同济大学杨超教授课题组：数据驱动的个体活动与出行预测

城市交通需求预测是城市交通规划的关键环节之一，是确定城市交通网络结构与城市功能布局的重要依据。而交通模型作为交通需求预测的载体，其精度直接影响着城市交通规划的合理程度与科学水平，乃至于关系到整个城市未来社会经济的发展。如何更科学、合理、精确地构建交通需求模型进行交通需求预测，是当前我国城市交通规划中面临的重要课题。在大数据迅猛发展的背景下，个体活动与出行建模正经历从传统统计模型向数据驱动智能模型的深刻变革。

▌背景一：由集计模型向个体模型转变

在传统的交通需求预测方法中，集计模型长期占据主导地位，主要依赖于统计学方法对出行群体进行整体建模。然而，随着城市交通管理的精细化发展和对个体出行行为研究的深入，个体模型逐渐成为研究重点。在个体模型的发展过程中，基于活动的交通需求模型(Activity-Based Travel Demand Model，ABM) 作为一种更具行为基础的建模方法，被广泛应用于交通需求分析。该模型通过模拟个体日常活动及其出行行为，更全面地评估交通系统的运行状况，并能够从个体层面分析交通政策对居民生活方式的影响。

▌背景二：由单日模型向多日模型转变

现有的活动模型大多对居民的单日活动进行建模，忽略了居民多日活动的连续性和周期性特征。现实中，居民的日常活动往往具有时间依赖性，仅基于单日活动进行建模难以准确反映多日活动的动态变化。因此，由单日活动模型向多日活动模型的转变成为当前研究的重要趋势。多日活动模型的构建可以更系统地揭示个体在不同时间维度上的出行规律，尤其是在涵盖工作日与周末的情况下，可更全面地刻画通勤、购物、社交等多样化活动模式。国外关于多日活动模型的研究已取得一定进展，而在国内，符合我国城市特征的多日活动建模体系仍处于起步阶段。因此，开展符合我国城市环境的个体多日活动预测研究，不仅具有重要的理论价值，也能为城市交通管理和规划提供更精准的决策支持。

▌背景三：数据驱动建模成为必然趋势

随着信息技术和大数据技术的发展，交通需求建模方法也在经历从统计模型驱动向数据驱动的转变。传统的统计建模方法主要依赖于小规模居民出行调查数据，并基于统计假设进行建模，常见的模型方法包括线性回归、Logit 模型等。然而，这些方法难以有效处理高维、非线性和时空异构的复杂数据，尤其在多日活动建模方面，传统方法的适应性和预测能力均受到限制。相比之下，数据驱动的建模方法依托大规模时空数据，结合机器学习、深度学习和自然语言处理等先进算法，能够自动挖掘居民活动模式，提升模型的预测精度和适应性。例如，随机森林(Random Forest，RF)、极梯度提升树XGBoost (Extreme Gradient Boosting)等方法可在海量数据中筛选出最相关的特征变量，减少人为干预，提高建模效率。而长短期记忆网络LSTM (Long Short-Term Memory) 和Transformer 模型因其在时序数据建模中的优势，能够更好地捕捉个体多日活动的长期依赖关系，提高多日活动与出行预测的精度。

在如何利用大数据、机器学习和深度学习方法进行个体多日活动与出行建模方面，尚未形成一套以数据为核心驱动的完整方法体系。鉴于此， 《数据驱动的个体活动与出行预测方法》 一书致力为研究者和工程实践人员提供系统化的方法论与技术框架。

点击翻页 点击翻页 点击翻页 点击翻页 点击翻页 点击翻页

数据驱动的个体活动与出行预测方法购买

杨超, 陈明垟 著

北京: 科学出版社, 2026. 6

(交通与数据科学丛书)

《数据驱动的个体活动与出行预测方法》围绕“数据驱动、个体、活动、出行” 展开，重点探讨如何利用大规模个体时空数据、机器学习、深度学习与自然语言处理技术，构建一套以数据驱动的个体一周活动与出行预测方法体系。研究内容涵盖个体一周活动链的提取、人口合成、活动模式识别与预测、活动序列生成、次要活动目的地选择与活动时间更新、出行方式推断及案例应用等。

技术路线图

本书按照“活动链提取–人口合成–活动生成(包括活动模式识别、预测及活动序列生成)–次要活动目的地选择及活动时间更新–出行方式推断–模型应用” 的思路组织本书的技术路线

本书共包含九章。第1 章介绍研究背景、研究目标及数据集情况，并对全书内容进行概述；第2 章概述城市交通需求预测方法的发展演进，重点介绍基于活动的交通需求模型，并对单日与多日活动模型的区别进行讨论；第3 章至第7 章分别介绍个体一周活动链的提取、人口合成、活动模式识别与预测、活动序列生成、次要活动目的地选择与活动时间更新以及出行方式推断方法；第8 章以规划年城市居民一周活动与出行预测为案例，展示本书所提出方法体系的实际应用；最后，第9 章对未来的研究方向与发展趋势进行展望。

规划年个体活动与出行日志生成技术路线

规划年人口一周分活动目的活动次数空间分布

与传统活动模型相比，本书提出的数据驱动的个体活动与出行预测方法体系具有研究时间单元长、精度高、应用周期广等优势，能为学术研究与实际应用提供有力支持。

从理论上看，本书为大数据背景下的个体一周活动与出行预测方法体系提供新的理论框架和分析工具，同时也为一周活动与出行预测模型的构建提供技术参考。从实践应用上看，本书所提出的模型可为交通需求管理与优化、交通规划、动态资源分配等实际应用提供精准的决策支持。例如，其能够有效预测不同工作日内以及工作日与周末之间的活动需求波动，为不同工作日的高峰期交通供给和公共资源配置的优化提供可靠依据。此外，通过预测规划年居民一周活动与出行，可为城市长期交通基础设施投资、综合交通体系设计和城乡空间发展战略的制定提供科学依据。

本文摘编自《数据驱动的个体活动与出行预测方法》（杨超, 陈明垟著. 北京: 科学出版社, 2026. 6）一书“前言”“第1 章绪论”，有删减修改，标题为编者所加。

(交通与数据科学丛书)

责任编辑: 王丽平 孙翠勤

针对当前国内交通需求模型在模拟与预测复杂的个体活动与出行上的局限性，本书聚焦以数据驱动为核心的建模方法在个体活动与出行预测研究中的应用，系统阐述了如何结合多源数据、机器学习与深度学习技术，实现个体多日活动与出行的模拟与预测，并详细介绍了大数据背景下数据驱动的个体活动与出行预测方法体系。

本书介绍的方法体系具有对个体活动与出行捕捉更加灵活、对居民出行需求预测更加精细等优势，适合城市交通规划、需求分析及政策评估的实践需求，能为个体多日交通需求模型的建立提供理论与实践参考。

（本文编辑：刘四旦）

专业品质 学术价值

原创好读 科学品位

一起阅读科学