(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210711903.5 (22)申请日 2022.06.22 (71)申请人 东南大学 地址 210096 江苏省南京市玄武区四牌楼 2 号 (72)发明人 李大韦　宋玉晨　刘东杰　贺崇琦　 刘一平　叶正浩　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 王慧 (51)Int.Cl. G06F 30/20(2020.01) G06Q 10/04(2012.01) G06Q 50/30(2012.01) G06F 16/9537(2019.01)G06N 7/00(2006.01) G06F 111/10(2020.01) G06F 111/08(2020.01) (54)发明名称 一种基于巢式动态离散选择的出行活动链 生成方法 (57)摘要 本发明公开了一种基于巢式动态离散选择 的出行活动链生成方法， 包括步骤： S1， 定义动态 离散选择模 型的参数， 构建出行者的全天出行活 动链模型； S2， 定义状态转移矩阵， 将连续阶段的 状态‑选择对之间建立联系； S3， 以理性出行者和 效用最大化决策准则为前提， 推导出每个阶段出 行者的期望效用函数； S4， 定义扰动项的分布， 得 到具有闭合形式的巢式动态离散选择模型； S5， 根据选择特征， 定义即时效用函数， 并计算选项 特定效用函数； (6)对步骤(5)中各种即时效用函 数的参数进行估计， 并进行出行活动链的生成。 本发明通过引入基于巢式选择模型的扰动项分 布， 刻画出出行方式的选择相关性， 能更好地预 测出行者的完整出 行活动链。 权利要求书3页 说明书8页 附图6页 CN 115017720 A 2022.09.06 CN 115017720 A 1.一种基于巢式动态离 散选择的出 行活动链生成方法， 其特 征在于， 包括如下步骤： S1， 根据马尔科夫链的性质， 定义动态离散选择模型的参数， 构建出行者的全天出行活 动链模型； S2， 定义状态转移 矩阵， 将连续阶段的状态 ‑选择对之间建立联系； S3， 以理性出行者和效用最大化决策准则为前提， 推导出每个阶段出行者的期望效用 函数； S4， 定义扰动项的分布， 得到具有闭合形式的巢式动态离 散选择模型； S5， 根据出行目的、 出行地点、 出行方式的选择特征， 定义即时效用函数， 并计算选项特 定效用函数； S6， 利用已知数据对步骤S5中各种即时效用函数的参数进行估计， 并根据得到的期望 效用函数生成出行者的出行活动链， 以观测数据验证活动类型时间安排、 出行方式选择、 地 点选择的集计结果。 2.根据权利要求1所述的基于巢式动态离散选择的出行活动链生成方法， 其特征在于， 所述步骤S1中， 所述动态离散选择模 型的参数包括时间间隔t、 当前所 处位置l、 当前的活动 类型r、 历史的活动记录h， 历史的出行方式记录c、 当前活动累计进行的时段τ； 对于出行者 在每一个阶段k的状态变量xk， 则xk＝(tk， lk， rk， hk， ck， τk)； 出行者在每个阶段k需要做出一些出行活动选择， 组成全天的出行活动链： 用t ′表示停 留或者出行的二项选择， 用r ′表示出行目的选择， l ′表示出行地点选择， m ′表示出行方式选 择； 如果出行者选择停留， 则r ′k＝rk， l′k＝lk， m′k＝mstay； 如果出行者选择出行， 则r ′k为下一待执行的活动， l ′k为下一次活动的地点， m ′k表示出 行方式； 若用ak表示在阶段k所进行的选择， 则ak＝(t′k， r′k， l′k， m′k)； 设选择集受到状态变量 的影响， 并表示 为Ckj(xk)， 则ak∈Ckj(xk)； 用y表示出行者的社会经济属性和出行属性集合， 包括家庭属性H、 个人属性I、 出行距 离TD、 出行时间TT和出行花费TC 。 3.根据权利要求2所述的基于巢式动态离散选择的出行活动链生成方法， 其特征在于， 所述步骤S2中， 第k +1阶段的位置和活动类型与第k阶段的选择相对应， 则连续阶段的状态 ‑ 选择对之间的联系表示 为： f(lk+1|xk， ak)＝l′k和f(rk+1|xk， ak)＝r′k； 当t′k为出行时， 和 其中， 当y不属于x时， 等于x∪y； 否则， 等于x； 两个时间变量t和τ需要根据停留或者出行选择分别更新， 当停留时， t和τ均随着时间 推移， 则f( τk+1|xk， ak)＝ τk+1和f(tk+1|xk， ak)＝tk+1； 当选择出行时， 累计时段变量归零， f( τk+1|xk， ak)＝0， 时段变量需要加上 出行时间。 4.根据权利要求2所述的基于巢式动态离散选择的出行活动链生成方法， 其特征在于， 所述步骤S3中， 用 εk来表示扰动项， 则εk＝( εk(ak1)， εk(ak2)，…， εk(akS))， 其中， εk(akj) 表示在阶段k时， 对应于选项akj的不可观测影响因素， S表示该阶段下的选项 个数；权　利　要　求　书 1/3 页 2 CN 115017720 A 2设出行者在每一个阶段选择某一选项， 则含扰动项的阶段效用函数Vk(xk， y， εk)的表达 式为： 出行者当前的即时效用函数uk(xk， y， ak)、 折减后的未来效用函数和扰动项之和； 则期望效用函数V ′k（xk， y)的表达式为： 其中， Vk表示阶段效用函数Vk(xk， y， εk)， 表示扰动项的期望函数。 5.根据权利要求2所述的基于巢式动态离散选择的出行活动链生成方法， 其特征在于， 所述步骤S4中， 定义四个巢以覆盖所有的选择， 用j表示； 设定仅根据选项中的出行方式分类其所归属的巢， 包括停留巢jstay、 小汽车巢jauto、 公 共交通巢jtransit和非机动巢jnon‑motorized， 四种巢的集合用Ω表示， 则j∈Ω， 且在巢j中的选 择集为Ckj(xk)， ak∈Ckj(xk)； 对于在巢j的选项ak来说， 其扰动项 按照如下公式拆分： εk(ak)＝ εkj+ εkj(ak) 其中， εkj对于所有在巢j的选项ak来说是相等的， εkj(ak)是特定于选项的扰动项， 且对 于所有的ak∈Ckj(xk)来说， εkj(ak)相互独立且服从相同的Gumbel分布； 对于期望效用函数V ′k(xk， y)中的最大化函数， 首先选择巢j中的最大项， 然后再在不同 的巢之间进行比较， 则有： 根据Gumbel分布性质， 得到： 其中， vk(ak)表示选项特定的效用函数， 由即时效用函数和折减后的未来效用函数相加得到； θ∈(0， 1)表示对未来效用的折减系数。 6.根据权利要求2所述的基于巢式动态离散选择的出行活动链生成方法， 其特征在于， 所述步骤S5中， 阶段k的即时效用函数uk(xk， y， ak)由四种函数构成， 包括停留选择效用 目的选择效用 地点选择效用 和出行方式选择效用 当出行者选择停留时， 否则， 最后， 从最后一个阶段K开始计算选项特定的效用函数， 对于所有的aK， vK(aK)＝uK(aK)， 并计算期望效用函数V ′k(xk， y)； 对于阶段k∈{K ‑1， K‑2，…， 2， 1}， 计算uk(ak)， 选项特定的权　利　要　求　书 2/3 页 3 CN 115017720 A 3