基于多源數(shù)據(jù)的交通出行數(shù)據(jù)擴(kuò)樣及位置匹配研究

摘" 要：隨著城市交通出行規(guī)劃的日益發(fā)展，需要精細(xì)的居民交通出行數(shù)據(jù)作為數(shù)據(jù)支撐以實(shí)現(xiàn)更準(zhǔn)確的居民交通出行需求預(yù)測(cè)。文章基于多源數(shù)據(jù)，包括地塊數(shù)據(jù)、居民交通出行樣本數(shù)據(jù)以及總?cè)丝诩彝ヌ卣鲾?shù)據(jù)，采用迭代比例更新算法（Iterative Proportional Updating，IPU），結(jié)合蒙特卡洛模擬，實(shí)現(xiàn)了獲取小尺度的精細(xì)居民交通出行數(shù)據(jù)的目標(biāo)，為精細(xì)交通出行數(shù)據(jù)的獲取提供了有益的參考和借鑒。

" 關(guān)鍵詞：交通數(shù)據(jù)獲取；IPU算法；精細(xì)位置匹配；出行數(shù)據(jù)擴(kuò)樣

" 中圖分類號(hào)：F502" " 文獻(xiàn)標(biāo)志碼：A

DOI：10.13714/j.cnki.1002-3100.2024.21.019

Abstract： In order to obtain micro data containing precise location information， marginal constraints were obtained based on multi-source data such as plot data， household sample data， and total population household characteristic data. The Iterative Proportional Updating（IPU）algorithm， which is a micro data acquisition method， was used in conjunction with Monte Carlo simulation to expand the family sample data and obtain micro data with unmatched positions， construct a multiple Logit model based on capacity constraints， and perform position matching on micro data of unmatched positions to obtain small-scale fine micro data. The results show that the above methods can effectively obtain small-scale fine micro data， with relative errors of around 1.5% and 6% at the household and individual levels， respectively， meeting the accuracy requirements of data expansion and reflecting population distribution characteristics at a small scale.

Key words： traffic data acquisition; IPU algorithm; fine position matching; travel data expansion

0" 引" 言

交通需求預(yù)測(cè)在城市交通規(guī)劃中起著重要作用，它為未來(lái)出行需求提供了數(shù)據(jù)基礎(chǔ)，提供投資決策、資源優(yōu)化管理建議，幫助緩解交通擁堵問(wèn)題，促進(jìn)交通運(yùn)輸業(yè)可持續(xù)發(fā)展，指導(dǎo)交通基礎(chǔ)設(shè)施建設(shè)。通過(guò)對(duì)交通需求的預(yù)測(cè)和分析，規(guī)劃者可以做出合理的決策，優(yōu)化交通系統(tǒng)的布局和運(yùn)行，實(shí)現(xiàn)城市交通的可持續(xù)發(fā)展。

基于活動(dòng)的微觀模擬可以精確預(yù)測(cè)交通出行需求，該方法是對(duì)個(gè)體行為進(jìn)行研究的分析方法，主要是從人們?nèi)粘Ｉ钪械幕顒?dòng)出發(fā)，通過(guò)對(duì)活動(dòng)需求分析來(lái)推測(cè)人們的出行需求，從而提高交通規(guī)劃的科學(xué)性和針對(duì)性。但基于活動(dòng)的交通出行模擬通常受到交通出行數(shù)據(jù)的限制。交通出行數(shù)據(jù)包含存在于特定空間區(qū)域中人口的基本信息，包括性別、年齡、職業(yè)和居住、出行活動(dòng)、婚育和家庭結(jié)構(gòu)等，是城市交通規(guī)劃、土地利用等研究中的重要內(nèi)容。在國(guó)內(nèi)外，通常由于個(gè)人和家庭微觀數(shù)據(jù)的隱私性而無(wú)法獲得交通出行數(shù)據(jù)。

