旅客“门到门”城际出行路径规划研究综述

Research Review of “Door-to-Door” Intercity Travel Path Planning for Passengers

摘要

城市群一体化进程加速推进，城际出行需求日益增长。为提高旅客出行服务质量、促进绿色出行，研究全面回顾了近10年旅客“门到门”出行路径规划的国内外研究成果。系统分析了单一出行方式和组合出行方式下的路径规划问题建模，归纳总结了最短路径算法、A*算法、Dijkstra算法等路径搜索算法的特点及其适用场景。在出行路径推荐方面，梳理了基于不同数据类型(如问卷数据、历史出行轨迹数据)的路径推荐方法，并详细介绍了人工智能算法，特别是深度学习和强化学习技术在特征提取与推荐模型构建中的应用进展。未来研究应进一步关注多交通方式的智能整合与优化，构建更加精细化的出行服务系统，并推动“端到端”路径规划系统的实现，推动智能交通发展和绿色出行优化。

Abstract

With the accelerated advancement of urban agglomeration integration, intercity travel demand is increasingly growing. To enhance the quality of passenger travel services and promote green travel, this study comprehensively reviewed Chinese and international research achievements over the past decade on "door-to-door" travel path planning. It systematically analyzed the modeling of path planning problems for single-mode and multimodal travel and summarized the characteristics and applicable scenarios of path search algorithms such as the shortest path algorithm, A* algorithm, and Dijkstra algorithm. In terms of travel path recommendations, methods based on various data types (e.g., survey data and historical travel trajectory data) were reviewed, with detailed discussions on the application progress of artificial intelligence algorithms, particularly deep learning and reinforcement learning technologies, in feature extraction and recommendation model construction. Future research should focus on the intelligent integration and optimization of multimodal transportation, the construction of more refined travel service systems, and the realization of "end-to-end" path planning systems, so as to promote intelligent transportation development and optimize green travel.

Graphical abstract

关键词

出行路径规划 / 路径搜索 / 路径推荐 / 个性化 / 出行即服务

Key words

Travel Path Planning / Path Search / Path Recommendation / Personalization / Mobility as a Service

0　引言

随着经济和社会的发展，环境污染和拥堵问题日益严重，交通系统正面临着前所未有的压力和挑战，交通系统的可持续性成为全球性议题^[1-2]。交通管理与规划部门正在积极寻找创新的解决方案，以促进更加可持续的出行方式^[3]。尽管现有的铁路12306、百度、高德等平台已能满足城际与城市内的路径选择需求，但城际多模式出行尚未实现无缝衔接，且无法提供全流程一站式服务，旅客需在不同系统间切换，缺乏一站式的出行体验，无法有效满足动态路径调整和个性化需求。出行即服务(Mobility as a Service，MaaS)作为交通服务领域的创新模式，通过集成的在线平台，将铁路、地铁、公交、共享汽车、共享单车、步行等多种交通出行方式和服务整合在一起^[4-6]，优化城际与城市交通的联动与资源配置，为交通的可持续发展提供了创新性的解决方案。

出行路径规划技术是实现MaaS的基础。目前国内外对旅客出行路径规划进行了大量研究，从解决市区出行到城际出行，研究者致力于为旅客推荐“门到门”的交通方式组合路径^[7-9]。出行路径规划通常包括路径搜索和路径推荐，现有的综述性研究从轨迹数据管理^[10]、轨迹数据挖掘^[11]、时空查询处理^[12-13]等角度系统阐述了路径搜索的研究进展，并结合导航系统^[14]、城市计算^[15]等领域总结了路径推荐技术的发展与应用。然而，这些综述并未从旅客城际出行角度出发，对出行路径搜索和路径推荐技术进行系统性梳理，且缺乏对于单一出行方式与组合出行方式算法模型的差异性及适用性分析。

研究运用Cite Space软件，系统梳理了近十年出行路径规划领域的成果，并从单一出行方式与组合出行方式两方面，概述旅客“门到门”城际出行路径搜索和出行路径推荐技术。针对城际出行路径搜索问题，研究总结了不同网络拓扑结构的构建方法以及适用算法；对于城际出行路径推荐问题，归纳了各类数据类型的处理方法及其适用场景。未来，仍需持续探索旅客“门到门”城际出行路径规划的研究，以期为旅客提供更加无缝、便捷、高质量的全程出行服务。

1　文献计量与可视化分析

1.1　研究对象

出行路径规划是指在已知出行起点和终点的前提下，以特定优化准则为依据，计算生成由若干路段组成的一条或多条路径的过程。该过程可涵盖多种交通方式，包括私家车、出租车、骑行以及公共交通等^[16]。出行路径规划问题通常包含2个重要的研究内容：路径搜索问题和路径推荐问题。路径搜索问题根据用户的出发地点、目的地点以及其他可能的约束条件(如交通状况、交通工具选择、用户偏好等)来计算出可能的路径。通常在路径搜索阶段考虑的用户偏好较为简单，难以反映用户实际出行的复杂需求。而路径推荐问题关注不同类别用户不同情境下的出行偏好和需求，根据用户的历史行程记录等数据，构建个性化的推荐模型，提供最符合用户需求的路径。

1.2　数据来源

研究数据来源于英文和中文2种语言的文献数据库，其中中文文献来源于中国知网(China National Knowledge Infrastructure，CNKI)数据库，设置检索词为“出行规划”“路径规划”“路径搜索”“出行推荐”以及“交通推荐”，国外文献来源于国外科学网(Web of Science，WOS)数据库，设置检索词为“行程规划(Itinerary Planning)”“路线规划(Route Planning)”“旅行规划(Trip Planner)”“路径搜索(Path Finding)”以及“路线推荐(Route Recommendation)”，并精确匹配检索发表时间为2014年1月1日至2023年12月31日。后再对文献进行筛选、校对处理，剔除了书评、报纸、会议、新闻短讯等研究性不足的文献，最终获得110篇中文有效文献和375篇英文有效文献。

