《Journal of Transport Geography》：Identification and characterization of unusual commuters using a 2-layer transformer model
编辑推荐：
本研究通过超越对同质性活动参与的广泛分类，推动了出行模式识别（activity-pattern recognition）的发展，旨在识别在预定义时间间隔内其出行行为显著偏离主导出行结构（prevailing mobility structures）的通勤者。研
本研究通过超越对同质性活动参与的广泛分类，推动了出行模式识别（activity-pattern recognition）的发展，旨在识别在预定义时间间隔内其出行行为显著偏离主导出行结构（prevailing mobility structures）的通勤者。研究人员将非常规通勤者（unusual commuter）定义为个体，其通勤模式由通勤距离（commute distance）、旅行时间（travel time）、通勤持续时间（commute duration）以及上班前活动的排序（sequencing of pre-work activities）共同表征，且在相同时间周期内与前往工作的多数个体所表现出的主导模式（dominant pattern）存在实质差异。为识别存在差异的个体，本研究采用了双层Transformer框架（two-layer Transformer framework）。第一层利用平均惊讶分数（average surprisal scores）将通勤时段分类为主导期（predominant）、较主导期（moderately predominant）和最主导期（least predominant）。惊讶分数（Surprisal）定义为预定义时间间隔内通勤发生概率的负对数似然（negative log likelihood）。主导时段即为平均惊讶分数最低的时段，代表通勤行为最被预期的时段。第二层用于理解为何部分处于主导时段内的个体尽管在这些时段中普遍观察到较低的平均惊讶分数，却仍表现出较高的个体惊讶分数。研究结果表明，环境友好的出行行为与主导通勤模式（dominant commuting patterns）之间存在张力，同时显示非常规通勤（unusual commuting）在政策制定中不应被统一解释。低收入非常规通勤者（low-income unusual commuters）可能因车辆可及性有限，而需要改善的就业可及性和可负担的出行选择。相比之下，承担较长出行的高收入通勤者（higher-income commuters）可能受益于弹性或混合办公日程（flexible or hybrid work schedules）以及公共交通激励措施。家庭特征（household characteristics）同样塑造非常规通勤，因为较大的家庭规模、受抚养儿童（dependent children）和较少的车辆会增加家庭协调约束（household coordination constraints）。建成环境分类（built-environment classifications）的不一致效应表明，空间情境（spatial context）对非常规通勤具有选择性而非均匀的影响。三次关系（cubic relationships）进一步证明，非常规性（unusualness）随旅行时间和距离呈非线性变化（nonlinearly），而非随出行距离增加而均匀递增，这与以往假设线性关系（linear relationship）的研究形成对比。
现有通勤研究长期聚焦于极端通勤者（extreme commuters，指出行时间或距离显著高于平均水平的通勤者）的识别，通常以单一固定阈值（如单程90分钟）作为判定标准。然而，此类方法存在多重局限：其一，通勤时间与通勤距离被割裂处理，忽略了二者的内在关联，且未能纳入工作持续时间、上班前活动排序等维度对通勤模式的综合表征；其二，既有研究多隐含假设通勤负担随出行时间或距离线性递增，未能捕捉不同区间可能存在的非线性转变与多重阈值效应；其三，普适性上限阈值难以适应城市间的情境差异，且极少系统考察极端通勤背后的人口统计、家庭结构、就业属性及建成环境因素。随着出行时空尺度扩展，主导模式内部的行为异质性日益凸显，仅依赖宽泛分类或简单阈值筛选将掩盖大量被忽视的非典型出行模式。因此，如何突破线性阈值思维，从多维特征联合视角系统识别与刻画非常规通勤者（unusual commuters，指通勤模式显著偏离同期主导模式的个体），成为交通行为研究亟待解决的关键问题。
为应对上述挑战，研究人员基于双层Transformer模型（two-layer Transformer model，一种基于自注意力机制的深度学习序列模型）开展了通勤行为识别研究。该研究将非常规通勤者界定为：在同一预定义时段内，其通勤距离、旅行时间、通勤持续时间及上班前活动排序共同构成的通勤模式显著偏离该时段多数个体主导模式的出行者。该研究突破了传统极端通勤研究的线性假设与固定阈值局限，通过序列建模捕获高维上下文依赖关系，实现了对主导出行结构内部隐性异质性的精细化识别，为差异化交通政策制定提供了更为科学的实证依据。
