注意力模型在个体出行预测中可解释性研究

针对个体出行预测模型缺乏可解释性的问题,文中采用深度注意力模型进行个体出行预测,并通过单一和一组注意力权重擦除的方法,对个体出行预测的深度注意力模型进行可解释性探索。在注意力权重擦除实验中,使用决策翻转的指标来量化注意力权重擦除前后模型预测结果的变化。在实例分析中,选取广州地铁羊城通的刷卡记录构造三种不同长度的出行序列数据集,并将出行预测任务具体定义为目的地预测。在单一注意力权重擦除实验中,擦除最大注意力权重比擦除随机注意力权重对模型预测影响更大,但仍有大部分样本没有发生决策翻转。在一组注意力权重擦除实验中,较大注意力权重作为输入的出行记录,对模型预测会产生更重要的影响,并且模型对重要的出行记录分配注意力权重的过程是稳定的。

基于图卷积门控循环网络的个体地铁出行预测

针对个体地铁出行受到地理位置的限制,对地铁出行预测任务提出一种时空特性建模的方法,解决过去的研究中只对出行序列的时间特征建模,而不能充分挖掘数据中的空间特性的问题。提出的方法先对个体出行序列的空间特征进行构建,通过图卷积神经网络提取空间特征,使用门控的方法将表示时空特性的嵌入向量进行融合,然后使用门控循环网络对时空特征进行学习。通过广州地铁羊城通刷卡数据构建的个体出行序列数据集进行验证,该模型的预测准确率高于只对时间特性建模的模型。最后通过构造具有显著个体出行空间特性的人造数据与真实数据进行不同比例混合,验证该模型能有效学习个体出行的空间特性,具有更强的鲁棒性。

一种个体地铁出行预测的马尔可夫模型

为了解和挖掘城市人类移动行为的规律性和差异性,提出了一种马尔可夫模型来预测个体地铁出行行为。首先通过数据分析挖掘出城市出行个体的类别差异,根据出行数据将用户分为不同属性;然后标记出行记录标签,统计分析不同属性用户的出行时间分布差异;最后分时间段建立了用户个体出行的马尔可夫模型,预测其出行状态。对10万名用户的1 000余万条地铁出行记录进行交叉验征,结果显示个体马尔可夫模型的平均预测精度达到72.73%,优于传统的时序预测模型。本文模型有效地预测了地铁出行中的个体出行行为,有利于解决城市发展中面临的交通拥堵问题,进一步合理分配交通资源。

基于超参数优化集成学习的出行方式选择研究

为解决传统出行方式选择模型和机器学习模型存在的识别精度不高、超参数优化复杂,以及模型可解释性弱等问题,本文分别采用遗传算法和贝叶斯优化对极限梯度提升机模型进行超参数寻优,进一步融合SHAP(SHapley Additive exPlanations)模型可视化出行方式属性和个体特征对选择概率的非线性关系,采用5折交叉验证的方式训练,避免过拟合。最终,结合瑞士地铁数据验证所提模型的优越性。结果表明,增强离散选择模型中效用函数的非线性表达,可以提高模型预测性能,但仍然不如机器学习模型;采用遗传算法和贝叶斯优化后的极限梯度提升机模型,在出行选择预测准确率、召回率和F1分数均高于传统的线性或非线性效用函数多项式Logit模型以及普通随机森林和极限梯度提升机;采用遗传算法优化的极限梯度提升机模型预测准确性最高,为0.781,优于基于多次网格搜索的常规模型;采用遗传算法优化超参数比多次网格搜索的方式训练时间降低了81.4%;不同出行方式的成本和时间是影响选择的重要因素,火车和汽车对于时间的敏感性更高,瑞士地铁对于成本的敏感性更高。