基于深度学习的轨道交通乘客年龄属性推断方法

Inference Method of Passenger Age Attributes in Rail Transit Based on Deep Learning

摘要

针对轨道交通乘客年龄属性信息缺失以及难获取的问题，融合地铁AFC和城市土地利用等多源数据挖掘反映乘客年龄的出行特征，提出一种深度神经网络和自动编码器结合的乘客年龄属性推断模型。首先利用多源数据从时间和空间角度分析并提取与乘客年龄属性相关的6个出行特征(出行频率、出行时段分布、首次/末次出行时间、OD经纬度、出行时耗、目的地POI)，构建乘客出行特征矩阵作为模型输入。特别的是，考虑服务能力的加权POI，以增强对目的地吸引强度刻画的准确性。分析不同年龄乘客到每个站点的出行频率，构建乘客出行稀疏矩阵，作为模型空间信息的补充输入。为学习并提取乘客出行特征间的关系和时空相关性，利用DNN对特征间关系进行捕捉；为学习乘客出行稀疏矩阵中隐含的空间关系，利用AE对稀疏矩阵压缩并进行编码和解码。最后，选取广州地铁进行案例分析，研究结果表明：与SVM，DT，MLP，AdaBoost等方法相比，DNN+AE模型的准确率分别提升了13.83%，8.01%，5.66%，4.98%，其中，老人的年龄属性推断精度最高，达到了77.51%，学生、成人的年龄属性推断精度分别达到了74.69%，68.89%。考虑服务能力的加权POI对乘客年龄属性推断结果有明显的改进。所提出的方法能够实现城市轨道交通乘客年龄属性推断，为智慧地铁运营提供支撑。

Abstract

Passenger age attributes in rail transit are missing and difficult to obtain. To address these issues, an inference model of passenger age attributes combining deep neural network (DNN) and automatic encoder (AE) was proposed by integrating multi-source data mining such as automatic fare collection (AFC) data of subways and urban land use data to reflect the travel characteristics of passengers at different ages. Firstly, multi-source data were used to analyze and extract six travel characteristics related to passenger age attributes from the perspective of time and space (travel frequency, travel time distribution, first/last trip time, OD latitude and longitude, travel time consumption, and POI of destination), and passenger travel feature matrix was constructed as the model input. In particular, a weighted POI of service capability was considered to enhance the accuracy of the characterization of destination attraction intensity. Secondly, the travel frequency of passengers at different ages to each station was analyzed, and the sparse matrix of passenger travel was constructed, which was used as the supplementary input of spatial information of the model. To learn and extract the relationship and temporal correlation between passenger travel features, DNN was used to capture the relationship between features. To learn the spatial relationship implicit in the sparse matrix of passenger travel, AE was used to compress the sparse matrix and encode and decode it. Finally, Guangzhou Metro was selected for case analysis. The research results show that compared with support vector machine (SVM), decision tree (DT), multilayer perceptron (MLP), and AdaBoost, the accuracy of the DNN + AE model is improved by 13.83%, 8.01%, 5.66%, and 4.98%, respectively. Among them, the inference accuracy of age attributes for the elderly is the highest, reaching 77.51%. The inference accuracy of age attributes of students and adults reaches 74.69% and 68.89% respectively. The weighted POI, which takes service capability into account, significantly improves the results of passenger age attribute inference. The proposed method can realize the age attribute inference of passengers in urban rail transit and provide support for smart subway operation.

Graphical abstract

关键词

城市轨道交通 / 年龄属性推断 / 深度神经网络 / 自动编码器 / 多源数据

Key words

Urban Rail Transit / Age Attribute Inference / Deep Neural Network / Autoencoder / Multi-Source Data