1.3　文献统计与知识图谱分析

1.3.1　国内外论文分布

国内外关于旅客出行路径规划研究的整体发展呈现增长态势，尽管如此，国内公开发表的论文数量一直未能超越同期的国外研究。具体来看，国内研究在2020年之前呈现出一种平稳上升的趋势，但在2021年出现转折发文量稍有下降，此后缓步上升。与此同时，在2018年之前，国外文献发表量持续攀升，随后有所下降。2020年后，发文量再次上升，尽管2023年出现小幅回落，整体仍呈现上升趋势。总的来说，旅客出行路径规划作为一个研究领域，在未来相当长的一段时间内，将持续保持研究热度和学术关注度。2014—2023年CNKI和WOS发文量年度分布如图1所示。

1.3.2　关键词共现图谱

关键词共现图谱是一种直观展示研究趋势和热点的工具，研究选用Cite Space软件，将经过预处理的文献数据导入软件中绘制知识图谱，2014—2023年国内出行路径规划研究关键词共现图谱如图2所示，在旅客出行路径规划研究方面，国内学者研究集中在“路径搜索”“最短路径”“智能交通”和“城市交通”等核心关键词上，早期的研究围绕“最短路径”“路径搜索”展开，当前的研究聚焦于“路径规划”“智能交通”等方向，并且综合考虑了“混合车队”“时变路网”等新的研究场景。由单一的路径优化追求最短路径，转变为更全面地考虑出行者日益增长的个性化、多样化出行需求，并结合更加多元化的应用场景拓展研究。与此同时，人工智能技术方法被广泛应用，“A*算法”“D*Lite算法”“JPS算法”等多样化算法被创新使用，“智能交通”成为近期研究热点，为该领域研究带来了新突破。

2014—2023年国外出行路径规划研究关键词共现图谱如图3所示，可以看出“行程规划(Itinerary Planning)”“设计(Design)”“系统(System)”“算法(Algorithm)”构成了国外研究的核心关键词集群，这表明行程规划、模型构建、算法设计是旅客出行路径规划领域的重点研究内容。同时，“分支切割算法(Branch-and-Cut Algorithm)”“多目标进化算法(Multi-Objective Evolutionary Algorithms)”“多目标遗传算法(Multi-Objective Evolutionary Algorithms)”“贪心算法(Greedy Algorithm)”等多种算法被广泛应用。“多目标个性化的行程规划(Multi-Objective Personalized Tour)”“异质偏好(Heterogeneous Preference)”“个性化行程(Personalized Itineraries)”等关键词，展现了国外研究针对旅客个性化和多样化需求开展了系列深入探讨，多样化和个性化解决方案的开发是目前研究热点之一。

2　出行路径搜索

国内外针对出行路径搜索方面的研究根据交通方式数量的不同可以分为单一出行方式和组合出行方式的路径搜索。根据网络的表达方式不同，可以分为基于物理网络的路径搜索和基于时空扩展网络的路径搜索。

2.1　基于物理网络的路径搜索和基于时空扩展网络的路径搜索

出行路径搜索依赖于易于表达交通特征和数据处理的交通网络，通过空间维度上的物理拓扑网络(交通系统中节点和连接的空间布局及其物理连接方式的抽象和数学表示)将最短路径问题、最小费用路径问题和多约束路径问题形式化为图论中的最短路径问题^[17]。在路径搜索阶段，Dijkstra算法由于简单可靠、可复用性高的特点被广泛应用。考虑到算法搜索效率的问题，启发式函数被引入并设计了A*算法加快路径搜索，而最小生成树算法则被应用于物理网络的出行路径优化。

时空扩展网络在物理拓扑结构的基础上，利用时空扩展网络模型^[18-19]将时间因素对网络的影响扩展到节点或边的属性中，并通过引入时间维度分析和建模网络的动态变化。借助网络构建技术建立节点内外的换乘关系^[20]，结合分层技术^[21]和超网络理论^[22]，时空扩展网络实现了不同线路、不同模式网络的融合衔接，从而提高出行路径搜索的灵活性。对于用户的个性化出行需求，主要将其转换为路径搜索中的约束条件和优化目标，利用路径搜索算法为用户提供最优的出行路径方案。由于涉及到私家车出行和公共交通出行等多种交通出行方式，城际多模式出行必须融合物理网络和时空扩展网络。

2.2　单一出行方式和组合出行方式的出行路径搜索

2.2.1　单一出行方式

单一出行方式的出行路径搜索通常以实际的道路网络^[23]、公交网络^[24]、城市轨道交通网络^[25]等单一交通网络为基础进行研究。对于单一出行方式的网络拓扑结构构建，主要以图论为基础，将交通网络看成是节点和边组成的网络。根据路网结构是否随时间动态变化，可分为确定性网络的路径搜索问题以及随机时变网络的路径搜索问题。

（1）确定性网络的路径搜索问题。确定性网络的路径搜索问题通常假定路段时间不随时间变化。这类问题比较简单，通常采用Dijkstra算法、A*算法等寻路基础算法求解，在路径搜索过程中充分考虑了网络鲁棒性，但这类算法本身存在计算复杂性高、可扩展性不足等问题，在大规模网络中的应用受到限制，需结合不同的应用场景提出改进策略。樊晓春等^[26]基于关键站点的公交网络通达矩阵，确定潜在的永久标记节点，以优先考虑直达节点为最短路径上的节点为规则，实现对Dijkstra算法的改进。陈天然^[27]基于区域道路等级分级，设计路网分层分权A*算法进行路径搜索。考虑到路径约束增加对路径搜索算法性能带来的问题，基础的寻路算法已不适用于交通网络扩展和复杂出行场景下的出行规划。De Camargo等^[28]提出了遗传算法在有障碍物的网络条件下搜索两点之间最短路径。Xu等^[29]通过两阶段标号算法求解具有多成本约束和时间窗约束的网络的K条最短路径。

