高校共享停车行为特性及影响机理分析

胥晶晶

（长安大学公路学院， 陕西 西安 710064）

关键字：高等院校；停车泊位共享；二元Logit模型；BP神经网络模型

近年来，停车难、乱停乱放问题扰乱了城市良好的交通秩序，单纯的依靠增加停车基础设施建设已经无法满足城市的停车需求，基于泊位共享的理念充分利用现有停车资源的方法得到广泛关注。目前关于泊位共享的研究大多针对居住区，但高等院校通常具有面积大，停车需求时变规律明显的特征。将高校的停车资源合理对外共享，对于缓解停车供需矛盾，提高泊位利用效率具有重要意义。本文在对高校泊位利用情况广泛调研的基础上，通过建立二元Logit模型并利用BP神经网络对自变量筛选及建模，研究影响驾驶人选择高校泊位共享的因素。

1 高校泊位空闲时间特性分析

本文以西安典型高校华清学院为例，进行高校泊位空闲特性分析。为获取准确的高校停车数据，尽量避免毗邻商业区、医院等外来车辆干扰较大的高校。高校实现泊位共享需满足时间、空间、停车场及泊位的相关要求。目前华清学院拥有地上停车位264个。

在华清学院门口进行为期一周的停车观察，采用全时段车牌号记录法获取车辆进出学院的时间信息，以半小时为一个时间段，记录每个时间段进出学院的车辆数；对比工作日与双休日的平均停车数，以此为基础进行车辆出行特性分析。

华清学院工作日和双休日车辆出行特性，华清学院工作日车辆大体呈现出早间到达高峰和晚间离开高峰，双休日车辆到达离开趋势基本平稳。

高校车辆工作日朝来夕去的出行特性造成停车场在夜间出现明显闲置，可供附近居民夜间长时停车；因受工作等影响，高校泊位在工作日午间时段空闲率略有下降，说明高校泊位白天不适合长时间停车，但为短时停车提供了方便的资源。高校停车场双休日的泊位空闲数基本平稳且数量较高，适宜对外共享。总之，高校具备优良的对外共享条件，是具有潜力的共享停车资源。

2 基于二元Logit模型的共享停车选择行为分析

2.1 共享停车选择行为调查

本文采用SP调查方法，结合驾驶员和停车场的特性设计调查问卷，假设本次出行目的地的停车位已满，附近有一处高校可进行泊位共享，研究分析影响驾驶员停车行为选择的因素。根据目前的研究，影响驾驶人停车选择的因素很多，包括个人经济条件、个人停车习惯、环境状况、车辆因素等。本文选取驾驶人特性和停车场特性两个方面共16个变量。

2.2 模型标定及影响因素分析

本文根据问卷调查的数据建立共享停车选择行为模型，进行参数标定。本文有两种选择，i=1表示选择高校泊位共享，i=2表示不选择；由此可以分析驾驶员是否选择高校泊位共享的影响因素。

根据模型系数进行分析：1）随着年龄的增加，停车者更愿意选择高校泊位共享。2）收入越高的人会选择收费较高的公共停车设施。3）停放时间越长，停车者更愿意选择高校泊位共享。4）停车目的对驾驶人是否选择高校泊位共享影响很大。5）停车后距目的地的步行距离越近，选择高校泊位共享的可能性越大。6）停车诱导信息发布越完整以及停车设施安全性越高，选择高校泊位共享的可能性越大。

通过模型的二元Logistic回归分析，模型可以表达为：

3 基于BP神经网络的建模分析

Logit模型是基于效用最大化理论的离散选择模型，在建模的过程中，变量对目标变量的非线性影响很难通过变量的筛选方法来模拟，BP神经网络是由非线性单元组成的前馈网络，能够通过不断的自主学习和反馈判断弥补Logit模型的不足。

3.1 BP神经网络模型的构建

本文选取影响驾驶人泊位共享的因素包括驾驶人特性和停车场特性，BP神经网络培训和检验样本的输入变量为表1中的16个变量，即输入层的神经元个数为16，停车者是否选择高校泊位共享作为输出层的神经元，故而检验和培训样本输出层的神经元个数为2。

3.2 因子分析

因子分析的对象包括驾龄、年龄和年收入等16个变量，检验结果表明各变量能够独立提供信息。

除去停车设施附近交通状况、停车设施管理和服务水平外，其他公因子被抽取的比例均低于70%，说明这些变量较好无法的解释其他变量。

自变量的特征值处于下降的状态，并没有陡降点。虽然从第 9个成分开始特征值小于1，但是和前9和特征值相差不大，所以认为特征值大于1的成分无法较好的解释剩余变量。综上所述，选取的16个变量满足进一步变量筛选分析的条件。

3.3 明确并验证最优隐层节点数

运用SPSS 22，采用神经网络多层感知器模型进行数据分析，首先将协变量标准化，并将培训样本和检验样本按照7：3的比例设置；然后隐藏层和输出层的激活函数均使用Sigmoid，培训类型为批处理，优化算法选择调整的共轭梯度；最后将初始Lambda值和初始西格玛值分别设为0.0000005和0.00005。按照此方法得到共享泊位选择情况预测结果，确定最优隐层节点数为6。

验证最优隐层节点数的合理性主要有两种方法：预测累计增益图分析和ROC曲线。

ROC曲线反映正确预测的百分比，横轴特意性与 ROC曲线之间的面积大小AUC值反映了模型预测的优劣程度，AUC值越大表明预测结果越好。预测选择或不选择高校泊位共享的两种情况精度接近，当错误预测比例达到0.3时，两者预测精度均接近80%，此时AUC为0.768，表明可以利用该预测结果进行自变量筛选分析。

增益较高的为不选择高校进行泊位共享，当抽取的样本数达到 30%时，能被预测到的结果超过60%。综上，检验和培训样本的选取和模型预测均较为满意。

3.4 模型结果

整理自变量的原始重要性和标准化重要性如图 1所示，修正后泊位共享模型的建模自变量选取标准化后重要性在 60%以上的变量，变量分别为停车目的、步行距离以及停车设施的安全性。

图1 自变量重要性排序图