0　引言

随着智慧地铁与大数据技术的发展，轨道交通系统能够从多种数据源中获取信息，深入分析乘客的出行行为模式。在地铁乘客群体中，不同年龄段的乘客在出行时间、路线选择、换乘偏好等方面表现出显著差异^[1]，这些差异化的出行需求对地铁系统的调度、服务设计和资源分配提出了不同的要求。因此，利用交通大数据对乘客年龄属性进行精准分析与预测，不仅是满足多样化出行需求和提升乘客体验的必要手段，更是优化运营决策、提高轨道交通系统运营效率与管理水平的关键措施。传统研究通常利用出行调查方法获得乘客的年龄属性，但出行调查存在样本量小、调查成本高、结果可靠性难以保证等缺点^[2]。AFC(Automatic Fare Collection)数据作为一种广泛使用的数据源，被众多学者应用于乘客分类和出行行为的研究中：邹庆茹等^[3]以AFC数据为基础，从“消费行为”视角构建乘客分类指标及方法，利用聚类算法将乘客分为了5类；Kieu等^[4]采用DBSCAN算法挖掘AFC数据，根据出行模式的相似性将乘客划分为4种可识别的类型；El Mahrsi等^[5]对AFC数据进行聚类，通过EM算法构建乘客档案，利用基于生成模型的方法分类出行时间相似的乘客。然而，AFC数据中缺乏乘客个人社会经济属性(如年龄、性别、职业、收入等)^[6]。近年来，有学者开始融合空间信息(土地使用类型、兴趣点(Point of Interest，POI)等)和AFC数据进行相关研究，但大多集中在对出行目的的推断，对乘客年龄等属性的研究较少。张安忠等^[7]结合多源数据构建城市轨道交通乘客画像指标体系，并提出了关键性指标的计算和推断方法，但对年龄、性别等属性推算方法未作深入研究；Sari Aslam等^[8]根据到达频率、停留时间及出行起讫关系建立启发式判别规则，结合POI数据和AFC数据来推断乘客上班前、下班后等二级出行目的；闻川等^[9]利用共享单车数据和POI数据，基于重力模型、经验分布拟合和贝叶斯概率规则对共享单车用户出行目的进行推断。以上研究采用POI数量及AFC等出行数据来推断出行目的，但推断结果不够准确。既有研究表明考虑服务能力的POI可以更准确地反映出行目的^[10]。因此，有必要利用AFC及融合生成加权POI数据进行乘客年龄等属性的研究，以进行更准确的推断。

推断乘客属性的研究目前主要基于传统机器学习算法或统计学模型，Kusakabe等^[11]利用朴素贝叶斯分类器估计乘客到站时间和停留时间，观察乘客出行目的的连续长期变化；Ma等^[12]利用改进的DBSCAN算法和多准则决策分析方法，挖掘长期观测下的时空出行规律来识别通勤乘客；苏焕银等^[13]构建Latent Class模型和随机参数Logit模型，将旅客划分为“经济型旅客”和“商务型旅客”2类，分析个人属性特征对其选择行为的影响；程小云等^[14]采用GMM(Gaussian Mixture Model)算法对工作日出行乘客进行聚类分析，得到5类轨道交通出行典型群体。然而，利用传统机器学习模型或统计学模型研究乘客出行模式，不一定能很好地挖掘复杂的非线性时空特征和关系。深度学习作为机器学习的分支，具有更深层复杂的结构用以拟合数据的非线性关系，对特征之间的关系能更好地捕捉：涂群^[15]分别利用卷积神经网络、门控循环单元和图卷积网络提取异常扰动特征、时间相关性特征和空间相关性特征，识别城市轨道交通异常客流；张鹏飞等^[16]利用注意力机制与LSTM(Long Short-Term Memory)神经网络对长出行序列的时序特征进行建模，从而对地铁乘客出行行为进行预测。但目前应用深度学习算法推断个体属性的研究还处于探索阶段，还有改进的空间：Li等^[1]构建基于内积神经网络和自动编码器的混合模型，对乘客的年龄和居住区域进行推断；Kim等^[17]利用出行调查数据和智能卡数据，提出一种基于条件生成对抗网络的方法用以估计乘客出行目的和社会属性。

因此，基于地铁AFC数据和土地利用数据对不同乘客群体出行特征进行分析，挖掘乘客出行特征与年龄属性的关系，利用深度学习算法捕捉乘客出行特征间的时空关系，推断年龄属性以对乘客进行分类，并通过广州地铁案例对该方法进行验证。

1　问题描述与数据特征提取

1.1　问题描述

利用大规模地铁AFC数据和多源土地利用数据对地铁乘客的年龄属性进行推断。由于乘客的出行行为及目的地选择与乘客的个人属性具有高度相关性^[17]，因此，乘客出行特征与乘客个人属性之间构成了时空关联。首先使用广州地铁AFC数据对乘客的时空出行行为模式进行了分析，然后提出一种融合深度神经网络(Deep Neural Networks，DNN)和自动编码器(Automatic Encoder，AE)的方法，利用数据集中的时空相关性推断乘客年龄属性。

