基于Copula的可迁移模型用于合成群体生成

群体合成涉及生成目标微观主体群体的合成但真实的表示，用于行为建模和模拟。传统方法通常依赖于目标群体样本，如人口普查数据或出行调查，但由于成本高和样本量小，尤其是在较小的地理尺度上，面临局限性。我们提出了一个基于copula的新颖框架，用于为仅已知经验边缘分布的目标群体生成合成数据。该方法利用来自具有相似边缘依赖关系的不同群体的样本，将空间成分引入群体合成，并考虑各种信息源以实现更真实的生成。具体而言，该过程包括对数据进行归一化并将其视为给定copula的实现，然后训练一个生成模型，再纳入目标群体边缘分布的信息。利用美国社区调查数据，我们通过标准化均方根误差和所谓的抽样零值来评估我们框架的性能。我们重点关注其将一个群体上学习的模型迁移到另一个群体的能力。我们的实验包括同一地理级别区域间的迁移测试以及向更低地理级别的迁移测试，从而评估该框架在不同空间环境中的适应性。我们比较了贝叶斯网络、变分自编码器和生成对抗网络，包括它们单独使用以及与我们的copula框架结合使用的情况。结果表明，copula增强了机器学习方法在匹配参考数据边缘分布方面的能力。此外，在可迁移性实验中，它在标准化均方根误差方面始终优于迭代比例拟合，同时引入了原始训练样本中未发现的独特观测值。