基于智能体的总体综合中组合式起讫点选择的表推断

基于智能体的移动性模拟中的一个关键挑战是个体的智能体社会经济画像的综合。此类画像包含智能体活动的位置，其决定了模拟出行模式的质量。这些位置通常表示为起讫点(origin-destination)矩阵，并借助粗粒度出行调查进行采样。这是因为由于隐私与成本原因，细粒度出行画像稀缺且碎片化。数据与采样分辨率之间的不一致使得智能体特征不可辨识，原因在于与数据一致个体属性的组合空间。该问题关乎任何潜状态为离散的基于智能体的推断场景。现有方法已使用底层位置分配的连续松弛及随后的特设离散化。我们提出一个框架以高效探索该空间，提供改进的重构与覆盖，以及对真实起讫点表的线性时间采样。这使我们得以避免离散选择建模中固有的阶乘增长的拒绝率与糟糕的汇总统计量一致性。我们通过引入智能体出行的连续强度与离散表的联合采样方案，以及可受汇总统计量约束高效遍历该组合空间的马尔可夫基来实现此目标。我们框架的益处通过多个受控实验及在英国剑桥智能体工作出行重构的大规模应用得以展示。