研究所提出的模型共有2个输入：乘客出行特征矩阵、地铁站点稀疏矩阵；1个输出：乘客年龄属性分类标签。这种预测问题可以表示为

\widehat{y}=f(\left[X_{\mathrm{11}},X_{\mathrm{12}},\dots ,X_{\mathrm{1}n}\right],X_{\mathrm{2}})⑴

式中：\widehat{y}为乘客年龄预测标签；X_{\mathrm{1}n}为乘客出行特征矩阵中第n个出行特征；X_{\mathrm{2}}为地铁站点稀疏矩阵。

1.2　数据描述

使用广州地铁AFC数据和广州市土地利用数据来进行乘客年龄属性研究，分析乘客出行时空特征，说明其与年龄属性之间的映射关系。

选取2017年5月15日至19日5个工作日的广州地铁AFC数据，对进出站时间错误、旅行时间过长的异常数据进行清洗。由于广州地铁有多种类型的地铁票卡，故需筛选能够定位到具体乘客账号的票卡类型，剔除员工票、单程票等刷卡记录。剔除无用数据后得到1 845万条票卡交易数据，覆盖出行人次约417万，经统计可知其中成人出行人次占比为85.45%，学生出行人次占比为5.74%，老人出行人次占比为8.81%。由于乘客在年龄组上具有高度不平衡性，因此仅抽取成人出行记录数据的10%，与老人、学生共同构成类别均衡的原始数据集。

广州市土地利用数据主要包括地铁站点经纬度数据、地铁站点周边POI数据、广州市建筑轮廓矢量数据以及住宅类POI建筑属性数据。地铁站点经纬度数据和周边POI数据来自高德地图开放平台，收集每个站点附近半径500 m的POI信息，主要包括住宅、学校、公司、医院、运动5种类别，每个POI包含名称、类别、经纬度3个字段，185个站点周围共收集到27 804条POI数据。住宅类POI建筑数据来自贝壳网，包括名称、建筑数、户数等信息；广州市建筑轮廓矢量数据来自百度地图，包括建筑面积、层数、经纬度3个字段。根据以上数据进行计算可得到考虑服务能力的加权POI数据。

1.3　特征分析与提取

从原始数据中分析和提取不同年龄段乘客的出行时空特征，包括出行时间分布、出行时耗、出行频率、目的地POI分布等出行特征。剔除日均出行低于1次、出行次数过少的乘客。

不同年龄组一天内的出行时间分布如图1所示。由图1可以发现，3个年龄段分布差异明显：学生与成人由于上学和上班的需要，一天的出行高峰时间主要集中在早晚，学生早晚高峰的时间均比成人早约1 h；老人由于不受上学或上班的时间限制，故出行时间分布没有尖锐的峰值或低谷，其出行比例较高的时间集中在8：00—10：00和13：00—15：00，出行比重分别约30.4%和23.6%。相比学生和成人，老人的出行更集中分布在白天，18：00之前的出行占比约为88.36%。

不同年龄组的出行时耗分布如图2所示。从图2a中可以看出，学生和老人20 min以内的出行占比更高，分别为47.6%和49.7%，成年人则为37.2%；30 min到60 min之间的出行比例则是成年人最高，达到了33.3%，高于学生的25.7%和老人的24.0%。总的来说，成年人的出行时耗普遍比学生和老人更长，集中分布在15.63 min到36.37 min之间。成年人的出行时耗平均值为24.77 min，高于学生的20.87 min和老人的20.12 min。

不同年龄组一天内的出行频率如图3所示。成人和学生由于通勤和通学的需要，平均每日出行次数大多在2次左右，老人则没有明显的峰值，出行比例随着出行频率的上升而下降。同时，大多数人的平均每日出行次数都少于3次。

不同年龄组出行目的地POI分布如图4所示。其中，29.12%的成人最常去的地方是公司，这一比例高于学生和老人。成年人去运动场馆的比例也最高，为9.24%。而老年人和学生回家或到学校的比例均高于成年人，这可能是由于老年人接送孩子上下学所造成。

不同年龄组出行目的地时空分布如图5所示。从图5中可以看出，学生和成人的出行分布呈现出明显的早晚高峰，早高峰的目的地集中于市中心区域，晚高峰目的地则较为分散，中午时分的出行很少，与早晚时段的差异较大；老人在白天不同时段的出行地理分布差异不大，晚上的出行显著减少，且目的地的出行分布较为平均，主要活动范围集中在城市中心区域，但小于成人的出行区域。

