非集计交通需求模型中输入数据的人工合成方法

Disaggregate population characteristics are necessary input information for disaggregate travel demand models and activity-based transportation planning models. However, the tremendous economic and time cost for large-scale survey, lead to a shortage of such dataset and hence impede the practical applications of disaggregate travel demand models and activity-based transportation planning models. Compare to traditional planning models, the above mentioned models are more advanced in terms of large amount of output information as well as the sensitivity to the shift of demographic characteristics. Because of rapid developments of economics in China cities, the development of advanced urban transportation system is more important in this stage. Moreover, advanced transportation planning and forecasting models are also important research directions in this area, especially in China. In order to accommodate the applications of these advanced models, the approaches of population synthesis can be used for estimating disaggregate population characteristics. Based on statistical estimation principle of uncertain samples, this project will develop a new framework for population synthesis. Further, the optimization plan for the new algorithm will also be developed with the consideration of characteristics of China cities. With the new framework, current methods will also be improved.

非集计的人口数据是非集计交通需求模型以及基于活动的交通规划模型所必需的数据输入。但由于大量的数据调查需耗费巨大的经济、时间成本，因此造成了此类数据的匮乏，也在世界范围内阻碍了非集计交通需求模型等较先进的交通模型的实际应用。相对于较传统的模型，这类模型有着信息量大和对人口数据特征的变化敏感等优势。我国正处于经济发展的高速时期，对未来城市交通系统的发展也提出了更高的要求。在这种形势下，较先进的交通规划和需求模型已经逐渐成为我国乃至世界范围内相关领域研究和实际应用的重要发展方向。为了保障上述较先进交通模型的应用，实际中通常使用数据人工合成的方法对人口数据的整体进行估计，以降低数据调查所造成的高昂成本。本研究结合统计学中对不确定样本的估计概念，开发出一种数据合成的方法框架，并结合我国城市人口基数大和密度大等特点，提出对该方法计算过程的优化方案。同时对国内外当前的人口数据人工合成的方法进行改进。

使用非集计模型进行交通需求预测以及政策评估时，需要大量详细的人口社会经济属性作为输入信息。早期的人口数据合成方法主要依赖于迭代比例拟合(IPF) 的方法来对人口属性所组成的多维列联表进行估计。这一类的方法有很多局限性，例如考虑多层面控制信息的能力较差，因此过去数年针对这一类问题也已发展了一些相关的研究。本项目提出了一种基于适应度的人口数据合成方法 (FBS) 。该方法能够绕过对多维联合分布的估计，而直接生成一个家庭的序列来匹配多层面的控制信息。实际的应用和核验分析表明， 本项目所提出的算法相对于传统的IPF方法有着较高可行性和效率。本研究同时提出了一种对人工合成数据进行综合核算的方法，该方法通过与真实数据进行比对，发现本文所提出的FBS 方法能够合成属性之间的多维相关性。本项目发现，FBS方法所需要的迭代次数介于合成数据量的一倍到三倍之间。另一个方面，本项目针对人工数据合成方法对未来年数据合成精度开展了一系列的实证评估分析和研究。研究考虑了不同的基年人口，数据合成方法以及控制属性信息对未来年的人口合成精度影响。实证研究结果表明，考虑多层面控制信息有助于合成精确的基年人口，这也同时极大的影响了未来年合成人口数据的精度。虽然未来年通常只有少量可获得的控制属性信息，基于合适的数据融合方法来使用多层面控制信息有利于未来年合成人口的精确度。本项目的研究同时发现合成数据的整体误差与输入信息的误差呈较强的线性关系。且在控制了合成人口量以及人口增长率的前提下，合成人口的精确度的增加表出了统计上显著的特征。总得来说，本项目所提出的FBS方法是一个高效可塑的方法，对生成大量详细的人口社会经济特征数据有着重要的价值。且本项目发现精确的基年数据与未来年的控制信息极大的影响了未来年合成数据的精确度。