A decision-making rule for modeling travelers’ route choice behavior

目标是解决以下四个问题：

1.环境因素、出行者的心理过程、个性和风险态度是如何影响路线选择决策的？

2.我们能否通过基于CPT和以往参数值的效用度量来直接预测出行者的路线选择决策？这些预测是否与现实相符？

3.出行者如何确定参考点（RP），这是路线选择决策中的一个关键点？

4.适合出行者路径选择的累积前景理论的价值函数模型的具体形式

本文的目的是深入了解旅游者的路径选择行为与CPT的结合，特别是CPT的函数形式。众所周知，通勤决定受到许多客观和主观因素的影响。在某种意义上，路线选择研究是行为科学和交通科学的一部分。不幸的是，大多数定量分析技术不适用于路由选择行为。此外，在现实世界中，不可能为旅客的各种路径选择行为分配绝对规则。因此，本研究提出了一种旅客路线选择行为的一般规律。本研究采用了行为科学研究中常用的问卷调查和实证方法。希望所提出的规则可应用于随机网络的路径选择模型的进一步研究。

论文的其余部分按以下方式组织。

第二节简要介绍了PT和CPT。

第三节详细分析了路线选择过程，提出了影响旅客决策的因素。

第四节演示了将CPT的函数形式推广到路径选择建模的可能性。

第五节提出了一种设置参考节点值的方法，

第六节介绍了一种通勤效用测量系统。

最后，在第七节中给出了结论和对未来研究的建议。

 

2. 前景理论和累积前景理论

前景理论最初是用来描述人们在面临不确定选择时的决策行为，而期望效用理论最初的目的是帮助人们做出更好的决策。相对于EUT，PT的主要改进在于无风险前景与风险前景的比较。

基于大量的实验，PT代表了不同于EUT的风险态度模式：

相对于参考点(X0),当结果(Xi)被定义为收益时，人们是风险厌恶的(I),当结果(XI)被定义为损失时，风险寻求(Xi).

因此，PT分别处理损益。

 

累积决策权重定义如下:

 

累积前景价值计算如下：

 

3.路线选择过程及影响因素分析

在本研究中，唯一考虑的决策因素是路径选择。由于网络的不确定性，旅行者无法预先确定最佳的出行时间。因此，旅行时间被视为随机变量。对于给定的路径，有一个概率分布与通勤者感知的出行时间有关。当通勤者寻求优化他们的个人偏好时，本文假设通勤者的行动是为了最大化他们的前景。提出了一个基于CPT的描述模型(图3)来说明路由选择过程和影响每个步骤的因素。

如图3所示，“编辑阶段”显然是选择过程的关键点。这个阶段很大程度上受到每个旅行者的特点的影响，包括他/她的经历、旅行习惯、识别网络不确定性的能力、对旅行可靠性的需求等。每一个特征之间都存在着相互作用。上述影响因素及其相互作用部分构成了通勤者的有限理性。

图3 基于累积前景理论的描述性路径选择模型

 

为了更深入地了解影响机制，在个人行为模型的基础上，提出了一个结构模型，如图4所示。

图4.路线选择决策的结构模型：

 

如图4所示，客观因素对决策过程的影响是通过主观因素传递的。必须指出的是，个人学习不仅是个人旅行经验的总和，而且是对所有可获得的交通信息的更新，这些信息有助于确定参考点，即对路线选择属性的感知。并对出行时间分布进行了评价，为下一次出行提供了依据。此外，旅客的认知和感受是影响路线选择决策的关键因素。

认知和情感实际上是心理学和行为科学的一部分，不能用normativeapproach来研究，在任何情况下，不能准确度量个人特征的影响或直接引入到路径选择模型中。然而，对于CPT，它们的影响通常可以用参考点和参数α、β、γ和 λ 的值来表示。换句话说，利用CPT的函数。 旅行者的特征可以被纳入到规范研究中，