在确定性单一交通网络寻径中，Dijkstra算法具备较高的准确性和可靠性，但受限于算法复杂性无法适用于大规模网络。A*算法虽提高了启发式的效率，但面临着启发式函数设计复杂和动态参数的挑战。遗传算法优于探索复杂的搜索空间和处理各种路径约束条件，但收敛速度慢且受参数敏感性影响。两阶段标记算法可以有效地处理大规模网络，但实现复杂且具有相位依赖性。K最短路径算法求解了多种路径方案，但代价是增加了复杂性和内存消耗。因此，后续的研究聚焦于自适应算法、增强的启发式和实时数据集成方面是解决这些限制和提高单一交通网络寻路效率的必要条件。

（2）随机时变网络的路径搜索问题。随机时变网络侧重于边的权重随时间的变化而变化^[30]，这种变化过程是随机的或具有随机成分。一般通过时变网络模型^[31-32]，将边的权重映射为网络在不同时间上的动态性质，从而构建网络结构。与确定性网络和时间依赖网络相比，随机时变网络更能真实反映现实情况。随机时变网络由于不同路段的通行时间是随机且动态变化的，在路径搜索阶段更强调出行时间的可靠性，通常根据通行时间与出行可靠度的函数关系，利用反函数建立可靠度与路段通行时间的映射关系，通过A*算法、非支配条件、遗传算法以及拉格朗日松弛等方法实现随机时变网络的路径搜索。如Chen 等^[33]提出基于动态矩匹配的A*算法来提供可靠路径，其中动态矩匹配方法用于近似计算路径通行时间分布参数；Rajabi-Bahaabadi等^[34]采用非支配排序遗传算法在生成的随机时变网络中获得一组非支配路径；Zhang等^[35]提出了一种基于问题重构的拉格朗日松弛法来解决道路网络下可靠最短路径搜索问题。

对于单一出行方式的随机时变网络路径搜索问题，A*算法虽然在启发式引导下具有较高效率，但其高度依赖启发式函数的设计，并且需要消耗较大的内存。非支配条件方法适用于路径多目标问题，但复杂度较高且无法保证全局最优解。拉格朗日松弛算法在处理复杂约束和大规模问题时表现出色，但参数调整复杂且可能陷入局部最优。相比于确定性网络，随机时变网络结构更加复杂，从而延伸出不同的组合算法如非支配+A*，非支配+遗传算法，拉格朗日松弛+子梯度投影算法提高路径搜索效率，弥补单一算法在求解精度和效率上的不足。

在旅客门到门出行路径规划中，单一出行方式的路径搜索很难满足现实出行需求，尤其是我国高速铁路快速发展，城际出行时间大幅压缩，旅客城际出行频次增高，用户出行更多考虑高速铁路、公交、地铁等多组合出行方式。与此同时，由于不同交通方式子网络独立运行，站点之间的换乘、衔接，对出行路径搜索提出了新的挑战。

2.2.2　组合出行方式

组合出行下的多模式网络将公交、列车、地铁等多种交通方式组合使用^[36]，网络结构模型构建比单一出行网络更为复杂，需要考虑不同交通方式网络之间的衔接。目前较为常用的多模式网络结构模型包括基于图论的赋权有向结构模型、基于状态转移的网络结构模型、基于超级网络的网络结构模型以及基于GIS的路网交通特征数据存储模型^[37]。其中基于图论的赋权有向结构模型，通过矩阵向量构建网络结构，具有易于调整和拓展的优势，但在描述实际交通系统的复杂性和不确定性方面存在局限，难以直接表征交通流的时间变动和动态特性。基于状态转移的网络结构模型和基于超级网络的网络结构模型则考虑了这一点，利用时间序列数据和状态矩阵刻画节点和边关系的动态变化，但也使得网络计算和建模更加复杂，对数据需求较大。基于GIS的路网交通特征数据存储模型体现了空间数据管理和交通可视化能力强的优势，却无法满足交通网络数据实时更新的要求。综合来看，当前的多模式网络结构模型在构建过程中往往未能充分考虑换乘节点枢纽内部的复杂换乘流线和网络特征，这在一定程度上限制了对交通流实际情况的全面分析。

（1）时变网络的路径搜索问题。在路径搜索算法方面，由于多模式网络的复杂性，与单一出行网络相比需要采用更为高效、成熟的算法来解决多模式网络的出行路径规划问题，一般利用组合算法提升组合出行路径搜索效率。对于组合出行下时变性网络的路径搜索问题，除改进的A*算法^[38]外，Dotoli等^[36]在遗传算法中嵌套了多智能体决策框架，将不同单一模式网络下的最短子路径进行组合，从而获得多模式的最短路径。Dib等^[20]基于列车停靠站台的出发和到达时间构建出行弧，采用多准则寻路算法实现了出行路径规划应用程序开发。Giannakopoulou等^[39]将开发的快速求解算法与Dijkstra算法相结合，在给定的到达时间阈值范围内，计算出行路径的最优Pareto集合。Yang等^[7]以城际多种交通方式时刻表数据为基准，设计了面向时空网络的改进波纹扩散算法，通过一次搜索遍历实现对路径规划问题的高效求解。既有研究偏重于路径搜索效率的提升，但较多的路径选择约束降低了最优路径的准确度，在时间粒度划分和时空阈值界定方面受到主观因素的影响，特别是不同交通方式节点衔接上忽视了环境因素(如立体化结构)的影响，路径搜索的精确度有待提高，应用于复杂大规模交通网络存在局限性。

