客流预测模型讲稿
客流预测的方法范文
客流预测的方法范文
一、客流预测的定义
客流预测是指通过分析历史数据，根据市场消费趋势预测未来客流量变化的一种方法。
客流预测是一个复杂的技术，在行业中有广泛的应用，它为行业管理者提供了重要的决策依据，有助于提高企业的运营效率。
二、客流预测的方法
1、静态相关法
静态相关法是预测客流量最常用的方法，它使用的数据仅反映了过去几个月的客流情况，即历史数据和现状数据，根据反映的数据对预测的客流量进行处理，从而分析出未来客流的趋势及其变化。
通过这种方法，可以根据历史状态及变化特征，不断优化预测结果。
2、动态回归法
动态回归法是基于历史数据的客流预测方法，它以时间为维度，以建模历史数据的特征，从而预测未来的客流情况，动态回归法不仅能更准确地反映出预测未来客流量的趋势，而且能够更精确地预测出未来的客流规模。
3、层次分析法
层次分析法是根据历史客流量数据，分析不同的客流指标，找出影响客流量变化的因素，并对因素进行层次分析，构建客流量预测模型，对未来客流量进行预测。
该方法能够从不同的维度准确反映出客流量变化的趋势，并可以精确地预测出客流量的大小。
三、客流预测的应用。
客流预测模型讲稿19页word
1.4.3 轨道交通客流预测模型与算法(摘自《城市轨道交通规划的研究与实践》)1. 概述(1) 客流预测的意义和目的轨道交通客流预测是指在一定的社会经济发展条件下科学预测城市各目标年限轨道交通线路的断面流量、站点乘降量以及站间OD、平均运距等反映轨道交通客流需求特征的指标。
轨道交通线路客流量是城市快速轨道交通可行性研究和设计的重要依据。
在规划线网时，不同的轨道交通线网方案的客流分析结果是进行线网优选的主要内容，如发现有不当之处，要重新调整布线方案，并重作客流分析，如此反复直至满意为止；在工程可行性研究阶段，客流量是工程修建必要性和可行性的主要依据；在工程设计中，其系统运输能力、车辆选型及编组、设备容量及数量、车站规模以及工程投资和经济效益分析等，都要依据预测客流量的大小来确定。
因此，轨道交通客流预测在城市轨道交通规划中占据相当重要的地位。
轨道交通客流预测应提交以下预测和分析结果：1) 规划年居民全方式出行OD。
2) 规划年居民全方式出行期望路线图。
3) 规划年居民公交方式出行OD。
4) 规划年居民公交方式出行期望路线图。
5) 规划年各线路全日站点乘降量及断面客流量表。
6) 规划年各线路早晚高峰站点乘降量及断面客流量表。
7) 规划年各线路的全日站间OD表。
8) 规划年换乘站各方向的客流换乘量表。
9) 规划年各线路的平均运距，线路平均负荷强度，直达率与一次换乘率，规划年各线路客运量占公交客运量比例，各线路客运量的年递增率等分析结果。
（2）客流预测的基本方法和工作流程①客流预测年限预测年限也就是设计年限，是控制工程规模和投资的重要因素，其合理与否，将直接影响工程建成后的效率和效益。
按照《城市快速轨道交通工程项目建设标准（试行本）》的规定，客流预测年限分为初期、近期和远期。
初期为建成通车后的第3年，近期为交付运营后的第10年，远期为交付运营后的第25年。
②轨道交通客流预测的基本方法城市交通需求预测起源于美国，并且在全世界范围内得到了迅速发展。
铁路客流预测模型及算法研究
铁路客流预测模型及算法研究一、前言在铁路客运高峰期，客流量高峰往往给铁路运输部门带来很大的压力。
因此，针对客运高峰期的客流量预测成为许多铁路局面临的共同问题。
本文将对铁路客流预测模型及算法进行研究。
二、客流预测模型1. 常用模型目前，在客流预测方面，主要采用了传统的时间序列分析和机器学习等方法。
时间序列分析是指预测模型以一个事件历史的时间序列为基础，通过观察历史事件中该事件的变化情况，来推断未来的变化趋势和水平的一种方法。
