面向交通需求建模的合成公交出行记录生成与多维度保真度评估——CTGAN与TVAE对比研究

《Big Data and Cognitive Computing》:Synthetic Transit Trip-Record Generation Using Deep Generative Models for Travel Demand Modeling

【字体: 大 中 小 】 时间:2026年10月21日 来源:Big Data and Cognitive Computing 5.3

编辑推荐:

  合成公交出行记录生成可通过提供具有现实空间、时间和运营特征的非集计记录,支撑基于活动和基于智能体的交通需求建模。传统人口合成方法,如迭代比例拟合(Iterative Proportional Fitting, IPF)和迭代比例更新(Iterative Pro

  
合成公交出行记录生成可通过提供具有现实空间、时间和运营特征的非集计记录,支撑基于活动和基于智能体的交通需求建模。传统人口合成方法,如迭代比例拟合(Iterative Proportional Fitting, IPF)和迭代比例更新(Iterative Proportional Updating, IPU),仍被广泛使用,但高维混合类型出行数据难以被复现。本研究利用明尼苏达州出行行为调查(Travel Behavior Inventory, TBI)2021年公交车上调查(Transit On-Board Survey),评估合成公交出行记录生成,而非完整的家庭—个人层面人口合成。研究评估两种成熟的深度表格生成模型,即条件表格生成对抗网络(Conditional Tabular Generative Adversarial Network, CTGAN)和表格变分自编码器(Tabular Variational Autoencoder, TVAE),并与独立经验边际采样基线进行比较。由于2670条记录中有2081条缺少观测到的下车站时间戳,时长派生变量被排除在主要分析之外。评估结合边际保真度、连续变量相关性保持、线路—站点与线路—时段联合分布、空间Jensen–Shannon距离以及合成数据训练—真实数据测试(Train-on-Synthetic, Test-on-Real, TSTR)效用。独立边际基线可紧密复现单个特征分布,但相关性保持和下游效用明显较弱,表明强单变量保真度本身并不能确保任务相关结构的保持。TVAE表现出最强的连续变量相关性保真度,其平均绝对相关差为0.037,而CTGAN为0.214,独立边际基线为0.267。然而,TVAE对上车站点ID、下车站点ID和时段的边际保真度弱于两种替代方法。其TSTR准确率为0.530,与真实数据基准准确率0.500的95% bootstrap置信区间重叠,未提供预测效用更优的证据。结果表明,在评估合成交通数据时,互补的边际、多变量、空间和下游验证十分重要。
研究背景与问题:合成公交出行记录(synthetic transit trip-record generation)可为基于活动的交通需求建模(activity-based travel demand modeling)和基于智能体的交通需求建模(agent-based travel demand modeling)提供具有现实空间、时间与运营特征的非集计记录,用于分析出行选择、线路使用、公交需求及规划情景响应。传统人口合成方法如迭代比例拟合(Iterative Proportional Fitting, IPF)和迭代比例更新(Iterative Proportional Updating, IPU)仍被广泛使用,但其主要匹配选定边际分布,难以保持高维联合关系;出行行为涉及社会人口属性、出行目的、线路、站点、时段、时长、距离和接驳方式等连续与多水平类别变量,稀有类别、稀疏组合和高基数变量在样本较小时难以表征。深度生成模型为学习复杂表格分布提供可能,但合成数据可能复现部分统计模式却损失变量级分布、高基数类别频率或多变量关系,故需多准则评估。该研究因此以明尼苏达州出行行为调查(Travel Behavior Inventory, TBI)2021年公交车上调查(Transit On-Board Survey)为数据来源,聚焦公交出行记录合成而非完整家庭—个人人口合成,评估条件表格生成对抗网络(Conditional Tabular Generative Adversarial Network, CTGAN)和表格变分自编码器(Tabular Variational Autoencoder, TVAE),并设置独立经验边际采样基线(independent empirical marginal-sampling baseline)作为非深度参照,采用边际、多变量、联合、空间和下游效用指标进行验证。其意义在于区分单变量保真与任务相关结构保持,并为合成交通数据在模拟、规划或政策分析前的严格验证提供依据。

关键技术方法(不超过250字):数据来自公开的TBI 2021 Transit On-Board Survey Pilot文件TBI2021TransitOnBoardSurveyOnToOff.csv,共2670条记录;因2081条缺少观测下车站时间戳,主要分析排除时长派生变量。模型输入为6个类别变量(线路代码、上车站ID、下车站ID、采集方法、调查时段、星期)和6个连续变量(上下车经纬度、出行距离、对数出行距离);上下车站ID保留前50类,其余归为Other。按TIME PERIOD分层80/20划分,得到2136条真实训练记录和534条留出真实测试记录;CTGAN与TVAE均训练150轮、批大小200、随机种子42;独立边际基线从同一训练集逐特征独立重采样。评估采用Kolmogorov–Smirnov(KS)检验、卡方检验(chi-square test, χ2)、总变差距离(total-variation distance, TV距离)、相关矩阵差、联合TV距离、二维Jensen–Shannon距离及TSTR逻辑回归。

