日常交通动力学的统计推断
最优化与控制
2026-05-05 v1 统计理论
统计理论
摘要
日常交通动力学因旅客的学习和调整行为而广泛用于建模流演变，但这些模型的经验分析往往依赖于有限推理内容的描述性校准。本文发展了一个基于随机 individual-level adjustment model 的日常路线选择动力学的统计推断框架。该框架从轨迹数据中为行为参数生成不确定性量化和正式推断。我们在温和条件下建立了可识别性和一致性，并将框架扩展以容纳需求变动、通过层次结构表现的用户异质性，以及因轨迹数据上的隐私约束导致的匿名可观测性。仿真研究表明该方法在有限样本性能良好、不确定性校准良好且对模型误指定性具有鲁棒性。对受控实验室实验和来自 Ann Arbor, Michigan 的真实轨迹数据的经验分析显示，该框架可跨场景生成新颖的行为洞见：它揭示了在引入 en-route 信息后纯粹的日间学习模型的不足，恢复了不同参与者类型的系统性行为差异，并在真实世界通勤行为中发现了显著的日间学习和需求变动。
引用
@article{arxiv.2605.02806,
title = {Statistical Inference of Day-to-Day Traffic Dynamics},
author = {Minghui Wu and Yafeng Yin and Jerome P. Lynch and Zhichen Liu},
journal= {arXiv preprint arXiv:2605.02806},
year = {2026}
}