Bevorzugter Zitierstil

Ähnliche Dokumente
Kurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit

Übung zur Vorlesung - Theorien Psychometrischer Tests II

5 Gemischte Verallgemeinerte Lineare Modelle

Numerische Methoden II

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr

Lineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen

6. Modelle mit binären abhängigen Variablen

5.3.3 Relaxationsverfahren: das SOR-Verfahren

(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:

Elektron Loch Symmetrie und Grundzustand beim Fraktionellen Quanten Halleffekt (FQHE)

14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.

Kapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation

Fairnesspräferenzen in sozialen Dilemmata Eine experimentelle Analyse

Institut für Technische Chemie Technische Universität Clausthal

Teil E: Qualitative abhängige Variable in Regressionsmodellen

4. Indexzahlen. 5.1 Grundlagen 5.2 Preisindizes 5.3 Indexzahlenumrechnungen. Dr. Rebecca Schmitt, WS 2013/2014

Physikalische Chemie II

Streuungs-, Schiefe und Wölbungsmaße

Item-response Theorie (Probablistiche Testtheorie) Grundidee der item-response Theorie ist, dass die Antworten auf die Testitems lediglich

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum

(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

Grundgedanke der Regressionsanalyse

Übung zur Vorlesung - Theorien Psychometrischer Tests II

1.1 Beispiele zur linearen Regression

Zeitreihenmodellierung der ARMA-Klasse

ME II, Prof. Dr. T. Wollmershäuser. Kapitel 2 Das IS-LM-Modell

Kaplan- Meier- Schätzer

1 BWL 4 Tutorium V vom

29 zweite Ableitungen der thermodynamischen Potentiale spezifische Wärme (thermischer response) E = = = T V N V N V N = = κ T.

Ökonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte

1 Finanzmathematik. 1.1 Das Modell. Sei Xt

Lineare Regression Teil des Weiterbildungskurses in angewandter Statistik

Konkave und Konvexe Funktionen

Versuch Nr. 6. Chemische Kinetik Aktivierungsenergie (Inversion von Saccharose)

Analyse der Validität der Rule of Half zur Ermittlung der Änderung der Konsumentenrente für gekoppelte Verkehrsnachfragemodelle

e dt (Gaußsches Fehlerintegral)

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).

Musterlösung zu Übung 4

Übung zur Vorlesung - Theorien Psychometrischer Tests II

IK: Einkommen, Beschäftigung und Finanzmärkte (Wintersemester 2011/12) Das IS LM Modell

Röntgenbeugung: Übungsblatt - Lösungen

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Erläuterungen zur Analyse des Zinssatzswaps Referenz N//83734/5 zwischen der A/B Duegården und der Nykredit Bank A/S

Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen

Systempartitionierung. Hw-Sw-Co-Design

Finite Differenzen. Tino Kluge. January 17,

Facility Location Games

Der Erweiterungsfaktor k

Einführung in die Finanzmathematik

Hydrosystemanalyse: Finite-Elemente-Methode (FEM)

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

Schriftliche Prüfung aus Signaltransformationen Teil: Dourdoumas am

Der Parameter Migrationsmatrix Teil I

Modellierung und Simulation in der Raumplanung

Zur Erinnerung: System von Massenpunkten. dt i dt. 1 dt. Massenschwerpunkt

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i

Bestimmung der Elementarladung nach Millikan. 1. Theorie zum Versuchs. F R = 6 $ $ $ r $ v. $ g. F s = 4 3 $ $ r 3 $ Öl.

-1- Alles kein Zufall. - Starkes Markenmanagement - Inhaltsverzeichnis und Übersicht

12 UMPU Tests ( UMP unbiased )

Elemente der Mathematik - Sommer 2016

Die Leistung von Quicksort

Physikalische Chemie II

Sequential minimal optimization: A fast Algorithm for Training Support Vector machines

Übungen zur Vorlesung Physikalische Chemie 1 (B. Sc.) Lösungsvorschlag zu Blatt 2

Plastizität, Rekristallisation, Kriechen

Modellbildung Mechatronischer Systeme (MMS)

Auswertung univariater Datenmengen - deskriptiv

Wir steuern einen Mini-Roboter!

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):

Kapitel 5 Systeme von Massenpunkten, Stöße

Asymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n.

