下载文档原格式
广义线性混合模型的研究与应用第一章：引言广义线性混合模型（GLMM）是一种既兼顾线性模型又兼顾混合模型的强大工具。
该模型在诸多实际问题中得到了广泛的应用，如医学、农业、生态等领域。
本文旨在系统性介绍GLMM的相关概念、特点、推导以及应用。
第二章：GLMM的概念和定义广义线性混合模型GLMM其实是对线性模型LM和混合模型MM的一个统一框架。
它不仅考虑了个体间和个体内的随机因素，从而可以更好地适应实际生活中各种不确定因素的影响，而且广泛适用于探索各种非正态和非独立数据结构。
同时可以建模各种响应变量的方差不等和非常偏态分布，具有很强的灵活性和可拓展性。
第三章：GLMM的特点GLMM最大的特点是对于个体之间的差异建立了一个统一、完整的随机因素模型。
与之前的混合模型不同，GLMM的随机因素是基于一个广义线性模型而来的，具有较强的可解释性和可变性。
同时，GLMM也可以与各种模型结合，如时间序列、空间模型等，更加灵活地应用于各种实际问题。
第四章：GLMM的推导在GLMM中，我们既有固定效应，又有随机因素。
假设我们需要建立可拓展的随机因素模型$$y_i = X_i\beta + Z_iu_i + \varepsilon_i$$其中$y_i$是第$i$个个体的响应变量，$\beta$是固定效应系数，$X_i$是该个体的固定特征（设计矩阵），$Z_i$是该个体的随机特征（设计矩阵），$u_i$是该个体的随机效应，$\varepsilon_i$是该个体的误差项。
我们一般假设$u_i\sim N(0,D)$，$\varepsilon_i\sim N(0,R)$，即随机效应和误差项都服从正态分布。
因此$$E(y_i) = X_i\beta$$$$Var(y_i) = Z_iDZ_i^T + R$$由于$D$和$R$是未知的，并且难以直接估计，我们要借助一些方法，通过最大化似然函数使$D$和$R$可被估计。
第五章：GLMM应用的案例和研究GLMM可应用于多个领域，例如生态学、医学、农业和社会科学等。
广义线性混合模型在预测中的应用研究广义线性混合模型（GLMM）是一种非常强大的统计方法，因其在具有分层结构的数据分析中具有很高的适应性和灵活性而备受研究者关注。
它将固定效应和随机效应结合在一起，可以应用于各种各样的数据类型，例如二项式数据、计数数据、高斯混合数据等。
多年来，GLMM已经应用于各种领域的实际问题，包括生态学、医学、心理学、经济学等。
本文将介绍GLMM的统计基础和在预测中的应用研究。
GLMM的基本要素广义线性混合模型是广义线性模型（GLM）和线性混合模型（LMM）的自然扩展。
它们可以用不同的方式来描述，但是他们有一些相同的基本要素：·响应变量：指需研究的变量，如二项式数据中观察到的成功次数或失败次数，计数数据中观察到的计数值，高斯混合数据中观察到的连续型数值等。
·固定效应（样本效应）：指影响响应变量的因素，且每个因素有一个确定的参数。
这些参数可以解释各种因素与响应变量之间的关系。
·随机效应（个体效应）：指在数据中存在的组成层次结构，通常表现为对数据的组织形式没有意义的变量。
如果每个组件（如数据中的每个观察值）都具有不同的变化性，那么这些变化将归因于随机效应。
随机效应的参数通常无法为每个组件提供具体值的解释。
相反，随机效应通常旨在捕获对数据中的变异性所做出的贡献。
为此，GLMM的数学表达式可以用广义线性模型（GLM）的形式，加上一个可扩展的随机效应（LMM），如下所示：Y_i | b_i ~ f(θ_i) , b_i ~ N(0, D)θ_i = X_i β + Z_i b_i其中，Y_i是i观察结果的反应变量，b_i是该观测值的扰动项，~ f(θ_i)是Y_i的条件分布，即反应变量的概率分布函数(pdf)，N(0, D)是扰动项b_i的高斯分布，θ_i是反应变量模型的线性预测器，并且X_i和Z_i是对应于固定因子和随机因子的设计矩阵，β是固定效应系数，如斜率或拦截值，而 b_i 是随机效应系数。
