Biogeme是一个开源Python包，用于一般参数模型的极大似然估计，特别是离散选择模型（logit模型、潜在分类模型等）。它依赖于Python语言中的Pandas数据分析模块。

Biogeme的安装方法有许多，主要为通过pip安装以及通过Anaconda进行安装，今天我来介绍运用Pycharm中软件包管理器来安装Biogeme。

打开Pycharm，点击【文件】→【设置】→【项目】→【Python解释器】进入解释器管理界面。如下图1所示：

进入管理界面点击“+”号，进入软件包管理界面，搜索“Biogeme”并进行安装，如下图2所示，等待安装完成即可：

在利用Biogeme标定参数时，我大致将过程分为五大步骤：

下面我们将以logit模型为例，分开来介绍每个步骤。该模型开发者文档见下方链接。其他模型的开发者文档也可查见，这里不多做赘述。

http://geme.epfl.ch/sphinx/models.html

在Biogeme中logit模型如下所示：

（代写文章：微信：13258028938）其中，a表示在本次选择中，该选项是否存在，在程序中我们用av表示；V表示广义费用公式。

第一步：加载Biogeme包，并读取数据，添加变量

利用import加载pandas和Biogeme，并用pandas中读取CSV文件的函数将数据存储进pandas数据结构中。而后利用biogeme.database.Database()方法将数据读入biogeme的数据库里，并根据每一列的列标题（第一行的信息）来命名全局变量。具体操作方式如下图3所示：

第二步：定义待求参数

在离散选择模型中，一般使用广义费用的概念，将费用、时间等影响因素通过一定的系数转化为广义费用，公式如下所示，x表示影响因素，β表示该影响因素的系数。对于不同的个人或群体来说，每项影响因素前系数的大小反映了他们对于该影响因素的敏感程度。因此我们需要根据所获得的数据来标定每项因素前的系数β和特征常数c。

于是在程序中，我们需要定义每项因子前的系数，如图4所示。其中，Beta()为定义参数的函数方法，即广义费用中的各影响因子前面的系数β。函数输入的第一项为影响因素x的名称，第二项为初值，第三项为下界，第四项为上界（无上下界的话可以用“None”），第五项表示该选择是否有特征常数c（）。一般而言n个选择肢条件下有（代写文章：微信：13258028938）n-1项存在特征常量，有1项不存在特征常量：

第三步：定义广义费用公式

第三步就是要建立广义费用的公式。广义费用一般形式如下所示：

通过前面定义的各项参数β、常数项c以及变量名（注意：变量名在第一步中已经批量声明为全局global变量，无需再次定义。变量名称与CSV文件第一行的名称对应），建立各选项的广义费用如下图5：

第四步：将选项和广义费用公式建立对应关系，并选择离散选择模型建模

需要将结果列（选项一般用1、2、3、4……表示）、广义费用表达式与每个选项建立对应关系，如图6所示，av表示本次选择中是否存在该选项：

之后需要选择一个离散选择模型进行建模，这里我们使用logit模型，如图7所示，Results表示选择结果一列：

第五步：利用模型求解，并展示结果

以下代码可以直接应用，一般不用修改，如图8所示：

在标定完成后，结果一般储存在“mdata”网页文件中，这个名字可以在上述第五步中自定义。文件如图9所示：

点击打开，可以看到如下图10所示的报告。最需要注意的是“Rho-square-bar for the init. model”，该项表示调整后的拟合优度，一般在0.2~0.4之间，若不满足，一般需要更换模型或者更换影响因素。

之后需要分析每一项影响因素的有效程度，一般所用的评价指标为p值。 p值小于0.05，则表示该影响因素能显著影响最后的结果。结果如下图11所示，可以将p值大于0.05的影响因素去掉，再进行计算：（代写文章：微信：13258028938）

注意：β值十分接近于0的影响因素也可以去掉。

上述程序主要根据北交大“出行行为分析与建模”课程的演示程序修改而来。一方面笔者认为在科研生活中Biogeme软件包是一个十分有用的工具，需要记录下使用方法以备今后查看；另一方面笔者在运用上还不太熟练，只能照本宣科，这里抛砖引玉，希望有这方面的大佬能多多指导交流。