论文部分内容阅读
公共交通作为城市交通的骨干网络,在保障城市居民日常出行中发挥着举足轻重的作用。由于乘客采用公共交通出行的需求具有多层次和多样化的特点,准确获取不同类别公共交通乘客的出行需求是提升公共交通总体服务水平的关键,而预测不同类型公交乘客的出行行为是把握其需求的前提。目前,定制公交、袖珍公交、定制商务班车等个性化公交模式在满足公共交通出行者差别化的出行需求方面取得了一定成效,但其覆盖范围和准确程度均有较大提升空间。因此,有必要进一步开展公共交通出行行为预测方法研究,为更加精准把握不同类型公交乘客的出行需求、进而为制定差别有效的公共交通服务模式奠定支撑。
事实上,公共交通出行行为预测的核心是解决“如何准确刻画出行行为特征”、“如何甄别出行行为影响因素”、“如何准确获取下次出行行为”等关键问题,本质上是明确公共交通个体乘客出行特征规律、鉴别不同类型乘客出行行为关键影响因素和预测不同类型乘客的下次出行日期、目的地、出发时间和出行方式。以往研究主要借助抽样调查和局部或单一来源出行行为数据,采用统计分析和数学模型,在总体或均态公共交通出行行为规律分析方面取得了诸多成果:然而,在刻画个体出行行为特征、把握不同类别乘客差别化出行需求等方面仍存在较大局限,对多因素影响下个体出行行为多维选择的考虑不足,阻碍了公共交通出行行为的系统性解析和准确预测。
鉴于此,论文综合利用公共交通多源出行数据和出行行为调查数据,着眼于公共交通个体乘客的出行行为特征和不同类型乘客的差异化出行需求,采用图谱理论、关联规则、机器学习等方法,搭建“特征刻画—人群分类—因素鉴别—行为预测”的总体研究框架,重点研究了公共交通个体乘客的出行行为特征表征、不同类型公共交通出行人群划分、不同稳定性公共交通通勤乘客出行行为影响因素识别和出行行为预测等关键问题。主要研究工作包括:
首先,获取公共交通多源出行行为数据和乘客个体出行属性信息,汇聚形成数据基础。研究通过获取多模式公共交通动态数据与静态线站数据,关联匹配获得个体乘客出行起讫点与换乘时空信息。开展出行行为(Revealed Preference。RP)调查,获取乘客社会经济属性、出行特征和一卡通卡号等信息。通过主客观数据的融合匹配,实现了个体乘客完整出行数据的精准提取、数据可靠性验证和出行信息的有效补充,为深入研究公共交通个体乘客出行行为特征刻画、乘客类型辨识、行为影响因素识别和出行行为预测等提供了数据保障。
其次,构建公共交通个体出行图谱实现了出行行为特征准确刻画。基于公共交通出行数据,借助图谱可视化直观表达的优势,分别构建了个体出行行为特征图谱与个体出行行为知识图谱。其中,出行行为特征图谱涵盖乘客出行时间、出行位置、出行方向和出行方式,通过非连续与连续相似性综合判别方法,实现了个体出行行为轨迹的分类;出行行为知识图谱明确了个体乘客出行空间位置、出行时间分布、出行路径和转移概率的分层特征,实现了公共交通个体乘客出行行为特征的准确刻画。出行行为的图谱化表达方法为公共交通个体乘客出行特征刻画提供了新思路,并为准确识别公共交通乘客类型和预测出行行为奠定了支撑。
再次,利用BP神经网络机器学习模型和关联规则完成了公共交通通勤乘客识别和稳定性划分。基于公共交通个体乘客出行知识图谱提取行为特征指标,结合RP调查结果获得的乘客类别属性真值,构建了基于3层BP网络结构的公共交通乘客分类模型,并通过实验仿真测试获得了模型最佳结构和参数。模型平均判别精度和Kappa系数分别为94.2%和0.875,能够有效鉴别公共交通通勤乘客。在此基础上,引入关联规则方法的FP-growth算法,采用支持度、置信度和提升度三个参数,通过基于五项集频繁模式挖掘,实现了通勤乘客高、中、低三类稳定性人群的准确辨识。
