基于ＢＰ神经网络的居民出行方式选择模型＊
殷焕焕 关宏志
（北京工业大学交通工程北京市重点实验室 北京１００１２４
）摘 要 以城市居民出行方式选择行为作为研究对象，分析了影响出行方式选择行为的主要因素，利用ＢＰ神经网络可以自动获取研究对象的输入、输出间关系和较强的学习训练特性，建立了基于ＢＰ神经网络的居民出行方式选择模型，并通过２００９年济南市居民出行调查数据对模型进行了实例分析。结果表明：ＢＰ神经网络模型能够较好地描述居民出行交通方式选择行为。关键词 居民出行；方式选择；ＢＰ神经网络
中图分类号：Ｕ４９１ 文献标志码：Ａ ＤＯＩ：１０．３９６３／ｊ
．ＩＳＳＮ １６７４－４８６１．２０１１．０３．０１２收稿日期：２０１１－０１－０５ 修回日期：２０１１－０４－
２２ ＊国家自然科学基金资助项目（
批准号：５０９７８００８）、北京市自然科学基金资助项目（批准号：８１０２００７）资助第一作者简介：殷焕焕（１９８４），硕士．研究方向：交通规划．Ｅ－ｍａｉｌ：ｙ
ｈｕａｎｈｕａｎ＠ｅｍａｉｌｓ．ｂｊｕｔ．ｅｄｕ．ｃｎ０ 引 言
居民出行方式选择行为的研究，作为交通需求预测的重要组成部分，一直以来都是交通规划领域研究的一个重要内容。自基于随机效用理论的离散选择模型出现以来，因其能够有效模拟出行者的交通方式选择行为，
在国内外出行方式选择行为的研究中得以广泛应用。然而，离散选择模型通常将效用函数设定为特性变量的线性函数形式，
而居民出行交通方式选择是一个复杂的系统，交通方式选择与其影响因素之间存在着一定的非线性关系，各影响因素之间也存在着多重共线性，离散选择模型的线性效用函数往往忽略了特性变量之间以及选择方案之间的相互关系。鉴于离散选择模型的存在的不足，本文利用ＢＰ神经网络可以自动获取研究对象的输入输出间关系和较强的学习训练特性，通过２００９年济南市居民出行调查结果提取居民出行交通方式选择行为的数据特征，建立基于ＢＰ神经网络的居民出行方式选择模型，分析各影响因素对居民出行方式选择结果的影响，
并对模型的有效性进行实例验证。１ 以往相关研究
１９９６年Ｎｉｊｋａｍｐ运用前馈神经网络模型，
对城际间交通方式选择问题进行了研究［
１］
。并通过与传统的Ｌｏｇ
ｉｔ模型进行对比分析，得出神经网络模型能够在交通方式选择方面具有较强的实用性。１９９８年Ｓｕｂｂａ指出既能识别线性指标又能识别非线性指标的人工神经网络模型在交通方式
选择行为分析中具有一定的优势［２］
。２００５年Ｇｉ－
ｕｌｉｏ将多层前向神经网络运用到交通方式选择研
究中，并详细描述了ＭＬＦＦＮ模型在交通需求分
析中的应用步骤及潜力［
３］
。２００７年李海峰对与出行个体相关的特征指
标进行了量化。分析了出行者的自身特性、出行特性、
运输系统特性、出行区域特性和目的地区域特性等影响居民出行方式选择的相关因素，建立
了居民出行方式选择神经网络预测模型［４］
。２００９
年鲜于建川基于同一组出行方式调查数据构造了ＭＮＬ模型和ＢＰ神经网络模型，含有隐层的ＢＰ神经网络模型能够更准确地对描述出行方式选择
行为，
具有更好的预测精度［５］
。综合国内外相关研究可以看出，神经网络模型能够从已有数据中自动获取其内在规律，建立良好的输入与输出的关系映射模型，能够适应交通方式选择预测领域的应用需要。但由于受到研究角度的限制，相关文献大多对影响因素对交通方式选择的相关性分析较少，且很少针对特定的区域类型进行应用研究。