时间序列分析的方法通常包括分析趋势、季节性和周期性等因素，以得出未来的变化规律。
机器学习方法包括了各种复杂的统计模型和算法，如决策树、神经网络和支持向量机等。
这些模型和算法可以快速解决非线性问题，不仅有效提高了预测精度，而且对数据中的信息进行了更好的提取。
2. 模型的应用时间序列分析可基于过去的载客数据来预测接下来的某段时间内的载客量，而机器学习方法则可将更多的因素考虑在内。
由于预测结果具有时效性，因此针对预测应用场景的不同，适当调整预测模型和算法可以有效提高预测精度。
在日常预测中，机器学习算法的调整是与信息在处理中建立起点进行的。
为了使用监督学习算法预测铁路客流量，需要先提取多种数据特征，如时间和温度等。
监督学习算法需要通过训练来识别和预测与其他特征相关的客流量。
在实际应用过程中，更常用的是机器学习算法，比如支持向量机、决策树、神经网络和随机森林等。
三、算法研究1. 传统算法传统的时间序列分析方法，如指数平滑和ARIMA模型，在铁路客流预测中有着广泛的应用。
其中，指数平滑法是一种基于权重平滑的时间序列预测方法。
该方法会根据历史数据的数据点计算出加权平均值，从而预测未来的趋势。
ARIMA模型通常用于表征自回归模型的时间序列。
2. 机器学习算法与传统的算法相比，机器学习算法在铁路客流预测中的应用更加广泛。
机器学习算法的优点在于它们能够自动处理特征选择和非线性问题，从而可以更好地利用庞大的数据集设计出更精确的预测模型。
高速公路客流量预测模型与方法分析
高速公路客流量预测模型与方法分析随着我国经济的不断发展和人民生活水平的提高，高速公路系统在人们的日常出行中扮演着至关重要的角色。
为了更好地管理和规划高速公路的运营，预测客流量成为一项重要的研究课题。
本文将对高速公路客流量预测模型与方法进行分析，以期提供有效的预测方法。
一、模型选择与建立高速公路客流量预测可以使用多种模型和方法，其中一些常用的包括时间序列分析、回归分析、神经网络和决策树等。
选择适当的模型需要综合考虑数据特征、预测准确性和计算效率等因素。
1. 时间序列分析时间序列分析是一种常见的客流量预测方法，通常假设预测数据具有一定的周期性或规律性。
常用的时间序列模型包括ARIMA、ARCH和GARCH等。
通过对历史客流量数据进行分析，可以建立时间序列模型并进行预测。
2. 回归分析回归分析是一种统计方法，用于研究变量之间的依赖关系。
在高速公路客流量预测中，可以考虑一些相关因素，如节假日、天气条件和经济指标等，并利用回归模型来建立客流量与这些因素之间的关系。
通过提取相关特征并进行回归分析，可以预测客流量的变化。
3. 神经网络神经网络是一种模拟人脑神经元工作原理的数学模型，其在模式识别和预测领域有着广泛的应用。
在高速公路客流量预测中，可以利用神经网络来学习历史数据的模式，并预测未来的客流量。
通过调整网络结构和参数，可以提高预测准确性。
决策树是一种基于树状结构的分类和预测方法。
在高速公路客流量预测中，可以利用决策树算法来分析历史数据中的特征，并建立规则集用于预测客流量。
决策树具有可解释性强的特点，便于理解和应用。
二、数据处理与特征提取高速公路客流量预测需要使用历史数据进行模型训练，因此对数据的处理和特征提取非常重要。
以下是一些常用的数据处理和特征提取方法。
1. 数据预处理数据预处理包括数据清洗、去除异常值和缺失值处理等步骤。
在高速公路客流量预测中，可能会出现数据缺失或异常情况，需要对这些问题进行处理，以保证建立的模型具有良好的准确性。
基于人工智能的客流预测模型构建
基于人工智能的客流预测模型构建随着社会的发展和科技的进步，人工智能已经成为现代社会的重要组成部分。
在各个领域，人工智能技术的应用正在不断拓展。
