJIO-KLJ.

顯然，預(yù)約出行策略總福利大于擁堵收費策略總福利.在預(yù)約出行策略下，通勤者無需額外付費就可以順暢通過擁堵路段，而擁堵收費會給出行者帶來額外的出行成本，受到大多數(shù)出行者的抵觸［19］.因此，與擁堵收費策略相比，預(yù)約出行策略可能是居民接受度更高的交通需求管理方案.

4 結(jié)論

隨著交通供需矛盾的日益突出，預(yù)約出行成為緩解矛盾的新手段.預(yù)約出行要求用戶提前規(guī)劃好出行時段和出行路徑并提前預(yù)約.通過預(yù)約出行，交通管理者可以對道路交通出行次數(shù)和強度進行供需合理配置，實現(xiàn)對交通參與者出行行為的有計劃引導(dǎo)，將路段流量控制在合理的范圍之內(nèi)，確保從出發(fā)地到目的地的出行時間或速度，從而緩解高峰期路段交通擁堵.本文通過分析預(yù)約出行的實施機理，利用累積前景理論建立通勤出行方式選擇行為模型，通過算例分析得到以下結(jié)論：

1）出行廣義成本受出行時間和出行方式的影響.早高峰期間實行預(yù)約出行政策較晚高峰更有效，越接近上班或下班時間實行預(yù)約出行越有效.預(yù)約出行策略的實施能讓出行者減少通勤時間，提高出行效益，并促使未預(yù)約的出行者選擇公共交通出行，促進踐行綠色出行；

2）對出行個體而言，預(yù)約出行系統(tǒng)為出行者提供準確的出行信息，在具有容量限制的系統(tǒng)中確保其訪問權(quán)，提供可靠的行程時間，減少出行延誤，避免環(huán)境不確定性帶來的不便，提高出行者滿意度；

3）對社會整體而言，預(yù)約出行策略可以平衡路網(wǎng)交通流量，提高道路服務(wù)水平和社會福利.在緩解交通擁堵的效用上較擁堵收費策略擁有更大的潛力，豐富了交管部門治理交通擁堵策略的工具箱.

4）算例中選用已有研究中的參數(shù)，未來考慮以真實數(shù)據(jù)為驅(qū)動，分時段、分出行方式標定個體出行時間價值，搭建典型場景，提高研究結(jié)果的準確度.此外，本文僅從微觀的個體出行效益和簡單的社會福利層面比較了預(yù)約出行政策和擁堵收費政策的區(qū)別，未來考慮進一步從交通系統(tǒng)的宏觀層面分析兩種政策的差異.