本研究所用样本队列为2017年美国国家家庭出行调查（National Household Travel Survey, NHTS）加利福尼亚部分，经数据清洗后纳入14,970名通勤者。研究人员采用的关键技术方法包括：构建基于自回归因果注意力机制（autoregressive causal-attention，一种仅依赖历史与当前信息进行预测的注意力机制）的双层Transformer序列模型，将离散人类活动编码为活动令牌（activity tokens，类比于自然语言处理中的词元单元），通过嵌入向量（embeddings，将类别与连续信息转化为模型可学习数值向量的技术）整合活动类型、序列位置、时段、出行距离及持续时间信息，以预测下一活动并输出概率分布；计算个体层面与时段层面的惊讶分数（Surprisal，即活动发生概率的负对数似然），量化行为偏离程度；利用K均值聚类（k-means clustering，一种将数据划分为若干簇的无监督学习方法）结合敏感性分析确定第一层阈值，将通勤时段划分为主导期（predominant，通勤行为最集中且平均惊讶分数最低的时段）、较主导期（moderately predominant）和最主导期（least predominant）；在第二层通过逻辑回归（logistic regression，用于分析分类变量与二分结局关系的统计模型）识别主导时段内高惊讶分数个体的多维特征，并运用三次回归模型（cubic regression model，包含三次项以捕捉非线性关系的回归模型）检验出行时间、距离与非常规通勤之间的非线性关系。此外，研究构建城市与农村、制造业与服务业的子样本进行分群比较。
6.1 Classification of time intervals (level 1)
研究人员通过第一层分类发现，基于平均惊讶分数可将预定义的30分钟间隔时段划分为三类。其中，主导期集中于清晨较早时段，平均惊讶分数最低，代表通勤行为最被预期的时段；最主导期则对应夜间时段。该分层有效解决了群体普遍性问题，避免了将夜间常规轮班工作者（如医护人员、警务人员）误判为非常规通勤者，从而为后续第二层分析提供了纯净的主导时段情境。
6.2 Characterizing unusual commuters (level 2)
在主导时段内，部分个体尽管处于通勤高峰期，却表现出显著高于时段平均水平的惊讶分数。回归结果显示，男性更可能被归为正常通勤组，而女性因承担更多上班前活动及家庭协调责任，表现出更高的非常规可能性；出行次数较少、通勤距离较短、上班前旅行时间较少的个体更偏向正常模式，而同行人数较多、家庭规模较大、学龄前儿童数量较多的个体则更易出现非常规通勤。车辆拥有数作为调节资源，可缓解家庭复杂度带来的协调约束，降低非常规通勤概率。收入与非常规通勤呈非线性关联，中等收入群体相对稳定，而极高收入者与部分低收入者均可能表现出非常规特征。年龄方面，41至60岁群体相较于31至40岁参考组更可能属于非常规通勤者。建成环境分析表明，空间情境具有选择性影响：中等规模都市区（250,000至2,999,999人口）的通勤者更趋向正常通勤模式，而超大都市区及非都市区未呈现显著差异。三次曲线揭示，出行时间在约60分钟时正常通勤概率达到峰值，随后下降至约150分钟后再次回升；出行距离则在约145至150英里处出现明显转折，此后非常规概率显著上升，证实了非常规性随时间、距离增加而非线性递增。
6.3 Urban workers vs rural workers
分样本比较显示，城市通勤者的工作出行窗口更长且更为分散，而农村通勤者的通勤时段更短且集中，提示城市需要更灵活、可靠的非高峰时段交通服务，农村则需保障关键窗口期的出行可靠性。
6.4 Manufacturing jobs vs service jobs
制造业通勤者与服务业通勤者在主导期表现出相近的平均惊讶分数，但服务业拥有更长的主导期，且其工作进入时段晚于整体样本的7:00至10:00高峰，反映了不同职业在通勤时间结构上的系统性差异。
研究结论表明，环境可取的共享出行、减少个体车辆依赖等行为与主导通勤模式间存在显著张力，此类环境友好行为在现有出行体系中仍属相对稀少。政策制定应避免对非常规通勤进行单一化解读：低收入非常规通勤者多受资源约束，需通过提升就业可及性、提供可负担出行选项及非传统时段出行灵活性加以干预；高收入非常规通勤者则可借助弹性办公、混合工作制及公共交通激励降低其长距离出行的环境影响。研究同时证实，建成环境的影响具有情境依赖性，非线性关系挑战了传统线性假设。然而，该方法目前仅适用于主导通勤时段的识别，难以区分夜间非常规通勤者与常规轮班工作者；此外，数据反映的是疫情前出行模式，未能涵盖远程办公与混合工作安排的普及，且样本规模存在一定限制，未来需更新调查数据并拓展模型在全时段的适用性。
