錢劍培，邵春福*，李 軍,2，蔡 楠，黃士琛

(1.北京交通大學(xué)綜合交通運(yùn)輸大數(shù)據(jù)應(yīng)用技術(shù)交通運(yùn)輸行業(yè)重點(diǎn)實(shí)驗(yàn)室，北京100044；2.中國交通通信信息中心交通運(yùn)輸信息化標(biāo)準(zhǔn)研究所，北京100011；3.南通市規(guī)劃設(shè)計(jì)院有限公司，江蘇南通226004)

0 引 言

Gong[4]指出現(xiàn)有工作可分為基于規(guī)則的方法、概率方法和機(jī)器學(xué)習(xí)3 類，其中，機(jī)器學(xué)習(xí)日益成為主流.一般研究多從個(gè)體單次出行視角出發(fā)，基于單日數(shù)據(jù)挖掘個(gè)體人口統(tǒng)計(jì)[5]、出行時(shí)間[6]、目的地[7]等特征與出行目的潛在關(guān)系.Allahviranloo[8]從個(gè)體出行序列視角出發(fā)，考慮前后活動(dòng)類型的次序信息.上述方法同屬于有監(jiān)督分類，參數(shù)標(biāo)定需要輔以回訪調(diào)查，以提供真實(shí)出行目的.為在標(biāo)簽缺失場景下實(shí)現(xiàn)出行目的推斷，Han[9]考慮其在出行鏈中的轉(zhuǎn)換模式，將隱含狀態(tài)解釋為出行目的，得到的結(jié)果與經(jīng)驗(yàn)相符.Wang[10]引入隱含狄利克雷分配(Latent Dirichlet Allocation,LDA)，對(duì)起訖點(diǎn)周邊興趣點(diǎn)聚類，得到若干主題，并將主題隱含語義與出行目的建立聯(lián)系.LDA 主題模型已在諸多交通問題中得到應(yīng)用，作為無監(jiān)督方法，可以充分發(fā)揮海量數(shù)據(jù)對(duì)復(fù)雜行為模式的發(fā)現(xiàn)作用，突破將出行活動(dòng)人為預(yù)設(shè)為幾種規(guī)律性較強(qiáng)目的之局限.

上述研究面向的是市內(nèi)居民日常出行，對(duì)于復(fù)雜的城際旅客出行，由于獲取的票務(wù)數(shù)據(jù)等只能追蹤上下車站點(diǎn)，無法沿用目的地空間信息和活動(dòng)持續(xù)時(shí)間等特征.Janzen[11]提取頻率和工作日占比等歷史經(jīng)驗(yàn)特征識(shí)別出4類目的；基于城際出行常見的結(jié)伴現(xiàn)象，Lu[12]引入成員人數(shù)、兒童及成年人比例等團(tuán)體特征；Lin[13]考慮到成員信息中隱含社會(huì)網(wǎng)絡(luò)關(guān)系，提出“同行網(wǎng)絡(luò)”的概念，并引入復(fù)雜網(wǎng)絡(luò)指標(biāo)區(qū)分商務(wù)及旅游團(tuán).

本文面向城際團(tuán)體旅客，考慮歷史經(jīng)驗(yàn)和結(jié)伴現(xiàn)象等特征，基于LDA 框架推斷出行目的.首先，在LDA中嵌入出發(fā)時(shí)間生成模塊，為推斷提供額外信息并間接驗(yàn)證模型有效性；其次，提出團(tuán)體旅客重建和語義化特征設(shè)計(jì)方法，通過計(jì)算特征共現(xiàn)得到主題聚類；再次，結(jié)合主題特征分布和出發(fā)時(shí)間分布標(biāo)注出行目的；最后，利用票務(wù)數(shù)據(jù)對(duì)不同區(qū)域道路客運(yùn)團(tuán)體旅客出行目的構(gòu)成及出行量演化影響因素開展案例研究.

