[论文解读] An Activity-Based Model of Transport Demand for Greater Melbourne

Alan Both, Dhirendra Singh+3 more|arXiv (Cornell University)|Nov 19, 2021

Transportation Planning and Optimization参考文献 43被引用 4

一句话总结

本论文提出了一种新颖的、开源的、可复现的基于活动的建模框架，通过混合机器学习、概率方法和引力模型，为大墨尔本地区生成合成人口。该方法独特地生成了个体化、群体特定的活动链，平衡了行程距离与目的地吸引力，并采用跳数过滤机制防止不合理的返程行程，从而在各种样本规模下均实现了准确的出行方式选择、行程距离分布和目的地选择。

ABSTRACT

In this paper, we present an activity-based model for the Greater Melbourne area, using a combination of hierarchical clustering, probabilistic, and gravity-based approaches. The model outlines steps for generating a synthetic population-a list of agents with their demographic attributes-and for assigning activity patterns, schedules, as well as activity locations and modes of travel for each trip. In our model, individuals are assigned activity chains based on the probabilities of their respective demographic clusters, as informed by observed data. Tours and trips then emanate from these assigned activities. This is innovative compared to the common practice of creating trips or tours first and attaching activities thereafter. Furthermore, when selecting activity locations, our model incorporates both the distance-decay of trip lengths and the activity-based attraction of destination sites. This results in areas with higher attractiveness for various activities showing a greater likelihood of being selected. Additionally, when assigning the location for the next activity, we take into account the number of activities an agent has remaining to ensure they do not opt for a location that would be impractical for a return trip home. Our methodology is open and replicable, requiring only publicly available data and is designed to produce outcomes compatible with commonly used agent-based modeling software such as MATSim. Each sub-model is calibrated to match observed data in terms of activity types, start and end times, and durations.

研究动机与目标

• 开发一种完全可复现、开源的方法，用于生成与MATSim等基于代理的建模工具兼容的合成人口。
• 克服从出行调查中直接复制真实活动链的局限性，特别是针对步行和骑行等代表性不足的出行方式。
• 通过平衡距离衰减、目的地吸引力和返程合理性，确保行程模式的真实性。
• 整合群体特定的活动链以及与出行方式相关的行程约束，以提升仿真的保真度。
• 在多种样本规模下对模型进行验证，并证明其在出行方式选择、行程距离分布和目的地选择方面的准确性。

提出的方法

• 该模型采用混合方法，结合机器学习、概率分配和引力模型驱动的目的地选择，以生成合成个体。
• 活动链按群体生成，而非从真实调查数据中直接复制，确保即使在小规模或代表性不足的群体中也具有代表性。
• 目的地选择整合了本地空间概率，用于出行方式选择、行程距离和目的地吸引力，校准范围覆盖10,289个SA1区域。
• 通过跳数测量动态过滤目的地选项，基于剩余行程数和交通方式，防止出现不合理的长距离返程。
• 模型使用公开可获取的数据进行训练和验证：ABS人口普查用于人口统计信息，VISTA出行调查用于活动行为数据。
• 该方法设计为完全可复现，并与MATSim等标准ABM软件兼容。

实验结果

研究问题

• RQ1 能否在不复制真实活动链的前提下，生成准确反映现实世界出行方式选择、行程距离和目的地分布的合成人口？
• RQ2 如何在合成人口中更好地体现代表性不足的主动出行方式（步行、骑行）？
• RQ3 在活动链中引入行程次数和与出行方式相关的约束，能在多大程度上提升返程行程的真实性？
• RQ4 不同样本规模在关键交通指标方面对合成人口输出准确性的影响如何？
• RQ5 结合机器学习、概率方法和引力模型的混合模型，能否生成具有代表性且可复现的虚拟人口？

主要发现

• 该合成人口在所有测试样本规模下均准确再现了现实世界中的行程距离分布、出行方式选择和目的地选择。
• 1%和0.1%样本规模在步行、骑行和驾驶方面的准确性较低，表明在小样本规模下存在不稳定性，需更大样本以保证可靠性。
• 当样本规模超过5%后，准确性提升趋于平缓，5%与10%样本之间的改进微乎其微，表明收益递减。
• 模型的跳数过滤机制显著减少了不合理的长距离返程行程，尤其在步行和骑行中效果明显，提升了出行方式选择仿真的保真度。
• 通过提高目的地吸引力的权重，模型在距离衰减与目的地吸引力之间实现了良好平衡，确保向高吸引力区域（如中央商务区）有足够行程。
• 该方法仅使用公开可获取的数据（ABS人口普查和VISTA调查）即可完全复现，支持在其他地区广泛采用与验证。