２ 出行方式选择分析
建立基于ＢＰ神经网络的居民出行方式选择
７
４基于ＢＰ神经网络的居民出行方式选择模型———殷焕焕 关宏志
模型的第一步就是确定模型的输入变量和输出变量参数，从而确定模型结构。其中输出变量为居民出行方式选择结果，输入变量则为影响居民出行方式选择的主要因素。本文结合济南市２００９年居民出行调查数据（见图１），对济南市居民出行调查数据进行整理分析，提取出居民出行的主要方式和影响出行方式选择的主要因素，为建立基
于ＢＰ神经网络的出行方式选择模型提供依据
。
图１ 济南市居民出行方式选择分布
Ｆｉｇ．１ Ｊｉｎａｎ ｒｅｓｉｄｅｎｔｓ’ｔｒａｆｆｉｃ ｍｏｄｅ ｃｈｏｉｃｅ ｄｉｓｔｒｉｂｕｔｉｏｎ
２．１出行方式选择分布
由图１可见，济南市居民出行方式主要由步行、自行车、电动车、公交车、出租车、小汽车和单位班车等７大类方式组成。其中步行、公交车、自行车及电动车这四类出行方式的比例较大，占到了全部出行的８３％。
２．２ 出行方式选择影响因素分析
影响城市居民出行方式选择的因素有很多，参考国内外城市居民出行方式选择行为的相关研究成果，主要包括有出行者的个人属性、家庭属性、交通特性等。其中出行者的个人属性主要包括性别、年龄、职业、收入、是否拥有公交月票、是否持有驾照等；家庭属性主要包括家庭拥有自行车、电动车和小汽车的数量等；交通特性的影响则主要体现在出行目的、出行距离、出行目的、出行费用以及出行时间等方面［６］。
为检验上述各属性变量与交通方式选择之间的相关关系，本文通过交叉列联表分析计算各属性变量与出行方式选择结果之间的相伴概率。从变量相关性分析结果可以看出：个人属性、家庭属性和交通特性等３大类因素对城市居民出行方式的选择有着明显的影响。
３ 基于ＢＰ神经网络理论的居民出行方式选择模型
以出行方式选择结果作为输出，影响出行方式选择的各属性变量作为输入，通过对ＢＰ神经网络的各参数如输入输出层节点数、隐层节点数、
学习速度等的设定对网络进行训练，建立拟合和仿真性能都相对较好的居民出行方式选择神经网络模型，能够映射出出行方式选择与其各影响因素之间的关系。
３．１ 输入输出层节点数的确定
本文采用３层ＢＰ神经网络模型来研究居民出行方式的选择。其中输入层的变量选择的是对居民出行方式选择影响最显著的１４个因素：性别、年龄、职业、月收入、是否拥有公交月票、是否拥有驾照、家庭拥有自行车数量、家庭拥有电动车数量、家庭拥有小汽车数量、出行距离、出行目的、出行费用、出发时刻、到达时刻等，因而输入层节点数为１４，见表１。
表１ 输入变量表
Ｔａｂ．１ Ｉｎｐｕｔ ｖａｒｉａｂｌｅｓ ｓｅｔｔｉｎｇ
变量输入变量名定义
ｘ１性别１－女，０－男
ｘ２年龄数值
ｘ３职业
１－工人，２－农牧渔业人员，３－公
司职员，４－事业单位人员，５－商业
人员，６－教师，７－军人，８－专业技
术人员，９－个体经营，１０－服务人
员，１１－中小学生，１２－大中专学
生，１３－家务，１４－待业，１５－下岗，
１６－退休，１７－其他
ｘ４月收入／元
１－≤６００，２－６００～９９９，３－１ ０００
～１ ９９９，４－２ ０００～２ ９９９，５－
