基于集成學(xué)習(xí)的城市軌道交通乘客路徑選擇建模

王璐瑤，蔣 熙

(北京交通大學(xué) 軌道交通控制與安全國家重點(diǎn)實(shí)驗(yàn)室，北京 100044)

在城市軌道交通網(wǎng)絡(luò)化運(yùn)營中，準(zhǔn)確掌握乘客的路徑選擇行為規(guī)律是合理制定運(yùn)輸組織計(jì)劃、協(xié)調(diào)各線路運(yùn)營狀態(tài)的重要基礎(chǔ)。如何構(gòu)建符合實(shí)際的路徑選擇模型一直是理論與應(yīng)用研究中的一個(gè)熱點(diǎn)與難點(diǎn)，相應(yīng)的建模方法可分成基于行為機(jī)理的建模和基于數(shù)據(jù)的建模兩大類。很多學(xué)者進(jìn)行了基于隨機(jī)效用及相關(guān)理論的離散選擇建模研究，文獻(xiàn)[1-5]屬于第一類中的代表方法。然而，準(zhǔn)確反映乘客行為的機(jī)理建模及參數(shù)設(shè)置一直是一個(gè)難題，尤其是在復(fù)雜運(yùn)營條件下，基于行為機(jī)理的路徑選擇建模方法開始體現(xiàn)出其固有的局限性?；跀?shù)據(jù)的建模方法則可以運(yùn)用機(jī)器學(xué)習(xí)方法從數(shù)據(jù)中挖掘乘客路徑選擇規(guī)律，從而脫離行為機(jī)理的束縛，建立起更準(zhǔn)確、更符合實(shí)際的路徑選擇模型。道路交通領(lǐng)域的學(xué)者開展了相關(guān)研究，文獻(xiàn)[6-8]研究了車輛的路徑選擇神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型；對于城市軌道交通的路徑選擇問題，文獻(xiàn)[9]構(gòu)建了基于決策樹的乘客個(gè)體出行路徑隨機(jī)生成模型，但僅適用于某特定日期及既有OD對；文獻(xiàn)[10]構(gòu)建了基于支持向量機(jī)的路徑選擇模型，但未能考慮不同乘客構(gòu)成的影響，模型適應(yīng)性和靈活性還有待提高；文獻(xiàn)[11]針對乘客的選擇傾向研究了路徑推薦算法，但并未面向運(yùn)營決策給出路徑選擇概率。因此，在既有研究的基礎(chǔ)上，本文面向網(wǎng)絡(luò)化運(yùn)營特點(diǎn)研究城市軌道交通乘客路徑選擇機(jī)器學(xué)習(xí)問題，圍繞路徑選擇的核心影響要素，研究更加準(zhǔn)確并符合實(shí)際的路徑選擇機(jī)器學(xué)習(xí)建模方法，以適應(yīng)實(shí)際運(yùn)營決策對乘客路徑選擇建模的需求。

1 方法的提出

1.1 路徑選擇建模的機(jī)器學(xué)習(xí)問題分析

城市軌道交通系統(tǒng)中，具有不同屬性的乘客在出行時(shí)，往往會(huì)依據(jù)各自的出行經(jīng)驗(yàn)、出行需求、所獲取的信息，在某OD對的多條路徑中進(jìn)行各個(gè)方案的比較和選優(yōu)，選出最符合其自身需求的“最優(yōu)”路徑方案。本文將影響OD對間各路徑選擇概率的主要因素歸納為客流成分構(gòu)成、各路徑的屬性、OD特性等方面。

(1)客流成分構(gòu)成。主要指OD對之間由多種不同屬性乘客構(gòu)成的客流及其類別。乘客屬性中，除了性別、年齡、教育、職業(yè)、收入等基本屬性外，與出行目的相關(guān)的特性對路徑選擇的影響也需要格外重視。

(2)各路徑方案的屬性。本文稱為路徑屬性，主要指各路徑的乘車時(shí)間、換乘時(shí)間、換乘次數(shù)、擁擠程度等方面。

(3)OD基本特性。主要包括OD的換乘可達(dá)性及OD旅行時(shí)間等。經(jīng)分析可見，乘客在進(jìn)行路徑選擇時(shí)，路徑屬性在乘客路徑選擇中發(fā)揮的作用還可能因OD而異[10]。例如，相對于較長耗時(shí)的OD，旅行時(shí)間較短的OD內(nèi)不同路徑間的出行時(shí)間差對選擇概率的影響更大；乘客對增加一次換乘的敏感度也因OD的時(shí)間距離和OD內(nèi)各路徑的最少換乘次數(shù)有關(guān)。

