基于 CT-GAN 的目标人群合成

用于交通与城市规划情景分析的智能体模型通常需要来自基准数据及目标情景的详细人口信息。这些人口通常通过确定性人群合成方法生成虚构智能体来提供。然而，这些确定性人群合成方法面临诸多挑战，包括处理高维数据、可扩展性以及零细胞问题，尤其是在生成目标情景人口时更为突出。本研究探讨了深度生成模型条件表格生成对抗网络（Conditional Tabular Generative Adversarial Network, CT-GAN）如何用于从边际约束集合中直接创建目标人群，或通过将 CT-GAN 与适应性合成组合优化（Fitness-based Synthesis Combinatorial Optimization, FBS-CO）结合的混合方法来实现。研究将提出的人群合成模型针对旅行调查数据和区域层面聚合人口数据进行评估。结果表明，单独使用的 CT-GAN 模型在与 FBS-CO 和混合模型进行比较时表现最佳。CT-GAN 能够创建匹配单变量分布的逼真群体，但在维持多个变量之间的关系方面存在挑战。然而，混合模型通过利用 CT-GAN 生成描述性基准人口的能力，再通过 FBS-CO 对齐目标年份的边际分布，从而显著优于 FBS-CO。本研究表明 CT-GAN 是实现目标人群合成的有效方法，并展示了深度生成模型如何成功集成于常规合成技术以提升其性能。