基于混合专家模型的智能网联汽车换道决策方法姚福星;孙超;兰云港;卢兵;王博;于海洋【期刊名称】《汽车工程》【年(卷),期】2024(46)5【摘要】高速公路换道决策问题场景复杂、不确定性强、实时性要求高,是国内外自动驾驶领域的研究热点和难点。
深度强化学习(deep reinforcement learning,DRL)具有良好的决策实时性和面向复杂场景的适应性,然而,在训练样本与成本有限的条件下学习效果有限,其难以保证最优的驾驶效率和完全的行驶安全性。
本文提出了一种基于改进DRL的混合专家模型(DRL-mixture of expert,DRL-MOE)换道决策方法。
首先,模型的上层分类器根据输入状态特征动态地决定下层DRL专家或启发式专家的激活状态。
为提高DRL专家的学习效果,本方法通过行为克隆(behavior cloning,BC)对神经网络参数进行初始化,对传统深度确定性策略梯度算法(deep deterministic policy gradient,DDPG)进行了改进。
将智能驾驶员模型和最小化换道引起的总制动策略设计为启发式专家,以确保行驶安全性。
仿真结果表明,本文所提出的DRL-MOE模型方法与非混合专家型DRL方法相比,在驾驶效率方面提高了15.04%,并确保了零碰撞和零出界,具有较高的鲁棒性和更优的效果。
【总页数】11页(P882-892)【作者】姚福星;孙超;兰云港;卢兵;王博;于海洋【作者单位】北京理工大学机械与车辆学院;深圳市昊岳科技有限公司;北京理工大学深圳汽车研究院;北京航空航天大学前沿科学技术创新研究院【正文语种】中文【中图分类】TP3【相关文献】1.基于多目标优化的智能网联汽车队列换道方法2.多网联范围下的智能网联车换道决策组合模型研究3.智能网联环境下车辆自主换道决策模型与仿真4.智能网联汽车换道决策安全性研究综述5.混合交通流环境下基于MSIF-DRL的网联自动驾驶车辆换道决策模型因版权原因，仅展示原文概要，查看原文内容请购买。
车辆轨迹预测与行为分析算法研究车辆轨迹预测和行为分析是交通领域的重要研究方向。
本文将讨论相关的算法研究，重点关注车辆轨迹预测和行为分析方面的技术和方法。
一、车辆轨迹预测算法研究车辆轨迹预测是根据过去的轨迹信息来预测车辆未来的行驶轨迹。
这对于交通管理和智能驾驶领域非常重要。
以下是几种常用的车辆轨迹预测算法：1.基于回归模型的方法：回归模型可以使用线性回归、多项式回归等来预测车辆轨迹。
它们利用历史轨迹数据和其他影响因素（如车速、车道位置等）来建立模型，从而进行未来轨迹的预测。
2.基于深度学习的方法：深度学习技术，如循环神经网络（RNN）和长短期记忆网络（LSTM），在车辆轨迹预测方面表现出色。
这些模型能够捕捉到时间序列数据之间的非线性关系，适用于复杂的交通环境。
3.基于规则推理的方法：规则推理方法根据交通规则和经验来推断车辆的行驶轨迹。
例如，当车辆接近红绿灯时，可以预测它会减速并停下来。
这种方法通常需要领域专家的知识，并且对于复杂的交通情况可能无法准确预测。
二、车辆行为分析算法研究车辆行为分析的目的是识别和理解交通参与者的行为，以便更好地预测和管理交通流。
以下是几种常用的车辆行为分析算法：1.轨迹聚类算法：轨迹聚类算法通过将相似的轨迹归类到同一组中来识别车辆的行为。
它可以用于识别加速、减速、转弯等行为，分析车辆的行驶模式和驾驶习惯。
2.行为模式识别算法：行为模式识别算法采用机器学习和模式识别技术，通过分析车辆的轨迹数据来识别不同的行为模式。
这些模式可以包括正常行驶、超速、变道、交叉路口等。
3.行为预测算法：行为预测算法结合了轨迹预测和行为分析，旨在预测交通参与者的未来行为。
它可以根据车辆的行为模式和交通环境来预测车辆的下一步动作，为智能驾驶系统提供决策支持。
三、算法应用与挑战车辆轨迹预测和行为分析算法可以应用于许多领域，包括交通管理、智能交通系统和自动驾驶等。
然而，也面临着一些挑战：1.数据质量和准确性：轨迹数据的质量对算法的准确性有重要影响。
《基于模型预测控制的无人驾驶车辆轨迹跟踪控制算法研究》篇一一、引言随着科技的飞速发展，无人驾驶车辆已成为现代交通领域的重要研究方向。