在國(guó)外，許多學(xué)者通過(guò)不同方法進(jìn)行數(shù)據(jù)獲取。Rich et al.[1]設(shè)計(jì)了一個(gè)人口合成框架，包括目標(biāo)協(xié)調(diào)、矩陣擬合、家庭和個(gè)體的模擬以及最終人口的重新加權(quán)等合成階段，預(yù)測(cè)了整個(gè)丹麥的人口。Moreno et al.[2]采用改進(jìn)的迭代比例更新和蒙特卡羅抽樣算法，合成了慕尼黑市的詳細(xì)人口屬性數(shù)據(jù)，具有高效性和可擴(kuò)展性。Huang et al.[3]通過(guò)迭代比例擬合（IPF）算法，基于從德國(guó)住宅能源消費(fèi)調(diào)查和德國(guó)人口普查數(shù)據(jù)，生成合成人口。Borysov et al.[4]提出一種基于變分自動(dòng)編碼器的深度生成建模方法，相比傳統(tǒng)方法具有更好的可擴(kuò)展性和零樣本采樣能力，支持更豐富的人口合成。H?rl et al.[5]利用開(kāi)放數(shù)據(jù)和開(kāi)放軟件生成巴黎及其周邊區(qū)域的人工數(shù)據(jù)，包括個(gè)人家庭、人員和每日活動(dòng)鏈。Fabrice et al.[6]介紹了目前主流的合成人口方法，包括合成重構(gòu)、組合優(yōu)化和統(tǒng)計(jì)學(xué)習(xí)，通過(guò)對(duì)其方法的描述和比較，提供了選擇合適方法的建議。Chapuis et al.[7]設(shè)計(jì)了Gen*模型，可以在基于代理的建模和仿真平臺(tái)中直接生成、定位和構(gòu)建具有社交網(wǎng)絡(luò)的合成人口，解決了社會(huì)模擬領(lǐng)域中初始人口的問(wèn)題。Boyam et al.[8]使用四種合成重構(gòu)方法合成人口數(shù)據(jù)，結(jié)果表明最佳方法是迭代比例擬合和相對(duì)熵最小化算法。Milos et al.[9]基于加利福尼亞地區(qū)數(shù)據(jù)使用人口合成工具Popgen得到了適用于基于代理的交通模型的人口數(shù)據(jù)。

在國(guó)內(nèi)，龍瀛等[10]提出了一種利用開(kāi)放數(shù)據(jù)、自動(dòng)空間化和合成人口屬性的方法，來(lái)合成北京市的人口微觀全樣本。杭軒等[11]利用國(guó)內(nèi)統(tǒng)計(jì)年鑒數(shù)據(jù)獲取各類屬性的邊際約束，結(jié)合居民出行調(diào)查數(shù)據(jù)通過(guò)IPU算法并使用蒙特卡洛法，最終獲取綿陽(yáng)市的居民個(gè)體屬性數(shù)據(jù)。洪曉龍[12]以居民出行調(diào)查為基礎(chǔ)，針對(duì)居民出行數(shù)據(jù)的多目標(biāo)優(yōu)化問(wèn)題提出綜合校核擴(kuò)樣流程算法，并以烏魯木齊2014年調(diào)查數(shù)據(jù)為例驗(yàn)證了算法和流程的應(yīng)用效果。葉佩軍[13]基于DISC性格理論并采用馬爾科夫鏈將代理的微觀決策參數(shù)和宏觀分布特征相結(jié)合，構(gòu)建人工人口計(jì)算模擬系統(tǒng)，研究基本人口屬性的演化趨勢(shì)并驗(yàn)證人口合成與參數(shù)標(biāo)定方法的正確性。雷煥宇等[14]在傳統(tǒng)IPU算法的基礎(chǔ)上，介紹了一種ExtendedIPU算法，可以從不同地理層級(jí)進(jìn)行人口合成，更加精準(zhǔn)、科學(xué)合理地反映城市的人口和家庭情況。郭莉等[15]考慮不同片區(qū)的人均手機(jī)擁卡數(shù)以及運(yùn)營(yíng)商占有率情況，采用分區(qū)擴(kuò)樣的方式進(jìn)行擴(kuò)樣，對(duì)于不同的出發(fā)地和目的地采用不同約束擴(kuò)樣。朱海明等[16]結(jié)合牛頓迭代法、多源數(shù)據(jù)融合、家庭戶及人口特征雙重約束，以天津?yàn)I海新區(qū)調(diào)查數(shù)據(jù)為例驗(yàn)證了該方法的高效、高精度和易推廣性。李丁杰等[17]通過(guò)深圳市居民出行入戶調(diào)查數(shù)據(jù)實(shí)證分析比較IPU算法和GRE算法擴(kuò)樣結(jié)果，證明IPU算法更優(yōu)越、更有普適性。陳小鴻等[18]利用手機(jī)信令數(shù)據(jù)設(shè)計(jì)了相應(yīng)的擴(kuò)樣模型結(jié)構(gòu)進(jìn)行居民出行調(diào)查擴(kuò)樣和挖掘沉默出行需求，結(jié)果表明新模型在揭示沉默出行需求方面效果顯著。吳煥等[19]提出了一種綜合擴(kuò)樣方法，從戶擴(kuò)樣、戶擁車調(diào)整、人擴(kuò)樣、人口調(diào)整和出行擴(kuò)樣等多個(gè)方面進(jìn)行組合，解決了居民出行調(diào)查中隨機(jī)抽樣困難和沉默需求增加的問(wèn)題。王媛[20]基于居民出行調(diào)查和學(xué)生家庭調(diào)查數(shù)據(jù)，按照家庭屬性和個(gè)人屬性進(jìn)行分層加權(quán)擴(kuò)樣，為研究提供更準(zhǔn)確的數(shù)據(jù)。但這些方法獲取到的個(gè)人和家庭數(shù)據(jù)的地理屬性只能精確到街道、行政區(qū)和居委會(huì)，無(wú)法匹配更精確的位置，不能在小尺度上反映人口分布特征，不能得到更加精細(xì)的交通出行數(shù)據(jù)。在城市道路網(wǎng)越發(fā)復(fù)雜的今天，地理屬性更加精細(xì)的交通出行數(shù)據(jù)能夠給基于活動(dòng)的微觀模擬帶來(lái)更加精確的交通出行需求預(yù)測(cè)結(jié)果，從而給城市交通規(guī)劃提供更精確、更有力的數(shù)據(jù)支撐。