構(gòu)建基于機(jī)器學(xué)習(xí)的乘客路徑選擇模型，需要從數(shù)據(jù)中挖掘上述影響因素對乘客路徑選擇概率的作用關(guān)系與規(guī)律。其中，乘客出行路徑選擇數(shù)據(jù)主要通過調(diào)研、手機(jī)定位等方式進(jìn)行采集，目前國內(nèi)多個(gè)城市已經(jīng)在實(shí)際運(yùn)營中不斷積累并形成了一定規(guī)模的數(shù)據(jù)可供使用。此外，通過AFC刷卡數(shù)據(jù)、列車時(shí)刻表數(shù)據(jù)，可以直接抽取或者經(jīng)處理后形成路網(wǎng)內(nèi)各個(gè)OD的基本特性以及各路徑方案屬性。然而，各OD之間的客流成分構(gòu)成信息卻無法從既有運(yùn)營數(shù)據(jù)中獲取，另外，在全網(wǎng)范圍內(nèi)進(jìn)行各OD客流調(diào)查又存在較大難度。因此，在缺乏客流構(gòu)成一手?jǐn)?shù)據(jù)情況下，如何在建模和預(yù)測時(shí)納入這一要素，從而體現(xiàn)客流構(gòu)成的不同對路徑選擇結(jié)果的影響，是本文在確立建模方法時(shí)需要考慮的關(guān)鍵問題。

1.2 基于集成學(xué)習(xí)的路徑選擇建模方法

在相同條件下，不同客流成分構(gòu)成的路徑選擇結(jié)果存在一定差異，而一個(gè)OD對間的客流并非完全確定，其構(gòu)成往往呈現(xiàn)出一定的隨機(jī)分布規(guī)律。這就增加了路徑選擇建模的復(fù)雜度，如果僅僅依靠單一的機(jī)器學(xué)習(xí)模型和算法的優(yōu)化則難以建立高效而準(zhǔn)確的模型。因此，本文引入集成學(xué)習(xí)方法，構(gòu)建若干子學(xué)習(xí)器并按一定方式集成為考慮了異質(zhì)性的路徑選擇機(jī)器學(xué)習(xí)模型。

基于集成學(xué)習(xí)的建模，首先需要依據(jù)某種策略劃分子學(xué)習(xí)器，結(jié)合本文的出發(fā)點(diǎn)，基于客流成分構(gòu)成的異質(zhì)性進(jìn)行子學(xué)習(xí)器的劃分就成為自然的選擇。針對無法直接獲取客流成分信息所帶來的難題，分析發(fā)現(xiàn)，路網(wǎng)中不同OD對之間的客流構(gòu)成與起、終點(diǎn)站所在的區(qū)域特性有關(guān)。例如，北京地鐵中，早高峰時(shí)段由天通苑、回龍觀等大型居住區(qū)附近站點(diǎn)進(jìn)站的通勤客流占比遠(yuǎn)大于由北京站、北京南站進(jìn)站的客流，而在天安門、王府井等站點(diǎn)出站客流中，以旅游商業(yè)為主要出行目的的客流占比遠(yuǎn)大于從國貿(mào)、西二旗等大型工作區(qū)站點(diǎn)出站的客流占比。因此，本文將聚類算法與集成學(xué)習(xí)相結(jié)合，基于軌道交通站點(diǎn)特性與客流構(gòu)成間的內(nèi)在關(guān)聯(lián)性進(jìn)行軌道站點(diǎn)聚類，將客流成分構(gòu)成這一隱性要素轉(zhuǎn)化為站點(diǎn)特性這一顯性因素，并將其用于子學(xué)習(xí)器劃分與模型構(gòu)建，形成了基于客流異質(zhì)性的路徑選擇集成學(xué)習(xí)方法，見圖1。

