群体效应增强的生成对抗模仿学习用于激励下的个体出行行为建模
机器学习
2025-09-09 v1
摘要
理解并建模个体出行行为响应对于城市交通调控和政策评估至关重要。马尔可夫决策过程（MDP）为个体层面的动态出行行为建模提供了一个结构化框架。然而，在此背景下求解 MDP 是高度数据密集型的，并面临数据量、时空覆盖和情境多样性等挑战。为解决这些问题，我们提出了一种群体效应增强的生成对抗模仿学习（gcGAIL）模型，该模型通过利用乘客群体间共享的行为模式来提高个体行为建模效率。我们使用一个公共交通票价折扣案例研究验证了 gcGAIL 模型，并将其与最先进的基准方法进行了比较，包括对抗性逆向强化学习（AIRL）、基线 GAIL 和条件 GAIL。实验结果表明，gcGAIL 在学习个体出行行为对激励措施随时间变化的响应方面，于准确性、泛化能力和模式展示效率上均优于这些方法。值得注意的是，gcGAIL 对空间变化、数据稀疏性和行为多样性具有鲁棒性，即使在部分专家演示和代表性不足的乘客群体下也能保持强劲性能。gcGAIL 模型能预测任何时刻的个体行为响应，为个性化激励以诱导可持续的行为改变（更优的激励注入时机）提供了基础。
引用
@article{arxiv.2509.06656,
title = {Group Effect Enhanced Generative Adversarial Imitation Learning for Individual Travel Behavior Modeling under Incentives},
author = {Yuanyuan Wu and Zhenlin Qin and Leizhen Wang and Xiaolei Ma and Zhenliang Ma},
journal= {arXiv preprint arXiv:2509.06656},
year = {2025}
}