（2）随机时变网络的路径搜索问题。考虑到多模式网络出行时间的随机性，Demeyer等^[40]聚焦于道路和铁路2种交通方式，利用线性化方法刻画路段通行时间分布，通过逐点求和计算路径通行时间，采用基于Dijkstra的算法来解决路径搜索问题。Liao等^[41]在未考虑网络时变性的条件下假设路段通行时间和路径通行时间均服从正态分布，将标签校正算法与蒙特卡洛积分相结合，用于寻找活动-旅行行为下的可靠最短路径。Yu等^[42]综合公共交通出行和私家车出行2类出行方式，假设路段通行时间相互独立且服从正态分布，构建了双目标路径规划模型，在不同交通方式的组合下利用可靠性约束收敛算法寻找可靠路径^[43]。既有研究虽对多模式网络的随机性提出了不同的处理方法，然而假设性约束的不合理使得路径搜索结果的适用性降低，且未考虑通行时间的时变性。

对于组合出行方式的路径搜索研究虽涵盖了多种交通方式，但面向城际出行全过程的路径规划换乘刻画仍不够完善，对于不同交通方式的路段通行时间分布拟合多为假设独立且为同一种分布，且路段属性的时空关联性仅通过矩阵向量方法进行表征，缺乏可支撑理论。多模式网络构建和路径搜索受限于历史数据的精确度，无法很好捕捉交通网络的时变性和随机性对城际组合出行路径的影响。路径搜索典型算法总结如表1所示。

3　出行路径推荐

近年来，个性化出行服务需求日益增加。出行规划过程中，不同用户之间以及同一用户不同情境下表现出巨大的差异。在过去的十年中，旅客“门到门”出行路径推荐系统获得了广泛的关注，为捕捉影响用户出行决策的偏好特征提供了新方向。出行路径推荐一般是在出行路径搜索的基础上，根据用户的具体需求和偏好，提供更个性化的出行方案。推荐路径涵盖步行、自行车、公交、地铁、铁路等一种或多种交通方式。

3.1　单一出行方式

单一出行方式的路径推荐即在一种出行网络中推荐路径。传统的方法基于经验法和模糊判别法依赖于预先设定的规则和模糊逻辑来处理用户偏好，提供基础的路径推荐，例如推荐最短距离或最短时间的路径。随着大数据、人工智能技术的发展，机器学习方法逐渐被应用于路径推荐系统，通过分析大量的历史数据和实时数据，自动捕捉和学习用户的行为模式和偏好。支持向量机、马尔可夫模型等模型的应用取得了显著效果。此外，混合算法由于其兼具性能和可解释性，也得到了部分研究者的关注。在出行推荐任务中，不同数据的类型和质量直接影响所采用的方法及其有效性。

（1）基于问卷数据的路径推荐。以问卷数据为研究基础，通过机器学习中的聚类方法识别不同用户之间的相似路径偏好，从而对用户的出行需求进行建模和分类，是一种有效的路径推荐方法。例如，Alonso-González等^[44]采用探索性因子分析和潜在类聚类分析，提取用户对“出行即服务”的偏好，随后采用离散选择模型来估计用户的出行选择。Wang等^[45]结合K-means和DBSCAN 2种聚类，分析智能卡记录中地铁乘客的不规律出行偏好。这类方法数据获取可行性高，可得到相对简单的结果。然而，基于聚类结果构建离散选择模型以实现效用最大化的目标依赖于自定义的属性特征。事实上，准确列举影响用户出行选择的所有因素是具有挑战性的，因为一些因素如不同时段的出行偏好，无法直观量化。

（2）基于历史出行轨迹数据的路径推荐。基于历史出行轨迹数据，如出租车或私家车的历史轨迹或者出行日志等数据，结合协作过滤和马尔可夫模型等机器学习方法，可以有效提取用户的历史出行特征。部分学者使用马尔可夫过程来近似模拟用户的出行行为，运用效用函数捕获个体偏好，并在贝叶斯框架下学习个性化的出行规划参数，以实现个性化的出行推荐。Wu等^[46]使用马尔可夫决策模型对出行过程进行建模，从历史轨迹中学习用户偏好作为奖励函数，以提供个性化的交通推荐。Ji等^[47]构建与空驶出租车接载新乘客难易度相关的实时时空特征，并应用自适应深度强化学习来推荐出租车路线。Cui等^[48]通过协同过滤技术估计用户出行行为频率，利用朴素贝叶斯模型生成最符合用户出行行为的路径。将用户出行的决策过程建模为马尔可夫决策过程可提取用户出行特征，但预定义出行选择影响因素很难反映实际复杂的情况，导致预测性能较低，且该方法的计算效率对大规模状态空间不友好。

用户出行路径搜索与推荐方案推荐有机融合，可实现出行方案的一体化生成。传统的路径搜索方法受限于简化的假设和模型，因此一些学者采用混合算法通过引入神经网络增强建模部分，并利用机器学习在提取用户特征方面的优势，实现一体化出行方案生成。Wang等^[49]利用基于注意力的循环神经网络(Recurrent Neural Network，RNN)和改进的图注意力网络来从用户出行历史数据和用户个人偏好数据中学习A*算法中的成本函数，以得出更准确路径推荐。Li等^[50]使用长短时记忆网络(Long Short-Term Memory，LSTM)模型训练轨迹数据并获取用户的出行偏好，通过马尔可夫链蒙特卡罗(Markov Chain Monte Carlo，MCMC)采样将获取的出行偏好加入到A*算法的搜索，以获得出行成本较小的符合用户出行偏好的路径。混合算法既有一定性能优势又有良好的可解释性，然而以上探索研究主要集中在单一出行方式的路径推荐上，尚未解决实际出行中的多种交通方式的推荐问题。

3.2　组合出行方式

组合多种交通方式的出行推荐方法主要依赖于机器学习和深度学习的应用。信息技术的快速发展使得大规模计算成为可能，推动了更多的机器学习研究转向复杂数据驱动的学习范式，尤其是深度学习。深度学习凭借其强大的特征提取能力，在组合出行下的路径推荐中表现出色。对于多种出行方式组合推荐，丰富有效的数据是其基础，一般有调查获取和传感器获取2种途径。