之后,采用结构方程模型提取了不同稳定性公共交通通勤乘客出行行为的关键影响因素。面向高、中、低不同稳定性的公共交通通勤乘客,分别构建了针对个体出行目的地、出发时间与出行方式影响因素的结构方程模型。进而,利用AMOS软件对影响关系模型进行了标定、拟合与评价,获得了最佳模型结构和影响路径,实现了不同稳定性乘客出行行为关键影响因素的提取。研究结果表明,公共交通通勤乘客的出行行为受外在属性、个体特性、社会经济属性、建成环境和出行特征等属性影响显著,并且不同稳定性乘客的影响因素和影响程度存在显著不同。
最后,提出了基于概率模型和集成学习相结合的不同稳定性通勤乘客出行行为预测方法。基于出行行为不同要素产生链路,构建了“下次出行日期—下次出行目的地—下次出发时间—下次出行方式”预测结构,进而综合采用Logisitic模型、图谱转移概率和XGBoost集成学习方法,分别建立了面向不同出行行为要素的差别化预测方法。结果表明,高稳定性乘客下次出行行为的总体预测精度超过90%,随着乘客采用公共交通出行的稳定性减弱,预测精度相应降低。在此基础上,开展了不同稳定性乘客下次出行日期、热点出行目的地、集中出发时间和出行方式聚合分析,并与实际出行数据进行比对。验证结果说明,考虑不同类型公共交通乘客的个体下次出行行为预测方法具有较高的准确性。
综上,论文在对多源公共交通出行数据和I冲调查数据综合感知与匹配的基础上,以公共交通个体乘客的出行行为准确刻画为切入点,面向不同类型乘客的差异化出行行为特征,在公共交通个体出行行为图谱表达、公共交通通勤乘客识别及出行稳定性划分、不同稳定性公共交通通勤乘客出行行为影响因素鉴别与出行行为预测等方面开展了深入研究,为把握多层次和差别化的公共交通出行需求奠定了方法支撑,为更加精细化的公共交通运营管理和决策提供了指导和参考。
事实上,公共交通出行行为预测的核心是解决“如何准确刻画出行行为特征”、“如何甄别出行行为影响因素”、“如何准确获取下次出行行为”等关键问题,本质上是明确公共交通个体乘客出行特征规律、鉴别不同类型乘客出行行为关键影响因素和预测不同类型乘客的下次出行日期、目的地、出发时间和出行方式。以往研究主要借助抽样调查和局部或单一来源出行行为数据,采用统计分析和数学模型,在总体或均态公共交通出行行为规律分析方面取得了诸多成果:然而,在刻画个体出行行为特征、把握不同类别乘客差别化出行需求等方面仍存在较大局限,对多因素影响下个体出行行为多维选择的考虑不足,阻碍了公共交通出行行为的系统性解析和准确预测。
鉴于此,论文综合利用公共交通多源出行数据和出行行为调查数据,着眼于公共交通个体乘客的出行行为特征和不同类型乘客的差异化出行需求,采用图谱理论、关联规则、机器学习等方法,搭建“特征刻画—人群分类—因素鉴别—行为预测”的总体研究框架,重点研究了公共交通个体乘客的出行行为特征表征、不同类型公共交通出行人群划分、不同稳定性公共交通通勤乘客出行行为影响因素识别和出行行为预测等关键问题。主要研究工作包括:
