扩展计划行为理论框架下城际出行方式选择建模

本文引入外部价值观念和行为习惯的扩展变量,构建基于计划行为理论的城际出行者方式选择框架.在调查样本通过信度和效度检验的前提下,为高铁/动车、普通列车、长途汽车和自驾车等4种出行方式分别建立多指标多因果(MIMIC)模型,分析不同出行方式下扩展计划行为理论中各心理变量间的相关关系,以及出行者属性对心理变量的影响.研究表明,在不同的出行方式下,出行者个人及家庭社会经济属性对部分潜变量有显著性影响;"安全态度"和"行为习惯"潜变量对方式选择意向或行为有着直接或间接显著影响.研究成果可为制定城际间交通需求管理政策和城际交通系统优化提供支撑.     

习惯影响下城际出行方式选择意向形成机理

旅客在出行选择决策中存在依赖经验而不愿意进行新尝试的习惯行为倾向，研究分析旅客在选择普铁、大巴和高铁 3种城际出行方式行为中的习惯影响程度及意向形成机理. 本文在对习惯进行定义和测量的基础上，引入习惯潜变量改进计划行为理论，构建习惯与意向间关系的结构方程模型.模型标定结果显示，对于普铁、大巴和高铁3种城际出行方式，各潜变量对意向总的解释方差分别为71.9%、54.9%、62.3%，习惯对意向解释的总效应分别为0.538、0.851、0.538，其中间接效应分别为0.538、0.513、0.258.分析结果表明：城际出行方式选择中存在明显的习惯倾向，其中相对于直接影响，间接影响效应更强；3种出行方式中，大巴的选择受习惯影响最明显.     

基于票务数据的团体旅客出行目的推断

为推进城际交通大数据的应用，需要补全出行目的信息，将团体旅客出行目的决策与文本主题生成类比，开发基于无监督学习框架的出行目的推断方法.提出嵌入出发时间生成模块的主题模型，以及团体旅客重建和语义化特征设计方法，并通过吉布斯采样估计参数. 基于调查数据的模型对比研究发现，模型对一般私务辨识性能提升7.7%；基于票务数据的案例研究发现，模型对出发时间预测精度达到90.9%，间接验证了模型的可靠性.主题标注表明，模型不仅推断出4种与典型模式相符的出行目的，还辨识出既有认识外的非常规模式.对道路客运分析表明，出行目的构成呈现地区差异，高铁开通对不同出行目的出行量的负向影响程度不一.     

基于票务数据的团体旅客出行目的推断

为推进城际交通大数据的应用，需要补全出行目的信息，将团体旅客出行目的决策与文本主题生成类比，开发基于无监督学习框架的出行目的推断方法.提出嵌入出发时间生成模块的主题模型，以及团体旅客重建和语义化特征设计方法，并通过吉布斯采样估计参数. 基于调查数据的模型对比研究发现，模型对一般私务辨识性能提升7.7%；基于票务数据的案例研究发现，模型对出发时间预测精度达到90.9%，间接验证了模型的可靠性.主题标注表明，模型不仅推断出4种与典型模式相符的出行目的，还辨识出既有认识外的非常规模式.对道路客运分析表明，出行目的构成呈现地区差异，高铁开通对不同出行目的出行量的负向影响程度不一.     

基于深度学习的车辆轨迹重建与异常轨迹识别

车辆移动轨迹的不确定性及异常点段的存在使其在数字交通领域的应用面临挑战。本文构建基于数据增强的LSTM-AE-Attention深度学习模型，进行车辆轨迹重建和异常轨迹识别。首 先，使用对抗生成网络和贝塞尔样条曲线从样本量和种类两方面扩充数据集，实现数据增强；其 次，通过自编码网络与长短时记忆神经网络提取轨迹特征并完成轨迹重建；最后，结合自编码网络预训练和注意力机制构建异常识别模型。采用实际车辆轨迹数据测试，模型的评价指标明显优于支持向量机、随机森林和长短时记忆神经网络模型，重建实验中模型的决定系数为0.968，异常识别实验中模型的F1值较对比模型平均提升9.8%。结果表明，本文提出的模型可有效、可靠地运用于平滑车辆轨迹数据和纠正异常车辆轨迹。