4. Data analysis results4.1. Logist

4. Data analysis results
4.1. Logistic regression overall models for all chosen stations
The correlation between distance and travel time, travel mode
and time, purpose and InboundOut and Waiting time and InboundOut
are 0.53, 0.45, 0.44 and 0.36 respectively (see Table 3).
Therefore, variables, travel time and InboundOut, were removed
before model selection. In addition, travel purpose was identified to
have 95% confidence interval (0, inf). Therefore, it was not
considered in the modelling process.
Table 4 presents the best-fitting logistic regression model for
predicting the nearest station choice for all seven stations. There
are 833 records for all the stations (Table 2), but the sample size for
this regression model is 732 with 101 missing records being
removed for the purpose of the analysis. Three significant variables
in the model were found to be statistically significant. The linehaul
cost was the cost from chosen station to the train station,
which is the nearest to the destination. The less the line-haul cost,
the more likely a chosen station would be a non-nearest station.
For example, a commuter could choose a transit station along the
way towards their destination instead of using the nearest station
in order to save ticket fares on trains. This suggests the effect of a
big fare price jump between zones (Jansson and Angell, 2012). The
shortest network distance from an origin to a station was also
found to have an important influence on the nearest station choice.
The shorter the distance from origin to station, the more likely a
chosen station is the nearest station. In addition, as revealed by the
model, the shorter the waiting time at a chosen station, the more
likely that station is a non-nearest station.
4.2. Logistic regression models for captive stations
According toTable 5, the correlation between distance and travel
time, mode and travel time, distance and InboundOut and furtherAway
and travelFeeD are 0.5, 0.5, 0.38 0.4, respectively. Therefore
travel time, travelFeeD and InboundOut were not considered for
model selection.
As defined in the introduction, a captive station is the one
located at the end or near the end of train line, which means this
type of the station has a bigger catchment area and transit users
have less choice of other stations. Therefore, fewer variables
would influence the station choice. The derived model for captive
stations provided evidence for this definition by identifying only
two significant variables in the best-fitting logistic regression
model (see Table 6). There are 274 records for the captive stations
(Table 2), but the sample size for this regression model is 245 with
29 missing records being removed for the purpose of the analysis.
Similar to the model discussed in Section 4.1, distance has a
negative influence on the nearest station choice. In addition, the
further-way station choice suggested by the model has negative
influences on the nearest station choice. The captive station
attracted transit users who are willing to either drive or take
buses to reach a station which is further away from their
destination, and the nearest station is chosen for reasons such as
seat availability.
4.3. Logistic regression models for non-captive stations
It can be seen from Table 7 that the correlation between distance
and travel time, travel mode and time, purpose and InboundOut and
InBoundOut and travelFeeD are 0.5, 0.45, 0.5 and
0.35 respectively. Therefore, travel time and InboundOut were
removed for model selection.
Three variables were identified to be significant from the best
fitting logistic regression model for non-captive stations (see
Table 8). There are 559 records for the non-captive stations
(Table 2), but the sample size for this regression model is 486 with
73 missing records being removed for the purpose of the analysis.
The most influential variable is travel cost (from a chosen station to
a destination). The less the cost of travelling from a chosen station
to a destination, the more likely a chosen station will be a nonnearest
station, which is consistent with the results from the
overall model. However, different from the model for all chosen
station, cost (origin to station) was found to be significant. The less
the cost from origin to the chosen station, the less likely it is that
chosen stations will be the nearest station.

ผลลัพธ์ (ไทย) 2:

