建模大多伦多和汉密尔顿地区学生的离校时间：基于Transformer的方法及其对交通政策的影响

《Research in Transportation Economics》：Modeling student departure times in The Greater Toronto and Hamilton Area: A Transformer-based approach with transportation policy implications

　　• 使用深度学习方法进行顺序出发时间预测。• 预测连续时间框架内的出发时间。• 在预测连续选择时采用令牌级预测方法。• 专注于大学生的出行行为。• 第一次旅行的出发时间会影响第二次旅行的出发时间。

引言
准确建模出发时间选择对于理解日常出行行为以及为城市交通、规划和政策提供信息至关重要。传统上，出发时间是通过离散选择模型（DCM）进行离散建模的。选择DCM主要是基于其微观经济学基础，这使得结果可以以福利度量（如消费者剩余、等值变化和补偿变化）来解释。这使得它们特别适用于政策分析和评估。然而，将DCM框架应用于出发时间选择引入了一个特定的结构挑战：出发时间本质上是连续的，而DCM的设计是通过在有限的选择集合中最大化效用来选择一个离散的选项。正如Habib等人（2009）指出的那样，将出发时间离散化为预定义的间隔（例如，早晨高峰、中午、晚上非高峰）会创建一个嵌套或相关的结构，因为旅行时间模型中的相邻时间段并不是独立的选项。因此，适当的时间离散化仍然是一个持续的挑战（Russo等人，2009）。同时，这种离散化导致行为洞察的显著损失，因为它将旅行者的连续决策过程限制在粗糙的分类区间内（Bhat和Koppelman，1999；Vovsha等人，2005）。为了解决这些问题，引入了先进的计量经济学方法，例如交叉嵌套Logit模型，以减轻相关性，但它们并没有解决在连续行为决策上强加离散结构这一根本问题。针对这一问题，Habib等人（2009）提出了一个结合离散和连续的模型，该模型在24小时预算约束下将出发时间视作连续时间尺度，并基于随机效用最大化（RUM）假设处理离散（模式）和连续（出发时间）组成部分。同样，本研究在此基础上，将出发时间视为连续结果，特别关注大学生在连续多次旅行中的精细到分钟的决策。

此外，出发时间通常是从活动调度过程中间接得出的，而不是在基于DCM的方法中被视为直接的行为决策（Arentze和Timmermans，2004；Castiglione等人，2015）。因此，这类模型难以捕捉个体对旅行时间变化、课程或工作计划以及拥堵问题的反应行为。此外，许多研究在旅行序列层面而不是整个旅行过程中对出发时间进行建模。它们假设一个出发时间能够充分代表一系列旅行（Jou等人，2008）。这些假设实际上简化了建模框架，但忽略了连续旅行之间的相互依赖性。将这些简化模型应用于预测大学生的出发时间选择会引入额外的挑战。大学生是一个表现出灵活且不典型日常日程的人群。他们的工作时间不固定，包括上课时间、教学或研究助理工作、兼职工作以及课外活动。与在职成人常见的家-工作-家行程不同，大学生的出行模式往往涉及非传统的活动顺序（即家-校园-办事-家或家-校园-工作-校园）。这些模式不符合标准的基于行程的假设（Hasnine & Habib，2020）。因此，使用离散化或行程级别的出发时间框架可能会限制准确捕捉学生群体出发时间预测变量之间复杂关系的能力，并可能导致对其出行行为的理解不完整。

近年来，机器学习（ML）和深度学习（DL）模型在序列建模方面显示出了巨大的潜力。诸如循环神经网络、长短期记忆、门控循环单元等模型已被有效用于预测旅行模式序列（Zhang等人，2025）以及个人出行研究中的下一站选择（Lv等人，2014）。与依赖效用系统组成部分参数化指定的DCM不同，ML和DL模型直接从数据中学习输入和输出之间的关系。因此，这些模型可以表示更复杂的关系，而无需分析师事先指定（Goodfellow等人，2016；LeCun等人，2015）。最近，基于Transformer的架构通过改进模型捕捉数据中的长期依赖性进一步推进了序列建模（Thundiyil等人，2023）。这些架构为建模复杂的时间模式提供了一种灵活的替代方案（Chughtai等人，2022；Vaswani等人，2017）。

本研究在方法论和实证方面都做出了贡献。方法论上的贡献在于将出发时间建模为连续且连续的决策，适用于多次旅行，这种方法比传统的离散出发时间选择模型更符合基于活动的建模框架。本研究不是依赖严格的效用规范，而是将出发时间视为连续结果，并模拟其在多次旅行序列中的相互依赖性。研究承认了深度学习框架的局限性，特别是在其微观经济学基础方面。与基于随机效用最大化（RUM）理论的DCM不同，后者产生行为可解释的参数和福利度量，而在这里应用的GRU、LSTM和Transformer模型是数据驱动的模型，并不运行在效用最大化框架内。这些模型是灵活的数据驱动方法，可以恢复像“大学生”这样出行行为独特的人群中的连续时间模式。