首先,获取公共交通多源出行行为数据和乘客个体出行属性信息,汇聚形成数据基础。研究通过获取多模式公共交通动态数据与静态线站数据,关联匹配获得个体乘客出行起讫点与换乘时空信息。开展出行行为(Revealed Preference。RP)调查,获取乘客社会经济属性、出行特征和一卡通卡号等信息。通过主客观数据的融合匹配,实现了个体乘客完整出行数据的精准提取、数据可靠性验证和出行信息的有效补充,为深入研究公共交通个体乘客出行行为特征刻画、乘客类型辨识、行为影响因素识别和出行行为预测等提供了数据保障。
其次,构建公共交通个体出行图谱实现了出行行为特征准确刻画。基于公共交通出行数据,借助图谱可视化直观表达的优势,分别构建了个体出行行为特征图谱与个体出行行为知识图谱。其中,出行行为特征图谱涵盖乘客出行时间、出行位置、出行方向和出行方式,通过非连续与连续相似性综合判别方法,实现了个体出行行为轨迹的分类;出行行为知识图谱明确了个体乘客出行空间位置、出行时间分布、出行路径和转移概率的分层特征,实现了公共交通个体乘客出行行为特征的准确刻画。出行行为的图谱化表达方法为公共交通个体乘客出行特征刻画提供了新思路,并为准确识别公共交通乘客类型和预测出行行为奠定了支撑。
再次,利用BP神经网络机器学习模型和关联规则完成了公共交通通勤乘客识别和稳定性划分。基于公共交通个体乘客出行知识图谱提取行为特征指标,结合RP调查结果获得的乘客类别属性真值,构建了基于3层BP网络结构的公共交通乘客分类模型,并通过实验仿真测试获得了模型最佳结构和参数。模型平均判别精度和Kappa系数分别为94.2%和0.875,能够有效鉴别公共交通通勤乘客。在此基础上,引入关联规则方法的FP-growth算法,采用支持度、置信度和提升度三个参数,通过基于五项集频繁模式挖掘,实现了通勤乘客高、中、低三类稳定性人群的准确辨识。
之后,采用结构方程模型提取了不同稳定性公共交通通勤乘客出行行为的关键影响因素。面向高、中、低不同稳定性的公共交通通勤乘客,分别构建了针对个体出行目的地、出发时间与出行方式影响因素的结构方程模型。进而,利用AMOS软件对影响关系模型进行了标定、拟合与评价,获得了最佳模型结构和影响路径,实现了不同稳定性乘客出行行为关键影响因素的提取。研究结果表明,公共交通通勤乘客的出行行为受外在属性、个体特性、社会经济属性、建成环境和出行特征等属性影响显著,并且不同稳定性乘客的影响因素和影响程度存在显著不同。
最后,提出了基于概率模型和集成学习相结合的不同稳定性通勤乘客出行行为预测方法。基于出行行为不同要素产生链路,构建了“下次出行日期—下次出行目的地—下次出发时间—下次出行方式”预测结构,进而综合采用Logisitic模型、图谱转移概率和XGBoost集成学习方法,分别建立了面向不同出行行为要素的差别化预测方法。结果表明,高稳定性乘客下次出行行为的总体预测精度超过90%,随着乘客采用公共交通出行的稳定性减弱,预测精度相应降低。在此基础上,开展了不同稳定性乘客下次出行日期、热点出行目的地、集中出发时间和出行方式聚合分析,并与实际出行数据进行比对。验证结果说明,考虑不同类型公共交通乘客的个体下次出行行为预测方法具有较高的准确性。
综上,论文在对多源公共交通出行数据和I冲调查数据综合感知与匹配的基础上,以公共交通个体乘客的出行行为准确刻画为切入点,面向不同类型乘客的差异化出行行为特征,在公共交通个体出行行为图谱表达、公共交通通勤乘客识别及出行稳定性划分、不同稳定性公共交通通勤乘客出行行为影响因素鉴别与出行行为预测等方面开展了深入研究,为把握多层次和差别化的公共交通出行需求奠定了方法支撑,为更加精细化的公共交通运营管理和决策提供了指导和参考。