机器学习算法辅助下城市居民多尺度移动行为决策过程与空间优化研究

Human mobility behaviors and mobilities have received heat debates recently in the fields of Human Geography and Transportation. This project focuses on multiple mobility behaviors across scales of urban residents in China, including residential mobility, employment mobility, daily travel. We develop a new analytical perspective by seeing a mobility trajectory as a whole and then emphasizing the sequential decision-making process embedded in trajectories as well as the relationship among multi-scale mobilities. Since mobility trajectories contains multi-dimensional information and dynamic complexity of sequential decisions, this project recognizes the difficulty in modeling. We thus firstly aim at methodological innovation, by constructing an analysis framework based on machine-learning algorithms, for detecting patterns in moving trajectories and simulating sequential decision processes. Supervised and unsupervised learning algorithms are used to discover habitual and anomalous behavioral patterns among trajectories while inverse reinforcement learning algorithms are applied to mimic the decision-making process in sequence. Secondly, this project unentangles the complex mechanism underlying the decision-making process of mobility behaviors. We investigate the roles of habit in behavioral decisions, the path dependence, lead effects and lagged effects, the dynamic links to contextual environments, as well as the interaction between long- and short- term mobilities. Lastly, empirical studies are conducted to explore the dynamic preferences of social and built environments in the decision-making process of mobility behaviors across scales, so as to provide accurate and dynamic policy assessments for making our behavioral decisions and living environments better.

近年来移动行为与移动性成为人文地理学与交通行为等领域研究的热点。本研究聚焦在中国城市居民的多尺度移动行为（如迁居、就业流动、日常出行等），从移动轨迹整体视角出发，强调移动行为的序列决策过程与多尺度关联性。面对轨迹数据的多维度性与序列决策的动态复杂性，本研究首先构建基于机器学习算法的移动轨迹行为模式挖掘与序列决策过程模拟的分析框架，通过监督学习与无监督学习算法发掘轨迹中的惯常行为与异常行为，并利用逆向强化学习算法模拟移动行为的序列决策过程。其次，围绕移动行为序列决策过程的复杂机理，揭示行为习惯在移动决策中的作用与形成机制、移动决策的路径依赖性、前瞻效应与滞后效应、决策与外部环境之间的动态联系以及长短期移动决策的关联性。最后，通过实证分析探测城市居民在不同尺度移动行为决策过程中对社会环境与建成环境的偏好差异及变化，为移动决策优化与空间引导提供精准与动态的评估。

近年来移动行为与移动性成为人文地理学与交通行为等领域研究的热点。本研究聚焦在中国城市居民的多尺度移动行为（如迁居、就业流动、日常出等），从移动轨迹整体视角出发，强调序列决策过程与多尺度关联性，对移动行为进行深入研究。经过三年对该领域的多方面深入研究，课题组完成了研究计划中的全部计划，并探究其在移动决策优化与空间建设引导方面的应用价值，取得了丰硕的研究成果。在国内外核心期刊上发表相关学术论文13篇，其中SCI/SSCI论文8篇，中文核心期刊5篇，软件著作权1份，各类学术会议报告27次，培养硕士毕业生3人，获学术奖励1次。..面对轨迹数据的多维度性与序列决策的动态复杂性，本研究首先构建基于机器学习算法的移动轨迹行为模式挖掘与序列决策过程模拟的分析框架，通过复杂网络算法与张量分解算法实现对长时间序列移动轨迹数据的转换与挖掘，建立了时空行为轨迹大数据数据库，并通过分析深圳市居民时空行为模式、发现了居民日常出行行为模式中隐含的规律性特征，在空间维度、行为维度与时间特征上存在节律变化。其次，围绕移动行为序列决策过程的复杂机理，揭示行为习惯在移动决策中的作用与形成机制、移动决策的路径依赖性、前瞻效应与滞后效应、决策与外部环境之间的动态联系以及长短期移动决策的关联性。通过最大熵的逆向强化学习算法建立城市居民出行决策模拟方法，并以深圳市居民出行数据为研究样本，成功模拟了居民出行行为决策过程，揭示行为移动过程受到建成环境影响。最后，借鉴机器学习算法和计量经济模型，研究了中国城市背景下建成环境要素对居民时空行为的非线性影响，研究表明土地利用要素、建成环境与城市空间结构特征与机动车出行量、地铁客流量等交通数据之间存在非线性关系与调节作用，研究识别了当前中国大城市发展背景下建设强度维持的最优范围，为城市发展规划中规模强度调控提供科学依据。

内容获取失败，请点击重试