4. 效用测量系统实例

许多研究(Tversky and Kahneman, 1992; Camerer and Ho,1994; Wu and Gonzalez, 1996)已经确定了基于CPT的模型版本，并使用实验数据估计了参数的值。然而，尼尔森和斯托（2002）认为，在现有的文献中提出的函数形式可能不适用于应用的设置。在交通领域，研究人员考虑了将CPT应用于随机网络均衡建模的可能性。然而，迄今为止，还没有经验证据表明CPT在通勤效用测量系统中的适用性，也没有研究验证将CPT的参数化形式推广到路径选择模型的可能性。这一研究差距是本部分研究的主要动机。旅行者在路线中的选择反映了他们对与每条路线的感知和对效用的偏好。我们能否通过基于CPT和以前的参数值的效用度量来直接预测路径选择决策？这个预测与现实相符吗？在接下来的一段中，我们进行了一个演示来回答这些问题。

本实验的基本问题是在两种不同路线之间进行选择，从原点(如旅馆)到目的地(如机场)，有两条可供选择的路线，R1和R2。R1的行程时间为20~50 min，R2的行程时间为30~40min。受访者认为，他们将离开酒店前往机场，如果无法在规定时间ι内到达，将错过原定航班。他们必须选择一条路线，无论是R1还是R2，都要设法及时到达机场。表1显示了在不同约束时间情况下调查对象的选择偏好。

 

将表2中的结果与表3中的结果进行比较，表3与表2相比提供了较少的精确预测。总之，调查对象的风险态度与一般个人的风险态度要一致，而不是风险中性。因此，必须通过经验确定尚未确认和验证的一组特定参数值。因此，有必要通过对旅客行为的实证研究来设置尚未得到确认和验证的一组特定参数值。我们在第6节中进行了这样的研究。

5.一种设置参考点值的方法

参考点（RP reference point）是CPT模型中的另一个重要参数。在描述性路径选择模型的背景下，出行者对于每条可选路径视的效用感知评估和RP有关其中特定的RP产生正负效用之间的差异。基于CPT的路由选择模型需要一种规范的方法来设置RP值。一般来说，在路线选择行为中，RP可能是通勤者常见或接受的出行时间。

然而，由于每个通勤者都使用自己的规则来区分积极和消极的效用，因此不可能为一个普遍的参考点设定一个值。在日常生活中，通勤者习惯于根据自己的经历和习惯、旅行的重要程度、所需或预期的到达时间以及外部信息等因素，为计划中的旅行留出空间。一般说来，他们认为他们已经为他们的旅行预留了足够的时间，并且会准时到达目的地。然而，意外事件可能会延长旅行时间，例如日常琐事，网络比预期/通常更拥挤，等等。当上班族准备从他们的Origin出发时，有效的预定时间等于规定的时间，在这段时间内，通勤者必须到达目的地，才能有效地旅行。虽然在日常生活和动态中经常会发生意想不到的事件,但有效的预留时间是一个关键因素，这就导致了正负效用的差异。从这个意义上说，保留时间等于路由选择行为中参考点的值。有效预留时间是客观存在的，对于某一次具体的出行可以算的。然而，在一般的交通网络中，有太多的OD、路径、旅行者和旅行，以至于无法估计每一次旅行的有效预留时间。需要一种统一的方法来描述普通出行的参考点值。

 

是一个连接紧密的交通网络，N和A分别是是节点和链接的集合。

R表示OD集合的对数，节点r是原点，节点s是目标。对于一个给定的从r到s的旅行，

不管旅行者的动机（例如工作），以及旅行者是冒险还是规避风险，都有可能满足以下最优化问题：

 

其中Krs是OD对rs之间的非空路径集。是在路径k上的旅行时间，是有效预留时间

给出了普通出行参考点的统一描述。参数是实现有效行程的最大可能性。

表面上，的值由决定。事实上，与通勤者对出行时间可靠性的要求有关。因此，预留时间是通勤者用来调整出行时间可靠性的杠杆。例如，乘客将预留相对较大的旅行时间预算，以获得较高程度的可靠性。高可靠性意味着一次按时的旅行，以及由于提前到达而浪费的时间。由于交通网络中普遍存在不确定性，而通勤者则尽力提高时间利用率，所以并不是每个人都会预留一个大空间来获得高可靠性（例如100%）。风险路线选择行为在日常旅行中很常见。

