解决出行链中缺失活动位置问题:一种基于POI的开放数据概率方法

《Computers, Environment and Urban Systems》:Addressing the missing activity location problem in trip chais: A POI-based probabilistic method using open data

【字体: 大 中 小 】 时间:2026年07月26日 来源:Computers, Environment and Urban Systems 8.9

编辑推荐:

  交通调查中的缺失数据阻碍了其在交通建模中的应用。研究人员采用基于兴趣点(POI)的时间地理密度估计方法进行出行链插补。新方法提高了计算效率,并在缺失位置选择中增加了语义信息。该可扩展方法为交通规划和建成环境分析提供了可靠输入。

  
交通调查中的缺失数据阻碍了其在交通建模中的应用。研究人员采用基于兴趣点(POI)的时间地理密度估计方法进行出行链插补。新方法提高了计算效率,并在缺失位置选择中增加了语义信息。该可扩展方法为交通规划和建成环境分析提供了可靠输入。
**论文解读:基于POI的时间地理密度估计方法在出行链缺失活动位置插补中的应用**

**研究背景与问题**
活动导向的出行行为建模需要完整且准确的出行链数据,以详细解释出行选择的维度。出行链分析捕捉连续出行之间的相互依赖性,为理解真实世界中的出行决策过程提供洞察。然而,作为分析家庭出行模式主要数据来源的交通调查,常因调查设计问题和受访者偏差导致数据不完整,尤其难以完整捕获出行链属性(如出行方式、目的、时空特征)。缺乏自动位置提取能力(如全球定位系统(GPS)跟踪或移动信号数据)会导致显著的空间数据缺口,可能削弱活动导向交通建模的准确性。不完整的交通调查数据会降低描述性统计和建模结果的置信度,其影响因个体、活动和位置上缺失信息的程度与结构而异。因此,在分析不同政策背景下的出行行为和活动位置序列时,对缺失出行链信息进行插补的需求十分明确。

现有方法主要包括三类:基于约束的方法、概率模型和基于学习的方法。这些方法要么需要同一类别的历史数据(如已有的活动位置),要么需要补充数据集(如GPS数据)来填补交通调查中的缺失位置值。当整个位置类别未包含在调查中且无合适补充数据集时,寻找出行位置仍具挑战。在此条件下,许多基于学习的模型难以公平训练和验证,而纯统计重新加权无法解决位置级重建。时间地理学方法,特别是概率时间地理密度估计(TGDE),为解决此问题提供了可能。TGDE通过生成连续密度表面来表示当起始、结束位置和时间已知时物体的可能轨迹。然而,TGDE面临三个主要挑战:第一,计算强度大,现有研究仅处理小数据集和小网络,分析大规模交通调查数据集和全市网络系统时计算资源受限;第二,结果通常产生大量可能位置,但未确定最佳缺失点,需要进一步约束以缩小高潜力位置范围;第三,应用局限于汽车出行,未考虑步行、骑行等多种出行方式,更不用说多模式出行。而交通调查通常包含不同速度的各种出行方式,这给TGDE应用带来困难。

**研究内容与结论**
为解决上述挑战,研究人员扩展了TGDE,引入活动条件POI过滤和预计算距离矩阵,以提高语义相关性和计算可行性,同时保持城市级调查分析的实用适用性。研究目标包括:1)通过将重复的出行级路径规划转换为预计算距离矩阵框架,开发适用于大型城市网络和调查样本的可扩展计算实现;2)通过添加基于活动信息的POI过滤到时空约束中,改进潜在缺失位置筛选机制,使方法同时基于时空合理性和活动语义缩小可行位置范围;3)通过使用基于距离的计算并结合模式特定速度(而非直接依赖报告时间),将估计框架推广到不同模式和混合模式出行。