1 嵌入出發(fā)時(shí)間的出行目的推斷主題模型

1.1 主題模型視角下的團(tuán)體旅客出行決策過程

采用LDA框架推斷出行目的關(guān)鍵在于將團(tuán)體旅客出行決策過程與文本主題生成過程類比.LDA本質(zhì)是包含文檔—主題生成過程和主題—詞生成過程的概率圖模型.有別于監(jiān)督學(xué)習(xí)或聚類模型根據(jù)詞計(jì)算損失或距離函數(shù)，LDA 通過直接計(jì)算不同主題下詞共現(xiàn)規(guī)律，即主題—詞分布實(shí)現(xiàn)主題聚類，同時(shí)得到每個(gè)文檔主題分布.

受“同行網(wǎng)絡(luò)”[13]啟發(fā)，由于出行目的影響出行決策，不同出行目的將導(dǎo)致同行網(wǎng)絡(luò)中產(chǎn)生不同成員組合.基于該視角，將文檔、主題和詞延伸為團(tuán)體旅客(簡稱：團(tuán)體)，出行目的(標(biāo)注前仍稱主題)和個(gè)體特征(簡稱：特征).由于特征可直接觀察，只要能夠識(shí)別同屬一個(gè)團(tuán)體的成員，即可以通過特征共現(xiàn)規(guī)律反推出行決策中對(duì)成員的選擇是基于何種出行目的.

1.2 嵌入出發(fā)時(shí)間的主題模型構(gòu)建與參數(shù)估計(jì)

LDA 中主題標(biāo)注依賴于主題—詞分布.考慮到成員特征各異，團(tuán)體具有統(tǒng)一出發(fā)時(shí)間，而兩者均與出行目的相關(guān)，因此，在LDA框架內(nèi)嵌入出發(fā)時(shí)間生成模塊，將主題—詞分布的外延擴(kuò)展為主題—特征分布及主題—出發(fā)時(shí)間分布，共同為出行目的標(biāo)注提供信息.使用“盤子表示法”描述主題、特征及出發(fā)時(shí)間生成過程，如圖1所示.

圖1 嵌入出發(fā)時(shí)間的主題模型生成過程Fig.1 Generation process of topic model with start time embedded

假設(shè)主題數(shù)為K，團(tuán)體數(shù)為M，團(tuán)體m中第n個(gè)特征為wm,n，共Nm個(gè)，出發(fā)時(shí)間為tm.圖1中，兩個(gè)觀察變量wm,n和tm均由隱變量主題k決定.首先對(duì)主題采樣，特征wm,n對(duì)應(yīng)主題記作k=zm,n，出發(fā)時(shí)間tm對(duì)應(yīng)主題，兩者服從同一個(gè)多項(xiàng)式分布，記為Multi(θm)，假設(shè)分布參數(shù)θm服從先驗(yàn)參數(shù)為α的狄利克雷分布Diri(α).得到各自主題后對(duì)wm,n和tm采樣，wm,n有V個(gè)取值，任意v服從Multi(φk)，假設(shè)分布參數(shù)φk服從先驗(yàn)參數(shù)為β的分布Diri(β)；tm有L個(gè)取值，任意l服從Multi(ψk)，假設(shè)分布參數(shù)ψk服從先驗(yàn)參數(shù)為γ的分布Diri(γ).將wm,n和tm對(duì)應(yīng)的觀察變量樣本集合記為W和T，對(duì)應(yīng)的隱變量樣本集合記為Z和Z′.

但是，在教學(xué)過程中，學(xué)生對(duì)中藥標(biāo)本利用率不高，存在以下問題：（1）不能較好地保管中藥實(shí)物，因?yàn)橹兴幑逃械淖匀粚傩?，學(xué)生不知道怎么保存，常有學(xué)生課上用完、課后就扔；（2）有的學(xué)生雖然將實(shí)物保存起來，但因保存方法不對(duì)，很快就會(huì)變質(zhì)，加之學(xué)生嫌臟怕麻煩，課余時(shí)間也很少拿出來用；（3）在課后復(fù)習(xí)時(shí)學(xué)生也常拿出實(shí)物使用，但由于缺乏好的學(xué)習(xí)方法，常?？催^即忘，學(xué)習(xí)效果不佳。