基于以上分析，考虑每位乘客的频繁出行OD(日均出行大于等于一次的路线)进行特征提取，形成包括以下6个特征的特征矩阵：出行频率、出行时段分布、首次/末次出行时间、OD经纬度、出行时耗、目的地POI。其中，出行频率、出行时段分布往往反映乘客的日常生活规律和出行需求，与乘客的年龄密切相关；首次/末次出行时间则是反映乘客一天中活动时间安排的关键指标，体现不同年龄段乘客差异化的生活节奏；出行时耗间接反映了不同年龄段的出行距离和对时间成本的敏感度；OD经纬度、目的地POI包含着乘客的居住区域、工作地点、常去的活动场所等地理信息，能够反映不同年龄段乘客的出行动机和目的地偏好。根据以上数据，构建时间与空间特征结合的输入矩阵。

2　基于深度学习的乘客属性推断方法

乘客的不同出行特征之间具有一定的相关性，因此构建由深度神经网络和自动编码器组成的混合神经网络模型，以结合时空相关性来推断乘客的年龄属性。利用DNN来进行全连接，可以捕捉时间和空间特征之间的复杂关系，不同于传统模型只能识别数据之间的浅层关系，深度神经网络具有更强的挖掘能力。同时，AE可以压缩乘客出行稀疏矩阵，通过编码和解码操作进一步提取乘客出行矩阵中的空间关系，二者结合可以更好地解释出行模式的时空特征，更有效地推断不同乘客的年龄属性。模型结构图如图6所示。

2.1　模型构建

模型输入包括乘客出行特征矩阵P_{\mathrm{1}}和出行稀疏矩阵P_{\mathrm{2}}。其中P_{\mathrm{1}}由出行频率、出行时段分布、首次/末次出行时间、OD经纬度、出行时耗、目的地加权POI组成，P_{\mathrm{1}}\in R^{N\times D_{\mathrm{1}}}，其中N和D_{\mathrm{1}}分别表示乘客样本数量及特征维度；P_{\mathrm{2}}是由乘客到每个站点的出行频率构成的稀疏矩阵，P_{\mathrm{2}}\in R^{N\times D_{\mathrm{2}}}，D_{\mathrm{2}}代表地铁站点数量。模型输出为乘客年龄属性推断结果，包括学生、成人和老人3类。

乘客出行特征矩阵P_{\mathrm{1}}中，出行频率、出行时段分布、首次/末次出行时间、出行时耗特征均由AFC数据直接获得，OD经纬度特征根据土地利用数据转换得到。重点对目的地POI特征进行改进，提出考虑服务能力的加权POI，以解决POI数量不能准确反映目的地对乘客的吸引强度差异的问题。具体如下。

对于住宅类POI，以住户数目表示其实际的服务能力；对于非住宅类POI，参照《全国民用建筑工程设计技术措施》确定不同类型建筑的人均使用面积，然后结合建筑物理属性和人均服务面积对其实际服务能力进行标定。

由于数据源不同，POI名称可能与地图上同一点单元的建筑名称或住宅区域名称不同，难以实现数据融合。计算目标POI和百度地图中建筑物的距离，以确定两者是否匹配。

distance(A,B)=\frac{{\theta }_{A,B}\cdot \mathrm{2}\mathrm{000}\mathrm{\pi }\cdot R_{\mathrm{e}\mathrm{a}\mathrm{r}\mathrm{t}\mathrm{h}}}{\mathrm{360}}⑵

{\theta }_{A,B}=\mathrm{a}\mathrm{r}\mathrm{c}\mathrm{c}\mathrm{o}\mathrm{s}(\mathrm{c}\mathrm{o}\mathrm{s}(A_{lat})\mathrm{c}\mathrm{o}\mathrm{s}(B_{lat})\mathrm{c}\mathrm{o}\mathrm{s}(A_{lng}-B_{lng})+\mathrm{s}\mathrm{i}\mathrm{n}(A_{lat})\mathrm{s}\mathrm{i}\mathrm{n}(B_{lat}))⑶

式中：distance(A,B)为A点与B点之间的实际距离，m；A_{lat}和A_{lng}分别为A点的经度和纬度，均为世界大地测量系统1984(WGS-84)坐标系；R_{\mathrm{e}\mathrm{a}\mathrm{r}\mathrm{t}\mathrm{h}}为地球半径，为6 371 km。