為克服更加精細(xì)的交通出行數(shù)據(jù)難以獲取這一局限性，可先通過(guò)IPU算法獲取交通出行數(shù)據(jù)，再基于研究區(qū)域的房?jī)r(jià)數(shù)據(jù)、人口數(shù)據(jù)等，通過(guò)有容量限制的多項(xiàng)Logit模型給交通出行數(shù)據(jù)進(jìn)行精細(xì)位置匹配獲取更加精細(xì)的交通出行數(shù)據(jù)。

1" 數(shù)據(jù)準(zhǔn)備

1.1" 多源數(shù)據(jù)獲取及預(yù)處理

以武漢市經(jīng)開(kāi)區(qū)部分區(qū)域作為研究區(qū)域，結(jié)合武漢市規(guī)劃圖將研究區(qū)域劃分為若干地塊，地塊的地理層級(jí)小于街道。

本文所需數(shù)據(jù)主要包括地塊及建筑物數(shù)據(jù)、樣本家庭數(shù)據(jù)、WorldPop數(shù)據(jù)、平均房?jī)r(jià)數(shù)據(jù)和總?cè)丝诩彝ヌ卣鲾?shù)據(jù)。

（1）建筑物數(shù)據(jù)

" 建筑物數(shù)據(jù)包括研究區(qū)域建筑物類型、建筑物層數(shù)、建筑物修建年、地塊和建筑物邊界信息，通過(guò)線上調(diào)查、線下調(diào)查和在線數(shù)字地圖、房屋管理局網(wǎng)頁(yè)得到。該數(shù)據(jù)主要用于計(jì)算每個(gè)地塊的居住人口數(shù)據(jù)。

" （2）樣本家庭數(shù)據(jù)

" 樣本家庭數(shù)據(jù)是研究區(qū)域家庭及個(gè)人的樣本數(shù)據(jù)信息，通過(guò)線上、線下問(wèn)卷調(diào)查和居民信息收集得到，樣本總量為研究區(qū)域家庭數(shù)據(jù)總量3%左右，對(duì)樣本家庭數(shù)據(jù)進(jìn)行處理，篩除無(wú)效數(shù)據(jù)、重復(fù)數(shù)據(jù)，通過(guò)信度分析檢驗(yàn)可信度，當(dāng)數(shù)據(jù)信度滿足此要求后方可使用。該數(shù)據(jù)作為反演人口的初始數(shù)據(jù)。

" （3）WorldPop數(shù)據(jù)

" WorldPop數(shù)據(jù)是南安普頓大學(xué)發(fā)起的全球人口數(shù)據(jù)評(píng)估，其中國(guó)內(nèi)人口分布數(shù)據(jù)是基于第六次人口普查數(shù)據(jù)對(duì)2020年中國(guó)人口分布的預(yù)測(cè)數(shù)據(jù)，通過(guò)WorldPop官網(wǎng)獲得。該數(shù)據(jù)用于結(jié)合第七次人口普查數(shù)據(jù)進(jìn)行數(shù)據(jù)修正。

" （4）平均房?jī)r(jià)數(shù)據(jù)

" 平均房?jī)r(jià)數(shù)據(jù)是每個(gè)地塊對(duì)應(yīng)的房屋平均每平方售價(jià)，通過(guò)爬取房?jī)r(jià)網(wǎng)站獲取每個(gè)地塊的房?jī)r(jià)信息，再對(duì)每個(gè)地塊的房?jī)r(jià)信息取平均獲得，該數(shù)據(jù)用于作為容量限制的多項(xiàng)Logit模型中的標(biāo)定數(shù)據(jù)。

" （5）總?cè)丝诩彝ヌ卣鲾?shù)據(jù)

" 總?cè)丝诩彝ヌ卣鲾?shù)據(jù)包括人口年齡構(gòu)成、人口性別構(gòu)成、家庭平均人口數(shù)、經(jīng)開(kāi)區(qū)總?cè)丝跀?shù)、家庭戶規(guī)模構(gòu)成和不同收入人群構(gòu)成等，通過(guò)統(tǒng)計(jì)年鑒與人口普查數(shù)據(jù)獲取。該數(shù)據(jù)用于獲取研究區(qū)域的邊際約束。

