一种集成互信息聚类与深度神经网络框架用于预测弹性工作制下的出行行为

《Multimodal Transportation》：An integrated mutual-information clustering and deep neural network framework for forecasting travel behaviour under flexible working arrangements

　　

弹性工作制（Flexible Working Arrangements，FWAs）允许工作者调整其日程与地点，主要用以支持工作与生活平衡，同时间接影响交通状况。然而，其对出行行为的影响仍无定论。部分研究认为其可减少交通拥堵与车辆行驶里程（Vehicle Miles Travelled，VMT），另一些研究则报告增加，可能源于工作者间潜在的行为差异。尽管已有聚类技术用于研究这些动态，但出行链（trip chaining）、高峰时段需求与VMT常被忽视，导致高估FWAs收益。此外，有限研究分析了不同水平FWAs下工作者行为转移。因此，本研究聚焦FWAs对出行行为及高峰拥堵的影响，考察FWAs作为出行需求管理（Travel Demand Management，TDM）策略的潜力。研究利用马来西亚大吉隆坡（Greater Kuala Lumpur）数据，应用互信息最大化聚类带随机效应（Mutual Information Maximisation Clustering with Random Effects，MIMC-RE）与深度神经网络（Deep Neural Network，DNN）。该集成预测框架识别潜在行为聚类并预测FWAs下出行行为，系该方法首次应用于出行行为分析，可探索FWAs与行为转移关系。结果显示FWAs异质影响源于工作者群体间潜在行为差异，强调运输规划中需考量这些模式。情景分析表明，向40%的固定时间非远程工作者提供弹性时间，可将24%的高峰居家工作出行转移至非高峰，单次出行时间减少33%，出行距离减少21%，同时增加公共交通使用。结果为制定TDM策略提供循证指导，以优化出行需求、缓解高峰拥堵，并支持后新冠疫情时代可持续运输规划。

研究背景方面，全球交通拥堵加剧源于出行需求管理（TDM）不足与高汽车依赖，其中固定时间非远程工作者（fixed-time non-teleworkers）的居家工作出行（HBW）是高峰拥堵核心驱动。现有FWAs研究多关注场所弹性而忽视向固定时间非远程工作者提供时间弹性的交通后果，且结论矛盾：部分显示降低VMT与拥堵，部分显示增加。既往聚类方法如潜类聚类分析（LCCA）与k-means存在线性假设或类别不确定等局限，且忽略出行链、目的地活动时长与后疫情VMT。研究人员由此提出集成互信息最大化聚类带随机效应（MIMC-RE）与深度神经网络（DNN）框架，以捕获非线性异质行为并预测不同时间弹性水平下固定时间非远程工作者的HBW出行转移，数据来源于2023年6月至7月马来西亚大吉隆坡地区1316名工作者3313条工作日出行的24小时出行日志调查（含人口学、职业、FWAs类型、出行模式、出行链等13个特征）。

关键技术方法上，研究人员采用MIMC-RE通过最大化数据X与聚类标签C的互信息I(X;C)=H(X)?H(X|C,R)识别潜在行为聚类，以轮廓系数与肘部法确定最优聚类数为3，并以Calinski-Harabasz与Davies-Bouldin指数验证；随后将聚类标签作为监督信号，构建含4个隐藏层、ReLU激活、Dropout与批量归一化的DNN（80%训练、20%测试，早停机制），预测固定时间非远程工作者在10%–60%时间弹性情景下的出发时间、出行距离、时间与模式转移；并以随机森林（RF）、支持向量机（SVM）、XGBoost等作基准对比。

研究结果部分，5.1 MIMC-RE结果显示分为三聚类：聚类1为18–30岁低学历青年私营/服务从业者，>50%具远程或弹性时间，依赖公交与非机动化，HBW仅占13.05%，对高峰贡献最小；聚类2为18–40岁文员、医护、制造等城市非远程固定时间者（79%非远程、6%弹性），HBW占43.23%，中位出发7:15、距离17.4 km、时长45 min、91%私车，是高峰拥堵主要源；聚类3为41岁以上博士教师群，半城市/农村居住，>50%弹性时间，HBW占32.58%，私车为主但距离适中。5.1.1聚类内特征差异经独立t检验与卡方验证显著（p<0.001），Spearman相关揭示各群年龄–收入–出行链异质关联。5.1.2 HBW联合分布显示聚类2高峰集中度最高。5.2 DNN结果中默认DNN准确率97.4%优于SVM(96.7%)与XGBoost(96.2%)，调优后测试准确率98.0%、聚类纯度0.78–0.89。5.3出行行为预测表明，对聚类2固定时间非远程者赋予40%弹性时间时，7:15出发比例由59%降至35%，24%移至8:00后，中位时间45降至30 min、距离17.4降至13.8 km，公交份额上升；超40%收益 plateau。

讨论部分指出，FWAs对出行无一致效应源于未观测行为异质，三聚类印证同职业群内反应分化；政策上针对聚类2式固定时间非远程者施行约40%弹性时间可降峰时HBW 24%、时距21%距21%，且须结合行业适配与雇主激励。上下文考量限定于大吉隆坡高私车依赖背景，通用性受公交效率与密度调节。局限含未纳返程、未控居住自选择、便利抽样偏倚。

结论部分翻译：本研究检视FWAs下塑造工作者出行行为的隐藏模式，为可持续运输规划提供洞见。通过集成MIMC-RE与DNN，成功识别潜在行为模式并预测时间弹性干预的出行响应。聚类分析揭示三组：聚类1为年轻弹性工作者，出行链高效且高峰贡献微；聚类2以固定时间非远程者为主，主导高峰拥堵；聚类3为年长半城市/农村工作者，出行时空适中。情景分析显示向40%固定时间非远程者提供弹性时间可将高峰HBW由59%降至35%，出行时间降33%，距离降21%，并提升公交使用。结果可为政策制定者设计靶向TDM策略以优化需求、降低VMT及将FWAs纳入运输规划提供行动指导，支持韧性高效系统与可持续城市。论文发表于《Multimodal Transportation》。