[论文解读] Individual Mobility Prediction: An Interpretable Activity-based Hidden Markov Approach

Baichuan Mo, Zhan Zhao+2 more|arXiv (Cornell University)|Jan 11, 2021

Human Mobility and Location-Based Analysis参考文献 25被引用 11

一句话总结

本文提出了一种可解释的输入-输出隐马尔可夫模型（IOHMM），通过利用公共交通智能卡数据对潜在活动模式进行建模，以预测个体的下一次出行时间和位置。与LSTM等黑箱模型不同，该模型同时预测连续的出行开始时间和离散的目的地，同时揭示潜在的活动行为，其预测精度与LSTM相当，但在交通应用中具有更高的行为可解释性。

ABSTRACT

Individual mobility is driven by demand for activities with diverse spatiotemporal patterns, but existing methods for mobility prediction often overlook the underlying activity patterns. To address this issue, this study develops an activity-based modeling framework for individual mobility prediction. Specifically, an input-output hidden Markov model (IOHMM) framework is proposed to simultaneously predict the (continuous) time and (discrete) location of an individual's next trip using transit smart card data. The prediction task can be transformed into predicting the hidden activity duration and end location. Based on a case study of Hong Kong's metro system, we show that the proposed model can achieve similar prediction performance as the state-of-the-art long short-term memory (LSTM) model. Unlike LSTM, the proposed IOHMM model can also be used to analyze hidden activity patterns, which provides meaningful behavioral interpretation for why an individual makes a certain trip. Therefore, the activity-based prediction framework offers a way to preserve the predictive power of advanced machine learning methods while enhancing our ability to generate insightful behavioral explanations, which is useful for enhancing situational awareness in user-centric transportation applications such as personalized traveler information.

研究动机与目标

• 解决现有出行预测模型将时间视为分类变量且缺乏行为可解释性的局限性。
• 将个体出行建模为由潜在活动模式驱动，而非直接进行序列预测。
• 通过统一框架同时预测下一次出行的连续时间与离散位置。
• 通过提取隐藏活动持续时间与转换模式，提供出行行为的可解释洞察。
• 在保持可解释性的前提下，将模型性能与最先进的深度学习模型（如LSTM）进行对比验证。

提出的方法

• 使用输入-输出隐马尔可夫模型（IOHMM）将个体出行建模为一系列隐藏活动的序列。
• 将出行开始时间视为连续的输出变量，实现连续时间预测，而非任意的时间离散化。
• 使用包含上下文协变量（如星期几、天气）的线性模型对活动持续时间进行建模，以增强可解释性。
• 从智能卡交易序列中推断隐藏活动状态，其中每次交易对应一次出行。
• 估计活动之间的转移概率（例如，家 → 工作 → 其他），以揭示行为模式。
• 利用HMM的生成机制，联合推断活动持续时间与目的地，将预测任务转化为基于活动的推断。

实验结果

研究问题

• RQ1 基于活动的隐马尔可夫模型是否在预测个体下一次出行时间与位置方面优于基于序列的模型？
• RQ2 该模型在实现可解释的行为分析的同时，能在多大程度上保持预测准确性？
• RQ3 天气和星期几等上下文因素如何影响模型中个体的活动持续时间？
• RQ4 支撑公共交通系统中个体出行行为的潜在活动转换模式是什么？
• RQ5 与深度学习基线模型（如LSTM）相比，IOHMM框架在预测性能与可解释性方面表现如何？

主要发现

• IOHMM模型在下一次出行时间与位置预测方面，性能与最先进的LSTM模型相当。
• 该模型在预测准确性上显著优于基准模型，如马尔可夫链和基础HMM。
• 估计的活动持续时间参数表明，雨天会增加所有活动类型的持续时间，反映出出行延迟行为。
• 工作和其它活动在周一的持续时间更长，而周日则减少工作时间并增加居家活动时间。
• 公共假日会延长居家活动时间，同时减少工作和其他活动的持续时间，反映出日常作息的变化。
• 活动转换矩阵显示，'其它'活动之后最可能的下一项活动是'工作'，表明与工作相关的外出活动较为普遍。