內容大鋼
隨著城市化進程不斷深入和智能交通系統的快速發展，交通行為分析已成為提升路網效率、保障出行安全及實現精細化管理的關鍵支撐。傳統模型在應對高度動態、異質化的個體決策與大規模交通流耦合問題時面臨瓶頸，而人工智慧技術為解析複雜行為規律提供了新途徑。在此背景下，需構建融合經典理論與現代數據驅動方法的研究體系，以系統應對從微觀行為決策到宏觀交通態勢的跨尺度挑戰。本書聚焦交通行為分析的前沿理論與方法，構建了「人工智慧驅動」與「經典模型驅動」並行的雙核研究體系，系統闡述了從活動日程、時空地點到方式、路徑選擇的全鏈條建模。內容貫穿深度逆強化學習、動態離散選擇、多源數據路徑重構等核心技術，並前瞻性地探討了理論-數據模型的協同方法與活動容量分析在城市規劃中的創新應用。本書旨在為交通智能化研究與精細化管理提供兼具理論深度與實踐價值的系統方法論。
作者介紹
李大韋//宋玉晨//劉東傑//張桐//陳瓊|責編:丁丁
目錄
第1章 緒論
1.1 研究背景：存量優化時代的交通行為分析新需求
1.2 核心議題：理論與數據驅動的交通行為建模範式
1.3 本書主要內容與篇章結構
第2章 基於深度逆強化學習的活動日程表建模
2.1 概述
2.2 基於IRL的活動日程表建模問題表述
2.2.1 基於個體活動-出行時間軌跡的馬爾可夫決策過程
2.2.2 逆強化學習框架下的活動日程表建模表述
2.2.3 模型設計補充
2.3 基於對抗逆強化學習的活動日程建模框架
2.3.1 構建生成器G：上下文感知的策略生成器和值估計器
2.3.2 構建判別器D：上下文感知的獎勵估計器
2.3.3 框架更新過程
2.4 實驗結果及分析
2.4.1 策略性能評估
2.4.2 獎勵函數恢復評估
2.4.3 計算效率評估
2.4.4 模型泛化性評估
2.4.5 活動-出行行為分析
2.5 本章小結
第3章 基於多頭自注意力網路的活動地點預測
3.1 概述
3.2 問題描述
3.3 上下文依賴的活動地點選擇機理
3.4 模型框架：融合多維信息的MHSA網路
3.4.1 網路和全連接殘差塊
3.4.2 聯合Loss設計與網路訓練
3.5 案例分析
3.5.1 數據與預處理
3.5.2 實驗設計
3.5.3 實驗結果與分析
3.6 本章小結
第4章 考慮計算效率和動態推理能力的出行方式選擇模型
4.1 概述
4.2 寬度選擇模型（BCM）的理論構建與改進
4.2.1 傳統離散選擇模型（DCMs）的局限性
4.2.2 單層前饋神經網路（SLFNN）的局限性
4.2.3 寬度學習系統（BLS）的技術優勢與適配性
4.3 寬度選擇模型（BCM）的理論構建與改進
4.3.1 BCM模型的理論基礎驗證
4.3.2 基礎版寬度選擇模型（Vanilla-BCM）構建
4.3.3 改進版寬度選擇模型（Res-BCM）設計
4.4 實驗分析：預測性能、計算效率與動態推理能力評估
4.4.1 數據描述
4.4.2 實驗設置
4.4.3 預測性能和計算效率評估
4.5 模型可解釋性與行為洞察
4.5.1 選擇概率函數
4.5.2 備選方案的替代模式
4.5.3 彈性係數計算與解讀
4.6 本章小結
第5章 基於異質動態離散選擇的活動-出行鏈建模
5.1 概述
5.2 活動-出行鏈的動態性與異質性特徵
5.2.1 活動-出行鏈的動態性特徵
5.2.2 活動-出行鏈的異質性特徵
5.3 模型構建：融合有限混合分佈與隨機參數的動態離散選擇模型
5.4 求解演算法：基於條件選擇概率運算元的EM演算法
5.5 案例分析：居民活動-出行鏈選擇行為解析
5.5.1 數據描述及模型配置
5.5.2 參數估計結果
5.5.3 分段時變敏感性分析
5.5.4 模型校核結果
5.6 本章小結
第6章 面向RFID固定檢測數據的動態遞歸路徑選擇建模與重構
6.1 概述
6.2 不完備數據下的路徑選擇建模挑戰
6.3 模型構建：基於動態遞歸Logit的路徑選擇模型
6.4 似然函數構建與路段動態利用率推算
6.4.1 感測器觀測路徑的似然函數
6.4.2 路段的動態利用率推算
6.5 案例分析：模型驗證與動態交通流應用
6.5.1 數據描述及實驗設置
6.5.2 參數估計及模型驗證
6.5.3 模型應用與場景分析
6.6 本章小結
第7章 協同離散選擇模型與神經網路的路徑選擇建模
7.1 概述
7.2 背景：數據驅動與理論驅動的融合路徑
7.3 考慮隱式可用性/感知的路徑選擇集生成模型
7.3.1 具備隱式可用性/感知的MNL
7.3.2 具備隱式可用性/感知的CVAE選擇集生成框架
7.4 考慮偏好異質性的神經嵌入式路徑選擇模型
7.4.1 路徑選擇建模的相關背景
7.
[