３ ０００～３ ９９９，６－４ ０００～４ ９９９，
７－５ ０００～５ ９９９元，８－６ ０００～
６ ９９９，９－７ ０００～７ ９９９，１０－８ ０００
～８ ９９９，１１－９ ０００～９ ９９９，１２－＞
１０ ０００
ｘ５是否拥有公交月票１－有，０－无
ｘ６是否拥有驾照１－有，０－无
ｘ７家庭拥有自行车数量数值
ｘ８家庭拥有电动车数量数值
ｘ９家庭拥有小汽车数量数值
ｘ１０出行距离／ｋｍ １－≤１，２－１～５，３－５～１０，４－＞１０
ｘ１１出行目的
１－上班，２－上学，３－回家，４－回
程，５－购物娱乐，６－外出吃饭，７－
公务外出，８－看病，９－探亲访友
１０－接送孩子，１１－银行，１２其他
ｘ１２出行费用数值
ｘ１３出发时刻数值
ｘ１４到达时刻数值
居民出行方式选择结果作为输出，包括步行、自行车、电动车、公交车、出租车、小汽车和单位班车等７种方式，因而输出层节点数为７。
３．２ 数据的归一化处理
当所有训练样本的输入信号都为正值时，与隐层神经元节点相连的权值只能同时增加或同时减小，容易导致网络的学习速度很慢。为避免这种情况的出现，加快网络的学习速度，通常对输入变量进行归一化处理到一个统一的范围之内，从
８
４交通信息与安全 ２０１１年第３期 第２９卷 总１６１期
而使各变量的重要性处于同等地位。本文中输入变量和输出变量均归一化为［０，１］之间的数。本文中家庭拥有自行车数量、家庭拥有电动车数量、家庭拥有小汽车数量和出行距离等输入变量采用分别除以１０，年龄、职业、月收入、出行目的、出行费用等输入变量均采用原始值减去样本值中的最小值再被样本的值域范围除的方法进行归一化处理办法。
３．３ 隐层节点数的确定
ＢＰ神经网络模型识别能力的高低，与隐层节点数目设计合理与否有很大的关系。若隐层节点数目太少，可能网络训练不出来，或者训练出的网络不强壮，泛化能力较差等；若隐层节点数目太多，容易导致模型学习时间过长，不能识别以前没有看到的样本，误差不一定最佳等问题［８］。因此需综合多方面因素考虑，确定一个最佳的隐层节点数目。本文中，隐层节点数目的初始值根据经验公式来确定。
Ｌ＝ｍ＋
槡ｎ＋α
式中：ｍ为输入节点数；ｎ为输出节点数；α为［１，１０］之间的整数。
将输入输出节点数目带入上式可得：隐层的节点数目介于６～１４之间。因此，设计一个隐层节点数目为６～１４个的ＢＰ神经网络模型，用训练样本进行网络训练。通过对模型的反复训练比较得出：隐层节点数目为１２的ＢＰ神经网络的平方和误差最小，对样本的逼近效果最好。因此，本文中交通方式选择ＢＰ神经网络模型的隐层节点数设定为１２。
３．４ 模型的训练及检验
本文使用的样本数据来源于２００９年５月在济南市城区进行的居民出行调查中的部分数据。其中用于训练模型的样本数为７００个，用于检验模型的样本数为３０７个，共计１００７个样本，利用
ＭＡＴＬＡＢ７．１的神经网络工具箱进行模型的训练和仿真。为了提高训练速度，训练函数采用默认的训练函数ｔｒａｉｎｌｍ函数，性能函数采用默认的性能函数ｍｓｅ即均方误差函数，目标误差设为小于等于１×１０－２。经过多次调试和改进网络参数，运行程序进行模型的训练，模型建立及训练的有关程序如下。