客流预测是人工智能技术在交通出行领域中的应用之一。
客流预测模型构建是十分重要的一环，这篇文章将会对基于人工智能的客流预测模型构建进行探讨。
一、客流预测的重要性在公共交通领域，客流预测的作用不可小觑。
公共交通过载、人满为患、拥堵等问题，一直是困扰城市管理者和交通出行者的难题。
客流预测可以准确地预测公共交通的客流量，提前做好安排，避免出现交通拥堵和过载的现象。
另外，客流预测还可以对公共交通的路线资源进行合理的规划和分配，协助客运公司做好车辆的调度、运营和维护，提高公共交通的运行效率和服务质量。
二、客流预测模型的构建流程1. 数据获取客流预测的第一步是获取数据。
数据来源需要考虑公共交通数据、气象数据、社会经济数据等多种数据源，以及创新的数据挖掘方法。
不同的数据源会对客流预测的结果产生影响，因此需要对数据进行筛选和整理，确保数据的准确性和可靠性。
2. 特征提取客流预测的第二步是特征提取。
根据客流预测的目标，提取关键的客流特征。
特征的选择和提取是一项非常重要的工作，需要根据实际情况和经验进行选择，确保特征的准确和全面。
3. 模型选取客流预测的第三步是模型选取。
根据特征的选择和提取结果，需要选择合适的模型进行建模。
目前，常用的模型有神经网络、支持向量机、回归模型等，需要根据实际情况进行选择。
在选择模型的过程中，需要考虑模型的精度、训练和预测的时间成本等因素。
4. 训练和预测客流预测的第四步是训练和预测。
在模型选定后，需要使用已有数据对模型进行训练，以便能够更好地预测新的数据。
训练结果可以通过灰色预测、滚动预测、BP神经网络模型等方法进行验证。
在验证结果准确的情况下，模型可以用于预测未来客流，并进行交通出行的规划和调度。
三、模型构建所需技术和难点客流预测模型的构建需要掌握多项技术，包括数据采集和整理，特征提取和选择，模型选取和建模等。
客流预测分析
客流预测分析在当今社会，无论是商业运营、交通运输，还是城市规划和旅游管理等领域，客流预测分析都扮演着至关重要的角色。
它就像是一个神奇的“水晶球”，能够帮助我们提前洞察人群流动的趋势和规律，为决策提供有力的依据。
想象一下，一个商场如果能准确预测未来一段时间内的客流量，就可以合理安排员工的工作时间、优化商品的库存管理，甚至可以提前策划吸引人的促销活动，从而提高销售额和顾客满意度。
对于交通运输部门来说，了解不同时间段、不同线路的客流情况，能够更科学地调配车辆资源，减少拥堵，提高运输效率，为乘客提供更好的出行体验。
在城市规划方面，通过对客流的分析，可以合理布局公共设施，比如公园、医院、学校等，让城市的发展更加有序和人性化。
而对于旅游景区，精准的客流预测能够提前做好接待准备，保障游客的游玩质量，同时也有利于保护景区的生态环境和文化遗产。
那么，客流预测到底是怎么进行的呢？这可不是一件简单的事情，需要综合考虑多个因素。
首先，历史数据是客流预测的重要基础。
过去的客流量、时间、季节、天气等信息都被记录下来，通过对这些数据的深入分析，可以发现一些潜在的规律。
比如，在某个旅游城市，每年的五一假期和国庆假期，客流量都会大幅增加；在某个商场，周末的客流量通常比工作日要高；在某个地铁站，早高峰和晚高峰的客流量明显高于其他时间段。
这些历史规律为预测未来的客流提供了宝贵的参考。
然而，仅仅依靠历史数据是不够的，因为现实情况总是在不断变化。
比如，突然出现的极端天气、新的商业活动、重大节假日的调整等，都可能打破原有的客流模式。
因此，我们还需要考虑当前的实时信息和周边的环境因素。
实时信息包括当前的天气状况、交通状况、突发事件等。
比如，如果天气预报显示未来几天将有暴雨，那么人们可能会减少外出，商场和景区的客流量可能会受到影响；如果某个路段发生了交通事故导致交通拥堵，附近地铁站的客流量可能会突然增加。
