交通起讫矩阵的贝叶斯推断：Poisson-inverse Gaussian及其他Poisson混合模型
统计方法学
2020-11-13 v1 应用统计
摘要
本文提出用于交通分析中起讫（OD）建模的Poisson混合方法。我们引入基于协变量的模型，其融合了不同的交通建模阶段，并允许基于贝叶斯预测对路段交通量进行直接概率推断。重点置于Poisson-inverse Gaussian模型，作为常用Poisson-gamma与Poisson-lognormal模型的替代。我们给出了首个完整的贝叶斯表述，并证明Poisson-inverse Gaussian因其良好的边际与层次性质尤其适用于OD分析。此外，将集成嵌套拉普拉斯近似（INLA）作为马尔可夫链蒙特卡罗（MCMC）的替代方法，并在特定建模假设下比较这两种方法。案例研究基于2001年比利时人口普查数据，聚焦于一个包含308个弗拉芒市镇出行信息的大型、稀疏分布OD矩阵。
引用
@article{arxiv.2011.06045,
title = {Bayesian inference for transportation origin-destination matrices: the Poisson-inverse Gaussian and other Poisson mixtures},
author = {Konstantinos Perrakis and Dimitris Karlis and Mario Cools and Davy Janssens},
journal= {arXiv preprint arXiv:2011.06045},
year = {2020}
}