改进的对数正态分布二元logit模型：居民出行预测精度提升

本文主要探讨了居民出行的二元logit模型的改进及其验证方法。二元logit模型是一种常用的非集计模型，用于预测个体在多种出行选择中的行为决策。传统的二元logit模型假设参数固定，但在实际应用中，个人的出行偏好可能因各种因素存在差异，因此，论文作者李春燕和陈峻针对这一问题提出了改进，即假设模型中的随机变量系数β服从对数正态分布。 在模型改进中，他们引入了对数正态分布的概念，这是一种在自然对数下变量分布呈现正态的形式，有助于更好地反映参数的不确定性。作者利用了美国人口普查微数据(PUMS)的出行调查数据，通过SAS仿真系统对改进后的模型参数进行了标定，并通过反复迭代优化，确保模型的参数估计更加准确。 实验结果显示，与原始的二元logit模型相比，改进后的模型在参数的T检验值上显著偏离了[-1,1]区间，这有力地支持了对数正态分布假设的合理性。在实际居民工作出行预测中，改进后的模型表现出了更高的预测精度，这证明了该模型在考虑个体偏好程度方面的优势，从而提高了出行决策的准确性。 论文的贡献在于提出并验证了一个更精细的模型框架，这将有助于提升交通预测的精确性和实用性。此外，本文的研究方法和结果对于其他领域，如城市规划、交通政策制定等，都具有重要的参考价值。通过使用SAS这样的工具，研究人员可以更好地处理复杂的参数分布假设，进而优化模型性能，提高模型在实际问题中的应用效能。 这篇首发论文提供了关于居民出行二元logit模型的创新改进策略，通过实证分析证明了改进模型在预测和解释出行决策时的优越性，为未来的交通行为研究开辟了新的路径。