4. Data analysis results 4.1. Logis

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 line-haul 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.

ผลลัพธ์ (ไทย) 1:

4. ผลการวิเคราะห์ข้อมูล 4.1. logistic ถดถอยโดยรวมโมเดลสำหรับสถานีทุกท่านความสัมพันธ์ระหว่างระยะทาง และเวลาเดินทาง โหมดการเดินทาง และเวลา วัตถุประสงค์ และ InboundOut และรอเวลา และ InboundOut เป็น 0.53, _0.45, _0.44 และ _0.36 ตามลำดับ (ดูตาราง 3) ดังนั้น ตัวแปร InboundOut และเวลาในการเดินทาง ถูกลบก่อนที่จะเลือกรูปแบบ วัตถุประสงค์การเดินทางที่ระบุจะมีช่วงความเชื่อมั่น 95% (0, inf) ดังนั้น มันถูกไม่มีพิจารณาในกระบวนการสร้างแบบจำลอง ตาราง 4 แสดงแบบถดถอยโลจิสติกที่ดีที่สุดเหมาะสมสำหรับการคาดการณ์เลือกสถานีที่ใกล้ที่สุดสำหรับสถานีทั้งหมด 7 มี 833 ระเบียนสำหรับทุกสถานี (ตารางที่ 2), ได้ขนาดตัวอย่างสำหรับรูปแบบการถดถอยนี้คือ 732 101 ระเบียนหายไปถูกลบเพื่อวิเคราะห์ สามตัวแปรที่สำคัญในรูปแบบที่พบเป็นอย่างมีนัยสำคัญทางสถิติ ลากเส้นต้นทุนมีราคาต้นทุนจากสถานีท่านถึงสถานีรถไฟ ที่จะยื่นปลายทาง น้อยกว่าต้นทุนบรรทัดลาก ยิ่งสถานีท่านจะไม่ใกล้สถานี ตัวอย่าง ที่ผู้โดยสารสามารถเลือกสถานีขนส่งเขาไปยังปลายทางแทนการใช้สถานีที่ใกล้ที่สุดเพื่อประหยัดค่าตั๋วโดยสารรถไฟ แนะนำผลของราคาค่าโดยสารใหญ่ข้ามระหว่างโซน (Jansson และ Angell, 2012) นอกจากนี้ยังพบที่สั้นที่สุดเครือข่ายระยะทางจากแหล่งกำเนิดสถานีมีผลสำคัญต่อการเลือกสถานีที่ใกล้ที่สุด ที่สั้นกว่าระยะทางจากจุดเริ่มต้นสถานี ยิ่งสถานีท่านเป็นสถานีที่ใกล้ที่สุด นอกจาก เปิดเผยรุ่น สั้นเวลาในการรอที่ท่านสถานี ที่มีแนวโน้มว่าสถานีไม่ใกล้สถานี

ผลลัพธ์ (ไทย) 2:

4. การวิเคราะห์ข้อมูลผล
4.1 โลจิสติกการถดถอยแบบโดยรวมของสถานีได้รับการแต่งตั้งทุกความสัมพันธ์ระหว่างระยะทางและเวลาในการเดินทางโหมดการเดินทางและเวลาวัตถุประสงค์และ InboundOut และเวลารอและจะ InboundOut 0.53 _0.45, _0.44 และ _0.36 ตามลำดับ (ดูตารางที่ 3)
ดังนั้นตัวแปรเวลาการเดินทางและ InboundOut ถูกถอดออกก่อนที่จะเลือกรูปแบบ นอกจากนี้จุดประสงค์การเดินทางที่ถูกระบุว่าจะมีช่วงความเชื่อมั่น 95% (0, INF) ดังนั้นจึงไม่ถือว่าอยู่ในขั้นตอนการสร้างแบบจำลอง ตารางที่ 4 นำเสนอสิ่งที่ดีที่สุดที่เหมาะสมแบบการถดถอยโลจิสติกในการทำนายทางเลือกสถานีที่ใกล้ที่สุดสำหรับทุกสถานีเจ็ด มี 833 ระเบียนสำหรับทุกสถานีที่มี (ตารางที่ 2) แต่ขนาดของกลุ่มตัวอย่างสำหรับรูปแบบการถดถอยนี้คือ 732 กับ 101 ระเบียนที่ขาดหายไปจะถูกลบออกเพื่อวัตถุประสงค์ของการวิเคราะห์ สามตัวแปรที่สำคัญในรูปแบบพบว่ามีนัยสำคัญทางสถิติ ค่าใช้จ่ายในสายไกลเป็นค่าใช้จ่ายจากสถานีได้รับการแต่งตั้งไปยังสถานีรถไฟซึ่งเป็นที่ใกล้ที่สุดไปยังปลายทาง น้อยกว่าค่าใช้จ่ายสายไกลมีแนวโน้มที่สถานีได้รับการแต่งตั้งจะเป็นสถานีที่ไม่ได้อยู่ใกล้ที่สุด ยกตัวอย่างเช่นพร็อพสามารถเลือกสถานีขนส่งพร้อมทางไปสู่ปลายทางของพวกเขาแทนการใช้สถานีที่ใกล้ที่สุดเพื่อประหยัดค่าโดยสารตั๋วบนรถไฟ นี้แสดงให้เห็นถึงผลกระทบของราคาค่าโดยสารขนาดใหญ่กระโดดระหว่างโซน (Jansson และเจล 2012) ระยะทางที่สั้นที่สุดจากเครือข่ายต้นทางไปยังสถานียังพบว่ามีอิทธิพลสำคัญในการเลือกสถานีที่ใกล้ที่สุด ที่สั้นกว่าระยะทางจากต้นทางไปยังสถานีที่มีแนวโน้มมากขึ้นที่สถานีได้รับการแต่งตั้งเป็นสถานีที่ใกล้ที่สุด นอกจากนี้ยังเป็นเปิดเผยโดยรูปแบบที่สั้นกว่าเวลาที่รออยู่ที่สถานีได้รับการแต่งตั้งมีโอกาสมากขึ้นที่สถานีเป็นสถานีที่ไม่ได้อยู่ใกล้ที่สุด