论文发表在《Computers, Environment and Urban Systems》。该研究使用瑞典埃斯基尔斯蒂纳市(Eskilstuna)的交通调查数据(2021年Resvaneunders?kning,RVU)和OpenStreetMap交通网络,以及市政当局提供的1803个POI(经质量控制后保留1716个)。通过预计算距离矩阵(Dijkstra算法)和梯度下降优化参数,对576条缺失活动位置的出行链进行插补。结果表明,优化后的模式速度(小汽车33.6 km/h,高峰时段小汽车20.0 km/h,自行车18.3 km/h,步行6.0 km/h,模式共享因子0.077)在训练集上获得平均得分0.667,测试集上0.675(无显著差异,p值=0.72)。约80%的出行获得高置信度匹配(分数>0.8),9.2%出行得分低于0.6被排除。在0.96阈值下,约40%出行有0-10个高得分POI。计算效率方面,预计算路由时间31766.2秒,但每次推断仅0.32毫秒,传统TGDE每次约136.2秒,约在223个不完整出行后达到收支平衡,总计算时间降至38.7%。

**主要技术方法**
1. POI语义过滤:根据报告的活动类型,将候选位置限制在功能类型一致的POI子集,排除地理上可行但行为上不合理的备选方案。
2. 预计算距离矩阵:使用Dijkstra算法计算所有控制点(家/工作地点)与POI之间的最短网络距离,存储为矩阵,在每次缺失位置估计时直接查表,避免重复路由计算。
3. 梯度下降优化速度参数:基于完整通勤出行,以最大化真实性中间位置的平均得分,优化模式特定速度和模式共享因子。
4. 线性回归修正漏报出行:对因误解而将往返行程合并报告的低速出行,利用线性回归模型估计实际出行时间,从而完成出行链。样本来源于埃斯基尔斯蒂纳市交通调查。

**研究结果**
- **5.1 优化速度与效度检验**:通过将完整通勤出行中的已知中间位置作为“伪缺失”处理,应用TGDE评分程序,并利用梯度下降优化模式速度参数。优化在202条训练集上获得最大平均得分0.667,在52条测试集上获得0.675,p值=0.72表明无显著差异,验证了估计速度的泛化能力。但该验证仅涉及工作和家位置,且未测试排他性,其他POI也可能获得高分,且未涵盖真实缺失场景中可能存在的语义标签缺失或POI不可表示的情况。
- **5.2 分数分布与语义过滤**:分数分布显示约80%出行获得高于0.8的高置信度匹配,9.2%低于0.6被排除。通过引入语义过滤,显著减少了高潜力候选位置数量。在0.96阈值下,约40%出行有0-10个高得分POI,而传统TGDE可能产生大量候选。该阈值需根据具体案例调整。
- **5.3 预计算与计算效率**:预计算距离矩阵需一次路由调用(1,222,434次,31766.2秒),但每次出行推断仅0.32毫秒;传统TGDE无预处理,每次约136.2秒。在223个不完整出行后,POI方法总时间低于传统方法,总计算时间降至38.7%,显著提升可扩展性。

**讨论与结论**
讨论部分指出,该方法在方法学上相比传统TGDE的增强包括:引入POI作为潜在停止位置,减少计算段数,增加语义数据以细化选择标准;利用距离矩阵支持多模式速度调整,提高计算效率。实际应用中,该方法在无GPS数据时能利用交通调查中常见信息(时间、模式、活动)和POI数据重建缺失中间位置,支持下游分析(如活动目的地空间分布、非家基出行模式、建成环境分析),并为交通模型(如四步骤模型、活动导向模型)提供输入。局限性包括:验证仅基于完整通勤出行,未覆盖其他活动类型,且针对真实缺失场景可能表现不同;依赖POI数据可用性和代表性,低POI密度区域或分类不匹配时可能降低精度;当前方法按时空一致性排序,而非行为效用模型,可能未反映真实目的地选择过程。未来研究建议使用完整交通调查或GPS数据集进一步验证,并与替代方法(如隐马尔可夫模型)比较基线,以及探索替代候选选择策略(如考虑活动吸引力或旅行时间预算)。

**研究结论**:
本研究提出了一种基于POI的时间地理方法,为重建缺失中间位置提供了一种可解释的途径,利用了交通调查中通常可用的信息(如出行时间、方式和活动)以及POI数据。这使得在缺乏完整GPS轨迹的应用中增强出行链完整性成为一种实用选择,同时通过概率分数(或其区域汇总)保持结果的不确定性透明。将该方法应用于案例研究的结果表明,将时空约束与活动条件POI候选相结合,可以显著缩小合理中间位置的搜索空间,同时对于城市级调查数据集在计算上可行。该框架设计上具有可转移性,其关键参数可以通过标准化方式从数据中估计,支持适应新的研究区域。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号