" 各類數(shù)據(jù)說(shuō)明如表1所示。

1.2" 基于多源數(shù)據(jù)獲取邊際約束

" 由于研究區(qū)域是行政區(qū)域的一部分，不能直接獲取研究區(qū)域的人口總數(shù)，也不能直接獲取每個(gè)地塊的人口數(shù)，因此需要通過(guò)一定方法獲取?；舅悸啡缦拢?/p>

基于建筑物數(shù)據(jù)計(jì)算獲得每個(gè)地塊的人口分布數(shù)據(jù)，即各地塊人口數(shù)和研究區(qū)域總?cè)丝跀?shù)，但該數(shù)據(jù)可能存在偏差，需要通過(guò)別的數(shù)據(jù)進(jìn)行驗(yàn)證。WorldPop數(shù)據(jù)是基于第六次人口普查數(shù)據(jù)獲得的中國(guó)人口分布預(yù)測(cè)數(shù)據(jù)，可通過(guò)第七次人口普查數(shù)據(jù)對(duì)其進(jìn)行修正得到較為準(zhǔn)確的人口分布數(shù)據(jù)，該數(shù)據(jù)可作為驗(yàn)證數(shù)據(jù)。將修正后的WorldPop數(shù)據(jù)用于校正人口分布數(shù)據(jù)，得到最終人口分布數(shù)據(jù)，通過(guò)最終人口分布數(shù)據(jù)和總?cè)丝诩彝ヌ卣鲾?shù)據(jù)得到邊際約束。具體技術(shù)路線如圖1所示。

（1）基于建筑物數(shù)據(jù)計(jì)算得到人口分布數(shù)據(jù)

" 將研究區(qū)域劃分成若干地塊，統(tǒng)計(jì)每個(gè)地塊上的居住建筑物，根據(jù)建筑物的修建年設(shè)置建筑物的入住率，建筑物的居住人口數(shù)計(jì)算公式如下：

P=POP·r·u·α" " " nbsp; " " " " " " " " （1）

式中：POP為家庭平均人口數(shù)，r為層數(shù)，u為每層居住單元數(shù)，α為入住率。

" （2）WorldPop數(shù)據(jù)修正

獲取的WorldPop數(shù)據(jù)是基于第六次人口普查數(shù)據(jù)對(duì)2020年中國(guó)人口分布的預(yù)測(cè)數(shù)據(jù)，為了得到與最新人口總量匹配的WorldPop數(shù)據(jù)，則需用人口普查數(shù)據(jù)進(jìn)行修正。修正后的WorldPop柵格數(shù)據(jù)為原始柵格人口值乘以修正系數(shù)。修正系數(shù)計(jì)算公式如下：

γ=POP/POP" " " " " " " " " " " " " " " " " " " " " " "（2）

式中：γ為修正系數(shù)，POP為研究區(qū)域的行政區(qū)域的人口普查總量，POP為基于WorldPop統(tǒng)計(jì)得到的行政區(qū)人口總量。

（3）校正人口分布數(shù)據(jù)及邊際約束計(jì)算

對(duì)修正后的WorldPop數(shù)據(jù)按照研究區(qū)域邊界進(jìn)行裁剪處理，可統(tǒng)計(jì)得到研究區(qū)域的人口總量。最后，通過(guò)修正系數(shù)來(lái)校正基于建筑物數(shù)據(jù)計(jì)算得到的初始人口分布。

" 對(duì)比修正后的WorldPop數(shù)據(jù)和基于建筑物得到初始人口分布，若兩者之間的研究區(qū)域人口總量的相對(duì)誤差大于5%，則需要對(duì)初始人口分布進(jìn)行校正。相對(duì)誤差計(jì)算和校正公式如下：

相對(duì)誤差計(jì)算公式如下：

θ=

P

-P/P×100%" " " " " " " " " " " " " " " " " " " " " （3）

式中：θ表示初始人口分布和修正過(guò)的WorldPop數(shù)據(jù)的相對(duì)誤差，反映初始人口分布的精度，P表示初始人口分布的總?cè)丝跀?shù)，P表示修正過(guò)的WorldPop數(shù)據(jù)的總?cè)丝跀?shù)。

" 根據(jù)校正系數(shù)，對(duì)初始人口分布中各地塊的總?cè)丝跀?shù)進(jìn)行校正，校正公式如下：

P=P×P/P" " " " " " " " " " " " " " " " " " " " " " " （4）

式中：P表示修正后的人口分布中第i個(gè)地塊的總?cè)丝跀?shù)，P表示初始人口分布的總?cè)丝跀?shù)，P表示修正過(guò)的WorldPop數(shù)據(jù)的總?cè)丝跀?shù)，P表示初始人口分布中第i個(gè)地塊的總?cè)丝跀?shù)。

