[发明专利]一种基于规则的个体活动-出行行为决策协同建模方法

说明书

本发明提供了一种基于规则的个体活动‑出行行为决策协同建模方法。通过居民个体及家庭出行调查获取居民出行数据，构建完整的全日活动链；采用聚类分析方法提取典型全日活动链和活动模式；根据活动链的主要特征指标，定义并分解活动‑出行行为决策单元；利用集成学习算法建立各决策单元的启发式决策规则，提取互为条件变量和决策变量的决策单元；根据互联决策变量之间的相互影响程度，结合个体、家庭等潜在因素，构建互联决策单元协同选择模型；利用循环迭代算法和人工智能搜索算法，综合考虑各类约束条件，确定个体活动‑出行的协同决策规则。

技术领域

本发明属于交通需求预测技术领域，尤其涉及一种基于规则的个体活动-出行行为决策协同建模方法。

背景技术

随着进入精细交通管理的时代，交通规划理念逐步从中长期的交通设施建设向短期交通系统管理与控制转变，以“四阶段法”为代表的传统基于出行的交通需求分析理论与方法已越来越难以满足实际需要。基于活动的交通需求预测模型(简称活动模型)以人们的全日活动链作为基本分析单元来模拟个人的出行选择行为，从而对交通需求进行预测，是近年来交通需求分析和预测方法研究的重点。其中，基于规则的活动模型以人们从事活动的潜在决策过程为基础对出行需求进行预测。它将居民全日的活动-出行计划定义为一个由一系列决策单元组成的过程，如活动类型、出发时间、出行方式等。对这些决策问题的合理选择是准确再现每个人的活动-出行链，进而有效预测交通需求的关键。然而，作为活动-出行链的每一个关键环节，各个决策单元之间存在千丝万缕的联系。譬如，居民通勤出行的出发时间直接影响其出行方式的选择，同时，不同的出行方式选择又在一定程度上影响其可能的出发时间。因此，决策单元之间的逻辑关系和组织架构直接影响着决策规则条件变量的选取，也关系着模型预测的精度。

目前国内外学者多以随机效用理论为基础，利用多项Logit、Nested Logit等离散选择模型和持续时间模型等构建联合选择模型或集成选择模型，然而，以随机效用最大化为基础的假设很多时候与个体实际行为并不相符；另一方面，在国内外已有的基于规则的活动模型中，对多个决策单元联合建模的研究还比较有限，各决策单元的建模顺序存在很大的主观性，缺乏从整体框架体系的层面研究各决策单元的关联关系，并以此为基础开展个体活动-出行行为决策协同建模的理论与方法研究。

发明内容

为了解决以上问题，本发明公开一种基于规则的个体活动-出行行为决策协同建模方法。本发明以居民出行数据为基础构建个体全日活动链，根据活动链的主要特征指标，定义并分解活动-出行行为决策单元，利用集成学习算法建立各决策单元的启发式决策规则，提取互为条件变量和决策变量的决策单元，构建互联决策单元协同选择模型，并利用循环迭代算法和人工智能搜索算法，确定个体活动-出行的协同决策规则，以提高活动模型预测交通需求的准确性和可靠性。为达到此目的，本发明提供一种基于规则的个体活动-出行行为决策协同建模方法，包括以下步骤：

(1)数据采集：进行居民个体及家庭出行调查，收集居民全日出行数据；

(2)数据初步筛选：利用上述步骤(1)采集的出行数据，将出行者一整天参与的各种活动以信息链的形式串联起来，构成完整的全日活动链；利用聚类分析方法提取典型的全日活动链和活动模式；

(3)决策单元生成：统计全日活动链和活动模式的特征指标，将全日活动链进行分解，将每一个关键环节定义为一个决策单元，包括活动类型、出发时间、出发地点、活动目的地、到达时间、持续时间、出行方式等；

(4)活动-出行行为决策规则建立：基于居民个人、家庭、地理区域以及交通网络等属性的特征分布，利用随机森林等集成学习算法建立各决策单元的启发式决策规则，挖掘影响每个决策单元的条件变量，分析各条件变量对相应决策变量的影响程度；