增强多源数据中人口合成的多样性与可行性：基于生成对抗网络的联合方法

生成逼真的合成人口对于交通和城市规划中的基于智能体的模型（ABM）至关重要。当前方法面临两个主要局限：其一，许多方法依赖单一数据集或遵循顺序的数据融合与生成流程，无法捕捉特征之间复杂的相互作用；其二，这些方法在抽样零值（有效但未观察到的属性组合）和结构零值（由于逻辑约束导致的不可行组合）方面困难，导致生成数据的多样性和可行性降低。本研究提出了一种新方法，通过使用带梯度惩罚的 Wasserstein 生成对抗网络（WGAN）同时集成和合成多源数据集。该联合学习方法通过为生成器损失函数定义一个正则化项（反梯度惩罚），显著提高了合成数据的多样性和可行性。为评估，本文实现了统一的相似性评估指标，特别强调通过召回率、精确率和 F1 分数衡量多样性和可行性。结果表明，所提出的联合方法优于顺序基线，召回率提升 7%，精确率提升 15%。此外，正则化项进一步提高了多样性和可行性，召回率提升 10%，精确率提升 1%。我们使用五维度评估指标衡量相似度分布。联合方法总体性能更佳，达到 88.1 分，高于顺序方法的 84.6 分。由于合成人口是 ABM 的关键输入，本研究的多源生成方法有望显著提升 ABM 的准确性和可靠性。