《Sustainability》:Two-Stage Data-Driven Trip Purposes and Socio-Economic Attribute Inference Framework of Public Transit Riders
编辑推荐:
数据驱动研究正成为交通领域的新范式,但交通数据中天然缺乏个体社会经济属性,使得活动目的推断和出行模式识别等研究缺乏说服力和可验证性。本文基于居民出行调查和智能卡数据,提出了一种两阶段出行目的和社会经济属性推断模型。在第一阶段,通过基于规则和XGBoost(极端
数据驱动研究正成为交通领域的新范式,但交通数据中天然缺乏个体社会经济属性,使得活动目的推断和出行模式识别等研究缺乏说服力和可验证性。本文基于居民出行调查和智能卡数据,提出了一种两阶段出行目的和社会经济属性推断模型。在第一阶段,通过基于规则和XGBoost(极端梯度提升)模型的组合推断每次出行的目的。在第二阶段,基于出行目的,构建机器学习模型推断个体的社会经济属性。然后,基于自训练(self-training)的师生模型被应用于上述模型,以将其迁移到智能卡数据。还研究了社会经济属性推断模型的自变量影响。结果表明,所提出的框架在出行目的推断上达到了92.7%的总体准确率,在三个社会经济属性(年龄、工作状态和收入)上平均准确率为76.3%。出行时间、到达时间、出发时间以及前两次出行的目的对年龄和工作状态影响最大,而与工作和住房相关的土地价格在推断个体收入时具有重要意义。
城市公共交通系统对缓解交通拥堵和环境污染具有关键作用,但运力与乘客需求之间的不匹配导致公共资源浪费,迫切需要准确掌握乘客需求特征。现有大数据(如GPS、智能卡数据)缺乏出行目的和个体社会经济属性,而人工调查数据(如居民出行调查)虽包含此类信息但样本量有限。已有研究在推断出行目的和社会经济属性时存在三个不足:模型训练与验证在同一数据集上进行,未考虑向大规模数据的迁移;未显式纳入出行目的;缺乏模型可解释性。为此,研究人员在《Sustainability》上发表了此项研究,旨在开发一种两阶段方法,整合出行目的与社会经济属性推断,并利用自训练师生模型将知识从调查数据迁移至智能卡数据,从而丰富大规模无标签数据的信息。
研究人员以中国深圳市为案例,基于2020年第四季度居民出行调查数据(RTSD,包含5996名常规公交用户的20802次出行)和2018年10月智能卡数据(SCD,包含12979574名用户),结合高德地图POI数据(2020年)、WorldPop人口数据及链家土地价格数据,构建了以下关键技术方法:第一,基于规则模型识别用户的家和工作地站点,对可识别用户采用规则模型推断回家和上班目的,其余目的及不可识别用户均采用XGBoost模型;第二,采用自训练师生切换模型(TSSM),结合课程伪标签(CPL)策略,将初始教师模型(ITM)在RTSD上训练后,对SCD生成伪标签并迭代优化;第三,基于一日出行链特征(前五次出行的时空信息、人口密度、土地价格及推断的出行目的),利用XGBoost和自训练策略推断年龄、工作状态和收入;第四,采用SHAP值分析模型可解释性。所有用户级划分确保训练与测试集无信息泄露。
4.1 出行目的推断结果:通过混淆矩阵分析,Model I(不可识别家/工作地用户)平均准确率为78.3%,Model II(可识别用户中非回家/上班目的)平均准确率为86.7%;结合规则模型后,总体准确率达92.7%。与支持向量机(SVM)、k近邻(KNN)、随机森林(RF)和LightGBM相比,所提模型在准确率、宏F1和加权F1上均最优,准确率提升14.4%。在RTSD上的伪标签模拟实验表明,TSSM相比ITM将Model I的伪标签准确率从86.7%提升至89.1%,Model II从78.3%提升至81.2%。在SCD上,TSSM的轮廓系数高于ITM,Davies-Bouldin指数低于ITM,表明伪标签结构更一致。对基础置信度阈值τ的敏感性分析(0.70-0.95)显示,适当提高阈值可提升伪标签可靠性但降低覆盖率。出行目的分布对比显示,SCD工作日与RTSD分布相似,但SCD周末的购物娱乐(S&E)比例更高,工作目的比例更低。
4.2 社会经济属性推断结果:初始XGBoost模型在年龄、工作状态和收入上的准确率分别为85.5%、83.8%和59.5%,平均76.3%。与其他模型相比,XGBoost整体最优,但收入推断准确率较低,仅59.5%。在RTSD上的伪标签模拟实验中,TSSM将三属性的平均准确率从76.3%提升至78.5%。在SCD上,TSSM相比ITM同样获得更高的轮廓系数和更低的Davies-Bouldin指数。社会经济属性分布对比显示,SCD中60岁以上人群比例略高,学生比例被高估,高收入(>15万)人群比例显著高于RTSD,表明SCD包含更多低频公交用户。
讨论部分通过SHAP值分析揭示了各特征对模型预测的贡献。对于年龄推断,前两次出行的出发和到达时间贡献最大,首次出行目的为回家或S&E对20岁以下用户预测重要;60岁以上用户则与工作-住房相关变量关联更强。对于工作状态推断,时空特征主导就业用户和学生的预测,而退休和非就业用户更依赖工作地点变量和首次出行目的是否为S&E。对于收入推断,工作-住房空间变量(尤其是土地价格和居住地坐标)贡献相对较大,但需注意这些是统计关联而非因果关系。研究还探讨了出行目的推断误差对下游任务的影响:在RTSD上,用推断出行目的代替真实目的后,年龄、工作状态和收入准确率分别下降0.6%、0.6%和0.8%,表明框架对第一阶段误差具有一定鲁棒性。
本研究的主要目标是开发一种两阶段方法,用于推断出行目的和社会经济属性。建立了基于规则和机器学习的组合模型推断出行目的,并构建了机器学习模型推断年龄、工作状态和收入等社会经济属性。还建立了自训练师生切换模型,将模型从居民出行调查数据迁移到智能卡数据,并研究了社会经济模型的可解释性。从结果中可得出以下主要结论:第一,出行目的推断模型总体准确率为92.7%,规则模型对回家和上班目的的识别准确率超过95%。智能卡数据中购物娱乐目的的比例高于居民出行调查数据。第二,社会经济属性推断模型在年龄、工作状态和收入上平均准确率为76.3%,单项准确率分别为85.5%、83.8%和59.7%。自训练框架增强了模型在不同数据集间的迁移能力。第三,个体一天中前两次出行的旅行时间、到达时间和出发时间对所有三个社会经济属性的识别最为重要。首次出行目的为回家是识别学生和20岁以下个体的重要特征,而工作-住房位置的土地价格对收入推断贡献显著。