无人驾驶车辆的核心技术之一是轨迹跟踪控制算法，其性能直接影响到车辆的行驶安全和稳定性。
模型预测控制（MPC）作为一种先进的控制策略，在无人驾驶车辆的轨迹跟踪控制中具有广泛的应用前景。
本文旨在研究基于模型预测控制的无人驾驶车辆轨迹跟踪控制算法，以提高无人驾驶车辆的行驶性能和安全性。
二、模型预测控制概述模型预测控制（MPC）是一种基于模型的优化控制策略，通过建立车辆动力学模型和预测模型，实现对未来时刻车辆状态的预测和优化。
MPC具有多约束处理能力、对模型不确定性的鲁棒性以及能处理多目标优化问题的特点，使得其在无人驾驶车辆的轨迹跟踪控制中具有显著优势。
三、无人驾驶车辆轨迹跟踪控制算法研究1. 车辆动力学模型建立为了实现精确的轨迹跟踪控制，首先需要建立准确的车辆动力学模型。
本文采用非线性车辆动力学模型，考虑车辆的纵向、横向以及横摆运动，为后续的轨迹跟踪控制提供基础。
2. 预测模型的构建预测模型是MPC的核心部分，通过对未来时刻车辆状态的预测，实现对轨迹的跟踪控制。
本文采用基于滚动时域的预测方法，通过优化目标函数，实现对未来时刻车辆状态的预测和优化。
3. 控制器设计基于建立的车辆动力学模型和预测模型，设计控制器实现轨迹跟踪控制。
控制器采用MPC算法，通过优化目标函数，实现对未来时刻车辆状态的优化和控制。
同时，考虑到实际道路交通环境的复杂性，本文还引入了约束条件，如速度、加速度等限制，以保证车辆行驶的安全性和稳定性。
四、算法仿真与实验验证为了验证基于模型预测控制的无人驾驶车辆轨迹跟踪控制算法的有效性，本文进行了仿真实验和实际道路测试。
仿真实验结果表明，该算法能够实现对期望轨迹的准确跟踪，具有较好的鲁棒性和稳定性。
实际道路测试结果也表明，该算法能够适应不同道路条件和交通环境，实现安全、稳定的行驶。
自动驾驶系统中的车辆轨迹预测与规划方法研究近年来，随着自动驾驶技术的迅速发展，车辆轨迹预测与规划方法成为了关注的焦点。
自动驾驶系统需要准确预测其他交通参与方的行为并规划安全且高效的轨迹，以确保车辆能够在复杂的道路环境中行驶。
车辆轨迹预测是指通过分析其他车辆、行人和障碍物的行为模式，预测其未来的行驶轨迹。
一种常用的方法是基于机器学习的轨迹预测算法。
该算法通过对历史轨迹数据的分析和建模，可以预测其他车辆的轨迹。
常用的机器学习算法包括支持向量机（SVM）、决策树、随机森林和深度学习等。
其中，深度学习方法由于其在处理复杂数据和学习非线性模式方面的优势，逐渐成为车辆轨迹预测中的主流方法。
另一种常用的车辆轨迹预测方法是基于运动模型的预测。
该方法通过对车辆运动规律的建模，预测车辆未来的行驶轨迹。
运动模型可以基于物理原理，如牛顿定律和运动方程，也可以基于统计学原理，如卡尔曼滤波器和粒子滤波器。
车辆轨迹预测的准确性和实时性很大程度上取决于运动模型的选择和参数的调整。
车辆轨迹规划是指根据车辆的当前状态和环境信息，选择合适的轨迹以实现安全和高效的行驶。
常用的轨迹规划方法包括基于规则的方法、基于搜索算法的方法和基于优化算法的方法。
基于规则的方法通过预先定义的规则和限制条件确定车辆的行驶轨迹。
基于搜索算法的方法通过搜索车辆行驶的不同路径，并评估每条路径的安全性和效果，以选择最佳轨迹。
基于优化算法的方法通过对车辆行驶轨迹进行数学建模和优化，以求解最优轨迹。
近年来，混合智能方法在车辆轨迹规划中得到了广泛应用。
混合智能方法将经验规则、模糊逻辑、遗传算法等智能技术结合起来，可以更好地兼顾安全性、效率和舒适性。
例如，遗传算法可以通过多次迭代和交叉突变的方式，搜索到最优解决方案。
模糊逻辑可以通过设计模糊规则和隶属度函数，处理不确定性和模糊性的问题。
然而，目前自动驾驶系统中的车辆轨迹预测与规划方法仍然面临一些挑战。
首先，道路环境的复杂性使得车辆轨迹预测和规划变得更加困难。
64交通信息与安全2013年3期第31卷总176期交通诱导信息对驾驶员路径选择行为影响调查分析辛飞飞韦龙雨(同济大学交通运输工程学院上海201804)摘要可变信息板通过向驾驶员发布实时路况信息，诱导驾驶员选择合理路径。
影响驾驶员路径选择行为的因素是多元的，包括驾驶员个体属性、道路属性、可变信息板属性等。