鑒于存在隱變量，采用馬爾可夫蒙特卡洛模擬中的吉布斯采樣算法(Gibbs Sampling)進(jìn)行參數(shù)估計(jì).算法核心是根據(jù)觀察變量和隱變量的聯(lián)合分布構(gòu)造完全條件概率，進(jìn)行J輪隨機(jī)采樣，在滿足馬爾科夫鏈?zhǔn)諗慷ɡ淼那疤嵯履M真實(shí)分布.根據(jù)貝葉斯定理，zm,n和的完全條件概率分別為

式中：下標(biāo)i=(m,n)；?i(或?m)為當(dāng)前采樣維度i(或m)以外的維度，不同維度間采樣過程相互獨(dú)立；和為當(dāng)前主題k中特征和出發(fā)時(shí)間的計(jì)數(shù)值；和為當(dāng)前團(tuán)體m中特征和出發(fā)時(shí)間對(duì)應(yīng)主題k的計(jì)數(shù)值.

由于多項(xiàng)式分布Multi(θm)、Multi(φk)、Multi(ψk)均與其先驗(yàn)狄利克雷分布Diri(α)、Diri(β)、Diri(γ)構(gòu)成共軛分布，因此，參數(shù)θm、φk和ψk對(duì)應(yīng)的后驗(yàn)分布服從狄利克雷分布，其中，上標(biāo)為k、v、l的參數(shù)采用極大似然法估計(jì)，即

基于式(5)，給定新的團(tuán)體，假設(shè)特征為，則出發(fā)時(shí)間的后驗(yàn)概率可以在主題分布預(yù)測結(jié)果基礎(chǔ)上計(jì)算，即

算法流程如圖2所示.

圖2 Gibbs 采樣算法流程Fig.2 Flowchart of parameter estimation by Gibbs sampling

2 面向主題建模的數(shù)據(jù)處理及性能驗(yàn)證

2.1 票務(wù)數(shù)據(jù)

采用經(jīng)脫敏的北京市省際道路客運(yùn)實(shí)名制聯(lián)網(wǎng)售票數(shù)據(jù)(簡稱：票務(wù)數(shù)據(jù))，包含2014—2018年3月出京購票記錄.其中：實(shí)名制信息僅保留旅客辨識(shí)碼、年齡和性別；其余所用字段包括檢票日期、班次號(hào)、下單時(shí)間及目的地編號(hào)，旅客發(fā)送量年平均降低13.6%.選取目的地為山西省的樣本進(jìn)行案例研究，包含1 047 520 名旅客，共1 944 241條出行記錄.

2.2 團(tuán)體重建及特征設(shè)計(jì)

結(jié)伴出行通常由1人購買所有車票，故將具有一致毫秒級(jí)下單時(shí)間和班次號(hào)的2 名及以上旅客判定為團(tuán)體旅客.利用上述算法共識(shí)別出320 474個(gè)團(tuán)體，占所有記錄的38.4%.主題模型采用詞袋式特征，利用前述7 個(gè)字段提取3 類信息，計(jì)算成員特征后作離散化處理，使每個(gè)取值具有獨(dú)立語義，結(jié)果如表1所示(刪除少量相對(duì)特定出行目的傾向性不強(qiáng)的取值).其中，“年齡—性別二元組合”表示旅客社會(huì)關(guān)系，“上下文”衡量旅客關(guān)于某個(gè)目的地的歷史經(jīng)驗(yàn)，“潛在同伴數(shù)”借鑒復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)度的概念，表征同行網(wǎng)絡(luò)規(guī)模.將出發(fā)時(shí)間分為6種：春運(yùn)、節(jié)假日、周末、工作日、暑運(yùn)周末及暑運(yùn)工作日.

表1 特征設(shè)計(jì)及描述Table 1 Feature design and description

2.3 調(diào)查數(shù)據(jù)

為驗(yàn)證主題模型相較于既有方法在出行目的推斷中的優(yōu)勢，于2020年1月依托某互聯(lián)網(wǎng)平臺(tái)實(shí)施面向道路客運(yùn)團(tuán)體旅客的出行調(diào)查.其中，出行目的劃分為公務(wù)商務(wù)、放假返鄉(xiāng)、旅游休閑及一般私務(wù)；其余問項(xiàng)參照票務(wù)數(shù)據(jù)所含信息進(jìn)行設(shè)計(jì).調(diào)查共獲得540 份有效數(shù)據(jù)(簡稱：調(diào)查數(shù)據(jù))，上述4 類出行目的分別占12.2%、34.4%、39.3%及14.1%.