ผลลัพธ์ (ไทย) 3:

4 . การวิเคราะห์ข้อมูล
4.1 . ถดถอยโลจิสติกรวมรุ่นทั้งหมดเลือกสถานี
ความสัมพันธ์ระหว่างระยะทางและเวลาในการเดินทาง , โหมดและเวลาเดินทาง จุดประสงค์ และ inboundout แล้วรอเวลา และ inboundout เป็น 0.53 _0.45 _0.44 _0.36 , และตามลำดับ ( ดูตารางที่ 3 ) ดังนั้น ตัวแปร เวลาเดินทาง และ inboundout ถูกลบออกก่อนที่จะเลือกรูปแบบ นอกจากนี้วัตถุประสงค์ของการเดินทางที่ถูกระบุว่า มีความเชื่อมั่น 95 เปอร์เซ็นต์ ( 0 , inf ) ดังนั้น จึงไม่ถือว่าในการจำลองกระบวนการ ตารางที่ 4 แสดงที่ดีที่สุดกระชับตัวแบบการถดถอยเชิงเส้นในการเลือกสถานีที่ใกล้ที่สุดทั้ง 7 สถานี มีพวกประวัติสถานีทั้งหมด ( ตารางที่ 2 )แต่ขนาดตัวอย่างสำหรับการถดถอยแบบนี้แต่กับ 101 ขาดประวัติถูกลบออกสำหรับวัตถุประสงค์ของการวิเคราะห์ ตัวแปรที่สำคัญในรูปแบบ พบว่ามีนัยสำคัญทางสถิติ ราคาสายลากมีต้นทุนจากการเลือกสถานีที่สถานีรถไฟที่ใกล้ที่สุดกับปลายทาง ยิ่งเส้นลากราคามีโอกาสมากขึ้นที่เลือกสถานีจะไม่ใกล้สถานี ตัวอย่างเช่น ผู้โดยสารสามารถเลือกสถานีระหว่างทางไปยังปลายทางของพวกเขาแทนการใช้สถานีที่ใกล้ที่สุดเพื่อประหยัดค่าโดยสารตั๋วบนรถไฟ นี้แสดงให้เห็นผลกระทบของใหญ่ ค่าโดยสารราคากระโดดระหว่างโซน ( แจนสัน และ แองเจิล , 2012 )ระยะทางสั้นที่สุดเครือข่ายจากต้นทางไปยังสถานียังพบว่ามีอิทธิพลสำคัญในการเลือกสถานีที่ใกล้ที่สุด สั้นกว่าระยะทางจากต้นทางไปยังสถานี มากกว่าเลือกสถานี เป็นสถานีที่ใกล้ที่สุด นอกจากนี้ เปิดเผยว่าตามแบบ สั้น รอเวลาที่เลือกสถานี มีโอกาสมากขึ้นที่สถานีที่ใกล้ที่สุด

ไม่ใช่สถานี