利用逆向强化学习从共享单车轨迹与街景图像中发现骑行者的视觉偏好

骑行因其健康益处和积极的城市影响而在全球范围内获得了普及。为了有效促进骑行，早期的研究广泛调查了骑行行为与环境因素之间的关系，特别是骑行者在做出路线决策时的偏好。然而，由于数据限制，这些研究往往难以在大范围内全面描述详细的骑行过程，并且它们倾向于忽略骑行者偏好的复杂性质。为了解决这些问题，我们提出了一个新颖的框架，旨在通过利用最大熵深度逆向强化学习（MEDIRL）和可解释人工智能（XAI）来量化和解释骑行者复杂的视觉偏好。在深圳坂田街道实施，我们通过整合无桩共享单车（DBS）轨迹和街景图像（SVIs），调整MEDIRL模型以高效估计骑行奖励函数，这代表了骑行者在路线规划期间对街道视觉环境的偏好。此外，我们证明了MEDIRL在发现骑行者视觉偏好方面的可行性和可靠性。我们发现骑行者在做出路线决策时关注特定的街道视觉元素，这可以总结为他们对安全、街道围合度和骑行舒适度的关注。进一步分析揭示了街道视觉元素对骑行者偏好的复杂非线性影响，为街道景观设计提供了具有成本效益的视角。我们提出的框架推进了对个体骑行行为的理解，并为城市规划者设计优先考虑骑行者偏好的自行车友好型街道景观提供了可操作的见解。