（1）基于调查数据的出行推荐。通过开展相关调查获取研究数据是研究多模式出行路径推荐的一种基础方法。Arentze^[51]利用行为实验的数据，用贝叶斯方法学习用户的出行偏好，并逐步更新路径推荐系统内用户的出行选择偏好参数。Campigotto等^[52]提出了一个情境感知的路径推荐系统FAVOUR，从用户提供的少量先验知识中运用贝叶斯学习更新参数，获得较优的预测结果。然而，出行路径推荐不仅需要轨迹数据和路网信息，还需要乘客状态、用地属性分布等额外的辅助数据。目前，多模式出行路径推荐的研究效果仍面临一定挑战，尚未达到理想水平。

（2）基于传感器数据的出行推荐。移动传感和信息技术的快速发展带来大量的移动数据，为提供更好的出行规划服务带来了新思路。结合大数据与机器学习算法，部分学者挖掘出行行为模式、特征和偏好，研究更精准提取用户出行行为模式特征偏好的方法。利用梯度提升决策树在处理分类问题上的优势，Liu等^[53]利用用户行为数据和城市数据等特征，构建描述用户、OD与交通模式之间关系的异质交通图，通过图嵌入技术学习异质交通图特征，并设计了一个基于梯度提升树的模型，用于多模式的交通推荐。孙全民等^[54-55]利用LightGBM，CaGBDT和图嵌入算法为用户提供出行模式推荐，从而取得了不错的效果。Liu等^[56]设计了二元图并分别使用加权图嵌入、双向图嵌入技术来学习用户、出发地、目的地和OD对的嵌入表示，并提出了一种后处理算法来微调预测的概率。以上研究大多建立在历史出行之间相互独立的视角上，对出行间的次序关系考虑不足。

在历史出行数据及路网信息等数据的支持下，深度学习方法如图神经网络、注意机制和生成模型，凭借其强大的数据表示和知识提取能力，展现出在处理大规模、多目标和面向个性化的路径推荐问题上的巨大潜力。Jia等^[57]根据用户的历史出行数据，用深度神经网络学习用户对每条边的偏好权重向量。Liu等^[58]基于大规模出行规划数据的分析，研究了具有统一路线表示学习的多式联运推荐方法。Xu等^[59]提出了一种基于异构图的学习框架THAN，在为用户推荐最适合的出行模式方面获得较优的结果。深度学习算法可自动从多源数据学习其特征，减少对于专家经验的依赖，模型的效果更加优秀。然而，该方法需要大量数据作为支撑，在数据有限时其推荐质量难以保证，特别在冷启动时，需要借鉴小样本学习的方法(如模仿学习、逆强化学习、生成对抗学习等)。此外，多数研究优先考虑推荐准确性，而忽略了现实情境中的可解释性，使得理解用户决策过程变得困难。路径推荐典型算法总结如表2所示。

4　研究展望

在过去的几十年中，出行路径规划领域已经取得了诸多研究成果，算法和数据的发展为研究提供了新思路。然而，现有的研究成果尚未完全满足旅客对“门到门”“个性化”等出行需求，与高质量出行服务的要求仍存在一定差距。未来的研究可以从以下5方面进行拓展。

4.1　多交通方式出行的智能整合与优化

当前，12306平台侧重于城际出行，为旅客提供火车、飞机、汽车等多种交通工具的联程服务，而高德、百度等平台则专注于城市内部出行，提供自行车、公交、地铁、出租车等出行交通方式的推荐。虽然各平台在各自领域内提升了服务效率，但铁路与城市交通之间的换乘体验不佳，导致城际和市内出行的衔接不够顺畅，出现时间和路线规划脱节的问题，降低了用户的“门到门”出行体验。因此，未来整合铁路、地铁、公交、出租车等所有交通方式的智能出行平台成为一大发展趋势。现有的多模式路径规划虽涵盖公交、地铁、铁路等交通方式^[36]，但大多从市内出行角度出发，基于时间、费用等单一属性进行推荐，而随着高速铁路网络的快速发展，旅客城际出行频次不断提升，城市群之间的高效联通格局逐步形成，以高速铁路为骨干的“门到门”出行路径规划在推动跨交通系统融合、提升用户满意度方面具备潜力。因此未来研究可以综合考虑不同交通方式运营状态、票额因素、交通环境、管控策略等多模态信息，实时规划城际出行路径方案，并实现动态调整。

4.2　高精度换乘网络与精细化出行服务

随着出行需求的多样化，特别是大型换乘节点的需求增加，“门”到“门”出行规划对于多模式交通网络刻画的精细化程度要求提高。尽管在换乘节点利用换乘距离或区域空间位置分析换乘关系取得了一定的研究基础，但大型铁路枢纽的立体化空间带来的换乘流线多、换乘网络复杂等问题仍被简化忽略，未体现在旅客门到门出行服务网络中。因此，未来可以深入研究大型、复杂换乘节点的换乘网络，通过采取高精度网络构建技术，实现不同交通方式间的换乘网络与多种交通网络的无缝衔接。

4.3　高精度可解释性的出行路径推荐方法

尽管基于深度学习的交通推荐模型已经取得了显著进展，但模型可解释性是理解实际应用的关键。现有模型以精度为优化目标，带来过拟合和缺乏可解释性等问题，限制了实际应用。因此未来的研究可以聚焦于如何在提升路径规划精度的同时，实现模型的可解释性，以提高其实用性和适用范围。未来可以深化研究将A*算法、Dijkstra算法等精确解法和统计分析方法，与能够处理更复杂问题的深度学习模型相结合的混合算法。这类方法不仅具备一定的性能优势，还能保持良好的可解释性。