4. การวิเคราะห์ข้อมูลผล
4.1 โลจิสติกการถดถอยแบบโดยรวมของสถานีได้รับการแต่งตั้งทุกความสัมพันธ์ระหว่างระยะทางและเวลาในการเดินทางที่โหมดการเดินทางและเวลาวัตถุประสงค์และInboundOut และเวลารอและ InboundOut จะ 0.53, 0.45, 0.44 และ 0.36 ตามลำดับ (ดูตารางที่ 3). ดังนั้นตัวแปรเวลาในการเดินทาง และ InboundOut ถูกถอดออกก่อนที่จะเลือกรูปแบบ นอกจากนี้จุดประสงค์การเดินทางที่ถูกระบุว่าจะมีช่วงความเชื่อมั่น 95% (0, INF) ดังนั้นจึงไม่ได้รับการพิจารณาในขั้นตอนการสร้างแบบจำลอง. ตารางที่ 4 นำเสนอสิ่งที่ดีที่สุดที่เหมาะสมแบบการถดถอยโลจิสติกสำหรับการทำนายทางเลือกสถานีที่ใกล้ที่สุดสำหรับทุกสถานีเจ็ด มี833 ระเบียนสำหรับทุกสถานีที่มี (ตารางที่ 2) แต่ขนาดตัวอย่างสำหรับรูปแบบการถดถอยนี้คือ732 กับ 101 ระเบียนที่ขาดหายไปจะถูกถอดออกมาเพื่อจุดประสงค์ของการวิเคราะห์ สามตัวแปรที่สำคัญในแบบจำลองพบว่ามีนัยสำคัญทางสถิติ linehaul ค่าใช้จ่ายเป็นค่าใช้จ่ายจากสถานีได้รับการแต่งตั้งไปยังสถานีรถไฟซึ่งเป็นที่ใกล้ที่สุดไปยังปลายทาง น้อยกว่าค่าใช้จ่ายสายไกลมีแนวโน้มที่สถานีได้รับการแต่งตั้งจะเป็นสถานีที่ไม่ได้อยู่ใกล้ที่สุด. ยกตัวอย่างเช่นพร็อพสามารถเลือกสถานีขนส่งตามทางไปสู่ปลายทางของพวกเขาแทนการใช้สถานีที่ใกล้ที่สุดเพื่อประหยัดค่าโดยสารตั๋วบนรถไฟ นี้แสดงให้เห็นถึงผลกระทบของราคาค่าโดยสารขนาดใหญ่กระโดดระหว่างโซน (Jansson และเจล 2012) ระยะทางที่สั้นที่สุดเครือข่ายจากต้นทางไปยังสถานีก็ยังพบว่ามีอิทธิพลสำคัญในการเลือกสถานีที่ใกล้ที่สุด. ที่สั้นกว่าระยะทางจากต้นทางไปยังสถานีให้มากขึ้นน่าจะเป็นสถานีที่ได้รับการแต่งตั้งเป็นสถานีที่ใกล้ที่สุด นอกจากนี้ยังเป็นเปิดเผยโดยรูปแบบที่สั้นเวลารอที่สถานีได้รับการแต่งตั้งให้มากขึ้นโอกาสที่สถานีเป็นสถานีที่ไม่ได้อยู่ใกล้ที่สุด. 4.2 รูปแบบการถดถอยโลจิสติกสำหรับสถานีเชลยตาม toTable ที่ 5 ความสัมพันธ์ระหว่างระยะทางและการเดินทางเวลาโหมดและเวลาในการเดินทางระยะทางและInboundOut และ furtherAway และ travelFeeD เป็น 0.5, 0.5, 0.4 0.38 ตามลำดับ ดังนั้นการเดินทางครั้ง travelFeeD และ InboundOut ไม่ได้รับการพิจารณาสำหรับการเลือกรูปแบบ. ตามที่กำหนดไว้ในการแนะนำสถานีเชลยเป็นหนึ่งตั้งอยู่ที่สิ้นสุดหรือใกล้ถึงจุดสิ้นสุดของเส้นรถไฟซึ่งหมายความว่านี้ประเภทของสถานีมีพื้นที่เก็บกักน้ำที่ใหญ่กว่าการขนส่งและผู้ใช้มีทางเลือกน้อยกว่าสถานีอื่น ๆ ดังนั้นตัวแปรที่น้อยลงจะมีผลต่อทางเลือกที่สถานี รูปแบบมาเป็นเชลยสำหรับสถานีให้หลักฐานสำหรับคำนิยามนี้โดยระบุเพียงสองตัวแปรที่สำคัญในการที่ดีที่สุดที่เหมาะสมถดถอยโลจิสติกรุ่น(ดูตารางที่ 6) มี 274 ระเบียนสำหรับสถานีเชลยอยู่(ตารางที่ 2) แต่ขนาดของกลุ่มตัวอย่างสำหรับรูปแบบการถดถอยนี้คือ 245 กับ29 ระเบียนที่ขาดหายไปจะถูกลบออกเพื่อวัตถุประสงค์ของการวิเคราะห์. คล้ายกับรูปแบบที่กล่าวถึงในมาตรา 4.1 ระยะมีอิทธิพลเชิงลบในการเลือกสถานีที่ใกล้ที่สุด นอกจากนี้ยังมีทางเลือกที่สถานีต่อไปทางที่แนะนำโดยมีรูปแบบเชิงลบที่มีอิทธิพลต่อการเลือกสถานีที่ใกล้ที่สุด สถานีเชลยดึงดูดผู้ใช้การขนส่งที่มีความเต็มใจที่จะขับรถอย่างใดอย่างหนึ่งหรือใช้รถโดยสารที่จะไปถึงสถานีซึ่งเป็นห่างไกลจากพวกเขาปลายทางและสถานีที่ใกล้ที่สุดได้รับการแต่งตั้งด้วยเหตุผลเช่นที่นั่งว่าง. 4.3 รูปแบบการถดถอยโลจิสติกสำหรับสถานีที่ไม่ได้เป็นเชลยมันสามารถเห็นได้จากตารางที่ 7 ที่ความสัมพันธ์ระหว่างระยะทางและเวลาในการเดินทางโหมดการเดินทางและเวลาวัตถุประสงค์และInboundOut และInBoundOut และ travelFeeD มี 0.5, 0.45, 0.5 และ0.35 ตามลำดับ ดังนั้นเวลาในการเดินทางและ InboundOut ถูกลบออกสำหรับการเลือกรูปแบบ. สามตัวแปรที่ถูกระบุอย่างมีนัยสำคัญจากที่ดีที่สุดที่เหมาะสมแบบการถดถอยโลจิสติกสำหรับสถานีที่ไม่ได้เป็นเชลย(ดูตารางที่8) มี 559 ระเบียนสำหรับสถานีที่ไม่ได้ถูกคุมขังอยู่ที่(ตารางที่ 2) แต่ขนาดของกลุ่มตัวอย่างสำหรับรูปแบบการถดถอยนี้คือ 486 กับ73 ระเบียนที่ขาดหายไปจะถูกลบออกเพื่อวัตถุประสงค์ของการวิเคราะห์. ตัวแปรที่มีอิทธิพลมากที่สุดคือค่าใช้จ่ายในการเดินทาง (จากสถานีได้รับการแต่งตั้ง เพื่อปลายทาง) น้อยกว่าค่าใช้จ่ายในการเดินทางจากสถานีที่เลือกไปยังปลายทางให้มากขึ้นน่าจะเป็นสถานีที่ได้รับการแต่งตั้งจะเป็น nonnearest สถานีซึ่งสอดคล้องกับผลที่ได้จากการรูปแบบโดยรวม แต่แตกต่างจากรูปแบบที่เลือกสำหรับทุกสถานีค่าใช้จ่าย (ต้นกำเนิดไปยังสถานี) ก็พบว่ามีความสำคัญ น้อยกว่าค่าใช้จ่ายจากแหล่งกำเนิดไปยังสถานีที่เลือกมีโอกาสน้อยกว่าที่มันเป็นที่สถานีได้รับการแต่งตั้งจะเป็นสถานีที่ใกล้ที่สุด

