论文部分内容阅读
研究城市内部人们的出行活动对于分析人类活动行为、理解城市内部社会经济结构、改进公共交通、辅助城市规划设计、进一步推进智慧城市的建设具备很强的实际意义。经典的研究人类出行活动模型如重力模型、辐射模型等为分析该问题提供了很好的思路。但是由于人类出行活动是一种复杂行为集合，利用建立统一模型来描述不可避免的会丢失时空异质信息，难以对特定城市、特定区域和人群的出行行为进行较为精确的刻画。
近年来，智能交通系统每日生成的海量的公交智能刷卡数据、滴滴等出行平台记录的轨迹活动数据等，包含着大量的交通乘客的出行信息，为分析研究人类出行活动提供了坚实的数据基础，因此从数据驱动的角度进行人们出行活动的表达建模成为研究热点，也取得了一定的进展。常用的学习模型包括自编码器、Seq2Seq模型、生成对抗网络等。由此思路出发，为了更好地刻画人们的公交出行行为，本文基于海量的公交智能刷卡数据，面向公共交通出行行为，总结分析了人类出行行为的经典统计模型和相关数据驱动的深度学习模型及应用，提出了一种基于生成对抗网络的公交乘客个体画像分析方法，构建面向特定乘客、特定时空的出行表示，本文主要的研究内容包括：
(1)基于海量智能刷卡数据、城市路网数据、公交车GPS等多源数据进行乘客出行链的恢复重建。并基于空间、时间、语义信息等方面进行乘客出行链的特征建模；
(2)从公交乘客的个体角度出发进行乘客出行表示，面向公交乘客进行出行行为的紧凑矢量表达。考虑乘客出行的个性化特征和共性化特征，基于乘客的出行链信息，通过在经典关联规则算法Apriori算法中添加入时空约束条件，改进此算法进行个体出行显著活动的提取，即表示个体出行的个性化特征。基于乘客公交出行行为规律性的特点，通过设置的时空软约束条件进行筛查，提取针对于某乘客的相似出行活动群体，即表示了个体出行的共性化特征；同时基于公交出行轨迹点较为稀疏的特点，设计了基于地区流量热度限制、区域范围限制等依据进行递归分割研究区域的地理格网，基于此地理格网将出行行为矢量化并提取构建为出行转移概率矢量；
(3)设计了一个基于生成对抗网络的乘客出行行为表示深度学习模型。该模型的生成器由一个为了提取乘客出行链高层次紧凑表达的自编码器，和一个经过预训练的、为了增强生成对抗网络训练稳定程度和在个性化表示特征中加入共性化特征的子生成器组成。以个体显著行为表达矢量作为模型真值与设计的生成器产生的假值进行对抗博弈训练，来拟合乘客出行的真实分布信息。最后以自编码器所提取的高层次紧凑表示矢量作为乘客出行行为的紧凑时空表达；
(4)利用深圳市作为具体研究区域，基于深圳市公交地铁智能刷卡数据、深圳路网数据、深圳市公交GPS等数据开展实验。根据模型得到的表达结果聚类分析深圳市居民的公交出行行为；并将其作为新特征应用于下游应用如估计最常去出行活动范围等。
本文基于数据驱动的角度，针对公交乘客的个体出行行为进行表示，表示结果对于进行人们出行行为的研究分析、理解城市内部社会经济结构、辅助智慧城市建设具备一定的参考价值。
近年来，智能交通系统每日生成的海量的公交智能刷卡数据、滴滴等出行平台记录的轨迹活动数据等，包含着大量的交通乘客的出行信息，为分析研究人类出行活动提供了坚实的数据基础，因此从数据驱动的角度进行人们出行活动的表达建模成为研究热点，也取得了一定的进展。常用的学习模型包括自编码器、Seq2Seq模型、生成对抗网络等。由此思路出发，为了更好地刻画人们的公交出行行为，本文基于海量的公交智能刷卡数据，面向公共交通出行行为，总结分析了人类出行行为的经典统计模型和相关数据驱动的深度学习模型及应用，提出了一种基于生成对抗网络的公交乘客个体画像分析方法，构建面向特定乘客、特定时空的出行表示，本文主要的研究内容包括：
(1)基于海量智能刷卡数据、城市路网数据、公交车GPS等多源数据进行乘客出行链的恢复重建。并基于空间、时间、语义信息等方面进行乘客出行链的特征建模；
(2)从公交乘客的个体角度出发进行乘客出行表示，面向公交乘客进行出行行为的紧凑矢量表达。考虑乘客出行的个性化特征和共性化特征，基于乘客的出行链信息，通过在经典关联规则算法Apriori算法中添加入时空约束条件，改进此算法进行个体出行显著活动的提取，即表示个体出行的个性化特征。基于乘客公交出行行为规律性的特点，通过设置的时空软约束条件进行筛查，提取针对于某乘客的相似出行活动群体，即表示了个体出行的共性化特征；同时基于公交出行轨迹点较为稀疏的特点，设计了基于地区流量热度限制、区域范围限制等依据进行递归分割研究区域的地理格网，基于此地理格网将出行行为矢量化并提取构建为出行转移概率矢量；
(3)设计了一个基于生成对抗网络的乘客出行行为表示深度学习模型。该模型的生成器由一个为了提取乘客出行链高层次紧凑表达的自编码器，和一个经过预训练的、为了增强生成对抗网络训练稳定程度和在个性化表示特征中加入共性化特征的子生成器组成。以个体显著行为表达矢量作为模型真值与设计的生成器产生的假值进行对抗博弈训练，来拟合乘客出行的真实分布信息。最后以自编码器所提取的高层次紧凑表示矢量作为乘客出行行为的紧凑时空表达；
(4)利用深圳市作为具体研究区域，基于深圳市公交地铁智能刷卡数据、深圳路网数据、深圳市公交GPS等数据开展实验。根据模型得到的表达结果聚类分析深圳市居民的公交出行行为；并将其作为新特征应用于下游应用如估计最常去出行活动范围等。
本文基于数据驱动的角度，针对公交乘客的个体出行行为进行表示，表示结果对于进行人们出行行为的研究分析、理解城市内部社会经济结构、辅助智慧城市建设具备一定的参考价值。