" 通過(guò)最終人口分布數(shù)據(jù)得到研究區(qū)域人口總量，并基于人口家庭特征數(shù)據(jù)得到邊際約束。

2" 基于IPU算法的人口數(shù)據(jù)反演

2.1" IPU算法

" 使用IPU算法作為交通出行數(shù)據(jù)獲取方法，IPU算法是一種滿足邊際分布的條件，還能更好地?cái)M合人口和家庭兩個(gè)維度方面的屬性分布的啟發(fā)式算法。杭軒等[11]使用IPU算法基于居民出行調(diào)查數(shù)據(jù)獲取了四川省綿陽(yáng)市49萬(wàn)居民的個(gè)體屬性數(shù)據(jù)，本文同樣使用了IPU算法進(jìn)行交通出行數(shù)據(jù)獲取。

" IPU算法對(duì)樣本家庭表（不包含地塊編號(hào)屬性列）的屬性列進(jìn)行循環(huán)迭代， 當(dāng)?shù)螖?shù)達(dá)到最大值或擬合度優(yōu)化值Δ達(dá)到閾值時(shí)，取此時(shí)的樣本家庭權(quán)重作為最終樣本家庭權(quán)重，基于最終樣本家庭權(quán)重通過(guò)蒙特卡洛模擬方法抽取樣本家庭表中的家庭獲得交通出行數(shù)據(jù)。具體步驟如下：

（1）設(shè)置i表示家庭的編號(hào)，d表示第i個(gè)家庭的第j個(gè)屬性的數(shù)值，j為家庭及個(gè)人屬性的編號(hào)，m為家庭及個(gè)人屬性的總數(shù)，j=1，2，3，…，m，設(shè)置C為第j個(gè)屬性的邊際約束。

" （2）設(shè)置每個(gè)家庭及個(gè)人層面屬性初始權(quán)重為1，即w=1。

" （3）擬合度變量δ是完成一次迭代后計(jì)算得到的整體擬合度。迭代比例更新算法通過(guò)擬合度變量δ的計(jì)算作為對(duì)算法是否收斂的判斷，擬合度δ越小說(shuō)明結(jié)果越好。定義擬合度δ計(jì)算公式：

δ=" " " " " " " " " " " " " " " " " " " " （5）

" （4）設(shè)置r為迭代次數(shù)，初始值為1。

（5）設(shè)置S為第j列所有不為0的行號(hào)的集合。

（6）設(shè)置k為第k個(gè)邊際約束，初始值為1。

" （7）設(shè)置s表示第k列的所有不為0的元素，q表示第k列的所有不為0的元素的索引。

" （8）對(duì)家庭及個(gè)人屬性列進(jìn)行迭代，通過(guò)權(quán)值調(diào)整修正系數(shù)計(jì)算公式和權(quán)值更新公式，基于個(gè)人屬性邊際約束對(duì)每列個(gè)人屬性不為0的行進(jìn)行權(quán)值調(diào)整。權(quán)值調(diào)整修正系數(shù)ρ計(jì)算公式為：

ρ=" " " " " " " " " " " " " " " " " " " " " " "（6）

" （9）權(quán)值更新公式為：

Ws =Ws×ρ" " " " " " " " " " " " " " " " " " " " " " " （7）

式中：Ws表示第k列更新前的權(quán)值，ρ表示權(quán)重修正系數(shù)。

" （10）k=k+1。

（11）若k≤m，則返回步驟（7），若kgt;m，則進(jìn)行步驟（12）。

" （12）設(shè)置δ表示本次權(quán)重更新記數(shù)后的擬合度，δ為上次權(quán)重更新記數(shù)后的擬合度。計(jì)算擬合度優(yōu)化值Δ，擬合度優(yōu)化值Δ計(jì)算公式為：

Δ=δ-δ" " " " " " " " " " " " " " " " " " " " " " " （8）

（13）r=r+1。

" （14）設(shè)置ε為收斂閾值，閾值一般設(shè)置為0.000 1。若Δgt;ε，則返回步驟（6），否則說(shuō)明算法已經(jīng)收斂。

在數(shù)據(jù)反演過(guò)程中，如果權(quán)重與個(gè)人總量完全匹配卻沒(méi)有和家庭總量完全匹配，會(huì)出現(xiàn)權(quán)重之和與設(shè)定的家庭總數(shù)不吻合的情況，這時(shí)需要優(yōu)先強(qiáng)調(diào)家庭層面的總量約束，再進(jìn)行一次家庭層面屬性列的權(quán)值更新，得到最終權(quán)重。樣本家庭權(quán)重表示例如表2所示。

2.2" 蒙特卡洛模擬

" 得到了每個(gè)樣本家庭的最終權(quán)重后，需要通過(guò)蒙特卡洛模擬根據(jù)研究區(qū)域家庭總數(shù)進(jìn)行數(shù)據(jù)擴(kuò)樣，獲取沒(méi)有精細(xì)位置的家庭交通出行數(shù)據(jù)。每個(gè)樣本家庭被選擇概率公式為：