使用R P调查获取驾驶员行为数据，探讨交通诱导信息对驾驶员行为的影响。
分析表明，交通诱导信息对驾驶员行为影响较大。
在驾驶员个体属性中，驾龄和道路熟悉度对驾驶员行为影响最大；道路属性中，驾驶员对拥堵状态最为敏感；V M S信息中，年长的驾驶员偏好实际交通信息，年轻的驾驶员偏好驾驶建议信息。
关键词可变信息板；驾驶员行为；R P调查；统计分析中图分类号：U491文献标志码：A doi：10．3963／j．i ss n1674—4861．2013．03．014O引言可变信息板(var i abl e m es s age si gn，V M S)是智能交通系统的重要组成部分，是近年来兴起的1种动态交通信息发布系统。
美国、日本等国近年来均大力发展V M S并且广泛应用在城市道路网。
国内若干城市，如北京、广州等，已经初步建成了此类动态交通信息发布系统。
V M S是交通信息服务系统(A TI S)中最主要的动态交通信息发布手段，作为此类系统的实时交通信息发布平台。
目前我国正处于城市化、机动化快速发展的时期，V M S除了能够向公众提供实时信息，还可以充分运用到城市交通基础设施的管理服务，是我国交通环境背景下适合大城市发展的交通信息服务系统。
就我国目前的V I喝而言，还存在很多问题，如信息滞后导致错误诱导、分流过度、信息显示不规范、统一等等。
正是由于存在这些不足，基于实际调查数据的V M S对驾驶员行为影响分析才更加重要。
V M S发布的动态交通信息对驾驶员的影响分析不仅可以改善V M S系统服务，还可以用来评估现有V M S系统的使用效益，并针对实际V M S系统提出具体的改善方案。
广义线性混合模型在食品质量研究中的应用随着人们对食品品质要求的日益增高，食品质量研究也成为了越来越重要的领域。
广义线性混合模型(Genralized Linear Mixed Model, GLMM)是一种目前被广泛应用于食品质量研究中的统计模型。
本文将对GLMM模型的基本原理、应用场景以及一些案例进行介绍和分析。
一、GLMM模型的基本原理GLMM模型是一种基于广义线性模型(Generalized Linear Model, GLM)和混合模型(Mixed Model)结合的模型。
它可以很好地处理各种类型的数据，比如二项分布、泊松分布、正态分布等分布类型的数据。
GLMM模型可以通过考虑固定效应和随机效应来描述数据中的变异信息。
在食品质量研究中，GLMM可以用于分析各种食品成分(如蛋白质、油脂、糖类等)的含量与其它因素的关系，比如食品的种类、生产地区等。
GLMM模型中的固定效应是指与观测数据相关的因素，如食品的品种、包装方式等。
这些效应通常是确定的，可以被描述为一个线性回归模型。
而随机效应是指不与观测数据相关的因素，如生产工艺、批次信息等。
这些效应通常是不可观测的，需要进行建模和估计。
通过考虑固定和随机效应，GLMM可以敏感地捕捉到数据的变异性，从而更好地描述数据的结构。
二、GLMM模型的应用场景GLMM模型在食品质量研究中有广泛的应用场景。
一般来说，GLMM模型主要用于以下几个方面：1. 食品配方优化研究GLMM可以用于分析食品配方中不同成分对最终产品质量的影响。
比如针对某种饼干产品，可以分析不同的糖类和油脂成分对饼干香脆度、甜度和口感等特征的影响。
通过对这些成分的调整和优化，可以最大限度地提高产品的质量和口感。
2. 食品生产过程监控GLMM可以用于分析食品生产过程中的各种因素对产品质量的影响。
比如针对某种酒类产品，可以分析不同的加工工艺对产品的酸度、酒精度和气味等特征的影响。
通过对这些因素的优化和控制，可以提高产品的质量和稳定性。
咨询QQ：3025393450有问题百度搜索“”就可以了欢迎登陆官网：/datablogR语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）数据分析报告随着lme4软件包的改进，使用广义线性混合模型（GLMM）和线性混合模型（LMM）的工作变得越来越容易。