ｎｅｔ＝ｎｅｗｆｆ（ｍｉｎｍａｘｐ，［１４ １１ ７］，｛＇ｌｏｇｓｉｇ＇＇ｌｏｇｓｉｇ＇＇ｌｏｇｓｉｇ＇｝，＇ｔｒａｉｎｌｍ＇）；
ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｅｐｏｃｈｓ＝１０００；
ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｇｏａｌ＝０．０１；
ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｓｈｏｗ＝１０；
ｎｅｔ＝ｔｒａｉｎ（ｎｅｔ，ｐ，ｔ）；
经过２６次迭代学习，训练累计误差达到０．００９ ９８４ ４７，精度达到目标要求，模型训练停止
，其训练误差曲线见图２。
图２ 训练累计误差曲线图
Ｆｉｇ．２ Ｔｒａｉｎｉｎｇ ｃｕｍｕｌａｔｉｖｅ ｅｒｒｏｒ ｃｕｒｖｅ
应用该ＢＰ神经网络模型对检验样本进行居民出行方式选择预测，得到预测结果见表２。从模型的预测结果来看，预测精度为８６．６％，模型的精度较高，效果较好。可见：基于ＢＰ神经网络的居民出行方式选择模型能够准确地描述居民出行方式选择行为，可以较好地应用于出行方式选择预测研究中，且具有较好的预测精度。
４ 结束语
出行方式选择是居民根据自己的个人属性、
表２ ＢＰ神经网络模型的预测结果
Ｔａｂ．２ Ｐｒｅｄｉｃｔｉｏｎ ｆｏｒ ｃａｌｉｂｒａｔｉｏｎ ｓａｍｐｌｅ
样本数
预测结果
步行自行车电动车公交车小汽车出租车单位班车
预测精度
ｒｉｊｒ
步行（９８）９１ ６ ０ ０ ０ ０ １ ９２．７自行车（４１）７ ３２ ０ ０ ０ ０ ２ ７８．１电动车（３７）４ ０ ３０ ３ ０ ０ ０ ８１．１
公交（７０）０ ０ １ ６９ ０ ０ ０ ９８．６小汽车（１６）０ ０ １ ３ ９ ３ ０ ５６．３出租车（３１）０ ０ ０ ０ ０ ３１ ０ １００．０单位班车（１４）２ ２ ０ ０ ０ ０ １０ ７１．４８６．６
９４
基于ＢＰ神经网络的居民出行方式选择模型———殷焕焕 关宏志
家庭属性以及出行目的、出行距离等交通特性，选择的最适合出行的一种交通方式的过程，且影响居民出行方式选择的因素是多方面的、复杂的。本文利用ＢＰ神经网络可以自动获取研究对象的输入输出间关系和较强的学习训练特性，建立了基于ＢＰ神经网络的居民出行方式选择模型，可以为出行方式选择预测研究提供一种思路和方法。
参考文献
［１］ Ｎｉｊｋａｍｐ
Ｐ，Ｒｅｇｇｉａｎｉ Ａ，Ｔｒｉｔａｐｅｐｅ Ｔ．Ｍｏｄｅｌｌｉｎｇｉｎｔｅｒ－ｕｒｂａｎ ｔｒａｎｓｐｏｒｔ ｆｌｏｗｓ ｉｎ ｉｔａｌｙ：ａ ｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎａｌｙｓｉｓ ａｎｄ ｌｏｇｉｔ ａｎａｌｙｓｉｓ［Ｊ］．Ｔｒａｎｓｐｏｒｔ Ｒｅｓｅａｒｃｈ Ｐａｒｔ Ｃ，１９９６，４（６）：３２３－３３８．
［２］ Ｓｕｂｂａ Ｒａｏ Ｐ Ｖ，Ｓｉｋｄａｒ Ｐ Ｋ，Ｋｒｉｓｈｎａ Ｒａｏ
Ｋ Ｖ，ｅｔａｌ．Ａｎｏｔｈｅｒ ｉｎｓｉｇｈｔ ｉｎｔｏ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓｔｈｒｏｕｇｈ ｂｅｈａｖｉｏｒａｌ ａｎａｌｙｓｉｓ ｏｆ ａｃｃｅｓｓ ｍｏｄｅ ｃｈｏｉｃｅ［Ｊ］．Ｃｏｍｐｕｔｅ，Ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ Ｕｒｂａｎ Ｓｙｓｔｅｍ，１９９８，２２（５）：４８５－