4.4　“端到端”的出行路径规划与一体化生成

目前，满足旅客需求的出行路径规划分为路径搜索和路径推荐2个阶段，未能实现出行方案的一体化生成。路径搜索依赖于预定义的简单偏好特征，如时间和花费，以找出不同的路径选择。而路径推荐则在备选路径集上利用历史数据构建行为特征，尽管已经有一些一体化方案生成的尝试^[49-50]，但大部分集中在单一出行方式的推荐。未来的研究可以通过“端到端”的路径规划方法，整合历史数据、实时信息和用户需求，实现全方位的多模式出行路径推荐。

4.5　出行需求与服务方案的组合优化

面向大规模用户群体的“门”到“门”出行既要面对差异化的出行需求，在多模式网络运输资源调度的大环境下实现用户个体的出行路径搜索，即“一”对“多”的出行规划，需突破传统路径搜索多段子路径的简单组合，实现个性化需求下的多种交通方式组合规划、实时衔接和信息集成。同时，面临多用户合乘、群体出行带来的各交通方式出行服务方案的集成与协作的“多”对“多”问题，需突破多交通方式资源和信息共享的壁垒，从供给侧整体角度组合优化各交通方式资源以应对用户群体出行的需求，实现群体差异化需求与多交通方式出行服务方案的最优均衡。因此，如何组合优化各交通方式的服务方案形成群体出行组合套餐以及合理分配用户在各交通方式中的出行方案是未来研究方向之一。

5　结束语

随着智能交通、智慧城市的发展，旅客“门到门”城际出行路径规划研究未来仍是一个新兴主题。在数据和算法的支持下，未来的旅客城际出行路径规划系统将更加全面、可靠、精准地满足旅客的需求，一体化生成满足旅客需求的出行方案。当前，单一出行方式的路径规划已开展大量研究，但难以充分满足现代出行的复杂需求；组合出行方式的路径规划涵盖了更多交通方式，但目前面向城际出行全过程的路径规划与换乘问题研究仍显不足。未来的研究应聚焦于多交通方式的智能整合与优化，进一步探索高精度换乘网络与精细化出行服务，兼顾算法的高精度和可解释性，推动出行路径搜索与路径推荐技术的有机融合。同时，出行需求与服务方案的组合优化将成为提升系统智能化的重要方向。结合大型语言模型(Large Language Models，LLMs)等前沿技术，未来的路径规划系统将为旅客提供更加高效、个性化的出行方案^[60-61]进一步推动智能交通和绿色出行的优化，为未来城际出行提供更加可持续的支持。

参考文献

[1] DAS D， BHADURI E， VELAGA N R，et al. Modeling Commuters’ Preference Towards Sharing Paratransit Services[J]. Transport Policy，2023，143：132-149.

[2] UTRIAINEN R， PÖLLÄNEN M. Review on Mobility as a Service in Scientific Publications[J]. Research in Transportation Business & Management，2018，27：15-23.

[3] ALYAVINA E， NIKITAS A， NJOYA E T. Mobility as a Service and Sustainable Travel Behaviour： A Thematic Analysis Study[J]. Transportation Research Part F：Traffic Psychology and Behaviour，2020，73：362-381.

[4] SHAHEEN S A， COHEN A P. Carsharing and Personal Vehicle Services：Worldwide Market Developments and Emerging Trends[J]. International Journal of Sustainable Transportation，2013，7(1)：5-34.

[5] JITTRAPIROM P， CAIATI V， FENERI A M，et al. Mobility as a Service：A Critical Review of Definitions，Assessments of Schemes，and Key Challenges[J]. Urban Planning，2017，2(2)：13-25.

[6] Ministry of Infrastructure and Water Management. MaaS Pilots-Optimizing the Mobility System[EB/OL]. (2019-05-31)[2024-08-04].

[7] YANG R， LI D， HAN B，et al. Door-to-Door Space-Time Path Planning of Intercity Multimodal Transport Network Using Improved Ripple-Spreading Algorithm[J]. Computers & Industrial Engineering，2024，189：109996.

[8] KULKARNI M， KAUR A， VANAJAKSHI L. Departure Time Planner for Multimodal Public Transport Network Using Dynamic Programming[C]//CTRG. Proceedings of the Sixth International Conference of Transportation Research Group of India.Singapore：Springer，2023：345-358.

[9] AYED H， GALVEZ-FERNANDEZ C， HABBAS Z，et al. Solving Time-Dependent Multimodal Transport Problems Using a Transfer Graph Model[J]. Computers & Industrial Engineering，2011，61(2)：391-401.

[10] WANG S， BAO Z， CULPEPPER J S，et al. A Survey on Trajectory Data Management， Analytics，and Learning[J].ACM Computing Surveys，2020，54(2)：1-36.

[11] MAZIMPAKA J D， TIMPF S. Trajectory Data Mining：A Review of Methods and Applications[J]. Journal of Spatial Information Science，2016，13：61-99.

[12] MAHMOOD A R， AREF W G. Scalable Processing of Spatial-Keyword Queries[M]. Vermont：Morgan & Claypool Publishers，2019.

[13] CHEN Z， CHEN L， CONG G，et al. Location- and Keyword-Based Querying of Geo-Textual Data：A Survey[J]. The VLDB Journal，2021，30：603-640.

[14] SIRIARAYA P， WANG Y， ZHANG Y，et al. Beyond the Shortest Route：A Survey on Quality-Aware Route Navigation for Pedestrians[J]. IEEE Access，2020，8：135569-135590.

[15] ZHANG S， LUO Z， YANG L，et al.A Survey of Route Recommendations：Methods，Applications，and Opportunities[J]. Information Fusion，2024，108：102413.

[16] DELLING D， SANDERS P， SCHULTES D，et al. Engineering Route Planning Algorithms[J]. Springer-Verlag，2009，5515：117-139.

[17] KLOST K.An Algorithmic Framework for the Single Source Shortest Path Problem with Applications to Disk Graphs[J]. Computational Geometry，2023，111：101979.