当我们发现自己在工作中越来越多地使用这些模型时，我们（作者）开发了一套工具，用于简化和加快与的merMod对象进行交互的常见任务lme4。
该软件包提供了那些工具。
安装# development versionlibrary(devtools)install_github("jknowles/merTools")# CRAN version -- coming sooninstall.packages("merTools")咨询QQ：3025393450有问题百度搜索“”就可以了欢迎登陆官网：/datablogRshiny的应用程序和演示演示此应用程序功能的最简单方法是使用捆绑的Shiny应用程序，该应用程序会在此处启动许多指标以帮助探索模型。
去做这个：devtools::install_github("jknowles/merTools")library(merTools)m1 <- lmer(y ~ service + lectage + studage + (1|d) + (1|s), data=InstEval)shinyMer(m1, simData = InstEval[1:100, ]) # just try the first 100 rows of data在第一个选项卡上，该功能提供了用户选择的数据的预测间隔，这些预测间隔是使用predictInterval包中的功能计算得出的。
通过从固定效应和随机效应项的模拟分布中进行采咨询QQ：3025393450有问题百度搜索“”就可以了欢迎登陆官网：/datablog样，并将这些模拟估计值组合起来，可以为每个观测值生成预测分布，从而快速计算出预测间隔。
Logistics Sci-Tech 2018.6收稿日期：2018-04-01作者简介：程邦录（1994-），男，吉林长春人，上海理工大学管理学院硕士研究生，研究方向：出行行为、智能交通；干宏程（1978-），男，浙江宁波人，上海理工大学管理学院，教授，博士生导师，研究方向：出行行为、交通规划、智能交通、交通系统工程。
•交通运输•文章编号：1002-3100(2018)06-0083-05Logistics Sci-Tech No.6,2018物流科技2018年第6期摘要：为了探究城市快速路上可变信息板VMS 对驾驶员路径选择行为的影响，首先对驾驶员进行了RP 和SP 调查。
然后基于得到的调查数据，采用Logistic 作为连接函数，利用SAS 进行广义线性混合模型的拟合，也同时进行了经典广义线性模型的回归。
结果表明：对比于经典线性回归模型，广义线性混合模型更为有效地体现了同一受访者重复观测值之间的相关性；同时对驾驶员自身属性进行了分析，对VMS 的设计给出建议。
关键词：广义线性混合模型；快速路；选择行为；可变信息板中图分类号：U116.2文献标识码：AAbstract:In order to explore the influence of Variable Mes -sage Sign （VMS ）on the driver's route selection behavior on urban expressway,the RP and SP investigation were conduct -ed on the selected driver.Based on the survey data obtained,the Generalized Linear Mixed Model （GLMM ）was fitted with Logistic as the connection function by SAS.Meanwhile,the data was also fitted by Generalized Linear Model （GLM ）.The results show that the GLMM -based route choice model is more effective on the correlations among the repeated observa -tions from the