Advancing Transportation Mode Share Analysis with Built Environment: Deep Hybrid Models with Urban Road Network

交通方式份额分析对各种实际交通任务非常重要，因为它有助于研究人员了解乘客的出行行为和选择。一个典型的例子是通过考虑社会人口学因素（如年龄、收入等）和旅行方式的属性（如旅行成本和时间）来预测社区的出行方式份额。然而，目前仅有有限的工作将城市建成环境的结构（如道路网络）整合到交通方式份额模型中，以捕捉建成环境的影响。这项任务通常需要手动特征工程或城市设计特征的先验知识。在本研究中，我们提出了深度混合模型(DHM)，它将道路网络和社会人口学特征直接组合为旅行方式份额分析的输入。使用图嵌入技术，我们增强了旅行需求模型对城市结构的更强大的表示。在芝加哥的出行方式份额预测实验中，结果表明DHM可以为社会人口学结构提供有价值的空间洞察力，提高了估计城市不同出行方式份额的旅行需求模型的性能。具体而言，DHM的结果提高了20\%以上，同时保留了选择模型的解释能力，展示了它在解释性、预测准确性和地理洞察力方面的优越性。

论文旨在将城市建筑环境的结构，例如道路网络，与社会人口学特征结合起来，直接作为旅行方式份额分析的输入，以提高预测准确性和地理洞察力。

使用图嵌入技术将道路网络与社会人口学特征结合起来，提高旅行需求模型的表现力，从而改善城市层面不同出行方式的预测准确性。

论文使用深度混合模型（DHM）直接将道路网络和社会人口学特征作为输入，提高了城市层面不同出行方式的预测准确性，同时保留了选择模型的解释能力。实验使用芝加哥的数据集，结果表明DHM可以提供有价值的空间洞察力，改善城市层面不同出行方式的预测准确性，并且具有较强的解释能力。

与该论文相关的研究包括但不限于：1.《Integrating Road Network and Urban Form for Travel Mode Choice: A Review of Literature》；2.《A Graph Convolutional Neural Network Model for the Prediction of Urban Passenger Flow》；3.《Understanding the Impact of Urban Form on Travel Behavior Using Spatial Analysis Techniques》。