周边环境因素则包括新的商业设施的开业、竞争对手的活动、城市建设等。
城市轨道交通客流预测与分析
城市轨道交通客流预测与分析引言随着城市化进程的不断加速，城市人口的持续增长导致了城市交通拥堵问题的日益严重。
在这一背景下，城市轨道交通系统作为一种高效、快速、环保的交通工具，受到了越来越多城市的重视和投资。
然而，在现代化城市轨道交通系统中，面临着如何合理规划车站位置、如何预测并优化客流管理等问题。
因此，城市轨道交通客流预测与分析显得尤为重要。
本文将介绍城市轨道交通客流预测与分析的技术方法和应用。
首先，我们将介绍城市轨道交通客流预测的意义和目标。
然后，我们将介绍一些常用的客流预测模型，包括时间序列模型、机器学习模型和深度学习模型。
接着，我们将讨论城市轨道交通客流分析的方法和技术。
最后，我们将通过实例分析展示这些技术方法的应用。
城市轨道交通客流预测的意义和目标城市轨道交通客流预测是指根据历史数据和相关特征，利用数学、统计和机器学习等方法，对未来一段时间内的客流量进行预测。
它的意义在于帮助城市轨道交通系统能够更好地进行规划和管理，提高客流运营的效率和质量。
其主要目标包括：1.提高车站和线路的规划能力：通过客流预测，可以帮助决策者更准确地评估不同车站和线路的需求，从而优化设计和规划方案。
2.优化列车运行计划：通过客流预测，可以合理安排列车的运行频率和时刻表，提高整个轨道交通网络的运行效率。
3.优化客流管理和调度：通过客流预测，可以根据实际需求进行客流调度，提供更好的服务和满足乘客的出行需求。
4.提高安全和应急管理能力：通过客流预测，可以更好地评估不同情况下的安全和应急管理需求，为应急决策提供依据。
常用的客流预测模型时间序列模型时间序列模型是一种常用的客流预测模型，它基于历史数据中的时间序列关系，利用统计和计量方法进行预测。
常见的时间序列模型包括ARIMA模型、SARIMA模型和VAR模型等。
ARIMA模型（自回归移动平均模型）是一种广泛应用于时序数据预测的模型。
它基于时间序列数据的自相关性和移动平均性，通过拟合历史数据来预测未来的客流量。
城市地铁客流量预测模型构建与应用
城市地铁客流量预测模型构建与应用随着城市人口的不断增加和交通压力的不断增加，地铁成为了现代城市中必不可少的交通工具之一。
准确预测地铁客流量对于城市交通系统的运营和规划至关重要。
本文将探讨城市地铁客流量预测模型的构建与应用。
一、背景介绍随着城市的发展和人口的增长，城市地铁客流量逐年增加。
如何准确预测地铁客流量成为城市交通规划、运营和管理的重要问题。
精确地预测地铁客流量可以帮助城市交通部门合理安排列车班次、优化线路规划、提供准确的运营服务，提高城市交通系统的效率和便利性。
二、地铁客流量预测模型的构建1. 数据收集地铁客流量预测的首要任务是收集相关的数据。
常用的数据源包括车站进出站数据、乘客出行数据、天气数据等。
这些数据可以通过现场调查或者使用现有的数据平台进行收集。
2. 特征选择在构建地铁客流量预测模型时，需要选择合适的特征来进行建模。
常用的特征包括时间特征（如日期、时间段）、节假日特征、天气特征、地点特征等。
合理选择特征可以提高模型的预测准确性和可解释性。
3. 模型选择地铁客流量预测可以使用多种模型进行建模，包括传统的时间序列模型（如ARIMA模型）、机器学习模型（如随机森林、支持向量回归）、深度学习模型（如循环神经网络）。
根据实际情况选择合适的模型进行建模。
4. 数据预处理在进行地铁客流量预测之前，需要对数据进行预处理。
常见的预处理方法包括缺失值填充、异常值处理、数据平滑等。
通过预处理可以使数据更具有可靠性和一致性，提高模型的预测精度。