４９６．［３］ Ｇｉｕｌｉｏ Ｅｒｂｅｒｔｏ Ｃａｎｔａｒｅｌｌａ，Ｓｔｅｆａｎｏ ｄｅ Ｌｕｃａ．Ｍｕｌｔｉ－
ｌａｙｅｒ ｆｅｅｄｆｏｒｗａｒｄ ｎｅｔｗｏｒｋｓ ｆｏｒ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｍｏｄｅｃｈｏｉｃｅ ａｎａｌｙｓｉｓ：ａｎ ａｎａｌｙｓｉｓ ａｎｄ ａ ｃｏｍｐａｒｉｓｏｎ ｗｉｔｈｒａｎｄｏｍ ｕｔｉｌｉｔｙ ｍｏｄｅｌｓ［Ｊ］．Ｔｒａｎｓｐｏｒｔ Ｒｅｓｅａｒｃｈ ＰａｒｔＣ，２００５，１３（２）：１２１－
１５５．［４］ 李海峰，
王炜．基于神经网络的交通方式选择模型［Ｊ］．公路交通科技，２００７，２４（７）：１３２－
１３６．［５］ 鲜于建川．出行方式选择：神经网络与多项Ｌｏｇ
ｉｔ模型的比较研究［Ｊ］．上海电机学院学报，２００９，１２（４）：３２３－
３２７．［６］ 刘炳恩，
隽志才，李艳玲，等．居民出行方式选择非集计模型的建立［Ｊ］．公路交通科技，２００８，２５（５）：１１６－
１２０．Ａ Ｂａｃｋ－ｐｒｏｐａｇ
ａｔｉｏｎ（ＢＰ）Ｎｅｕｒａｌ ＮｅｔｗｏｒｋＢａｓｅｄ Ｔｒａｆｆｉｃ Ｍｏｄｅ Ｃｈｏｉｃｅ
ＭｏｄｅｌＹＩＮ Ｈｕａｎｈｕａｎ ＧＵＡＮ Ｈｏｎｇ
ｚｈｉ（Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｔｒａｆｆｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ
ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ１００１２４，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ａｎａｌｙｚｅｓ ｔｈｅ ｒｅｌａｔｅｄ ｆａｃｔｏｒｓ ａｆｆｅｃｔｉｎｇ
ｒｅｓｉｄｅｎｔ ｔｒａｆｆｉｃ ｍｏｄｅ ｃｈｏｉｃｅ ａｎｄ ｄｅｖｅｌｏｐｓ ａ ＢＰ ｎｅｕｒａｌ ｎｅｔ－ｗｏｒｋ ｂａｓｅｄ ｔｒａｆｆｉｃ ｍｏｄｅ ｃｈｏｉｃｅ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｉｔｓ ｓｔｒｅｎｇｔｈｓ ｉｎ ａｕｔｏｍａｔｉｃａｌｌｙ ｃｏｒｒｅｌａｔｉｎｇ ｉｎｐｕｔ／ｏｕｔｐｕｔ ａｎｄ ｓｔｒｏｎｇ ｌｅａｒｎｉｎｇｃａｐａｂｉｌｉｔｙ．Ｔｈｅ ｍｏｄｅｌ ｉｓ ｖｅｒｉｆｉｅｄ ｂｙ ２００９ｒｅｓｉｄｅｎｔｉａｌ ｔｒａｖｅｌ ｓｕｒｖｅｙ ｄａｔａ ｆｒｏｍ Ｃｉｔｙ ｏｆ Ｊｉｎａｎ．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｍｏｄ－ｅｌ ｈａｓ ｇｏｏｄ ｐｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ ｃａｎ ｂｅ ｕｔｉｌｉｚｅｄ ｆｏｒ ｒｅｓｉｄｅｎｔ ｔｒｉｐ
