针对SP数据存在的行为结果与意向结果不一致的问题，介绍了利用RP数据修正SP数据的方法。以北京为例，建立了RP模型、SP模型和融合数据模型，并对模型的灵敏度进行了分析，结果表明，RP模型中费用变量的参数估计值符号与实际不符；SP数据模型精度较高，但某些参数的影响不是很显著；融合数据模型的参数检验较显著，模型的弹性小，敏感性被钝化。
### 基于SP和RP数据融合的城市轨道交通选择模型
#### 概述
本文探讨了在交通需求分析中，如何解决SP（Stated Preference）数据中存在的行为结果与意向结果不一致的问题，通过引入RP（Revealed Preference）数据来修正SP数据的方法。研究通过建立RP模型、SP模型以及融合数据模型，并对这些模型的灵敏度进行分析，以验证融合模型的有效性和可靠性。
#### SP数据与RP数据的概念
- **SP数据**：指通过问卷调查等方式获取的个体或群体对未来可能发生的某种情况下的偏好或选择行为的数据。
- **RP数据**：指通过观察实际发生的行为获得的数据，它反映了真实的选择行为。
#### 数据融合的重要性
在交通规划和需求预测中，仅依赖RP数据难以描述未来可能出现的新交通服务，而SP数据虽然可以提供关于未来情景的信息，但其存在一定的偏差。因此，将两者融合可以更准确地预测未来的交通需求。
#### 模型建立与分析
- **RP模型**：基于实际出行选择数据建立的模型。研究发现，该模型中的费用变量参数估计值与实际情况不符，可能存在一定的偏差。
- **SP模型**：基于调查问卷等手段收集的意向数据建立的模型。研究结果显示，SP数据模型具有较高的精度，但在某些参数的影响上并不显著。
- **融合数据模型**：结合RP数据和修正后的SP数据建立的模型。这种模型能够有效修正SP数据中的偏差，使得模型参数的检验更加显著，且模型的弹性较小，敏感性得到了钝化。
#### 分析方法
1. **利用RP数据修正SP数据的方法**：
- 非集计模型的效用函数包括固定项和概率项。在融合RP和SP数据时，需考虑两种数据源中概率项的不同因素，引入平衡系数μ来调整SP数据的概率项。
- 参数估计采用分阶段估计法，首先使用SP数据估计模型参数，再利用RP数据调整概率项，并通过联合RP数据和修正后的SP数据重新建模。
2. **ML模型简介**：
- ML模型是一种常用的离散选择模型，用于预测个体在多个选项之间的选择行为。
- 本文虽未详细展开ML模型的介绍，但从上下文可以推断，作者们采用了ML模型作为分析工具，通过调整模型参数来提高预测准确性。
#### 结论与意义
通过融合RP数据和SP数据，可以有效克服SP数据中潜在的偏差问题，从而建立更为准确和可靠的交通需求预测模型。这对于城市新建轨道交通项目的客流预测具有重要的参考价值，有助于更好地进行城市交通规划和资源配置。此外，该研究也为其他领域处理类似数据偏差问题提供了有价值的思路和方法。