5. 模型训练与评估在预处理完成后，可以利用历史数据进行模型训练。
训练过程中可以使用交叉验证来评估模型的性能，并进行参数调优以提高模型的准确性。
常用的评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）等。
6. 模型应用与调优在模型训练完成后，可以将模型应用于实际的地铁客流量预测中。
通过与实际数据的比较，可以对模型进行调优以提高预测精度。
三、地铁客流量预测模型的应用1. 运营调度准确的地铁客流量预测可以帮助地铁运营部门进行合理的列车调度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
轨道交通客流预测模型与算法(摘自《城市轨道交通规划的研究与实践》)1. 概述(1) 客流预测的意义和目的轨道交通客流预测是指在一定的社会经济发展条件下科学预测城市各目标年限轨道交通线路的断面流量、站点乘降量以及站间0D、平均运距等反映轨道交通客流需求特征的指标。
轨道交通线路客流量是城市快速轨道交通可行性研究和设计的重要依据。
在规划线网时，不同的轨道交通线网方案的客流分析结果是进行线网优选的主要内容，如发现有不当之处，要重新调整布线方案，并重作客流分析，如此反复直至满意为止；在工程可行性研究阶段，客流量是工程修建必要性和可行性的主要依据；在工程设计中，其系统运输能力、车辆选型及编组、设备容量及数量、车站规模以及工程投资和经济效益分析等，都要依据预测客流量的大小来确定。
因此，轨道交通客流预测在城市轨道交通规划中占据相当重要的地位。
轨道交通客流预测应提交以下预测和分析结果：1) 规划年居民全方式出行0D。
2) 规划年居民全方式出行期望路线图。
3) 规划年居民公交方式出行0D。
4) 规划年居民公交方式出行期望路线图。
5) 规划年各线路全日站点乘降量及断面客流量表。
6) 规划年各线路早晚高峰站点乘降量及断面客流量表。
7) 规划年各线路的全日站间0D表。
8) 规划年换乘站各方向的客流换乘量表。
9) 规划年各线路的平均运距，线路平均负荷强度，直达率与一次换乘率，规划年各线路客运量占公交客运量比例，各线路客运量的年递增率等分析结果。
2)客流预测的基本方法和工作流程①客流预测年限预测年限也就是设计年限，是控制工程规模和投资的重要因素，其合理与否，将直接影响工程建成后的效率和效益。
按照《城市快速轨道交通工程项目建设标准(试行本) 》的规定，客流预测年限分为初期、近期和远期。
初期为建成通车后的第3年，近期为交付运营后的第10年，远期为交付运营后的第25年。
②轨道交通客流预测的基本方法城市交通需求预测起源于美国，并且在全世界范围内得到了迅速发展。
60 年代称为“ ChicagoArea Transportation Study ”的芝加哥都市圈交通规划开发了包括交通方式划分在内的四阶段交通需求预测法，开了城市综合交通需求预测的先河。
四阶段预测法按照交通生成预测、交通分布预测、交通方式划分和交通分配四阶段来分析城市现状和未来的交通状况，是目前交通规划领域应用最广的方法。
虽然近几十年来，对四阶段中预测模型的研究不断深入，也出现了将两个或几个阶段合并进行预测的方法，但从宏观的角度把握城市居民的出行特点，然后分阶段预测分析的思路仍是一致的。
国内外轨道交通客流预测通常采用四阶段法。
运用该法进行客流预测时，首先要对研究对象城市划分交通小区，进行城市人口、就业、土地利用等资料的调查和居民出行调查，在此基础上进行居民出行产生预测、出行分布预测、交通方式划分预测和交通分配，以获得所需的轨道交通需求数据。
利用非集计模型( Discrete Choice Model )进行居民出行的分析和预测是继四阶段法后出现的构造交通需求预测模型的新方法。
