《非集計交通需求模型中輸入數據的人工合成方法》是依託北京交通大學，由馬路擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：非集計交通需求模型中輸入數據的人工合成方法
- 項目類別：青年科學基金項目
- 項目負責人：馬路
- 依託單位：北京交通大學
項目摘要,結題摘要,
項目摘要
非集計的人口數據是非集計交通需求模型以及基於活動的交通規劃模型所必需的數據輸入。但由於大量的數據調查需耗費巨大的經濟、時間成本，因此造成了此類數據的匱乏，也在世界範圍內阻礙了非集計交通需求模型等較先進的交通模型的實際套用。相對於較傳統的模型，這類模型有著信息量大和對人口數據特徵的變化敏感等優勢。我國正處於經濟發展的高速時期，對未來城市交通系統的發展也提出了更高的要求。在這種形勢下，較先進的交通規劃和需求模型已經逐漸成為我國乃至世界範圍內相關領域研究和實際套用的重要發展方向。為了保障上述較先進交通模型的套用，實際中通常使用數據人工合成的方法對人口數據的整體進行估計，以降低數據調查所造成的高昂成本。本研究結合統計學中對不確定樣本的估計概念，開發出一種數據合成的方法框架，並結合我國城市人口基數大和密度大等特點，提出對該方法計算過程的最佳化方案。同時對國內外當前的人口數據人工合成的方法進行改進。
結題摘要
使用非集計模型進行交通需求預測以及政策評估時，需要大量詳細的人口社會經濟屬性作為輸入信息。早期的人口數據合成方法主要依賴於疊代比例擬合(IPF) 的方法來對人口屬性所組成的多維列聯表進行估計。這一類的方法有很多局限性，例如考慮多層面控制信息的能力較差，因此過去數年針對這一類問題也已發展了一些相關的研究。本項目提出了一種基於適應度的人口數據合成方法 (FBS) 。該方法能夠繞過對多維聯合分布的估計，而直接生成一個家庭的序列來匹配多層面的控制信息。實際的套用和核驗分析表明， 本項目所提出的算法相對於傳統的IPF方法有著較高可行性和效率。本研究同時提出了一種對人工合成數據進行綜合核算的方法，該方法通過與真實數據進行比對，發現本文所提出的FBS 方法能夠合成屬性之間的多維相關性。本項目發現，FBS方法所需要的疊代次數介於合成數據量的一倍到三倍之間。另一個方面，本項目針對人工數據合成方法對未來年數據合成精度開展了一系列的實證評估分析和研究。研究考慮了不同的基年人口，數據合成方法以及控制屬性信息對未來年的人口合成精度影響。實證研究結果表明，考慮多層面控制信息有助於合成精確的基年人口，這也同時極大的影響了未來年合成人口數據的精度。雖然未來年通常只有少量可獲得的控制屬性信息，基於合適的數據融合方法來使用多層面控制信息有利於未來年合成人口的精確度。本項目的研究同時發現合成數據的整體誤差與輸入信息的誤差呈較強的線性關係。且在控制了合成人口量以及人口增長率的前提下，合成人口的精確度的增加表出了統計上顯著的特徵。總得來說，本項目所提出的FBS方法是一個高效可塑的方法，對生成大量詳細的人口社會經濟特徵數據有著重要的價值。且本項目發現精確的基年數據與未來年的控制信息極大的影響了未來年合成數據的精確度。