2.4 基于調(diào)查數(shù)據(jù)的模型驗(yàn)證

按70%和30%將調(diào)查數(shù)據(jù)劃分為訓(xùn)練集和測試集，選取神經(jīng)網(wǎng)絡(luò)(ANN)和梯度提升決策樹(GBDT)作為基準(zhǔn)模型.為反映樣本分布不平衡條件下分類性能，采用受試者特征曲線下方面積(AUC)評(píng)價(jià)，如表2所示.

表2 基于AUC 值的模型對(duì)比Table 2 Model comparison using AUC values

ANN和GBDT等監(jiān)督學(xué)習(xí)方法雖然能較好識(shí)別公務(wù)商務(wù)等目的，但對(duì)出行特征典型性較差的一般私務(wù)近似隨機(jī)猜測(AUC為0.500)；相比而言，嵌入出發(fā)時(shí)間的主題模型分類效果更均衡，且除放假返鄉(xiāng)外均優(yōu)于基準(zhǔn)模型.

3 道路客運(yùn)團(tuán)體旅客出行目的研究：以北京—山西為例

3.1 考慮出發(fā)時(shí)間預(yù)測的主題數(shù)選擇

超參數(shù)K決定聚類精細(xì)程度.主題模型多以困惑度衡量最優(yōu)K值：困惑度越小，對(duì)下一特征預(yù)測不確定程度越低，聚類效果越好.由于模型具備對(duì)出發(fā)時(shí)間預(yù)測能力，而這一能力強(qiáng)弱取決于聚類效果，故綜合困惑度及預(yù)測精度確定K值，并間接驗(yàn)證聚類效果.由式(6)，以概率最高1 項(xiàng)和前2項(xiàng)出發(fā)時(shí)間作為輸出，對(duì)應(yīng)精度記為p1和p2.如圖3所示.

當(dāng)K=50 時(shí)，p1和p2同時(shí)取最大值，即0.638和0.909；困惑度隨K增加而降低，在K＜35 時(shí)，下降較快，此后趨于平緩.為避免K過大時(shí)泛化能力不足，取K=50.

3.2 考慮特征分布與出發(fā)時(shí)間分布的出行目的推斷

為縮短訓(xùn)練時(shí)間，取20%的票務(wù)數(shù)據(jù)訓(xùn)練模型.Gibbs 算法經(jīng)歷J輪采樣完成老化過程后，按式(4)和式(5)計(jì)算，得到每個(gè)主題特征分布和出發(fā)時(shí)間分布，綜合兩者完成主題標(biāo)注.過程及結(jié)果如圖4所示.

圖4中，左側(cè)樹狀圖將50 個(gè)主題分層聚類并標(biāo)注為5種主要、9種次要類型出行目的，下方括號(hào)內(nèi)數(shù)字為基于剩余80%數(shù)據(jù)得到的對(duì)應(yīng)團(tuán)體比例，任意團(tuán)體m賦予唯一主題k=arg max；中間柱狀圖為每個(gè)主題特征分布；簡化起見，右側(cè)條形圖僅列舉主要類型中1 個(gè)典型主題的出發(fā)時(shí)間分布和最主要8項(xiàng)特征的取值概率.