最后判断得到的距离是否小于阈值，阈值设置为50 m。若小于阈值，则根据《全国民用建筑工程设计技术措施》中获得的人均服务面积，进行POI服务能力加权计算，对目标POI的实际服务能力进行标定；否则，则从百度地图数据中选择另一栋建筑，对目标POI进行重新匹配。住宅POI的数据融合过程与此类似，由此得到考虑服务能力的加权POI数据。

在DNN中，P_{\mathrm{1}}被输入全连接层进行计算，每一个神经元表示前一层所有输出值的加权和非线性变换，W_l是第l-\mathrm{1}层和第l层之间的权重矩阵，W_l\in R^{n_l\times n_{l-\mathrm{1}}}，n_l是第l层上神经元的个数，b_l是第l层上的偏置向量，b_l\in R^{n_l\times \mathrm{1}}。第l层第j个神经元的输出y_j^l为

y_j^l=F\left({\displaystyle \sum _{i=\mathrm{1}}^{n_{l-\mathrm{1}}}}{y}_i^{l-\mathrm{1}}\times w_{ij}^l+b_j^l\right)⑷

式中：w_{ij}^l为第l-\mathrm{1}层的第i个节点的输出传到第l层的第j个节点时所占的权重；b_j^l为第l层的第j个节点所对应的偏置；F为激活函数。

第l层的输出为

{\mathrm{y}}^l=F(W^l{y}^{l-\mathrm{1}}+b^l)⑸

神经元中的非线性变换由激活函数F来实现，即relu函数为

relu(x)=\left\{\begin{array}{cc}x& x>\mathrm{0}\\ \mathrm{0}& x\le \mathrm{0}\end{array}\right.⑹

DNN总层数为L，最终得到输出y^L\in R^{D_{\mathrm{1}}}。

在AE中对P_{\mathrm{2}}进行编码和解码的转换，过程如下。

H_t(r_i)=encoder(P_{\mathrm{2}})⑺

{\widehat{P}}_{\mathrm{2}}=decoder(H_t(r_i))⑻

式中：encoder()，decoder()分别表示编码器部分和解码器部分的变换；H_t(r_i)是P_{\mathrm{2}}的隐藏表示；{\widehat{P}}_{\mathrm{2}}是输出。

编码器部分最后得到输入数据的压缩表示，解码器部分最后得到与原始数据相似的重构。同样的，AE中所有全连接层的激活函数也为relu函数。

为融合DNN提取的时空相关信息和AE的地铁站点信息进行乘客年龄属性推断，将DNN的输出和AE的输出连接起来输入一个由relu激活的全连接层，产生最终分类结果\widehat{y}。

2.2　模型损失函数

DNN+AE模型的损失函数由2部分组成：AE中自动编码器的约束损失Los{s}_{\mathrm{1}}和最终分类的损失Los{s}_{\mathrm{2}}，分别如下。

Los{s}_{\mathrm{1}}=MSE=\frac{\mathrm{1}}{N}{\left(P_{\mathrm{2}i}-{\widehat{P}}_{\mathrm{2}i}\right)}^{\mathrm{2}}⑼

Los{s}_{\mathrm{2}}=Softmax\_cross\_entropy(y,\widehat{y})⑽

式中：P_{\mathrm{2}i}为乘客出行稀疏矩阵P_{\mathrm{2}}中的第i个样本；{\widehat{P}}_{\mathrm{2}i}为输出矩阵{\widehat{P}}_{\mathrm{2}}的第i个样本；y是输入样本的真实标签；Softmax\_cross\_entropy(y,\widehat{y})代表Softmax函数的交叉熵损失。

Softmax函数可以将上一层的原始数据进行归一化，如：z属于j类的概率为

softmax(z_j)=\frac{e^{z_j}}{{\displaystyle \sum _{k=\mathrm{1}}^K}{e}^{z_k}}⑾

利用交叉熵函数度量Softmax函数预测的标准概率分布与正确类别标签之间的损失，损失函数可表示为

Los{s}_{\mathrm{2}}=-\left[y\mathrm{l}\mathrm{o}\mathrm{g}\widehat{y}+(\mathrm{1}-y)\mathrm{l}\mathrm{o}\mathrm{g}(\mathrm{1}-\widehat{y})\right]⑿