圖1 基于客流異質(zhì)性的路徑選擇集成學(xué)習(xí)方法

首先，進(jìn)行地鐵站點(diǎn)聚類，將路徑選擇模型劃分為不同OD類別下的路徑選擇子學(xué)習(xí)器模型。然后，按照聚類結(jié)果抽取各個(gè)類別的訓(xùn)練樣本數(shù)據(jù)，選擇適當(dāng)?shù)臋C(jī)器學(xué)習(xí)算法構(gòu)建路徑選擇子學(xué)習(xí)器。最后，對任一給定的OD及路徑集，當(dāng)需要預(yù)測各路徑選擇概率時(shí)，將該OD對應(yīng)的類別隸屬度進(jìn)行變換后形成權(quán)重系數(shù)，將各子學(xué)習(xí)器分別預(yù)測后形成的結(jié)果進(jìn)行加權(quán)集成，輸出最終預(yù)測結(jié)果。

2 模型建立

2.1 軌道交通車站聚類

運(yùn)用聚類方法將軌道交通車站劃分為若干類別并給出隸屬度，可反映不同OD對之間客流構(gòu)成的異質(zhì)性。為了反映客流構(gòu)成與站點(diǎn)特性之間的內(nèi)在關(guān)聯(lián)，從車站周邊土地利用、進(jìn)出站客流量特性、客流票卡類型等方面選擇并確定聚類要素，同時(shí)考慮數(shù)據(jù)獲取的可行性，選取了如下16個(gè)維度的聚類變量：

(1)F1、F2分別為該站點(diǎn)周圍居住類POI及辦公類POI在總POI中的百分比，可根據(jù)電子地圖中POI數(shù)量進(jìn)行計(jì)算。

(2)F3表示該站點(diǎn)周圍是否有大型景點(diǎn)，0表示無、1表示有。

(3)F4為該站點(diǎn)距離市中心的直線距離，m。

(4)F5為軌道路網(wǎng)中該站點(diǎn)的可達(dá)性度量，用20 min內(nèi)從該站可到達(dá)的其他站點(diǎn)總數(shù)表征。

(5)F6、F7、F8、F9分別為該車站工作日早晚高峰的客流量占比，分別用早高峰進(jìn)站量/全天進(jìn)站量、晚高峰進(jìn)站量/全天進(jìn)站量、早高峰出站量/全天出站量、晚高峰出站量/全天出站量進(jìn)行計(jì)算；F10為工作日與周末的進(jìn)站客流量百分比。這些變量表征該站客流的時(shí)間分布特征，可利用AFC數(shù)據(jù)統(tǒng)計(jì)得到。

(6)F11、F12分別為該車站工作日、周末一票通乘客所占的百分比，利用AFC數(shù)據(jù)統(tǒng)計(jì)得到。

(7)F13、F14、F15、F16分別為該車站在工作日、周末、進(jìn)站、出站的客流高峰所在時(shí)段，利用AFC數(shù)據(jù)統(tǒng)計(jì)得到。

為了獲得站點(diǎn)類型以及各站屬于某一類別的概率，選擇模糊c-均值算法(FCM)進(jìn)行地鐵站點(diǎn)聚類，主要流程如下：

(1)聚類數(shù)據(jù)提取與標(biāo)準(zhǔn)化

主要以電子地圖數(shù)據(jù)與AFC數(shù)據(jù)為數(shù)據(jù)源，對路網(wǎng)內(nèi)各車站的上述聚類變量進(jìn)行數(shù)據(jù)提取，并采用Z-score[12]方法處理后形成標(biāo)準(zhǔn)化的各站點(diǎn)聚類數(shù)據(jù)。

(2)變量相關(guān)性檢驗(yàn)

采用KMO檢驗(yàn)和Bartlett檢驗(yàn)方法檢驗(yàn)聚類變量之間的相關(guān)性，若檢驗(yàn)通過則可對原始聚類變量進(jìn)行下一步聚類因子提取。

(3)運(yùn)用FCM算法進(jìn)行聚類

FCM是一種基于目標(biāo)優(yōu)化的聚類方法，將各樣本點(diǎn)進(jìn)行模糊劃分，用模糊隸屬度來表征各個(gè)樣本點(diǎn)屬于各個(gè)組的程度，并通過不斷迭代，使各個(gè)樣本點(diǎn)距模糊聚類中心的加權(quán)距離之和達(dá)到最小。

運(yùn)用FCM算法對路網(wǎng)各車站進(jìn)行聚類，優(yōu)化目標(biāo)為

(1)

式中：n為路網(wǎng)中聚類樣本車站的總數(shù)；i為車站，i=1,2,…,n；c為聚類數(shù)目；j為站點(diǎn)類別編號，j=1,2,…,c；uij為樣本車站i屬于第j類的模糊隸屬度；m為加權(quán)指數(shù)，在此取2；dij為車站i距離第j類聚類中心的距離，用歐式距離計(jì)算。最佳聚類數(shù)目c通過最小化類內(nèi)距離DBI[13]與最大化中心間距CHI[14]的值來確定。具體優(yōu)化算法在此不贅述。

