基于贝叶斯层次模型的客流路径在城市轨道交通网络中的 trip 分配

使用自动票务收集（AFC）数据将客流分配到具体网络路径是城市轨道交通分析中的一个基本应用。该任务是一个困难的逆问题：唯一可用的信息是每位乘客的总旅行时间及其起点和终点，而个体乘客路径选择和动态网络成本是不可观测的，行为在空间和时间上差异很大。我们提出一种新型贝叶斯层次模型，通过联合估计动态网络成本和乘客路径选择，同时量化其不确定性来解决此问题。我们的模型将 trip 旅行时间分解为四个组成部分——进入、车内、换乘和离站—each 组成部分均建模为随时间变化的随机漫步。为捕捉异构的乘客行为，我们引入一个具有时空可变系数的多项逻辑比 logit 模型。我们使用具有高斯过程先验的核化张量分解来管理这些系数的高维度，从而有效地建模复杂的时空相关性。我们开发了针用于模型推断的量身定制且高效的马尔可夫链蒙特卡罗（MCMC）算法。仿真研究表明该方法在恢复基本模型参数方面效果良好。在来自香港大型轨道交通铁路的大规模数据集上，我们的框架在 established benchmarks 上实现了优异的估计精度。结果揭示了乘客偏好在时空上的显著变化，并提供了稳健的不确定性定量化，为铁路运营者提供了一个强大的工具，用于提升服务规划和运营管理。