 

因为在所有TRIPS中都具有相同的属性，它们可以作为路线选择建模的参数，它们的值反映了旅行者对风险的追求或避险程度，对出行重要性的认识，以及对意外事件的预测。在现实中，旅行者通常将视为一个连续的随机变量，其均值和方差可以从日常学习中归纳。因为可以假定是服从某种概率分布的，对于给定的，的值可由以下最优化问题(P2)表示：

 

问题(P2)提出了一种规范的方法来设置参考点值。

应该指出，旅行时间比长意味着损失。因此，路径选择建模中的相对结果应计算为这与CPT的原始形式不同。由于不同的旅行动机、交通情景、风险偏好，通勤者可能对的价值有不同的看法。

6.参数值估计

如第4节所示，基于CPT和先前的参数估计的预测不符合实际情况。这促使我们研究价值和权重函数的具体形式，这将更适用于旅客的决策建模。为了重新估计参数值，我们进行了一项问卷调查，以了解上班族的路线选择偏好。以前采用的将实验数据拟合到公式（2）的方法(Tversky and Kahneman, 1992; Wu and Gonzalez,1996)。不同的是时间状况，而不是货币结果。众所周知，价值函数的具体形式与描述个体概率感知的加权函数有关，它描述了个体对概率的感知。在相同的自变量条件下，假设加权函数对各种决策都具有普适性。行为科学家(e.g., Tversky and Kahneman, 1992; Camerer and Ho, 1994; Wuand Gonzalez, 1996; Gigerenzer et al., 1999; Prelec, 1998)对加权函数的具体形式给予了很大的关注，并对参数进行了近似估计。

因此，在这一节中估计γ的值并不是我们感兴趣的。价值函数的研究是以Wu andGonzalez’s (1996) estimate (γ = 0.74)为基础的。

6.1.调查旅客路线选择偏好的实验

本实验的基本问题是在R和S两种不同路径中进行选择，问卷中具体的小片段、两个假设分别被描述为Q1和Q2。一般情况下，被调查者会被呈现一个旅行场景，并且必须选择两条路线中的一条，即R或S。每条路线的体验旅行时间是相同的。由两个不同的“梯子”组成的两两选择，每个阶梯包含五个阶梯，构成实验的主体部分。假定r和s上的旅行时间在任何时候都是相同的。    

Q1：最近的交通状况有所改善，两条路线的旅行时间都有可能减少。表示在节省t1分钟的情况下完成旅行的概率为p%，节省t2分钟的概率为q%，(1-P%-q%)表示没有节省时间的概率。表5显示了受访者在R和S之间的路线选择偏好。

 

Q2:由于交通挤塞，这两条路线的行车时间可能会增加。表示在超过t1分钟内完成旅行的概率为p%，超过t2分钟内完成的概率为q%，(1-P%-q%)表示没有额外的时间的概率。表6显示了受访者在R和S之间的路径选择偏好。

 

研究样本包括兼职研究生.。这些人之所以被选中，是因为他们有足够的能力去理解这个实验中的情景。此外，他们也是20-48岁的有经验的旅行者。人们普遍认为，20-50岁的人占通勤者的大多数.被访者总数为450人，我们共收到312份有用的问卷。

为了确保被调查者能够快速、容易地理解这些情景，这些情景代表了假想的和简化的旅行，没有限制时间或有效的保留时间。唯一的参考因素是相同的体验旅行时间。因此，结果被设定为Q1的收益和Q2相对于经验旅行时间的损失，这是一个简化的参考点。

在每一小段中，R上的旅行时间比S上的旅行时间变化更大，这意味着在Q1，被调查者面临收益的前景，选择R比选择S更有风险。他们中的大多数人更喜欢S的路径，Q2中的设置正好相反，结果也是相反的。

6.2利用实验数据进行参数估计

由于结果是损失和收益，我们可以利用参数化的CPT结构，描述上述实验中的路径选择问题。为了便于讨论，我们定义了以下符号，这些符号在本小节中使用。

 

路线R的累积前景值

 