2.2 基于支持向量回歸機(jī)(SVR)的路徑選擇子學(xué)習(xí)器構(gòu)建

站點(diǎn)聚類后，對任一O點(diǎn)站類型與D點(diǎn)站類型均可形成一類OD類別。本文利用軌道交通系統(tǒng)中的路徑選擇結(jié)果數(shù)據(jù)，運(yùn)用SVR進(jìn)行學(xué)習(xí)，挖掘路徑選擇影響因素與路徑選擇概率間的作用關(guān)系與規(guī)律，形成每一種類別OD的路徑選擇子學(xué)習(xí)器。此機(jī)器學(xué)習(xí)算法通過引入核函數(shù)把原有的線性學(xué)習(xí)器拓展為非線性學(xué)習(xí)器，該算法不在此贅述。

每個(gè)乘客在進(jìn)行路徑選擇時(shí)，總是面對單個(gè)OD進(jìn)行決策，在一個(gè)OD對內(nèi)部的有限路徑集范圍內(nèi)進(jìn)行分析、比較和選擇。由此，進(jìn)行基于SVR的機(jī)器學(xué)習(xí)時(shí)，各個(gè)樣本的數(shù)據(jù)集也是以O(shè)D對為單位來構(gòu)建。模型輸入包括該類OD下各個(gè)OD的基本特性與各路徑方案特性，模型輸出則為每一OD內(nèi)各條路徑的選擇概率。

對某一OD類型下的任一OD對p，如前分析，OD內(nèi)所有路徑的最小換乘次數(shù)和平均旅行時(shí)間對乘客選擇路徑有重要影響，因此，以這兩項(xiàng)表示該OD對p的OD基本特性S為

S=(cp,tp)

(2)

式中：cp為OD對p所有路徑集的最小換乘次數(shù)；tp為OD對p的平均旅行時(shí)間。

(3)

若OD對p包含w條有效路徑，該OD對的路徑方案屬性矩陣R為

(4)

然而現(xiàn)實(shí)系統(tǒng)中不同OD對有效路徑數(shù)目可能不相等，這將增加建模的復(fù)雜度。本文采用了設(shè)置“虛擬路徑”進(jìn)行路徑集增補(bǔ)的方法來解決這一問題?！疤摂M路徑”在實(shí)際中并不存在，對任一OD對，可將其定義為換乘次數(shù)、乘車時(shí)間與路徑長度均為極大值，且其選擇概率為0的“路徑”。假設(shè)路網(wǎng)所有OD中最大有效路徑數(shù)目為N，對任一擁有w條有效路徑的 OD， 若w

經(jīng)過路徑增補(bǔ)后，對于路網(wǎng)中某一OD類型，基于SVR的路徑選擇子模型的輸入為該類OD下各個(gè)OD樣本數(shù)據(jù)X的集合，對于其中的任一OD對p，其輸入可表示為

(5)

子模型輸出為該類別OD下各個(gè)OD樣本數(shù)據(jù)Y的集合，對于其中的OD對p，其輸出可表示為

(6)

對任一OD類別的路徑選擇SVR子模型，按下述步驟進(jìn)行模型訓(xùn)練：

Step0從路徑選擇實(shí)際數(shù)據(jù)中抽取該類別下的所有OD對及各個(gè)OD的樣本數(shù)據(jù)。

Step1采取隨機(jī)原則對給定類型OD下的樣本數(shù)據(jù)進(jìn)行劃分，形成訓(xùn)練集與測試集。

Step2選用ε-SVR作為機(jī)器學(xué)習(xí)模型，經(jīng)訓(xùn)練形成該類別下的路徑選擇子學(xué)習(xí)器。

Step3運(yùn)用測試數(shù)據(jù)集對訓(xùn)練好的SVR模型進(jìn)行評價(jià)，將預(yù)測值與實(shí)際值進(jìn)行對比并計(jì)算誤差。

2.3 基于路徑選擇子學(xué)習(xí)器的集成預(yù)測

在某軌道交通路網(wǎng)內(nèi)(既有的或接入新線后擴(kuò)展形成的)，對設(shè)置或更新了相應(yīng)屬性的任一OD對od(其起點(diǎn)站為o，終點(diǎn)站為d)，可運(yùn)用集成學(xué)習(xí)方法對各路徑選擇概率進(jìn)行預(yù)測。基于路徑選擇子學(xué)習(xí)器的集成預(yù)測方法的主要流程如下：