最终，DNN+AE模型总的损失可以计算为

Loss=(\mathrm{1}-\lambda )\times Los{s}_{\mathrm{1}}+\lambda \times Los{s}_{\mathrm{2}}⒀

式中：参数\lambda用于平衡2种类型的损失函数，最优取值在模型训练过程中测试。

3　案例分析

3.1　实验设置

在实验中，每个年龄组中选择70%的样本用于训练和验证，剩余的30%样本用于测试。将特征矩阵归一化，模型学习率设置为0.001，批量大小设置为32，损失函数中的λ经测试设置为0.5。

选取以下基线模型进行对比分析。

支持向量机(Support Vector Machine，SVM)：SVM是一种经典的线性分类模型，通过核方法，也可以实现非线性分类，经过测试，选取使用高斯核函数的SVM模型作为基线模型之一。

决策树模型(Decision Tree，DT)：DT是一种树形结构，其决策过程是从根节点开始，测试待分类项中对应的属性，根据测试结果选择输出分支，最后到达叶节点，即分类结果。将基线模型中树的最大深度设置为10。

多层感知机(Multilayer Perceptron，MLP)：MLP是对感知器的改进，克服了感知器不能识别非线性数据的缺点。选取梯度下降法作为MLP的权重优化方法，设置了2个隐藏层，神经元个数分别为30和20，学习率为0.001。

自适应增强(AdaBoost)：AdaBoost是一种迭代算法，核心思想是针对同一训练集训练不同的弱分类器，再将这些弱分类器组合成一个强分类器。将估计器个数设置为40，学习率设置为0.8。选取准确率及精度2个评价指标对模型分类性能进行评价，计算公式为

Accuracy=\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{P}+\mathrm{F}\mathrm{N}}⒁

Precision=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}⒂

在混淆矩阵中，TP(True Positive)意味着将正类预测为正类数，FN(False Negative)意味着将正类预测为负类数，FP(False Positive)意味着将负类预测为正类数，TN(True Negative)意味着将负类预测为负类数。

3.2　结果分析

3.2.1　乘客年龄属性推断结果

利用上述模型得到在不同时段部分乘客年龄属性推断结果，乘客年龄属性推断结果如表1所示。在此基础上，分析不同年龄组出行目的地时空分布预测结果如图7所示。学生早上的出行高峰集中在8：00之前，中午学生的出行极少，晚上则因为放学时间不同、部分学校有课后延时服务或晚自习等，学生的出行在时间和空间上分布都较为分散，并且目的地站点基本集中于市中心的越秀区、荔湾区、海珠区和天河区，这与广州学校和学生集中在4个区保持一致^[18]。成人相比于早高峰目的地聚集在市中心区域，晚高峰的目的地则由市中心区域向远离市中心的方向分散。老人的目的地分布范围比成人和学生略小，且白天的出行量较为均衡，晚上的出行显著减少，出行分布范围也更小，这也与曾进东^[19]的研究一致。整体而言，不同年龄段乘客出行的时空分布情况与真实AFC数据的统计结果基本保持一致，证明了模型的有效性。

此外，在不同年龄组的出行时空分布预测结果中，老人的预测结果具有最高的精度，学生在8：00—13：59的预测结果和成年人在14：00—16：59的预测结果与实际情况稍有偏差，学生在8：00—13：59的推断结果偏多，而成人在14：00—16：59的推断结果偏少，原因在于这2个时段学生和成人的出行量较少，在同一年龄组别不同时段下的样本数量分布不均衡，因而导致了模型一定程度上的预测偏差。

3.2.2　模型对比

针对不同年龄属性，不同模型推断结果对比如表2所示。

将DNN+AE模型与基线模型进行了对比，DNN+AE模型的准确率相比SVM，DT，MLP，AdaBoost分别提高了13.83%，8.01%，5.66%，4.98%，其中，学生、成人和老人的推断精度相比SVM分别提高了21.22%，19.56%，7.33%；相比DT分别提高了18.25%，13.26%，15.11%；相比MLP分别提高了14.72%，12.5%，8.86%；相比AdaBoost分别提高了14.32%，12.5%，9.29%。

结果表明DNN+AE模型在不同乘客的年龄属性推断上均具有更好的效果，可以更好地适应不同特征之间的非线性关系，捕捉乘客出行特征的时空相关性。此外，AE能够实现SVM等模型无法解决的稀疏矩阵的压缩和分析操作，能够学习特征的低维表达，进一步提取乘客出行矩阵中的隐含信息。