same respondent.Furthermore,the driver's own attributed were analyzed,and the advice of VMS design was given.Key words:generalized linear mixed model;expressway;se -lection behavior;variable message sign程邦录，干宏程（上海理工大学管理学院，上海200093）CHENG Banglu,GAN Hongcheng(Management School,University of Shanghai for Science and Technology,Shanghai 200093,China)引言随着城市规模的不断扩大和车辆数量的不断增加，人们面临着日益增长的交通压力，如何解决道路拥挤问题是城市规划设计者面临的重要问题。
在众多解决方案中，快速路网由于其可以解决长距离交通问题的特点被广泛应用在城市交通建设中。
在城市快速路网的建设过程中，也在不断加入科技元素，利用智能交通系统（Intelligent Traffic System,ITS ）中先进的技术辅助快速路网的管理，是未来交通的发展方向。
先进交通信息系统（Advanced Traffic Information System,ATIS ）是ITS 中重要的子系统之一，可变信息板（Variable Message Sign,VMS ）是主要用来优化路网的ATIS 设备之一。
但是，由于交通路网的复杂性，VMS 在实际运用的过程中，还有很多问题需要进一步完善和解决。
目前，国外的学者们都从不同的角度对VMS 在信息诱导方面做了大量研究，其中不乏通过建模或算法仿真对VMS 影响驾驶员行为方面进行讨论。
Markos Papageorgiou （1990）对快速路网上的动态交通进行建模，进行了有关道路引导方面的研究[1]；Said Mammar （1996）分析了丹麦奥尔堡市VMS 的设计与实施，评价了快速路网的运行效益，同时提出了改进建议[2]；Jiajun Wang （2013）从有效性和总成本最小的角度，利用多目标优化模型，对VMS 信息效用的最大化进行研究[3]。
近些年来，国内很多城市积极建设快速路网，大力发展智能交通，大量的信息技术被运用在交通领域。
在这一背景下，越来越多的国内研究者关注到这一领域，进行调研分析，为交通路网的建设提供建议。
石小法、王炜、李文权（2001）利用随机均衡模型论证了提供交通信息是一种提高交通网络效率的有效方法[4]；曾松等（2002）通过驾驶员调查和计算机仿真对驾驶员的路线选择行为进行研究，利用多元Logit 模型分析了驾驶员在行程时间信息的影响下对不同路线的选择，讨论了改变到非常规路线的可能性[5]；熊秩、黄海军、李志纯（2003）将出行者分为怀疑保守型和信任乐观型两类，建立了一个等价的随时间演进的随机用户均衡模型[6]；干宏程、孙立军、陈建阳（2006）针对上海市快速路交通诱导系统，研究了VMS 对驾驶员出行途中改道的问题，利用离散选择方法分析数据，建立了多元Logit 模型[7]；尚华艳、黄海军、高自友（2008）采用元胞传输模型，针对重复性拥挤和非重复性拥挤两种交通状态下，对VMS 对交通流的影响进行了分析[8]；干宏程（2010）运用意向调查方法采集了行程时间和其波动性对驾驶员路径选择行为影响的数据，采用离散选择建模方法估计了二元Probit 模型用来描述路径选择概83Logistics Sci-Tech 2018.6率[9]。
综合来看，现有的研究存在着两点值得改进的地方。
第一，针对驾驶员的路线选择调查数据一般是分类数据，通常不满足正态分布，因此在利用经典线性模型进行回归估计时会产生偏差。
第二，调查数据的样本并不是相互独立的，同一位驾驶员在面对不同交通情景时作出的判断具有关联性，这当中涉及到了个体的固定效应和随机效应，在数据处理的过程中应当格外关注。
现阶段，广义线性混合模型是解决上述问题的首要选择。