Step1子學(xué)習(xí)器樣本劃分與訓(xùn)練

Step2計(jì)算待預(yù)測OD對od的類別隸屬度

Step3各子學(xué)習(xí)器預(yù)測

Step4子學(xué)習(xí)器預(yù)測集成

對各個(gè)子學(xué)習(xí)器的輸出概率進(jìn)行加權(quán)結(jié)合，獲得集成后的路徑選擇概率向量P為

(8)

3 案例

基于本研究的可用數(shù)據(jù)，以2015年北京市軌道交通為背景進(jìn)行案例分析，當(dāng)時(shí)北京地鐵路網(wǎng)共包含16條線路，231個(gè)運(yùn)營車站，路網(wǎng)拓?fù)鋱D見圖2。

圖2 2015年北京軌道交通路網(wǎng)拓?fù)鋱D

3.1 北京地鐵站點(diǎn)聚類

本文以電子地圖數(shù)據(jù)與AFC數(shù)據(jù)為數(shù)據(jù)源進(jìn)行數(shù)據(jù)提取，獲得各站點(diǎn)16維聚類變量的數(shù)據(jù)集并進(jìn)行標(biāo)準(zhǔn)化處理及檢驗(yàn)。進(jìn)而，運(yùn)用FCM算法進(jìn)行模糊聚類，計(jì)算得到在聚類數(shù)目為5時(shí)DBI值最小，CHI值最大，因而最優(yōu)聚類數(shù)目為5。路網(wǎng)各站點(diǎn)聚類結(jié)果如下：

(1)類4 該類別以工作區(qū)站點(diǎn)為主，客流通勤特性明顯。

(2)類3 該類別以居住區(qū)類站點(diǎn)為主，客流通勤特征明顯。

(3)類2 該類別屬于職住混合但偏居住類，客流特性較類3復(fù)雜。

(4)類1 主要為旅游景區(qū)及交通樞紐類站點(diǎn)，客流特性與通勤類有明顯區(qū)別。

(5)類0 該類別屬于職住混合但偏工作區(qū)類，客流特性較類4復(fù)雜。

各類站點(diǎn)在路網(wǎng)上的分布見圖3。圖中，除了少數(shù)產(chǎn)業(yè)園外，工作類與偏工作的混合類站點(diǎn)基本位于三、四環(huán)之間，而城市外圍區(qū)域的居住類及偏居住的混合內(nèi)站點(diǎn)數(shù)量多于中心城區(qū)，類1中的站點(diǎn)集中于各大景點(diǎn)附近。這一結(jié)果與城市實(shí)際情況吻合度較高。

可見聚類結(jié)果較好地反映了路網(wǎng)各站點(diǎn)在客流成分構(gòu)成上的相似性與差異性，客流構(gòu)成的異質(zhì)性與站點(diǎn)的類別能夠很好地關(guān)聯(lián)起來，在此基礎(chǔ)上，可進(jìn)行路徑選擇子學(xué)習(xí)器的構(gòu)建。

3.2 路徑選擇子學(xué)習(xí)器的訓(xùn)練與集成預(yù)測

本文利用北京市軌道交通的乘客路徑選擇數(shù)據(jù)，經(jīng)計(jì)算得到各個(gè)OD基本特性及各路徑屬性信息，以及每條路徑所對應(yīng)的乘客選擇概率。統(tǒng)計(jì)路網(wǎng)中各個(gè)OD的最大有效路徑數(shù)量，最終將最大有效路徑數(shù)目N設(shè)為5，對路徑數(shù)量小于5的OD設(shè)置虛擬路徑進(jìn)行增補(bǔ)后形成機(jī)器學(xué)習(xí)數(shù)據(jù)總體樣本集。依據(jù)聚類結(jié)果，路徑選擇數(shù)據(jù)樣本被劃分為25個(gè)類別，每一類OD中的路徑選擇數(shù)據(jù)即為一個(gè)子樣本，再將其分成測試樣本和訓(xùn)練樣本，計(jì)算樣本對于每個(gè)OD類別的隸屬度。