[18] 崔建勋，安 实，崔 娜. 基于时间扩展网络的区域疏散公交路径规划[J]. 华南理工大学学报(自然科学版)，2010，38：64-69.

[19] CUI Jianxun， AN Shi， CUI Na. Route Planning of Public Transit for Regional Evacuation Based on Time-Expanded Network[J]. Journal of South China University of Technology(Natural Science Edition)，2010，38：64-69.

[20] FISCHER F， HELMBERG C. Dynamic Graph Generation for the Shortest Path Problem in Time Expanded Networks[J]. Mathematical Programming，2014，143(1)：257-297.

[21] DIB O， M-A MANIER， MOALIC L，et al. A Multimodal Transport Network Model and Efficient Algorithms for Building Advanced Traveler Information Systems[J]. Transportation Research Procedia，2017，22：134-143.

[22] FU L， SUN D， RILETT L R. Heuristic Shortest Path Algorithms for Transportation Applications：State of the Art[J]. Computers & Operations Research，2006，33(11)：3324-3343.

[23] ZHANG J， LIAO F， ARENTZE T，et al. A Multimodal Transport Network Model for Advanced Traveler Information Systems[J].Procedia Computer Science，2011，20：313-322.

[24] HU X， ZHANG M， LIAO J. An Approximate Ripple-Spreading Algorithm with Terminal H Strategy[C]//IEEE.2017 IEEE Symposium Series on Computational Intelligence.Honolulu：IEEE，2017：1-8.

[25] XU W， HE S， SONG R，et al. Finding the K Shortest Paths in a Schedule-Based Transit Network[J]. Computers & Operations Research，2012，39(8)：1812-1826.

[26] 周玮腾，韩宝明. 城市轨道交通网络时变路径搜索算法[J]. 北京交通大学学报，2017，41：115-122.

[27] ZHOU Weiteng， HAN Baoming. Temporal Path Searching Algorithm of Urban Rail Transit Network[J]. Journal of Beijing Jiaotong University，2017，41：115-122.

[28] 樊晓春，张雪英，刘学军，等. 一种公交换乘优化算法设计[J]. 地球信息科学学报，2009，11：157-162.

[29] FAN Xiaochun， ZHANG Xueying， LlU Xuejun，et al. Design of an Algorithm of Public Traffic Transfer Based on the Least Transfer[J]. Journal of Geo-information Science，2009，11：157-162.

[30] 陈天然. 基于时空大数据的城市最优路径规划的研究与应用[D].成都：电子科技大学，2020.

[31] DE CAMARGO J， DE CAMARGO E， VERASZTO E，et al. Route Planning by Evolutionary Computing：An Approach Based on Genetic Algorithms[J]. Procedia Computer Science，2019，149：71-79.

[32] XU W， HE S， SONG R，et al. Finding the K Shortest Paths in a Schedule-Based Transit Network[J]. Computers & Operations Research，2012，39(8)：1812-1826.

[33] DEAN B C.Introduction to Algorithms for Minimum-Cost Paths in Time-Dependent Networks with Waiting Policies[J]. DBLP，2004，44(1)：41-46.

[34] 侯登凯，范厚明，任晓雪. 时变路网下多中心混合车队联合配送车辆路径优化[J]. 大连海事大学学报，2022，48：11-22.

[35] HOU Dengkai， FAN Houming， REN Xiaoxue. Vehicle Routing Optimization of Multi-Center Hybrid Fleet Joint Distribution under Time-Varying Road Network[J].Journal of Dalian Maritime University，2022，48：11-22.

[36] PAN B， ZHANG Z，LIM A.Multi-Trip Time-Dependent Vehicle Routing Problem with Time Windows[J].European Journal of Operational Research，2021，291(1)：218-231.

[37] CHEN P， TONG R， YU B，et al. Reliable Shortest Path Finding in Stochastic Time-Dependent Road Network with Spatial-Temporal Link Correlations：A Case Study from Beijing[J]. Expert Systems with Applications，2020，147：113192.

[38] RAJABI-BAHAABADI M， SHARIAT-MOHAYMANY A， BABAEI M，et al. Multi-Objective Path Finding in Stochastic Time-Dependent Road Networks Using Non-Dominated Sorting Genetic Algorithm[J]. Expert Systems with Applications，2015，42(12)：5056-5064.

[39] ZHANG Y， SHEN Z， SONG S. Lagrangian Relaxation for the Reliable Shortest Path Problem with Correlated Link Travel Times[J]. Transportation Research Part B：Methodological，2017，104：501-521.

[40] DOTOLI M， ZGAYA H， RUSSO C，et al. A Multi-Agent Advanced Traveler Information System for Optimal Trip Planning in a Co-Modal Framework[J]. IEEE Transactions on Intelligent Transportation Systems，2017，18(9)：2397-2412.

[41] 叶娇. 面向城市交通枢纽的多模式组合出行效用及网络承载力评估[D]. 南京：东南大学，2020.

[42] VERBAS Ö， AULD J， LEY H，et al. Time-Dependent Intermodal A* Algorithm：Methodology and Implementation on a Large-Scale Network[J]. Transportation Research Record：Journal of the Transportation Research Board，2018，2672(47)：219-230.

[43] GIANNAKOPOULOU K， PARASKEVOPOULOS A， ZAROLIAGIS C.Multimodal Dynamic Journey-Planning[J].Algorithms，2019，12(10)：213.

[44] DEMEYER S， AUDENAERT P， PICKAVET M，et al. Dynamic and Stochastic Routing for Multimodal Transportation Systems[J]. IET Intelligent Transport Systems，2014，8(2)：112-123.

[45] LIAO F X， RASOULI S， TIMMERMANS H. Incorporating Activity-Travel Time Uncertainty and Stochastic Space-Time Prisms in Multistate Super Networks for Activity-Travel Scheduling[J]. International Journal of Geographical Information Science，2014，28(5)：928-945.