P=w/∑w" " " " " " " " " " " " " " " （9）

" 式中：i表示第i個(gè)家庭，P表示第i個(gè)家庭被選擇的概率，w表示第i個(gè)家庭的權(quán)重，s表示家庭的總數(shù)。

" 最終，通過(guò)蒙特卡洛模擬基于樣本家庭數(shù)據(jù)和樣本家庭的最終權(quán)重得到研究區(qū)域家庭總數(shù)個(gè)家庭的不含地理屬性的交通出行數(shù)據(jù)。交通出行數(shù)據(jù)示例如表3所示。

3" 基于容量限制多項(xiàng)Logit模型的交通出行數(shù)據(jù)精細(xì)位置匹配

由于研究區(qū)域是行政區(qū)域的一部分，進(jìn)行地塊劃分后每個(gè)地塊的邊際約束同樣難以獲取，因此不能直接反映出每個(gè)家庭匹配位置信息，針對(duì)這個(gè)問(wèn)題，本文選擇構(gòu)建容量限制的多項(xiàng)Logit模型給獲得的交通出行數(shù)據(jù)匹配位置信息。

3.1" 多項(xiàng)Logit模型

多項(xiàng)Logit模型（Multinational Logit Model）基于隨機(jī)效用理論。為決策者的家庭（或個(gè)人、或組織）在一個(gè)可以選擇的、選擇項(xiàng)相互獨(dú)立的集合中，會(huì)選擇對(duì)自己來(lái)說(shuō)效用最大的選擇項(xiàng)。其中，隨機(jī)項(xiàng)的分布函數(shù)服從極值分布。效用函數(shù)可以表示為：

U=V+ε=∑Xβ+ε" " " " " " " " " " " " " " " " " " " "（10）

式中：q表示每一個(gè)家庭；i表示每一個(gè)地塊；V表示效用函數(shù)的可觀測(cè)項(xiàng)，包括地塊上的人口總數(shù)和平均房?jī)r(jià)數(shù)據(jù)；X表示所觀測(cè)的變量值，包括主體的特性（家庭特性，即家庭月收入）和選擇客體的屬性（區(qū)位特性，即地塊的平均房?jī)r(jià)）；β表示要求解模型的參數(shù)值，反映效用值對(duì)相應(yīng)的X變化的敏感性；ε表示效用函數(shù)的隨機(jī)項(xiàng)。

" 根據(jù)選擇者的特性和備選方案的屬性，推導(dǎo)出在一組可用備選方案中進(jìn)行選擇的概率。多項(xiàng)Logit模型的概率表達(dá)式為：

P=e/∑e" " " " " " " " " " " " " " " " " " " " " " （11）

式中：P為決策者q選擇備選方案i的概率。

3.2" 構(gòu)建容量限制Logit模型匹配位置信息

每個(gè)地塊的人口總數(shù)是有限制的，因此在進(jìn)行位置匹配時(shí)需要考慮地塊上的人口容量限制。針對(duì)地塊上有容量限制的情況，本文采用了多次迭代的方法，將獲取到的交通出行數(shù)據(jù)中的家庭匹配到各個(gè)地塊?；舅悸肥欠峙芜M(jìn)行家庭地塊選擇，每次迭代后，在備選集中刪除容量超限的地塊，并計(jì)算地塊上剩余容量；在選擇集中刪除已經(jīng)匹配了地塊的家庭，接著將未分配的家庭重新進(jìn)行地塊選擇。

構(gòu)建容量限制Logit模型步驟如下：

（1）構(gòu)建標(biāo)定長(zhǎng)表

根據(jù)家庭樣本數(shù)據(jù)和地塊數(shù)據(jù)構(gòu)建標(biāo)定長(zhǎng)表，即構(gòu)建一個(gè)不同家庭選擇不同地塊的長(zhǎng)表。但在模型中家庭選擇地塊時(shí)，若將所有居住地塊都作為選擇集，會(huì)面臨選擇集過(guò)大和求解耗時(shí)較長(zhǎng)的問(wèn)題，可通過(guò)隨機(jī)抽樣選擇合適大小的地塊選擇集的方式選擇地塊子集。標(biāo)定長(zhǎng)表示例如表4所示。

" （2）標(biāo)" 定

基于效用函數(shù)變量（地塊上的人口數(shù)和平均房?jī)r(jià)數(shù)據(jù)）和標(biāo)定長(zhǎng)表進(jìn)行標(biāo)定，獲得效用函數(shù)變量系數(shù)。根據(jù)最終標(biāo)定結(jié)果中的Pseudo R-squ和Pseudo R-bar-squ參數(shù)驗(yàn)證結(jié)果是否符合要求。