该模型由经典线性模型发展而来，通过引入链接函数解决了变量为非正态分布的问题，而且通过引入随机效应来分析数据间的相关性问题。
因此，本文采用广义线性混合模型来进行驾驶员路径选择问题的实证分析，期望可以得到影响驾驶员路径选择的更为准确的结论[10]。
1驾驶员路径选择行为调查与分析本文的问卷调查采用了行为调查（RevealedPreference,RP ），以及意向调查（Stated Preference,SP ）结合的方式。
RP 调查是针对实际的情况而进行的一种调查，反映被调查者的具体属性及其在现实的生活中真实情况的选择，SP 调查则是针对被调查者的意愿或者是态度，反映被调查者在虚拟的情境中对不同的情况做出的偏好程度及其选择情况。
RP 调查的内容主要包括：（1）使用高架快速路的频率（几乎每天，每周3~4天，每周1~2天，几乎不用）；（2）是否了解VMS （非常了解，比较了解，不太了解，完全不了解）；（3）对VMS 的关注度（时刻关注，经常关注，很少关注，不关注）。
SP 调查的主要内容是假设当VMS 给出不同的信息（颜色和文字）时，驾驶员是否会改变原定的驾驶路线。
本文模拟的情景是驾驶员驾车前往龙华路，原计划从龙华西路下匝道，离开高架道路，到达目的地。
当关注到VMS 给出的前方道路信息后，是否会提前从漕溪路匝道离开高架走地面道路到达目的地。
调查问卷提供了6种VMS 假设，为3种路径颜色组合（黄、红、黄+红）与2种拥堵原因描述（事故拥堵、非事故拥堵）的搭配组合，调查中使用的图像如图1所示：对应说明如表1所示：图像1图像2图像3图像4图像5图像6图1SP 调查中使用的图像表1SP 调查中使用的图像描述图像1图像2图像3图像4图像5图像6非事故非事故非事故事故事故事故轻微拥挤中度拥挤严重拥挤轻微拥挤中度拥挤严重拥挤基础问卷部分包括受访者的性别、年龄、驾龄、汽车类型等问题，针对年龄、驾龄等连续进行离散化处理，被调查者根据实际情况进行单项选择。
调查方式为现场发放问卷和网络问卷结合的方式，实地调查地点为上海市浦东新区杜鹃路一家司机快餐店和附近洗车场。
共获得问卷109份，其中有效问卷96份，经过处理后得到576条（96×6）有效记录，这就是本文建立模型所用到的数据。
1.1对VMS 了解程度与是否改变出行路径的交叉分析通过对问卷调查结果的整理分析，得出驾驶员对VMS 了解程度以及是否改变出行路径的交叉分析统计结果，如图2。
可以看出，对VMS 越了解的驾驶者越倾向根据VMS 提供的信息改变原定驾驶路线。
1.2对VMS 关注程度与是否改变出行路径的交叉分析如图3，问卷调查的结果显示，对VMS 越关注的驾驶者越倾向根据VMS 提供的信息改变原定驾驶路线。
2驾驶员路径选择模型的建立2.1广义线性模型广义线性模型，就是经典线性回归模型的普遍化。
经典线性回归模型假设因变量为一组自变量的线性方程，同时因变量为连续且正态分布的，可以写成：y=β0+pi =1∑βj x j +ε84Logistics Sci-Tech 2018.6其中，y 是连续因变量，x j 是自变量，ε为假设正态分布的误差。
因变量由两部分组成：系统性成分β0+∑j =1pβj x j ，以及误差成分ε。
参数β0被称为截距，即当所有自变量都为0时因变量的期望值。
这种线性回归模型发展自19世纪，随着人们需求的不断提升，线性回归的局限性也愈发凸显出来。
比如，它假设因变量是连续的或者至少是准连续的，同时该连续变量需要满足正态分布。
在1972年，Nelder 和Wedderburn 提出了广义线性模型（Generalized Linear Model,GLM ），后来发展为应用于非正态因变量的回归模型。
通过选择适当的连接函数，就可以使用广义线性模型对多种数据进行处理分析。
2.2广义线性混合模型标准广义线性模型假设样本是相互独立的，但是在很多情况下受访者数据间是存在关联性的，不满足这种要求。
因此，广义线性模型进一步被拓展为广义线性混合模型（Generalized Linear Mixed Model,GLMM ），即通过引入混合效应，在反应不同对象间的异质性，以及同一对象不同观测值间的相关性。