场景i中选择路径R的比例

场景i中选择R的累积前景价值

场景i中选择S的累积前景价值

在场景i中，路由R比S更有价值的概率

Q1,Q2累积平方残差表达式如下：公式10、公式11

假定旅行者累积前景值的感知误差服从独立的、完全相同的耿贝尔分布。采用最小二乘准则对参数值进行估计。

基于公式(10)和γ=0.74，估计α=0.37，根据公式(11)和γ=0.74，估计η=0.59，λ=1.51。

与Wu and Gonzalez’s(1996)的估计值α=η=0.52相比，α较低值表明，当面对收益的前景时，上班族的风险厌恶程度比一般人要大得多。而η值越高意味着当面临损失时，风险寻求的程度越大。

与Tversky和Kahneman的估计，λ=2.25(Tversky and Kahneman，1992)相比，λ值较低，说明通勤者对损失的敏感度较低比一般的人。

鉴于上述重新估计的参数值和建议的确定参考点值的方法，提出了一种用于测量运输相关背景中的效用 的参数化函数形式。虽然本节中的实验并不代表所有的旅行类型，但它确实为我们提供了一种在风险下进行路径选择建模的方法。

6.3.基于重新估计的参数值的预测

利用第6.2节中参数的重新估计值，在第3节的实验中对调查对象的路线选择偏好进行预测，如下所示。

由于网络的不确定性，旅行者无法预先决定最佳的出行时间。因此，将感知旅行时间假设为具有连续分布的随机变量。取正态分布：

有具体的正态分布和给定的我们可以为参考点设置一个值。通过求解最第五5节的最优化问题（P2）得到

 

 

为了适应Ti的连续分布，构造了离散分布，定义了以下符号来描述离散分布：

p%：接近但不大于1，以98%为例；

Φ（.）标准正态分布函数；

 

置信度为p%的置信区间。

把置信区间等分为K个部分，定义为

分别代表区间的中值和行程时间发生在中的概率。令R2上的平均行程时间比R1上的长。然而，T2的较小方差意味着取R2的风险较小。表8显示了给定一组的两条线路的参考点和累积前景值。

60%	31.1250	-0.2681	-0.9076
80%	33.3440	0.5627	0.5746
90%	34.0480	0.7928	0.9207

如表8所示，值越高，和值越高，

当=60%时，R1比R2更有价值，当=90%时，R1的值较小。

对可靠性要求更高的旅行者将为计划的旅行留出更多的时间，并且更喜欢风险较小的路线。

7. 结论

近年来，各种运输有关的现象和实验数据，不能被EUT解释的 被PT和CPT很好的解释了。在路径选择行为的预测方面，CPT提供了一种不同于EUT的风险态度模式。前者认为，旅行者在面临收益前景时是避险的，在面临损失时是寻求风险的，对损失比收益更敏感。利用CPT，旅行者的共同心理方面可以通过参数值α，η，γ，λ纳入规范研究。考虑到旅客的有限理性，本文提出了一种针对上班族出行风险路径选择行为的一般决策规则，并提出了一种通过对的不同取值来考虑个体差异的参考点值的确定方法。通过各种实证分析，验证了将CPT和重新估计的参数值应用于路径选择建模的可行性，并找出违反CPT的行为来解释无风险的路径选择行为。

 

最重要的发现是，CPT和合理的参数值可用于路由选择建模。

此外，与一般人相比，上班族在面临收益前景时的避险程度要大得多，在面临损失时寻求风险的程度要大得多，损失对收益的相对敏感度较小。

 

CPT的参数化形式可以推广到旅行者的路线选择行为，可以用来改进现有的随机网络均衡模型，代替其他研究旅客路线选择行为的决策规则。

 

在第6.4节中给出了一个解释的例子，说明了所提出的路径选择决策规则在随机网络中的应用。基于CPT的用户随机均衡模型的进一步研究正在进行中。

 

然而，需要改进的实证研究，以改善本文提出的效用测量系统。其他有趣的未来研究方向包括示范和改进建议的方法，以确定参考点的价值，并探讨如何纳入货币成本标准的CPT值在运输相关的背景下。