MBSE-Net：基于多视图属性图的多模式交通用户行为状态演化激励效应评估模型

本文提出MBSE-Net深度学习框架，通过多视图属性图模型（MAGM）量化激励策略对MaaS用户行为状态演化序列的增量效应。该模型采用双通道预测结构，在反事实（激励）与事实（非激励）场景下协同预测个体级行为演化路径，实证显示其流失召回率达85.03%，行为状态路径预测准确率达80.30%。研究为交通服务商提供了精准的激励效果评估工具，对优化资源分配和提升用户留存具有重要实践价值。

　　

行为状态演化序列预测

交通机构和MaaS提供商日益采用数据驱动方法理解骑行者行为随时间演化的规律，尤其在许多系统面临客流量下降的背景下。近期研究开创了纵向分析方法，以追踪个体或群体旅行模式变化（如公交使用频率或模式选择的转变）。例如，Yu等人利用近两年的智能卡数据...

方法论

MBSE-Net专注于量化和预测MaaS平台中激励策略对个体级行为状态演化序列的长期增量效应，包括序列内所有状态位置的转移状态和转移时间。因此，所提出的模型设计包含三个核心原则：(1) 一个多视图属性图模型（MAGM），用于稳健地捕捉MaaS骑行者跨不同交通模式的旅行行为相似性...

数据来源

我们的研究收集了2024年9月至2025年3月期间中国上海运营的在线MaaS平台"随申行"的详细激励和MaaS使用数据。数据集聚焦于两种主要交通模式：地铁和常规公交，它们共同构成了上海城市交通系统的骨干。在随申行MaaS平台中，实施了两种主要激励策略：(1) 周票折扣激励：MaaS骑行者将获得旅行折扣...

MBSE-Net预测性能

MBSE-Net的预测性能使用两个关键指标进行评估：流失召回率和行为状态准确率，计算基于一个l周的行为状态演化序列。表2报告了MBSE-Net的整体预测性能，以及各亚组（按初始行为状态划分）的性能。总体而言，MBSE-Net实现了约85.03%的流失召回率和80.30%的行为状态准确率。细分结果表明，高频用户（HB...

结论

本研究提出MBSE-Net来分析MaaS平台中个体级旅行行为状态路径的演化，并量化激励对这些状态演化路径的增量效应。具体而言，MBSE-Net包含一个多视图属性图模型，用于量化MaaS骑行者之间的相似性，以匹配受激励和未受激励的骑行者，以及一个双通道行为状态演化路径预测器，用于协同预测反事实（有激励）和事实（无激励）场景下的状态演化路径...