（3）生成家庭地塊映射概率表

" 標(biāo)定完成后，根據(jù)分段標(biāo)定結(jié)果生成家庭地塊映射概率表，該表為不同類型家庭選擇不同地塊的概率。

（4）匹配地理信息

標(biāo)定結(jié)果符合要求后，基于家庭地塊映射概率表給交通出行數(shù)據(jù)中每個(gè)家庭匹配地塊，并將每個(gè)家庭隨機(jī)分配到其對(duì)應(yīng)地塊的建筑物中。

4" 實(shí)例分析

獲取地塊及建筑物數(shù)據(jù)、樣本家庭數(shù)據(jù)、WorldPop數(shù)據(jù)、平均房?jī)r(jià)數(shù)據(jù)和總?cè)丝诩彝ヌ卣鲾?shù)據(jù)多源數(shù)據(jù)，通過(guò)調(diào)查設(shè)置入住率α為：修建年為2005年以前為0.5，修建年為2005年至2015年為0.7，修建年為2015年以后為0.5。計(jì)算邊際約束，家庭層面邊際約束表和個(gè)人層面邊際約束表部分如表5、表6所示。

基于邊際約束和樣本家庭數(shù)據(jù)通過(guò)IPU算法計(jì)算每個(gè)樣本家庭的權(quán)重，隨后基于樣本家庭權(quán)重表通過(guò)蒙特卡洛模擬獲得交通出行數(shù)據(jù)，交通出行數(shù)據(jù)和研究區(qū)域?qū)嶋H值對(duì)比如圖2所示。

由圖2可知在家庭層面，人口規(guī)模屬性中家庭人口為1的分布誤差為0.14%，其余屬性誤差均小于0.1%，擴(kuò)樣結(jié)果與研究區(qū)域?qū)嶋H比較吻合，家庭平均月收入屬性中家庭平均月收入4 501～6 000元的分布誤差為0.32%，其余均小于0.15%，擴(kuò)樣結(jié)果與研究區(qū)域?qū)嶋H同樣比較吻合。說(shuō)明在家庭層面，IPU算法擴(kuò)樣得到的交通出行數(shù)據(jù)能夠較好地滿足擴(kuò)樣的精度要求。

" 由圖2可知在個(gè)人層面，年齡屬性35～59歲的分布誤差為6.01%，其余屬性誤差均小于6%，個(gè)人層面各類屬性的誤差均比家庭層面屬性的誤差大，這是因?yàn)镮PU算法一般優(yōu)先考慮家庭層面約束，這就導(dǎo)致了家庭層面數(shù)據(jù)精度會(huì)優(yōu)于個(gè)人層面數(shù)據(jù)精度。

" 隨后通過(guò)基于容量限制的多項(xiàng)Logit模型對(duì)交通出行數(shù)據(jù)中每個(gè)家庭匹配地理信息?；诩彝颖緮?shù)據(jù)和地塊數(shù)據(jù)構(gòu)建標(biāo)定長(zhǎng)表，效用函數(shù)的變量選擇地塊平均房?jī)r(jià)數(shù)據(jù)、地塊人口總數(shù)。通過(guò)標(biāo)定獲得每個(gè)變量對(duì)應(yīng)的系數(shù)，并根據(jù)標(biāo)定結(jié)果計(jì)算家庭選擇地塊的概率表，其中標(biāo)定結(jié)果顯著性強(qiáng)，符合要求。根據(jù)家庭選擇地塊的概率表對(duì)所有家庭進(jìn)行有容量的選擇，得到最終人口分布和匹配位置的交通出行數(shù)據(jù)分布對(duì)比如圖3所示，匹配位置信息的交通出行數(shù)據(jù)部分表如表7所示。

5" 結(jié)" 論

交通出行數(shù)據(jù)獲取一直是基于活動(dòng)主體的城市系統(tǒng)交通出行模擬的關(guān)鍵和難點(diǎn)，而精細(xì)交通出行數(shù)據(jù)獲取則更為困難。本文在IPU算法的基礎(chǔ)上，巧妙地利用了基于容量限制的多項(xiàng)Logit模型，提出了一套符合國(guó)情的精細(xì)交通出行數(shù)據(jù)獲取方法和流程。通過(guò)在武漢市經(jīng)開(kāi)區(qū)部分區(qū)域的數(shù)據(jù)驗(yàn)證，表明該算法和流程的可行性，效果良好，為未來(lái)精細(xì)交通出行數(shù)據(jù)的獲取提供了有益的參考和借鑒。

參考文獻(xiàn)：

[1]" RICH J. Large-scale spatial population synthesis for denmark[J]. European Transport Research Review， 2018，10（2）：1-18.

[2]" MORENO A T， MOECKEL R. Population synthesis handling three geographical resolutions[Z]. 2018.

[3]" HUANG C， ELSLAND R. A survey-based approach to estimate residential electricity consumption at municipal level in Germany[R]. Working Paper Sustainability and Innovation， 2019.

