[发明专利]一种面向大型活动的动态交通出行需求预测方法

说明书

本发明提供一种面向大型活动的动态交通出行需求预测方法，包括以下步骤：数据准备，包括大型活动期间不同活动地点移动性变化数据集，平日居民交通出行活动链链数据集；采用基于计算图的多项式logit模型进行大型活动前出行活动链基线效用的学习；基于效用函数定义活动地点偏好变化参数，通过建立动态交通出行活动链选择算法，将出行地点的移动性变化需求映射至出行活动链选择变化；建立长短时记忆网络对活动地点的移动性预测，进一步对交通出行活动链选择进行预测。本发明能够有效地融合微观和宏观层面的数据源，保持个体活动参与情况和聚集移动性变化的一致性，且可以广泛应用在不同地区，得到合理、准确的动态交通出行链预测结果。

技术领域

本发明属于交通需求评估与预测领域，具体的说，是一种基于可解释机器学习模型的面向大型活动的动态交通出行需求预测方法。

背景技术

居民出行活动行为的变化反映在出行目的、出行模式和出行频率等方面，呈现出复杂的时空变化模式。在此情况下，需挖掘大型活动人群出行偏好，解析大型活动出行群体的活动规律和主、次要影响因素及其组合作用机制，挖掘大型活动群体出行活动模式和出行行为机理，分析多种状态下大型活动人群出行活动选择及偏好选择模型。本发明希望借助共享数据集，构建大型活动期间居民交通出行活动链的学习和计算框架，预测居民动态交通出行活动链选择情况，从而帮助交通管理部门深入理解出行行为的内在特征，在大型活动会期间对交通管理决策提出预见性指导。

此外，学习多天的居民活动参与行为本身是一项具有挑战性的工作。一方面是受到各方面资源及隐私限制，缺乏大型活动期间多天的居民出行调查样本，传统的以调查数据为基础的居民行为变化规律分析方法难以拓展到多天交通出行活动链模式变化的分析中。另一方面，由于居民出行行为呈现复杂的时间和空间变化模式，需要建立准确的时空模式学习机制。因此，本发明建立了一种新型基于效用最大化的具有可解释性的动态交通出行活动链选择算法，无需多天调查样本，借助大型活动区间不同活动地点的多日聚集移动性变化和大型活动前基准的居民出行调查数据，能够有效捕捉活动参与行为和移动需求模式之间的时空相关性。

发明内容

为了达到上述目的，本发明提供一种面向大型活动的动态交通出行需求预测方法，实现在大型活动期间居民出行活动模式变化和动态演化分析，主要包括：数据准备，包括收集多日不同活动地点聚合移动性变化数据集，基于大型活动前居民出行数据集提取交通出行链数据集；采用基于计算图的多项式分类评定模型（多项式logit模型）进行大型活动前出行活动链基线效用的学习；基于效用函数定义活动地点偏好变化参数，通过建立动态交通出行活动链选择算法，将出行地点的移动性变化需求映射至出行活动链选择变化；建立长短时记忆网络对活动地点的移动性预测，进一步对出行活动链选择进行预测。本发明在大型活动期间能够实现居民动态交通出行需求的预测，通过一种可解释机器学习方法能够对不同地区居民出行计划、交通管理和其他政策决策任务做出指导，具有积极意义。

本发明采用以下技术方案，一种面向大型活动的动态交通出行需求预测方法，包括以下步骤：

S1，数据准备，所述数据包括大型活动期间不同活动地点移动性变化数据集、平日居民交通出行活动链数据集、包含大型活动日程的外部数据集；

S2，将所述平日居民交通出行活动链数据集作为离散选择项，建立基于效用最大化理论的多项式logit模型；

S3，构建可解释的计算图对多项式logit模型的参数求解，得到平日居民交通出行活动的基线参数，所述基线参数包括居民对不同活动地点的偏好参数以及对不同交通出行活动链的偏好参数；

S4，基于所述多项式logit模型中的效用函数以及所述基线参数，定义活动地点偏好变化参数，构建大型活动期间的动态交通出行活动链选择算法；

S5，搭建长短时记忆网络，以所述步骤S1中大型活动期间不同活动地点移动性变化数据集为训练集进行训练，利用训练后的长短时记忆网络对未来大型活动期间居民交通出行活动链的动态变化进行预测；