基于出行行为模型的出行感染风险评估 ——以新冠肺炎疫情期间江苏省地区为例

为准确评估新冠肺炎疫情期间的出行感染风险，在对出行行为进行全出行链建模基础上提出出行风险评估模型.基于江苏省确诊病例流行病学调查报告和线上问卷调查数据，分别对病毒携带者和普通出行者出行行为模型进行参数标定，对比分析病毒携带者和普通出行者出行行为的异同.进一步对疫情期间不同出行方式和出行活动进行感染风险评估. 得到结论：交通管制措施可有效降低出行感染风险，就医出行风险明显高于其他出行活动，差旅在疫情传播初期风险较高，非机动车出行风险相对较低.     

交通事件持续时间预测贝叶斯网方法研究

交通事件持续时间的预测是事件管理系统的重要组成部分,根据I-880实测数据集,利用逐步回归分析的方法确定事件持续时间的主要影响因素,分别建立了应用于事件持续时间预测的朴素贝叶斯(NB)模型、加树朴素贝叶斯(TAN)模型以及一般贝叶斯网(BN)模型,在分析数据特点的基础上确定了贝叶斯网的推理算法、参数学习以及结构学习方法.在不同数据缺失的程度和不同训练样本规模下,分别对三种模型的预测准确率进行了评价,结果表明贝叶斯网预测模型在数据缺失30%的情况下30min准确率高于80%.     

基于TAN分类算法的交通事件检测

事件检测算法是交通事件管理系统的关键技术之一,提出一种基于树增强朴素贝叶斯(TAN)分类算法对交通事件进行检测,它的网络结构和参数通过数据学习确定,相比贝叶斯网络算法,对专家经验依赖较小.采用小波去噪、标准化和基于熵的离散化方法对原始交通数据进行预处理,将交通事件作为"0-1"分类变量,交通特征参数作为属性变量,构建TAN分类器.采用新加坡艾耶尔国王高速公路(AYE)的数据集对该算法进行了实例验证,实验结果表明TAN分类算法与多层前馈神经网络(MLF)算法的检测性能相当,它们的检测率分别为95.97% 和98.8%,但TAN分类算法在模型训练和标定的速度上具有显著优势,且相比MLF算法,TAN分类算法的原理更加简单易懂,因此TAN分类算法具有更广泛的应用前景.      

大数据背景下的路径选择行为建模

路径选择建模的主要任务是基于合理假设，定量分析交通参与者的路径选择行为，并估计和预测交通参与者对交通网络的使用情况。基于此，全面总结路径选择建模的研究现状，介绍各种出行数据的特点，阐释常见的选择集生成方法，对文献中提出的众多离散选择模型进行归类和讨论，对比模型估计的2类主要方法，并展望机器学习在路径选择建模中的广阔前景。研究结果表明：随着交通感知技术的全息化发展，在海量车辆轨迹数据的支撑下，路径选择研究取得了全方位的进步；路径选择模型可分为基于路径和基于路段的模型，前者以路径为基本选项，从通过确定性或随机性方法生成的选择集中选择路径，包括多项Logit （MNL）模型以及更先进的MNL修正模型、广义极值（GEV）模型、混合Logit模型和非GEV分布模型，后者以路段为基本选项，动态地求解路径选择问题，无需生成选择集，包括各种递归Logit模型；路径选择模型的参数估计可使用有标签数据或无标签数据，前者通过地图匹配在交通网络中重构出真实路径，后者则依概率考虑一系列可能的路径。近年来，基于机器学习的路径选择模型因具有更优的预测性能而受到广泛关注。在未来的路径选择研究中，应进一步结合离散选择模型和机器学习模型，使两者优势互补。