从通勤者特征出行矩阵推断乘客类型

充分了解通勤人群的人口统计学特征对于制定和实施更有针对性的交通政策至关重要，因为通勤者表现出不同的出行方式。随着自动收费系统（Automated Fare Collection system, AFC）的出现，探测通勤者的出行模式变得侵入性更小且更易获取。因此，许多与人类移动性相关的交通研究表明，这些观测到的模式允许人们将个体与一天中特定时间的地点和/或活动配对。然而，使用出行特征对通勤者进行分类仍有待深入研究。在此，我们通过展示一种基于从智能收费卡系统获取的三个月出行模式来刻画乘客类型（成人、儿童/学生和老年人）的程序，为相关文献做出了贡献。我们首先建立了一种构建不同通勤者矩阵的方法，我们将其称为特征出行矩阵，以捕捉个体的特征出行规律。基于特征出行矩阵，我们构建了预测出行乘客类型的分类模型。在所探索的模型中，梯度提升方法（Gradient Boosting Method, GBM）给出了最佳的预测准确率 76%，相较于比例机会准则所要求的最低模型准确率（41%）提高了 84%。此外，我们发现工作日生成的出行特征比周末的具有更强的预测能力。这项工作不仅对交通规划者有用，对市场研究人员也很有用。了解哪种类型的通勤者正在出行后，广告、服务公告和调查等可以在时空上更具针对性。最后，我们的框架应能有效地创建合成人群，用于涉及大都市公共交通系统的真实世界模拟。