基于移动设备位置数据的多模式出行需求模式估计数据驱动分析框架

智能手机及其基于位置的服务在以诸多方式造福人们日常生活的同时，也正在生成海量移动设备位置数据，这些数据极有潜力帮助我们理解出行需求模式并为未来交通规划提供依据。尽管近期研究已利用此类新数据源分析人类出行行为，但从中提取多模式出行需求模式的研究仍很有限。本文提出一个数据驱动的分析框架以弥补这一缺口。为能利用被动采集的位置信息成功检测出行方式，我们开展了一项基于智能手机的 GPS 调查以收集真实观测值。随后开发了联合训练的单层模型与深度神经网络用于出行方式填补。该模型同时具备“宽”与“深”的特性，结合了两类模型的优势。该框架还纳入了多模式交通网络，以评估出行路线与附近铁路、地铁、高速公路及公交线路的接近程度，从而提升填补精度。为展示所引入框架在回应现实规划需求中的应用，我们对另一份移动设备位置数据通过出行端点识别与属性生成进行处理，使出行方式填补可直接应用。估计所得的多模式出行需求模式随后与华盛顿特区和巴尔的摩大都市区同期的典型家庭出行调查进行了验证。