实证方面，本研究关注多伦多大区和汉密尔顿地区的大学生，这一群体的日常出行模式受到课程安排、兼职工作和出行限制的影响。即使学生的到达时间是固定的（例如，有安排的课程），他们的出发时间也不是固定的。他们仍然根据交通情况、旅行时间以及愿意承担的风险等因素决定出发时间。例如，两个上午9点上课的学生可能会分别在8:05和8:25离开，这取决于他们对准时到达的信心。这类微调发生在几分钟内，而不是离散的时间块中。将出发时间视为连续有助于捕捉这种行为，而在时间被划分为几个区间时可能会错过这种行为。通过研究他们的两次旅行（如家到校园和校园到工作），研究强调了单次旅行中的出发决策对下一次旅行决策的影响。这些见解可以帮助交通规划者和政策制定者设计更加符合学生需求的交通计划，例如改善首距离/末距离连通性和提高校园可访问性。此外，理解这些动态可以为旨在减少高峰时段拥堵和优化交通调度的政策提供有用的见解。

**文献综述**
研究人员使用了多种方法研究出发时间选择，如DCM、DDCM、博弈论模型。本节根据建模方法将现有的出发时间选择研究分为三个主要主题：（1）离散选择模型（DCM），（2）优化和博弈论模型，以及（3）深度学习方法。

**数据描述**
本研究使用了2019年秋季在多伦多大区和汉密尔顿地区（GTHA）进行的StudentMoveTO 2.0在线旅行调查的数据。出发时间是基于在线调查自报的，因此数据可能存在四舍五入或回忆偏差。尽管如此，该数据集与标准的旅行日记实践一致，并在总体层面上捕捉了现实的时间模式。调查包括了来自十所教育机构的大学生。

**方法论**
本研究中使用的五个模型具有不同的互补分析目的：
• Kuhn-Tucker（KT）模型：该模型通过在24小时的日常时间约束下最大化相关效用来预测出发时间。它提供了基于效用最大化的行为可解释参数，并便于与深度学习结果进行比较。
• 随机森林：该模型作为非连续的机器学习基准，为连续出发时间的预测提供了性能基线和深度学习方法的动机。

**在应用深度学习之前，我们使用随机森林（RF）回归构建了一个基线模型来预测第一次和第二次旅行的出发时间。我们选择RF作为基线是因为研究表明，由于其集成结构和抗过拟合能力，RF在连续变量预测任务中表现良好（Géron，2022）。
我们观察到，在我们的研究中，RF在预测第一次和第二次旅行的出发时间方面遇到了困难。对于第一次旅行，RF的均方误差（RMSE）为1.2小时，平均绝对百分比误差（MAPE）为10.36%。

**经济解释和政策含义**
KT的估计补充了SHAP分析所呈现的可解释性。结合这两个结果，本研究提供了经济解释和相应的政策建议。从经济角度来看，结果表明旅行时间和成本是塑造出发时间决策的主要因素。当旅行时间较长时，个体倾向于提前出发以避免错过课程或预约的风险。这反映了旅行时间的成本。

**使用Transformer架构推进出发时间建模**
所提出的Transformer模型的主要贡献在于它能够将出发时间建模为连续且连续的决策，同时捕获第一次和第二次旅行出发时间的完整分布（PDF和CDF）。它捕捉了全天出发时间分布的形状和范围。Transformer模型的关键架构优势在于其自注意力机制，该机制允许模型同时评估每个输入特征的相关性。

**结论和建议**
本研究通过在多次旅行中建模连续出发时间，填补了文献中的一个显著空白。它使用了三种深度学习模型（GRU、LSTM和Transformer），这些模型能够在不依赖限制性效用假设的情况下捕捉复杂的行为模式。这项工作的核心优势在于数据集本身。分析基于高分辨率的旅行日记数据StudentMoveTO 2.0。该数据报告了多次日常旅行的出发时间，以及详细的信息。

**作者贡献声明**
Nishat Naila Meghna：撰写——原始草稿、可视化、方法论、数据整理、概念化。
Tanmay Das：撰写——审阅与编辑。
Md Sami Hasnine：撰写——审阅与编辑、方法论、概念化。
所有作者都做出了平等的贡献。

**科学写作中关于生成式AI的声明**
在准备这项工作时，作者使用了Grammarly进行语法检查。使用该工具后，作者根据需要审阅和编辑了内容，并对发表文章的内容负全责。

**利益冲突声明**
作者声明没有已知的利益冲突或个人关系可能影响本文报告的工作。

**致谢**
作者感谢弗吉尼亚理工大学新教师启动基金和国家科学基金会（NSF）奖项#2200633的资助。

Nishat Naila Meghna | Tanmay Das | Md Sami Hasnine