ｔｒａｆｆｉｃ ｍｏｄｅ ｃｈｏｉｃｅ ｆｏｒｅｃａｓｔ．Ｋｅｙ
ｗｏｒｄｓ：ｒｅｓｉｄｅｎｔｉａｌ ｔｒａｖｅｌ；ｔｒａｆｆｉｃ ｍｏｄｅ ｃｈｏｉｃｅ；Ｂａｃｋ－ｐｒｏｐａｇ檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾
ａｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ（上接３２页）
Ｐｓｙｃｈｏｌｏｇｉｃａｌ Ｄｅｌａｙｉｎｇ
Ｍｏｄｅｌ ｏｆ Ｂｉｃｙｃｌｅ ＰａｓｓｉｎｇＥｖｅｎｔｓ ｏｎ Ｐｈｙｓｉｃａｌｌｙ
Ｓｅｐａｒａｔｅｄ Ｂｉｃｙｃｌｅ ＲｏａｄｗａｙｓＷＡＮＧ Ｙｉ ＷＡＮＧ Ｗｅｉ ＬＩ Ｚｈｉｂｉｎ ＦＵ Ｑｉａｎ（Ｓｃｈｏｏｌ ｏｆ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ，Ｓｏｕｔｈｅａｓｔ Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２
１００００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅ ｐａｓｓｉｎｇ ｅｖｅｎｔｓ，ｗｈｉｃｈ ｓｉｇｎｉｆｙ
ｔｈｅ ｃｙｃｌｉｓｔ＇ｓ ｄｅｇｒｅｅ ｏｆ ｃｏｍｆｏｒｔ，ｃａｎ ｒｅｆｌｅｃｔ ｔｈｅ ＬＯＳ（ｌｅｖｅｌ ｏｆ ｓｅｒｖｉｃｅ）．Ｈｕｍｍｅｒ＇ｓ ｂｉｃｙｃｌｅ ｐａｓｓｉｎｇ ｅｖｅｎｔｓ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｍｅｃｈａｎｉｓｍ ｏｆ ｐａｓｓｉｎｇ ｅｖｅｎｔｓ ｉｓ ｗｉｄｅｌｙ
ａｃｃｅｐｔｅｄ．Ｔｈｉｓ ｐａｐｅｒｆｉｇｕｒｅｄ ｏｕｔ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ Ｃｈｉｎａ＇ｓ ｒｏａｄ ａｎｄ ｔｈｅ ｉｎａｐｐｌｉｃａｂｉｌｉｔｙ ｏｆ Ｈｕｍｍｅｒ＇ｓ ｍｏｄｅｌ．Ａｃｃｏｒｄｉｎｇ ｔｏ ｓｔａｔｉｓｔｉｃｓ，ｄｅｌａｙｅｄｐａｓｓｉｎｇ ｅｖｅｎｔｓ ａｎｄ ｂｉｃｙｃｌｉｓｔｓ＇ｏｖｅｒｔａｋｉｎｇ
ｍｏｔｉｖａｔｉｏｎ，ｗｈｉｃｈ ｗｅｒｅ ｆｏｕｎｄ ｔｏ ｂｅ ｉｍｐｏｒｔａｎｔ Ｃｈｉｎｅｓｅ ｒｏａｄ ｆａｃｔｏｒｓ，ｗｅｒｅ ｂｏｔｈｃｏｎｓｉｄｅｒｅｄ ｉｎ ｏｕｒ ｍｏｄｉｆｉｅｄ ｍｏｄｅｌ．Ｃｏｍｐａｒｅｄ ｗｉｔｈ Ｈｕｍｍｅｒ＇ｓ ｍｏｄｅｌ，ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ ｆｉｅｌｄ ｄａｔａ ｏｆ Ｎａｎｊｉｎｇ ｐｒｏｖｅｓ ｔｈａｔｔｈｅ ｍｏｄｉｆｉｅｄ ｍｏｄｅｌ ｉｓ ｍｏｒｅ
ａｃｃｕｒａｔｅ．Ｋｅｙ
ｗｏｒｄｓ：ｂｉｃｙｃｌｅ；ｐａｓｓｉｎｇ ｅｖｅｎｔｓ；ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ ｄｅｌａｙｅｄ ｐａｓｓｉｎｇ ｅｖｅｎｔｓ；ｏｖｅｒｔａｋｉｎｇ ｍｏｔｉｖａｔｉｏｎ０
５交通信息与安全 ２０１１年第３期 第２９卷 总１６１期