ผลลัพธ์ (ไทย) 3:

4 . การวิเคราะห์ข้อมูล
4.1 . ถดถอยโลจิสติกรวมรุ่นทั้งหมดเลือกสถานี
ความสัมพันธ์ระหว่างระยะทางและเวลาเดินทาง
โหมดและเวลาเดินทาง จุดประสงค์ และ inboundout แล้วรอเวลา และ inboundout
เป็น 0.53 0.59 , 0.44 และ 0.36 ตามลำดับ ( ดูตารางที่ 3 )
ดังนั้นตัวแปรระยะเวลาการเดินทางและ inboundout ถูกลบออก
ก่อนที่จะเลือกรูปแบบ นอกจากนี้วัตถุประสงค์ของการเดินทางที่ถูกระบุว่า

มีความเชื่อมั่น 95 เปอร์เซ็นต์ ( 0 , inf ) ดังนั้นจึงไม่พิจารณาในการจำลองกระบวนการ
.
4 ตารางแสดงที่ดีที่สุดกระชับตัวแบบการถดถอยเชิงเส้นสำหรับ
ทำนายการเลือกสถานีที่ใกล้ที่สุดทั้ง 7 สถานี มีประวัติกัน
เป็นสถานีทั้งหมด ( ตารางที่ 2 ) แต่ขนาดตัวอย่างสำหรับการถดถอยแบบนี้แต่ด้วย