[46] YU W， SUN H， FENG T，et al. A Data-Based Bi-Objective Approach to Explore the Accessibility of Multimodal Public Transport Networks[J]. ISPRS International Journal of Geo-Information，2021，10(11)：758.

[47] YU W， SUN H J， FENG T，et al. A Novel Reliable Path Planning Approach for Multimodal Networks Based on a Two-Factor Bound Convergence Algorithm[J]. Modern Physics Letters B，2022，36(23)：2250007.

[48] ALONSO-GONZÁLEZ M J， HOOGENDOORN-LANSER S， VAN OORT N，et al. Drivers and Barriers in Adopting Mobility as a Service (MaaS)：A Latent Class Cluster Analysis of Attitudes[J]. Transportation Research Part A：Policy and Practice，2020，132：378-401.

[49] WANG L， ZHANG Y， ZHAO X，et al. Irregular Travel Groups Detection Based on Cascade Clustering in Urban Subway[J].IEEE Transactions on Intelligent Transportation Systems，2020，21(5)：2216-2225.

[50] WU G， LI Y， BAO J，et al.Human-Centric Urban Transit Evaluation and Planning[C]//IEEE. 2018 IEEE International Conference on Data Mining (ICDM). Singapore：IEEE，2018：547-556.

[51] JI S， WANG Z， LI T，et al. Spatio-Temporal Feature Fusion for Dynamic Taxi Route Recommendation via Deep Reinforcement Learning[J]. Knowledge-Based Systems，2020，205：106302.

[52] CUI G， LUO J， WANG X. Personalized Travel Route Recommendation Using Collaborative Filtering Based on GPS Trajectories[J]. International Journal of Digital Earth，2018，11(3)：284-307.

[53] WANG J， WU N， ZHAO W X，et al. Empowering A* Search Algorithms with Neural Networks for Personalized Route Recommendation[C]//Association for Computing Machinery. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York：Association for Computing Machinery，2019：539-547.

[54] LI J， WANG S， SONG G. Path Planning Method Based on Routing Preference and Path Length[J]. Journal of Jilin University (Science Edition)，2021，59(1)：107-114.

[55] ARENTZE T. Adaptive Personalized Travel Information Systems：A Bayesian Method to Learn Users' Personal Preferences in Multimodal Transport Networks[J]. IEEE Transactions on Intelligent Transportation Systems，2013，14(4)：1957-1966.

[56] CAMPIGOTTO P， RUDLOFF C， LEODOLTER M，et al. Personalized and Situation-Aware Multimodal Route Recommendations：The FAVOUR Algorithm[J]. IEEE Transactions on Intelligent Transportation Systems，2017，18(1)：92-102.

[57] LIU H， TONG Y， ZHANG P，et al.Hydra：A Personalized and Context-Aware Multi-Modal Transportation Recommendation System[C]//Association for Computing Machinery. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York：Association for Computing Machinery，2019：2314-2324.

[58] 孙全明，曲志坚，任崇广. 基于粒子群优化和LightGBM的情景感知多式联运推荐[J]. 电子学报，2021，49(5)： 894-903.

[59] SUN Quanming， QU Zhijian， REN Chongguang. Context-Aware Multi-modal Transportation Recommendation Based on Particle Swarm Optimization and LightGBM[J]. Acta Electronica Sinica，2021，49(5)：894-903.

[60] 孙全明，常 磊，马 铖，等. 基于图嵌入和CaGBDT的多模态出行推荐[J]. 北京邮电大学学报，2021，44(5)：81-87.

[61] SUN Quanming， CHANG Lei， MA Cheng，et al. Multi-Modal Transportation Recommendation Based on Graph Embedding and CaGBDT[J]. Journal of Beijing University of Posts and Telecommunications，2021，44(5)：81-87.

[62] LIU H， HAN J， FU Y，et al. Multi-Modal Transportation Recommendation with Unified Route Representation Learning[J]. Proceedings of the VLDB Endowment，2020，14(3)，342-350.

[63] JIA H， FANG J， TAN N，et al. Context-Aware Route Recommendation with Weight Learning through Deep Neural Networks[C]//ACC.2020 American Control Conference. Denver：ACC，2020：4040-4045.

[64] LIU Y， WU F，LYU C，et al. Behavior2vector：Embedding Users' Personalized Travel Behavior to Vector[J]. IEEE Transactions on Intelligent Transportation Systems，2022，23(7)：8346-8355.

[65] XU A， ZHONG P， KANG Y，et al. THAN：Multimodal Transportation Recommendation with Heterogeneous Graph Attention Networks[J]. IEEE Transactions on Intelligent Transportation Systems，2023，24(2)：1533-1543.

[66] 杨林远，刘兰芬，刘佳伟. 基于出行链的城际旅客多模式出行选择研究[J]. 铁道运输与经济，2024，46(7)：61-68.

[67] YANG Linyuan， LIU Lanfen， LIU Jiawei. Multi-Mode Travel Choice of Intercity Passengers Based on Travel Chain[J]. Railway Transport and Economy，2024，46(7)：61-68.

[68] 吴鹏，李得伟. 考虑实际出行成本的城市群铁路客运站点与网络可达性研究[J]. 铁道运输与经济，2023，45(6)： 85-92.

[69] WU Peng， LI Dewei. Accessibility of Railway Passenger Transport Stations and Networks in Urban Agglomeration Considering Actual Travel Costs[J]. Railway Transport and Economy，2023，45(6)：85-92.

基金资助

中央高校基本科研业务费专项资金资助项目(2022JBQY006)

中央高校基本科研业务费专项资金资助项目(2024YJS081)

中国铁路北京局集团有限公司科技研究开发计划课题(2023BK01)

中国国家铁路集团有限公司科技研究开发计划课题(K2022X029)