多源数据在城市出行方式选择建模中的融合

可持续出行需求在城市地区尤为高涨。因此，预测人们何时会选择使用不同出行方式尤为重要，尤其是强调环保出行方式。由于出行方式选择（TMC）受到多种因素的影响，越来越多的案例中使用机器学习方法来预测给定受访者和旅程特征的出行方式选择。通常，使用旅行日记作为核心相关数据。然而，其他特征，如包括但不限于出行时间的模式替代属性，以及公共交通（PT）情况下的步行距离等，对决定人们是否使用感兴趣的出行方式具有重大影响。因此，本文提出了一个软件平台的体系结构，用于执行数据融合，将记录旅程的数据与总结这些旅程可用出行选项特征、建筑环境和可能影响出行方式决定的环境因素（如天气条件）计算得到的特征相结合。此外，我们提出了各种新特征，其中许多特征被证明是TMC预测中最重要的特征之一。我们提出了如何使用流处理引擎和其他大数据系统来计算这些特征。平台处理的数据用于开发预测出行方式选择的机器学习模型。为验证该平台，我们提出了各种消失实验，探讨了由平台计算的各个特征子集的重要性以及它们对使用这些特征构建的TMC模型的影响。在我们的实验中，我们组合了调查数据、GPS轨迹、天气和污染时间序列、交通模型数据以及建筑环境的空间数据。使用额外特征构建的TMC模型准确率提升最高可达18.2%。