它以出行者个人而非交通小区作为研究对象，以随机效用理论( Random Utility Theory，Manski 1977)、出行效用最大化理论为研究基础，避免了四阶段法数据利用率低、无法探讨众多的影响因素、预测精度差等缺点，曾一度成为交通规划领域的研究热点，目前国内非集计模型的研究和使用还未系统展开。
国外的研究始于70年代，此后研究开发了MNL、MNP、HL NL等一系列模型，代表人物有Ben-Akiva Lerman.Man heim等。
但非集计方法的研究成果还无法使其在工程界完全取代四阶段法，目前非集计模型多应用于方式划分领域。
四阶段法仍是使用最为普遍的交通需求预测方法。
在本节中，结合轨道交通客流预测的技术需求，对四阶段法的各个阶段即交通产生阶段、交通分布阶段的方法和模型作基本介绍，并编写了相应的算法。
对技术复杂和现存问题较多的方式划分阶段和线网分配阶段的模型和算法进行了研究和探讨，重点探究和介绍了交通方式划分方法，以及方式划分和线网分配联合模型在轨道交通客流预测中的应用。
此外，还有土地利用法等一些其他方法，在本节的最后，简要介绍土地利用法。
③轨道客流预测工作流程建议城市轨道客流预测按图所示的流程进行。
2. 交通发生和吸引的模型研究和算法实现发生交通量和吸引交通量的预测是四阶段交通需求预测法的第一阶段，也是交通需求分析工作中最基本的组成部分。
所谓发生或吸引交通量是指研究对象地区内由各交通小区发生(Trip Gen eration)或吸引(Trip Attraction)的交通量。
目前国内交通发生和吸引的预测技术已趋成熟，工作中所受的限制主要在于基础资料积累不足，影响了预测的精度。
下面对较常用的几个模型和相应的算法作简要介绍。
1) 增长率法( Growth－Factor Modeling)①模型说明这种方法就是把现在的不同分区的发生（或吸引） 交通量Ti 与到预测时点的增长率R 相乘，从而求得各分区的发生（或吸引） 交通量T'i ，即T'i F i T i这种方法的关键问题是如何确定F i 。
通常可以用表示各分区活动的指标的增长率作为发() 图轨道交通客流预测流程生（或吸弓I ）交通量的增长率。
例如:①模型说明原单位有用居住人口或就业人口员每人平均的交通发生（或吸引）量来进行推算的个人 原单位法，和以不同用途的土地面积或工作面积单位面积平均发生（或吸引）的交通量来预 测的面积原单位法。
P E pi Z pi i :第i 个小区 （）式中：P i 为第i 小区的交通发生（或吸引）量；E pi 为个人发生（或吸引）原单位（或面积 发生（或吸引）原单位）；Z pi 为第i 小区的总人口数（或总面积）。
（3）函数模型法①模型说明这种方法是分区的发生、吸引交通量预测上最常用的方法。
由于绝大部分研究是采用多元回归分析模型，故也有时直接被称为多元回归分析法（Regression an alysi ）。
作为模型公式，多采用以下三个模型：P F o F k X ik（）k P i F oF k X ik （）k P F °exp F k X ik （）目标年度区域i 的推定人口i 基准年度区域i 的人口目标年度区域i 的每人平均拥有自行车 推定台数i 基准年度区域i 的每人平均拥有自行车 台数式中：i 、i 分别是人口增加率，每人平均拥有自行车数的增长率。
F i i i （2）原单位法()k式中：R为第i小区的交通发生（或吸引）量；F i （j = I〜k ）为第j个变量的发生（或吸引）影响因子；X j（i= 1…N, j = 1…K为对应第i小区，第j个变量的取值，大多是表示分区的活动的人口指标，如常住人口、各行业的就业人口等。