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

Alternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF

Stochastische Prozesse

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Zulassungsprüfung Stochastik,

WS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9

Die Dreieckschaltung

Aggregation: Marktnachfrage und Marktangebot

Beispiel Wahlentscheidungen: Vierstufenmodell der Verkehrsplanung

Schriftliche Prüfung aus Systemtechnik am

10 Einführung in die Statistische Physik

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten

Hocheffiziente Antwortflächenverfahren für die probabilistische Simulation und Optimierung unter Anwendung des Gauss-Prozesses

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam,

Statistics, Data Analysis, and Simulation SS 2017

Free Riding in Joint Audits A Game-Theoretic Analysis

Roy, Shepard, Marshall, Hicks und Slutsky Dualität von Ausgabenminimierung und Nutzenmaximierung

Einführung in die Methode der Finiten Elemente

MOD-01 LAGRANGE FORMALISMUS -- TEIL 1

Strategien zur Effizienzsteigerung Robustheitsbasierter Optimierungen

Hausübung 1 Lösungsvorschlag

Transkript:

Bevorzugter Zterstl Vrtc, M. (2005) Smultanes Routen- und Verkehrsmttelwahlmodell, Heureka 05, Forschungsgesellschaft für Straßen- und Verkehrswesen (FGSV), Köln.

Smultanes Routen- und Verkehrsmttelwahlmodell M Vrtc März 2005

Problem: Sequentelle Routen- und Verkehrsmttelwahlmodelle Routen- und Verkehrsmttelwahl mt unterschedlchen Ansätzen Nutzenfunktonen Modellparametern Konsstenz: Umlegung mt mehreren Routen Angebotsbeschrebung n der Verkehrsmttelwahl als Mttelwert Rückkoppelung Routenwahl-Verkehrsmttelwahl [Angebotsvarablen] komplexe Modellstrukturen ken konsstentes Gesamtglechgewcht 3

Zel Routen- und Verkehrsmttelwahl konsstent zu lösen und n enen Glechgewchtszustand zu brngen Konsstente Schätzung der Modellparameter Geegnetes Modell sowohl für schwach, als auch für stark belastete Strassennetze Unterschedlche Wahrnehmung der Resekosten und Netzbelastungen berückschtgen 4

Grundstruktur des Verfahrens β 0 aus anderen Untersuchungen Modellparameter β +1 Beobachtetes Verhalten K. 1 Nachfragevertelung auf de verfügbaren Routen (mt Glechgewchtsbedngung) K. 2 Schätzung der Modellparameter für de Verkehrsmttel- und Routenwahl Generalserte Kosten GK +1 β n β < 1 ε, n Ende Stochastsches Nutzerglechgewcht für smultane Nachfrageauftelung -nneres Glechgewcht der Nachfrageauftelung Smultane Nachfrageauftelung mt Kalbraton der Modellparameter - äusseres Glechgewcht VBA - Programm 5

Smultane Nachfrageauftelung: Anforderungen Glechgewchtsbedngungen Veränderlche Kosten (Belastungen) und unterschedlche Wahrnehmung der Kosten Ähnlchketen bzw. Streckenüberlappungen (IAA) Analytsche Handhabbarket 6

Stochastsches Nutzerglechgewcht (SUE) Konvergenz Abfrage Anfangsbelastung (n) x Streckenkosten C(x) Neue Belastung X n+1 Stochastsche Auftelung -Y Hlfsbelastung w (n) Schrttgrösse λ(n+1) Stochastsche Auftelung -W y (n) Hlfsbelastung Streckenkosten C(y) 7

SUE: Lösungsalgorthmus f rs rs rs = q P rs rs = a q P rs rs a x δ x a = ya a Lösungsalgorthmus (Maher und Hughes, 1998) z ( n) ( n) dca ( λ) ( λ) g = = ( ya xa ) ( ya xa ) λ dx a a 2 dca g0 = ( ya xa ) g 1 = ( ya xa ) ( wa ya ) dx a a a dc dx a a λ ( n+ 1) = g 0 /( g + g1 ) 0 x ( n+ 1) = (1 λ) x ( n) + λ y ( n) 8