3.2.3　特征敏感性分析

特征敏感性分析中，每次删除一个重要特征，进行独立实验来推断乘客的年龄属性，不同特征对结果的影响如表3所示。去除特征对推断的准确率和精度都会产生影响，其中，去掉首次/末次出行时间、出行时段分布和目的地加权POI对结果的影响最大，导致准确率分别下降了6.41%，4.06%，3.36%，学生、成人、老人的推断精度最多分别下降了7.97%，6.84%，8.37%，原因是学生和老人的首次/末次出行时间比较有规律，而成人则相对有弹性；去除OD经纬度对推断结果影响相对较小，原因是乘客出行稀疏矩阵中包括了乘客的出行目的地位置信息，因此能够弥补一部分删除OD经纬度信息所造成的影响。

3.2.4　改进POI分析

进一步验证考虑服务能力的加权POI对年龄属性推断的有效性，原始POI下不同模型推断结果如表4所示。比较可知，考虑服务能力的加权POI对推理结果有明显的改进，DNN+AE模型的推断准确率提升了4.81%，学生的推断精度提升了7.29%，成人的推断精度提升了6.82%，老人的推断精度提升了6.03%，在SVM，DT，MLP，AdaBoost等基线模型中也均有一定程度的提升。原始POI仅有数量，考虑实际服务能力对目的地POI进行加权计算，可以更准确地推断乘客属性。

4　结论

针对城市轨道交通乘客年龄属性推断问题，提出一种基于深度神经网络和自动编码器的方法，挖掘不同乘客群体出行特征与年龄属性之间的关系，对乘客年龄属性进行预测。主要研究结论如下。

（1）引入出行频率、出行时段分布、首次/末次出行时间、OD经纬度、出行时耗、目的地加权POI对轨道交通不同年龄属性乘客的出行特征进行描述，实验证明了使用以上6个特征推断乘客年龄属性的有效性。

（2）不同乘客群体的年龄属性与出行特征之间存在映射关系，老人由于出行时段、出行目的地分布与成人和学生区别较明显，识别精度最高，学生和成人的出行均具有双峰特性，但其出行高峰时间和目的地在不同时段的分布有所不同，且学生出行的规律性比成人更强，故学生较成人更易识别。

（3）DNN+AE模型能够捕捉乘客出行特征间的关系和时空相关性，相比于SVM，DT，MLP，AdaBoost等模型准确率分别提升了13.83%，8.01%，5.66%，4.98%，能够更为准确地推断轨道交通乘客的个人属性。

（4）相比仅基于数量统计的POI，考虑服务能力的加权POI对出行目的地吸引强度的刻画具有更好的效果，模型的推断准确率提升了4.81%，学生、成人和老人的推断精度分别提升了7.29%，6.82%和6.03%。

此外，研究提出的模型还可以进一步与迁移学习方法或小规模出行调研结合，应用于不同城市或地铁网络中，以解决无标签数据集或不同特征数据集的乘客年龄属性推断问题。例如，利用小规模出行调研数据训练模型，再推断整个数据集标签，可以在较低的调研成本下得到乘客年龄属性结果；或利用迁移学习方法，将已有标签数据集作为源域，提取特征、调整权值，匹配至需要进行推断的目标域数据集，得到适用于目标域的模型，推断乘客年龄属性。

参考文献

[1] LI C， BAI L， LIU W，et al. Urban Mobility Analytics：A Deep Spatial-Temporal Product Neural Network for Traveler Attributes Inference[J]. Transportation Research Part C：Emerging Technologies，2021，124：102921.

[2] WANG D G， CHAI Y W. The Jobs-Housing Relationship and Commuting in Beijing，China：The Legacy of Danwei[J]. Journal of Transport Geography，2009，17(1)：30-38.

[3] 邹庆茹，赵　鹏，姚向明. 基于售检票数据的城市轨道交通乘客分类[J]. 交通运输系统工程与信息，2018，18(1)：223-230.

[4] ZOU Qingru， ZHAO Peng， YAO Xiangming. Passenger Classification for Urban Rail Transit by Mining Smart Card Data[J]. Journal of Transportation Systems Engineering and Information Technology，2018，18(1)：223-230.