圖3 不同主題數(shù)取值情況下模型困惑度及出發(fā)時(shí)間預(yù)測精度Fig.3 Perplexity and precision of start time prediction in case of different values of K

圖4 出行目的推斷結(jié)果Fig.4 Result of trip purpose inference

如圖4所示，將青壯年為主且出行頻率較高或出行間隔較短，出發(fā)時(shí)間多為工作日的主題標(biāo)注為公務(wù)商務(wù)；具有初次出行時(shí)間較早、多次等特征，且以春運(yùn)和節(jié)假日為主的出行標(biāo)注為放假返鄉(xiāng)；此前從未去過概率較高，且以節(jié)假日或暑運(yùn)為主的出行標(biāo)注為旺季旅游.不滿足以上3類典型特征的出行標(biāo)注為一般私務(wù).有2 種例外情況，其一以老年夫婦結(jié)伴1年以上為特征，標(biāo)注為探親訪友；其余被識(shí)別為非常規(guī)模式.主題17 和31 反映多人持續(xù)1年以上僅在暑運(yùn)的頻繁出行，主題30和42 反映最短間隔為1 個(gè)月且持續(xù)1年以上僅在節(jié)假日的頻繁出行.因此，放假返鄉(xiāng)和旅游休閑是北京—山西道路客運(yùn)團(tuán)體主要出行需求，占比大約為30%；一般私務(wù)和公務(wù)商務(wù)占比較低，非常規(guī)模式為7.3%.

計(jì)算詹森-香農(nóng)散度(JS)比較訓(xùn)練集與測試集的主題分布得知，JS 為0.000 15，表明訓(xùn)練結(jié)果具有極強(qiáng)的可靠性.

3.3 不同區(qū)域出行目的構(gòu)成及演化研究

2012年底，北京—太原高鐵通車；2014年7月，太原—西安高鐵通車.考慮高鐵開通時(shí)序，將目的地區(qū)、縣分為3類，即先開通區(qū)域(太原)，后開通區(qū)域(晉西南)和未開通區(qū)域.對(duì)比各區(qū)域出行目的構(gòu)成情況，如圖5所示.

圖5 3 類區(qū)域出行目的構(gòu)成對(duì)比Fig.5 Comparison of trip purpose configuration in three areas

先開通及后開通區(qū)域出行目的構(gòu)成相似，表現(xiàn)出失衡態(tài)勢，僅有例外返鄉(xiāng)和旺季、淡季旅游這類非強(qiáng)制出行；而未開通區(qū)域仍保留多元化出行目的構(gòu)成，不存在明顯占主導(dǎo)的出行目的.

以后開通區(qū)域5 個(gè)區(qū)、縣為對(duì)象，采用固定效應(yīng)面板回歸模型，研究在高鐵開通前(2014年)，高鐵開通后(2015—2017年)各目的出行量演化影響因素.列出通過F檢驗(yàn)的6 類出行目的分析結(jié)果，如表3所示.

表3 固定效應(yīng)面板回歸模型結(jié)果Table 3 Result of fixed effects panel regression model

由表3可知，各目的出行量均呈萎縮趨勢，但受各因素影響程度不一.其中，例外返鄉(xiāng)受高鐵開通和轎車保有量增加的抑制作用最為顯著，旺季、淡季旅游和私人事務(wù)次之，典型返鄉(xiāng)和學(xué)生放假抑制作用較??；城鎮(zhèn)化率的增加有助于提升道路客運(yùn)團(tuán)體旅客出行量；國內(nèi)生產(chǎn)總值(GDP)的影響均不顯著.

4 結(jié) 論

本文構(gòu)建嵌入出發(fā)時(shí)間的主題模型可以在不依賴回訪調(diào)查前提下推斷團(tuán)體旅客出行目的.模型對(duì)于主題標(biāo)注具有同時(shí)考慮特征分布和出發(fā)時(shí)間分布的優(yōu)勢，對(duì)出發(fā)時(shí)間預(yù)測精度為90.9%，證明了模型的有效性；與監(jiān)督學(xué)習(xí)方法相比，可以更好地識(shí)別私務(wù)出行.基于票務(wù)數(shù)據(jù)，模型將50個(gè)主題標(biāo)注為4種常規(guī)出行目的，以及無法用既有模型發(fā)現(xiàn)和概括，但卻不容忽視的非常規(guī)類型.案例分析發(fā)現(xiàn)，道路客運(yùn)出行目的構(gòu)成呈現(xiàn)顯著地區(qū)差異；面板模型分析表明，高鐵開通情況和轎車保有量對(duì)6類目的出行量存在負(fù)向影響，城鎮(zhèn)化率則具有正向影響.