[4]" BORYSOV S S， RICH J， PEREIRA F C. How to generate micro-agents？ A deep generative modeling approach to population synthesis[J]. Transportation Research Part C： Emerging Technologies， 2019，106：73-97.

[5]" H?RL S， BALAC M. Open data travel demand synthesis for agent-based transport simulation： A case study of Paris and ?le-de-France[J]. Arbeitsberichte Verkehrs-und Raumplanung， 2020，15：1499.

[6]" CHAPUIS K， TAILLANDIER P， GAUDOU B， et al. An integrated tool for realistic agent population synthesis[C] // Advances in Social Simulation-Proceedings of the 15th Social Simulation Conference， 2019.

[7]" FABRICE YAMéOGO B， GASTINEAU P， HANKACH P， et al. Comparing methods for generating a two-layered synthetic population[J]. Transportation Research Record， 2021，2675（1）：136-147.

[8]" BOYAM FABRICE YAMEOGO， PIERRE OLIVIER VANDANJON， PASCAL GASTINEAU， et al. Generating a two-layered synthetic population for French municipalities： Results and evaluation of four synthetic reconstruction methods[J]. JASSS-Journal of Artificial Societies and Social Simulation， 2021，24：1-27.

[9]" MILOS BALAC， SEBASTIAN H?RL. Synthetic population for the state of California based on open-data： Examples of san francisco bay area and san diego county[C] // 100th Annual Meeting of the Transportation Research Board （TRB）， 2021.

[10] 龍瀛. 北京城鄉(xiāng)空間發(fā)展模型：BUDEM2[J]. 現(xiàn)代城市研究，2016（11）：2-9，27.

[11] 杭軒，楊超. 城市居民個(gè)體屬性數(shù)據(jù)獲取方法[J]. 交通信息與安全，2016，34（2）：31-38.

[12] 洪曉龍. 烏魯木齊市居民出行調(diào)查數(shù)據(jù)綜合校核擴(kuò)樣方法研究[J]. 科學(xué)技術(shù)創(chuàng)新，2017（27）：129-130.

[13] 葉佩軍. 基于混合代理建模的人工人口生成與標(biāo)定方法研究[D]. 北京：中國(guó)科學(xué)院自動(dòng)化研究所，2019.

[14] 雷煥宇，胡封疆. 基于Extended IPU的人口合成模型及應(yīng)用[C] // 中國(guó)智能交通協(xié)會(huì). 第十五屆中國(guó)智能交通年會(huì)科技論文集（1），2020：353-367.

[15] 郭莉，周軍，梁宇豪. 手機(jī)信令數(shù)據(jù)與傳統(tǒng)居民出行調(diào)查的對(duì)比及擴(kuò)樣方法研究——以深圳為例[C] // 中國(guó)城市規(guī)劃學(xué)會(huì)城市交通規(guī)劃學(xué)術(shù)委員會(huì). 交通治理與空間重塑——2020年中國(guó)城市交通規(guī)劃年會(huì)論文集，2020：1890-1897.

[16] 朱海明，鄭海星，芮曉麗，等. 基于數(shù)據(jù)融合與雙重特征的居民出行調(diào)查擴(kuò)樣[J]. 城市交通，2021，19（3）：94-102.

[17] 李丁杰，樂(lè)陽(yáng)，郭莉. 基于人口合成技術(shù)的居民出行調(diào)查數(shù)據(jù)擴(kuò)樣[J]. 交通科技與經(jīng)濟(jì)，2021，23（6）：24-31.

[18] 陳小鴻，陳先龍，李彩霞，等. 基于手機(jī)信令數(shù)據(jù)的居民出行調(diào)查擴(kuò)樣模型[J]. 同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，49（1）：86-96.

[19] 吳煥，陳梓星，莊義彬，等. 居民出行調(diào)查數(shù)據(jù)擴(kuò)樣及校核方法應(yīng)用研究[J]. 交通工程，2021，21（4）：67-73.

[20] 王媛. 多源數(shù)據(jù)融合在上海市綜合交通模型中的應(yīng)用[J]. 城市交通，2023，21（1）：86-96，127.

收稿日期：2023-10-19

基金項(xiàng)目：國(guó)家社會(huì)科學(xué)基金項(xiàng)目“智慧出行的方案定制及服務(wù)提升策略研究”（20CGL018）

作者簡(jiǎn)介：鄒昌杰（2001—），男，湖北孝感人，武漢科技大學(xué)汽車與交通工程學(xué)院碩士研究生，研究方向：交通運(yùn)輸規(guī)劃與管理；陳玲娟（1985—），女，湖北武漢人，武漢科技大學(xué)汽車與交通工程學(xué)院，教授，博士，研究方向：智能交通系統(tǒng)。

引文格式：鄒昌杰，陳玲娟，湯文，等. 基于多源數(shù)據(jù)的交通出行數(shù)據(jù)擴(kuò)樣及位置匹配研究[J]. 物流科技，2024，47（21）：79-85.