[5] KIEU L M， BHASKAR A， CHUNG E. Passenger Segmentation Using Smart Card Data[J]. IEEE Transactions on Intelligent Transportation Systems，2015，16(3)：1537-1548.

[6] MAHRSI M K EL， CÔME E， OUKHELLOU L，et al. Clustering Smart Card Data for Urban Mobility Analysis[J]. IEEE Transactions on Intelligent Transportation Systems，2017，18(3)：712-728.

[7] BAGCHI M， WHITE P R. The Potential of Public Transport Smart Card Data[J]. Transport Policy，2005，12(5)：464-474.

[8] 张安忠，许心越，叶红霞. 城市轨道交通乘客画像构建方法及应用策略研究[J]. 铁道运输与经济，2024，46(1)：139-146，164.

[9] ZHANG Anzhong， XU Xinyue， YE Hongxia. Research on Construction Method and Application of Urban Rail Transit Passenger Portrait[J]. Railway Transport and Economy，2024，46(1)：139-146，164.

[10] SARI ASLAM N， ZHU D， CHENG T，et al. Semantic Enrichment of Secondary Activities Using Smart Card Data and Point of Interests：A Case Study in London[J]. Annals of GIS，2021，27(1)：29-41.

[11] 闻　川，成　卫，肖海承，等. 考虑共享单车起讫点的出行目的推断方法[J]. 铁道科学与工程学报，2022，19(12)：3590-3599.

[12] WEN Chuan， CHENG Wei， XIAO Haicheng，et al. Inference Method of Travel Purpose Considering the Origin and Destination Points of Shared Bicycles[J]. Journal of Railway Science and Engineering，2022，19(12)：3590-3599.

[13] YU C， LI H Y， XU X Y，et al. Data-Driven Approach for Passenger Mobility Pattern Recognition Using Spatiotemporal Embedding[J]. Journal of Advanced Transportation，2021，2021：5574093.

[14] KUSAKABE T， ASAKURA Y. Behavioural Data Mining of Transit Smart Card Data：A Data Fusion Approach[J]. Transportation Research Part C：Emerging Technologies，2014，46：179-191.

[15] MA X L， LIU C C， WEN H M，et al. Understanding Commuting Patterns Using Transit Smart Card Data[J]. Journal of Transport Geography，2017，58：135-145.

[16] 苏焕银，陶文聪，彭舒婷，等. 城际铁路旅客乘车选择行为异质性分析[J]. 铁道科学与工程学报，2022，19(4)：901-908.

[17] SU Huanyin， TAO Wencong， PENG Shuting，et al. Heterogeneity Analysis of Passengers’ Choice Behaviors on Intercity Railway[J]. Journal of Railway Science and Engineering，2022，19(4)：901-908.

[18] 程小云，张学宇，薛顺然，等. 基于多维属性的轨道交通出行行为分类方法[J]. 交通运输工程与信息学报，2020，18(4)：166-174.

[19] CHENG Xiaoyun， ZHANG Xueyu， XUE Shunran，et al. Method of Analyzing Rail Transit Travel Behavior Based on Multidimensional Attributes[J]. Journal of Transportation Engineering and Information，2020，18(4)：166-174.

[20] 涂　群. 基于多源数据融合的城市轨道交通异常客流预测[D]. 北京：北京交通大学，2022.

[21] 张鹏飞，翁小雄. 基于注意力机制LSTM的地铁乘客出行行为预测研究[J]. 重庆交通大学学报(自然科学版)，2022，41(5)：14-19.

[22] ZHANG Pengfei， WENG Xiaoxiong. Travel Behavior Prediction of Metro Passengers Based on Attention Mechanism LSTM[J]. Journal of Chongqing Jiaotong University (Natural Science)，2022，41(5)：14-19.

[23] KIM E J， KIM D K， SOHN K. Imputing Qualitative Attributes for Trip Chains Extracted from Smart Card Data Using a Conditional Generative Adversarial Network[J]. Transportation Research Part C：Emerging Technologies，2022，137：103616.

[24] 广州市教育局.2017年度广州市教育统计手册[EB/OL].(2018-06-12)[2024-02-17].

[25] 曾进东. 面向老年人地铁出行服务水平的时空数据分析研究[D]. 深圳：深圳大学，2020.

基金资助

国家重点研发计划项目(2022YFC3005204)

宁夏自然科学基金资助项目(2022AAC05038)