進(jìn)一步，利用25個(gè)子樣本集分別構(gòu)建相應(yīng)的路徑選擇SVR模型，訓(xùn)練出25個(gè)子學(xué)習(xí)器。以居住區(qū)類—工作區(qū)類(類別3—類別4)的子學(xué)習(xí)器為例，訓(xùn)練集中包括1 698個(gè)OD的樣本數(shù)據(jù)，經(jīng)訓(xùn)練獲得最優(yōu)的SVR回歸模型。然后，利用訓(xùn)練好的SVR回歸模型對測試集中的425個(gè)OD進(jìn)行測試，與實(shí)際數(shù)據(jù)比較，計(jì)算得到均方誤差為0.005 996，平均絕對誤差為0.062 121。

對于每一個(gè)需要預(yù)測的OD對，分別運(yùn)行訓(xùn)練好的25個(gè)子學(xué)習(xí)器，以O(shè)D類別隸屬度為權(quán)重對所有子學(xué)習(xí)器的預(yù)測結(jié)果進(jìn)行加權(quán)平均后形成最終預(yù)測結(jié)果，與實(shí)際數(shù)據(jù)的對比見圖4。

圖4 集成學(xué)習(xí)的路徑選擇SVR模型預(yù)測與實(shí)際值的對比結(jié)果

經(jīng)計(jì)算得到均方誤差為0.004 911，平均絕對誤差為0.053 835。與子學(xué)習(xí)器在測試集上的預(yù)測結(jié)果相比，集成學(xué)習(xí)的預(yù)測結(jié)果誤差滿意。

3.3 應(yīng)用

2015年底，北京地鐵14號線中段和昌平線二期2條軌道新線開通運(yùn)營。新線開通后的路網(wǎng)拓?fù)渑c出行路徑均發(fā)生了改變，需要在新的條件下進(jìn)行乘客路徑選擇預(yù)測。首先，對新線開通后增加的9個(gè)車站進(jìn)行了重新聚類，并獲得新站點(diǎn)類別及隸屬度，見表1。

然后運(yùn)用本文方法進(jìn)行全網(wǎng)OD路徑選擇預(yù)測。以方莊至安定門這一新OD為例，將這一OD的基本特性和路徑特性輸入訓(xùn)練好的每個(gè)子學(xué)習(xí)器，按隸屬度進(jìn)行加權(quán)集成后得到各條路徑的選擇結(jié)果，該OD的路徑信息及選擇概率結(jié)果見表2。

表1 新站點(diǎn)的類別隸屬度

表2 方莊至安定門間路徑信息及路徑選擇預(yù)測結(jié)果

由表2可見，新增的方莊至安定門OD有5條路徑，最小換乘次數(shù)為2次，最小旅行時(shí)間為41.28 min。依據(jù)OD基本特征和各路徑特征預(yù)測得到各路徑選擇概率，絕大多數(shù)乘客選擇前2條路徑，其中，換乘次數(shù)最少、乘車時(shí)間和路徑長度最短的第1條路徑被選擇概率最高，達(dá)到79.89%。

4 結(jié)論

圍繞不同客流構(gòu)成特性、OD基本特性、路徑集特性等要素對乘客路徑選擇的作用與規(guī)律挖掘，采用機(jī)器學(xué)習(xí)方法構(gòu)建了路網(wǎng)乘客路徑選擇模型。運(yùn)用模糊聚類方法對軌道交通車站進(jìn)行聚類，將客流構(gòu)成特性與站點(diǎn)類型關(guān)聯(lián)起來，將客流特性作為隱性要素映射到OD類型這一顯性要素上，提出了基于客流異質(zhì)性的乘客路徑選擇集成學(xué)習(xí)方法，解決了乘客特性數(shù)據(jù)不便直接獲取這一難題。在OD類別基礎(chǔ)上進(jìn)行路徑選擇學(xué)習(xí)器及學(xué)習(xí)樣本的劃分，構(gòu)建了路徑選擇SVR子學(xué)習(xí)器模型，并利用OD類別隸屬度對子學(xué)習(xí)器的預(yù)測結(jié)果進(jìn)行集成預(yù)測，經(jīng)集成學(xué)習(xí)前后的預(yù)測數(shù)據(jù)對比分析，證明用本文提出的方法所構(gòu)建模型的預(yù)測結(jié)果更符合實(shí)際?；诼肪W(wǎng)乘客路徑選擇結(jié)果，可準(zhǔn)確把握客流在路網(wǎng)上的分布，更好支撐網(wǎng)絡(luò)化運(yùn)營決策的需要。