Veränderung der Schrttgrösse und Streckenbelastungen 1 9000 Schrttlänge 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 Schrttgrösse Belastungsdfferenz 8000 7000 6000 5000 4000 3000 2000 1000 Belastungsdfferenz 0 1 2 3 4 5 6 7 8 9 10 Iteratonsschrtt 0 9

Entschedungsansätze für de Nachfrageauftelung Nested-Logt Cross-Nested-Logt C-Logt Path-Sze-Logt Nested-C-Logt Probt-Modell (Vergleche) 10

11 Nested-C-Logt = = J cf V cf V cf V cf V P 1 exp ln exp exp ln exp exp exp ), ( µ µ µ µ µ µ + = γ α 2 1/ 2 1/, 1 ln L L L cf

Verglech - Netzbespel [Glechgewchtsergebnsse] 0.25 Nested-Logt Cross-N C-Logt Nested-C-Logt PS-Logt Probt 0.20 0.15 Antel 0.10 0.05 0.00 r1 r2 r3 röv1 röv2 röv3 12

Kalbrerung der Modellparameter β 0 aus anderen Untersuchungen Modellparameter β +1 Beobachtetes Verhalten K. 1 Nachfragevertelung auf de verfügbaren Routen (mt Glechgewchtsbedngung) K. 2 Schätzung der Modellparameter für de Verkehrsmttel- und Routenwahl Generalserte Kosten GK +1 Bestmmung der konsstenten Modellparameter β β < 1 ε, n n Ende De Angebotsvarablen snd de Engangsgrössen be der Bestmmung der Modellparameter, deswegen st en Glechgewcht zwschen der Umlegung m Netz und der Kalbrerung der Modellparameter nötg. 13

Veränderung der Modellparameter 1 Kalbratonsschrtt 0.5 Parameter 0-0.5-1 -1.5 Konstante Skalerungsparam. Zet Pres alfa f. Gem.F. x ( n+ 1) = (1 λ) x ( n) + λ y ( n) 14

15 Anwendung : Dreeck Zürch-Bern-Basel Basel Zürch Brugg Baden Lenzburg Aarau Olten Lestal Solothurn Delemont Bern Nutzenfunktonen (Nested-C-Logt) Pres β Zet β Konstante V Intervall β Umstegezahl β Pres β Zet β V p t PW, u p t ÖV, + + = + + + =

Anwendung : Anfänglche und endgültge Parameter Konstante Skalerunsparameter Zet Pres Umstegehäufgket Intervall α für gemen. Faktor 0.000 0.500-1.000-0.200-0.500-0.500 0.500 Anfangsparameter Glechgewchtsparameter 0.029 0.177-0.367-0.030-0.257-0.370 0.191 N-Beobachtungen = 660 Log-lkelhood (β) = -114 Ad Pseudo R 2 = 0.42 16

Verglech der Streckenbelastungen I 70000 60000 50000 Querschnttszählung 40000 30000 20000 10000 0 0 10000 20000 30000 40000 50000 60000 70000 Streckenbelastung Nested-C-Logt 17

Bahn: Dfferenz Nested-C-Logt / Natonales Bahnmodell gelb= kene Dfferenz, rot= mehr bem Nested-C-Logt grün= wenger bem Nested-C-Logt 18

Strasse: Dfferenz Nested-C-Logt / Natonales Strassenmodell gelb= kene Dfferenz, rot= mehr bem Nested-C-Logt grün= wenger bem Nested-C-Logt 19

Fortschrtte: en konsstentes Glechgewcht zwschen den geschätzten Modellparametern der Nutzenfunkton und der Nachfrageauftelung auf de vorhandenen Alternatven De Entwcklung und Anwendung enes neuen Modellansatzes (Nested-C-Logt) Durch smultane Nachfrageauftelung mt SUE en konsstentes Glechgewcht zwschen Verkehrsangebot und Verkehrsnachfrage mehrerer Verkehrsmttel zu berechnen 20

Weterentwcklung Für de praktsche Anwendung auf belebg grosse Netze (Abbldung von multmodalen Netzen, Echung auf de Querschnttszählungen, Berechnung von Routenantelen usw.) Erweterung mt enem Zelwahlmodell (Smultanes Routen-, Verkehrsmttel- und Zelwahlmodell, Schnttstelle mt VISEVA) 21

Fragen 22