国外的研究表明，综合预测精度、简单、方便等多方面因素，多元一次函数式（）是较为理想的模型。
关系式中的回归系数F0、F,、…、F k通常用最小二乘法算出。
3. 交通分布的模型研究和算法实现在交通发生阶段，主要是预测各交通小区的发生和吸引交通量。
在交通分布阶段，则要预测这些吸引、发生交通从哪里来，到哪里去，即在给定发生交通量G i 和吸引交通量A i（i，j为交通小区号码）下，对全部0D推求i, j间的交通分布量t ij。
目前在国内的交通规划领域，交通分布阶段遇到的问题主要在于参数的标定，这一方面是由于规划者的标定技术研究还有待提高，另一方面是由于居民出行调查等基础资料搜集有欠缺，不能正确反映城市居民出行0D的结构，给标定带来困难，从而影响了预测精度。
分布交通量的预测方法，可以分为两大类：增长率法和构造模型法。
下面分别加以介绍。
（1 ）增长率法此法假定要预测的0D交通量的分布形式和现在已有的0D表的分布形式相同，在此假定基础上预测研究对象区域目标年的0D表。
增长率法的优点是操作简单，缺点是无法考虑城市布局、城市基础设施建设改变等对城市出行0D的影响，而且现状年0D调查中存在的问题也会带入预测中。
（2）构造模型法构造模型法是从分布交通量的实态分析中，剖析0D交通量的分布规律，并将此规律用数学模型来表现，然后用实测数据标定模型中的各系数，最后根据所标定的模型预测分布交通量。
由上可知，增长率法的应用前提是要求被预测地区有完整的现状0D表。
但对于构造模型法来说，如果模型已经标定好了的话，就不需要现状0D 了。
但模型参数的标定要用研究对象区域的实际数据，也就是说0D表仍是十分重要的基础数据。
只是即使没有完整的0D表也可以进行模型系数的标定。
同增长率法相比，构造模型法有更广阔的应用范围，同时构造模型法可以考虑更多城市布局等因素对出行0D的影响作用。
作为构造模型法，最主要的有重力模型法（Gravity Model）和机会模型法（Intervening0pportunity Model ）法，其他还有熵（商）最大化模型和概率模型等。
其中重力模型法应用研究广，有各种各样的修正模型和发展模型，工程可操作性强。
4. 交通方式划分的模型研究和算法实现（1）交通方式划分概述我们让一个出行与一种交通方式相对应，一个地区的全部出行数中利用该种交通方式的人所占的比例叫做交通方式的分担，或简称为方式分担（Modal Split）。
其中每个交通方式所分担的量叫做该交通方式的分担交通量。
客运交通一般区分为两种方式：公共交通和个体交通。
公共交通一般指公共电汽车和轨道交通；个体交通，国外主要是小汽车，而国内目前自行车交通和步行交通在居民出行中占据相当大的比重。
在做方式分担分析时，对于两种以上的方式被使用的话，从工程的惯例可按铁道——公共汽车——小汽车——摩托车——自行车——步行的优先顺序来决定这个出行的代表交通方式。
据此，两个地区间的交通方式分担，其比例则根据各个交通服务水平（即所需时间、费用、舒适性、安全性、可信赖性等）和交通的利用者对于他们所持的价值标准（最小费用、最大效益等）来变化。
交通方式划分在四阶段预测过程中所处的位置具有很大的灵活性，四阶段法也因交通方式划分的位置不同而出现不同的组合。
按交通方式划分在四阶段模型中的组合位置，可分为五种组合。
第一种组合是将交通方式划分与交通生成模型结合在一起，即在出行生成阶段就按不同的交通方式统计各自的出行量，这一类交通方式划分称为直接生成法。
第二种组合将方式划分置于交通生产和交通分布之间，根据交通分区的土地使用以及社会经济特征，模型可以确定在总出行生成量中将要使用的各种不同交通方式所占的百分比。
由于这种模型划分的是出行端点（即产生和吸引），而非划分交通流，故又称为出行端点模型（Trip End Mode）。