出行行为研究是交通领域的重要课题,它为交通系统研究提供了坚实的理论基础。传统的离散选择模型为交通需求分析做出了巨大贡献,但其通常假设出行者是完全理性的,并以期望效用最大化作为决策依据。而现实中的出行者往往无法做到完全理性,不仅仅只追求出行效用最大或出行阻抗最小,也会尽量避免因备选选择可能更好而产生的负面后悔情绪。而最新的研究表明,出行者在决策制定过程中会存在决策准则异质性的问题,并且在模型中同时考虑多种决策规则往往可以提高模型的拟合度。因此如何在一个模型中同时考虑多种决策规则是一个值得深入研究的问题。本文以后悔理论和期望效用理论为基础,在随机后悔最小化(RRM)和随机效用最大化(RUM)的框架内,考虑决策规则在属性层面上存在的异质性,构建了一个更具一般性的混合离散选择模型(G-RMUM模型)。模型假设决策者在同一属性值的计算上可能同时考虑两种决策规则,并且不同的决策规则具有不同的权重系数。在选取特定权重系数的情况下,RRM、RUM以及其它相关的现有模型都是该一般混合离散选择模型的特例。本文首先利用瑞士官方一组关于出行方式选择的调查数据,对提出的G-RMUM模型运用Biogeme软件包进行参数估计和模型验证。通过与其它各模型拟合数据的对比,表明G-RMUM模型与数据的拟合度最高。为了增加模型的可信度,再次利用笔者收集到关于出行路径选择的意向性调查数据对多个模型进行检验,结果显示相较于其他模型G-RMUM模型有更大的提升,从而证实该模型对出行者的选择决策描述更加准确。此外,本文进一步将G-RMUM模型引入交通配流研究,重新定义了随机用户均衡条件,构建了新的配流模型,给出了等价的变分不等式模型及相应的算法。通过数值算例分析相关参数对配流结果的影响。结果表明G-RMUM模型能够更加细致的捕捉到出行者在择路过程中在属性层面上存在的异质性。在时间价值取不同值的情况下,G-RMUM模型也都可以很好的描述路网中路段流量和路径流量的分配情况。对于指导路网设计、交通需求预测等提供了新的思路。