研究结果:
6.1 探索性CTGAN合成结果:探索性运行使用含时长变量的较广特征集,训练1000轮;KS与χ2检验显示所有变量p值低于0.05,真实与合成分布存在显著差异,时长变量受临时下车站时间填补影响,故不作为主要比较依据。结果表明CTGAN可学习一般模式,但细节分布仍有差异;由于未系统调参,不能解释为架构固有限制。
6.2 探索性TVAE合成结果:同探索设置下,仅dur_bucket报告p=0.9999,但该变量依赖临时填补,仅作诊断;多数连续变量显著不同,类别变量均未通过卡方检验。说明探索阶段TVAE可复现部分工程化特征,但类别分布复现有限,主要比较仍依据无插补留出分析。
6.3 探索性比较:两种模型均未完全对齐原始分布,复杂空间与多水平类别分布尤其困难;这些挑战凸显高保真合成交通数据的难度,后续主要比较纳入独立边际基线并以留出真实观测评估。
6.4 基于留出真实数据的边际保真度:比较留出真实数据与独立边际、CTGAN、TVAE合成数据。独立边际基线按构造在多数单变量上最接近,连续变量KS统计量为0.026—0.041;TVAE对六个连续变量KS更小,CTGAN对若干类别边际更接近;但TVAE在BOARD_STOP_ID、ALIGHT_STOP_ID和TIME PERIOD的TV距离分别为0.213、0.276、0.163,大于基线和CTGAN。结论是单变量接近不证明关系保持。
6.5 多变量相关性保真度:独立边际基线的平均绝对相关差为0.267、Frobenius范数为2.040;CTGAN为0.214和1.755;TVAE为0.037和0.273。说明TVAE在评估配置下最强地保持连续空间—距离变量的相关结构,而独立重采样会破坏依赖结构。
6.6 联合交通与空间保真度:TVAE的线路—上车站与线路—下车站联合TV距离分别为0.257和0.306,小于基线(0.662、0.655)和CTGAN(0.655、0.665);但线路—时段TV距离以基线最小(0.137),CTGAN为0.224、TVAE为0.182;空间Jensen–Shannon距离以TVAE最小(上车0.545、下车0.537),基线(0.715、0.706)低于CTGAN(0.793、0.819)。真实训练—真实测试参考距离更小,表明合成与留出真实分布仍更远。
6.7 下游TSTR效用:以逻辑回归预测TIME PERIOD,真实训练准确率0.500、Macro-F1 0.474、Weighted-F1 0.513;基线为0.204、0.198、0.209;CTGAN为0.273、0.259、0.284;TVAE为0.530、0.452、0.521。TVAE准确率95% bootstrap置信区间0.485—0.569与真实0.457—0.541重叠,不证明优于真实数据;其Macro-F1低于真实。CTGAN低于真实但高于基线,表明保留部分任务相关多变量信息。
6.8 模型性能综合解释:质量不能仅由边际分布判断;基线单变量强但连续相关差、TSTR最低;CTGAN在若干类别边际有竞争力且TSTR高于基线,但线路—时段与空间Jensen–Shannon距离不如基线;TVAE在连续相关、线路—站点、空间和下游效用上强于CTGAN,却对上/下车站ID和时段边际较弱。研究限制包括2670条记录、单一分层80/20划分、单一预测任务和未系统调参,故结果只代表评估配置与数据集下的表现。

讨论与结论翻译:本研究评估CTGAN与TVAE合成含混合连续和类别特征的公交出行记录,并设独立经验边际采样基线区分单变量保真与多变量结构保持。两模型捕捉部分观测数据特征,但相对表现取决于保真维度。研究范围为公交出行记录合成而非完整家庭/个人人口生成;因2670条中2081条缺观测下车站时间戳,主要分析排除受固定下车站时间填补影响的时长派生变量。扩展评估显示,基线紧密复现单个特征分布,但连续相关保持和TSTR效用明显较差;平均绝对相关差为0.267,CTGAN为0.214,TVAE为0.037;TSTR准确率分别为真实0.500、基线0.204、CTGAN 0.273、TVAE 0.530,说明单变量边际接近不保证下游分析所需跨变量结构。TVAE在连续相关、线路—站点、空间和下游预测效用上强于CTGAN;但基线线路—时段TV距离最小,并在两个空间Jensen–Shannon指标上优于CTGAN;CTGAN在若干类别边际有竞争力且TSTR高于基线;TVAE对上车站ID、下车站ID和时段的TV距离分别为0.213、0.276、0.163,弱于两种替代方法。TVAE的TSTR准确率0.530略高于真实0.500,但置信区间大幅重叠,Macro-F1低于真实,且真实分类器本身仅中等表现,故不能解释为合成数据优于真实观测。CTGAN与TVAE差异应在评估配置下解释;未系统调参,CTGAN较弱结果不证明其架构固有劣势。任何模型均不应被视为普遍复现完整观测分布或自动替代真实公交调查数据;合成交通数据可在强单变量保真下仍损失多变量和任务相关关系,故应采用互补的边际、多变量、空间和下游效用标准进行任务特定验证。未来可开展系统调参、混合模型、特征工程与降维、重复划分与额外预测目标、隐私风险评估、数据增强与不平衡处理、应用适配,并在具备外部家庭/个人控制总量时与IPF/IPU直接比较,以及探索胶囊网络等关系架构。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号