《Multimodal Transportation》：BTrip-NN: A Utility-Informed Spatial Graph Neural Network for Home-Based Basic Trip-Chain Prediction
编辑推荐：
家居基础出行链预测联合刻画出行目的、目的地、时间和出行方式，是出行行为建模和细粒度需求分析的基础。现有模型通常关注单一任务或并行多任务输出，但对高基数交通分析区（TAZ）目的地候选生成、链式任务传播和深度模型中的效用语义支持有限。本研究提出基础出行神经网络（B
家居基础出行链预测联合刻画出行目的、目的地、时间和出行方式，是出行行为建模和细粒度需求分析的基础。现有模型通常关注单一任务或并行多任务输出，但对高基数交通分析区（TAZ）目的地候选生成、链式任务传播和深度模型中的效用语义支持有限。本研究提出基础出行神经网络（BTrip-NN）来预测出行目的、目的地TAZ、出发和到达时间段以及主要和次要出行方式。该模型采用目的→目的地→时间→模式级联结构，通过混合注意力图卷积网络（HA-GCN）学习TAZ空间嵌入，并通过动态参数效用层保留效用-概率语义。研究人员使用重庆市中心城区的家庭出行调查数据，在1,604个目的地TAZ上评估模型。BTrip-NN的目的地前10覆盖率达到0.44。在预测阶段纳入观测到的固定工作地点和学校位置先验后，锚点感知前10覆盖率升至0.88。动态参数效用层带来10.37%的前10增益，自助法95%置信区间（CI）为[0.09, 0.11]。与多项逻辑模型（MNL）、基于树的模型、图卷积网络（GCN）、图注意力网络（GAT）、序列模型和标准多任务网络相比，BTrip-NN在目的地候选覆盖率和非空间任务的平衡识别方面表现更稳定。结果表明，级联任务传播、空间图表示和动态效用调整有助于改善TAZ级基础出行链预测中的目的地候选覆盖率和多任务识别。
**论文解读：BTrip-NN——一种面向家居基础出行链预测的效用信息空间图神经网络**
**研究背景与问题**
城市出行需求预测正从宏观的起讫点（OD）流量向个体出行行为精细描述转变。在交通分析区（TAZ）级需求初始化与规划分析中，模型需同时识别出行目的、目的地、时间与方式。这些要素构成家居基础出行链（即从家出发到当天主要非家活动的一次出行链），该链是出行行为建模与细粒度需求分析的基础单元。然而，现有模型存在以下问题：多聚焦于单任务或并行多任务输出，缺乏对目的→目的地→时间→方式这一行为链式条件传播的建模；高基数TAZ目的地候选生成困难，传统多项逻辑模型（MNL）在数千个候选区中扩展成本高；深度模型难以保留效用语义，使得预测结果与行为解释脱节。为此，研究者提出BTrip-NN，以同时预测出行目的、目的地TAZ、出发/到达时段及主要/次要方式，并提升目的地候选覆盖率与非空间任务的平衡识别能力。论文发表在《Multimodal Transportation》。
**研究内容与结论**
研究者采用重庆市中心城区2019年家庭出行调查数据（41,166条样本，1,604个目的地TAZ），构建并评估了BTrip-NN。模型通过级联概率传播、空间图表示与动态效用调整，实现了多任务联合预测。主要结论包括：模型输出目的地前10覆盖率达0.44，结合固定工作/学校地点先验后锚点感知前10覆盖率升至0.88；动态参数效用层带来10.37%的目的地前10增益（95% CI [0.09, 0.11]）；与MNL、随机森林、图卷积网络（GCN）、图注意力网络（GAT）、序列模型及标准多任务网络相比，BTrip-NN在目的地候选覆盖和非空间任务（目的、时段、方式）的平衡识别上表现更稳定。研究证实，级联任务传播、空间图表示与动态效用调整能有效改善TAZ级基础出行链预测性能。