101 บันทึกการขาดหายไปลบออกสำหรับวัตถุประสงค์ของการวิเคราะห์ สามตัวแปร
ในแบบจำลองพบว่ามีนัยสำคัญทางสถิติ ต้นทุนยังมี
คือค่าใช้จ่ายจากการเลือกสถานีสถานีรถไฟ
ซึ่งอยู่ใกล้ที่สุดเพื่อจุดหมาย ยิ่งเส้นลากค่าใช้จ่าย
มีแนวโน้มเลือกสถานีจะไม่ใกล้สถานี
ตัวอย่างเช่น ผู้โดยสารสามารถเลือกสถานีตาม
วิธีต่อปลายทางของพวกเขาแทนการใช้
สถานีที่ใกล้ที่สุดเพื่อประหยัดค่าโดยสารตั๋วบนรถไฟ นี้แสดงให้เห็นถึงผลของ
ใหญ่ค่าโดยสารราคากระโดดระหว่างโซน ( แจนสัน และ แองเจิล , 2012 )
สั้นโครงข่ายระยะทางจากต้นทางไปยังสถานียัง
มีอิทธิพลในการเลือกสถานีที่ใกล้ที่สุด
สั้นระยะทางจากต้นทางไปยังสถานียิ่งเป็น
เลือกสถานีเป็นสถานีที่ใกล้ที่สุด นอกจากนี้ พบว่าโดย
รูปแบบสั้น รอเวลาที่เลือกสถานี ยิ่ง
มีแนวโน้มว่าไม่ใกล้สถานี คือ สถานี
4.2 . ตัวแบบถดถอยโลจิสติกสำหรับสถานีเชลย
ตาม totable 5 , ความสัมพันธ์ระหว่างระยะทางและเวลาในการเดินทาง
, โหมดและเวลาในการเดินทาง ระยะทาง และ inboundout
ทำตัวห่างออกไป และและ travelfeed 0.5 , 0.5 , 0.38 0.4 ตามลำดับ ดังนั้น
เวลาในการเดินทาง และ travelfeed inboundout ไม่ได้พิจารณาเลือกรูปแบบสำหรับ
.
ตามที่กำหนดในเบื้องต้น สถานีเชลยเป็นหนึ่ง
ตั้งอยู่ที่จบหรือใกล้จบของรถไฟสาย ซึ่งหมายถึงสถานีชนิดนี้มีขนาดใหญ่กว่าพื้นที่

มีตัวเลือกน้อยลง และการขนส่งผู้ใช้สถานีอื่น ๆ ดังนั้นน้อยกว่าตัวแปร
ทำให้สถานีทางเลือก ซึ่งรูปแบบสถานีเชลย
ให้หลักฐานสำหรับความหมายนี้ โดยระบุเพียง
สองตัวแปรที่ดีที่สุดในการถดถอยโลจิสติกแบบกระชับ
( ดูตารางที่ 6 ) มี 274 บันทึกสถานีไว้
( ตารางที่ 2 ) แต่ขนาดตัวอย่างสำหรับการวิเคราะห์การถดถอยนี้ 245 กับ
29 ขาดประวัติถูกลบออกสำหรับวัตถุประสงค์ของการวิเคราะห์ .
คล้ายกับแบบที่กล่าวถึงในส่วนของ 4.1 ระยะห่างมี
มีอิทธิพลทางลบต่อเลือกสถานีที่ใกล้ที่สุด นอกจากนี้ อีกทางเลือกที่แนะนำโดยทางสถานี

นางแบบอิทธิพลเชิงลบเกี่ยวกับการเลือกสถานีที่ใกล้ที่สุด สถานีขนส่งนักโทษ
ดึงดูดผู้ใช้ที่ยินดีที่จะให้ไดรฟ์หรือใช้
รถบัสไปถึงสถานี ซึ่งอยู่ห่างจากจุดหมายปลายทาง
และสถานีที่ใกล้ที่สุดคือ เลือกที่นั่งด้วยเหตุผลเช่น
.
4.3 . ตัวแบบถดถอยโลจิสติกไม่ใช่เชลยสถานี
มันสามารถเห็นได้จากตารางที่ 7 ว่า ความสัมพันธ์ระหว่างระยะทาง
และเวลาในการเดินทาง , โหมดและเวลาเดินทาง จุดประสงค์ และ inboundout และ
inboundout travelfeed 0.45 และ 0.5 , 0.5 และ
035 ตามลำดับ ดังนั้น เวลา การเดินทาง และ inboundout ออกเพื่อเลือกรุ่นถูก
.
3 ตัวแปรที่ระบุเป็นสําคัญจากที่ดีที่สุด
พอดีตัวแบบการถดถอยเชิงเส้นไม่ใช่เชลยสถานี ( ดู
โต๊ะ 8 ) มีแต่ไม่จับบันทึกสถานี
( ตารางที่ 2 ) แต่ขนาดตัวอย่างสำหรับการถดถอยแบบนี้แล้วกับ
73 ขาดประวัติถูกลบออกสำหรับวัตถุประสงค์ของการวิเคราะห์ ตัวแปรที่มีอิทธิพลมากที่สุด
เป็นค่าใช้จ่ายในการเดินทาง ( จากการเลือกปลายทางสถานี

) น้อยกว่าต้นทุนของการเดินทางจากสถานี
เลือกไปยังปลายทาง ยิ่งเลือกสถานีจะเป็น nonnearest
สถานี ซึ่งสอดคล้องกับผลจาก
รูปแบบโดยรวม แต่แตกต่างจากรุ่นทั้งหมดเลือก
สถานี , ต้นทุน ( ต้นทางไปยังสถานี ) พบว่ามีความ น้อย
ต้นทุนจากต้นทางไปยังสถานีที่เลือกอาจน้อยกว่านั้น
เลือกสถานีจะเป็นสถานีที่ใกล้ที่สุด