**主要关键技术方法**
BTrip-NN采用以下关键技术：① **级联任务结构**：按目的→目的地→时间→方式顺序进行概率传播，上游任务输出作为下游任务的软条件先验。② **混合注意力图卷积网络（HA-GCN）**：基于TAZ质心距离构建K近邻图（K=40），结合高斯距离衰减与多头注意力机制，学习TAZ空间嵌入，用于目的地候选排序。③ **动态参数效用层**：在神经网络末端保留效用-概率数学形式，根据样本属性、空间上下文与出行链状态动态调整效用系数，实现样本级候选重排序。④ **类别平衡损失**：对时间与方式任务采用加权交叉熵，缓解长尾类别主导问题。数据来源为重庆市中心城区家庭出行调查。
**研究结果**
**5.1 整体多任务性能** 训练收敛稳定，测试集上出行目的准确率0.87、加权F1 0.84、宏F1 0.53；出发/到达时段准确率0.72/0.76；主要方式准确率0.85（宏F1 0.25，因无换乘类主导）；目的地前10覆盖率0.44，锚点感知后升至0.88；空间误差分析显示，前10候选集内最近候选区中位距离从2.87 km（前1）降至0.46 km（前10），有效缩小搜索范围。
**5.2 目的地排序与多任务模型比较** 与12个基线模型对比，BTrip-NN在目的地前10覆盖（0.44）与非空间任务宏F1均值（0.38）上处于右上角，平均排名1.67，优于随机森林（3.67）、MNL（4.00）和标准多任务网络（4.33）。GCN/GAT因缺乏链式传播与动态效用，表现较弱。
**5.3 结构消融与模块效应** 移除动态参数效用层导致目的地前10覆盖下降10.37%、MRR下降7.46%；移除HA-GCN导致前10覆盖下降约2%；移除类别平衡损失导致时间/方式宏F1下降5-9%。三模块作用分化：动态效用层主要改善候选重排序，HA-GCN提供空间语义补充，类别平衡提升长尾类别识别。
**5.4 样本级动态效用排序机制** 动态参数效用层使前10覆盖从0.34升至0.44，15.57%的样本从外部进入前10（净增益10.37%），增益集中在学校（+0.33）、休闲购物（+0.14）及其他杂事（+0.13）。典型案例分析显示，动效用调整可提升低支持度候选区的排名，如学校用地TAZ从>10升至第1。
**5.5 目的地空间异质性与空间表示诊断** HA-GCN注意力邻居比距离邻居更远（平均3.29 km vs 1.35 km），且具有较高主导功能一致性（0.85）。按目的分组：学校/休闲购物前10命中率0.74/0.66，工作仅0.32；按时段：早高峰样本规模大（6,584）但命中率0.43，午间/晚高峰更高；按方式：步行前10命中率0.72，汽车/轨道交通仅0.23/0.22，反映出行方式与空间可达性的耦合。
**5.6 时间与出行方式任务诊断** 出发/到达时段呈显著早高峰结构，非高峰时段预测易被主峰吸收。次要方式中，无换乘类召回率90.7%，真实换乘样本召回率仅27.2%，因缺乏线路、站点等供给变量。主要方式结构随目的和时段变化，模型大致保留公交/汽车/步行混合模式，但某些柔性时段低估步行。
**5.7 自助法鲁棒性检验** 动态参数效用层的前10增益95% CI [0.09, 0.11]，HA-GCN增益95% CI [0.01, 0.02]，类别平衡对时间/方式宏F1增益95% CI [0.06, 0.08]，固定地点先验对适用样本的锚点前10增益95% CI [0.56, 0.58]，所有增益正向稳定。
**总结讨论与结论**
本研究表明，BTrip-NN通过级联任务传播、空间图表示与动态效用调整，实现了TAZ级基础出行链的稳定多任务预测。目的、目的地、时间与方式的级联结构反映了行为决策顺序，目的地候选集可缩小至10个候选区（覆盖44%），结合固定地点先验后覆盖率达88%。动态参数效用层通过样本级效用重排序提升近边界候选命中率，HA-GCN通过空间语义补充稳定表示。类别平衡损失改善长尾类别识别，外部先验改善通勤/学生出行覆盖。研究局限性包括：汽车/轨道交通目的地覆盖较低，换乘识别依赖供给变量；未覆盖多停站、非家居链等复杂出行链。未来可引入多关系空间图、道路网络及公交线路数据，以提升跨区机动化出行与换乘模式预测，并扩展至全日活动链预测。
