基于LDA的城市轨道交通客流节假日出行模式研究

Research on holiday travel patterns in urban rail transit based on LDA

摘要

尽管基于城市轨道交通自动售检票（automatic fare collection， AFC）系统采集的智能卡数据（smart card data， SCD）能够精准记录人们的出行时间和地点，但无法直接反映出行目的或活动类型. 本研究提出一种方法，将约束种子K-means算法的站点聚类与隐含狄利克雷分布（latent Dirichlet allocation， LDA）模型的客流出行目的挖掘相结合，以揭示城市轨道交通客流出行数据中的潜在活动模式. 首先，基于车站周边的人口特征、客流特征及兴趣点（points of interest， POI）分布，使用约束种子K-means算法将站点划分为8类：就业集聚型、居住集聚型、职住复合型、商业中心型、旅游景点型、综合枢纽型、对外枢纽型以及客流培育型. 其次，基于出站时间、活动时长、起点车站类型以及终点车站类型构建了LDA模型. 该模型成功识别出5类主要活动，分别为购物消费、工作、回家、休闲旅游及其他. 此外，这些模式进一步细分为若干子主题，每个子主题在时间和空间特征上具有显著差异，为深入理解节假日城市轨道交通客流出行行为提供了理论支持.

Abstract

While smart card data （SCD） collected from automatic fare collection （AFC） systems accurately records when and where people travel， they do not directly convey the trip purposes or activity types. In this study， we propose a method that integrates station clustering with an LDA model to uncover latent activities from urban rail transit passenger mobility data. First， we classified the stations into eight categories—employment，residential， mixed-use residential-employment， commercial centers， tourist attractions， composite hubs， external hubs， and ridership cultivation stations—using a constrained-seed K-means algorithm， based on demographic characteristics， ridership patterns， and the distribution of POIs around each station. Second， an LDA model is developed based on four key attributes： exit time， activity duration， origin station type， and destination station type. The model successfully identifies five primary activity types： shopping-related， work-related， home-related， tourism， and other. Furthermore， these patterns are divided into several subtopics， each distinguished by specific temporal and spatial characteristics， providing the theory support for deeply figuring out holiday travel patterns of urban rail transit passengers.

Graphical abstract

关键词

城市交通 / 节假日出行特征 / 隐含狄利克雷分布 / 城市轨道交通 / 智能卡

Key words

urban transportation / holiday travel patterns / latent Dirichlet allocation / urban rail transit / smart cards

随着城市化的快速推进和人口的快速增长，城市轨道交通已成为居民出行的重要方式之一. 作为一种快速、高效且环保的运输方式，城市轨道交通在缓解交通拥堵、降低能源消耗和减少碳排放方面发挥着重要作用^［1］. 近年来，我国城市轨道交通发展迅速. 截至2023年底，我国内地已有59座城市开通轨道交通，运营总里程达11 232.65 km，年客运量293.89亿人次，均居全球首位^［2-3］. 随着城市轨道交通的不断扩展和客流量的稳步增长，高效管理愈发重要. 在此背景下， AFC系统采集的智能卡数据（smart card data，SCD）因准确记录乘客时空交易信息，被广泛用于客流预测与客流出行行为研究. 尽管SCD在许多方面具有巨大潜力，但由于缺少出行目的这一关键属性而在深度挖掘乘客行为模式方面受到限制. 基于SCD对乘客出行目的的挖掘，不仅可以扩展SCD在规划和研究方面的应用潜力，还能够为深入理解乘客出行行为、优化公共交通系统的动态管理提供更有力的支持.

目前，关于利用SCD推断出行目的的研究主要分为规则驱动和模型驱动两类. 规则驱动方法基于预定义规则确定出行目的. 如Alsger等^［4］基于乘客到达目的站点的时间和持续时间设计规则，推断可能的出行目的，并利用家庭出行调查数据对结果进行验证. 尽管规则驱动方法在实践中表现良好，但仍存在明显弊端： 一是需要依赖研究者对数据和行为模式的理解进行明确的规则设定，具有一定主观性；二是对高频规律的常规出行（如上下班、居家或上学）效果较好，但对低频不规律出行（如购物或观光等）效果较差，而这类不规律出行正是周末及节假日居民出行的重要组成部分. 模型驱动方法克服了规则驱动方法的局限性，利用模型和数据融合技术推断活动类型. 这类研究通常结合SCD与家庭出行调查（household travel survey， HTS）数据生成带标签的训练样本，再将模型应用于未标注的数据，进行出行目的识别. 例如，Faroqi等^［5］考虑出行到达时间、在目的地停留时间，构建凝聚层次聚类算法（agglomerative hierarchical clustering，AHC）模型，通过HTS数据训练出行的时间属性与出行目的的关系，最后应用于SCD，识别出回家、工作、教育、购物、娱乐5种出行目的；Kim等^［6］考虑出发时间、到达时间、出行耗时、目的地停留时间以及乘客年龄等因素，结合可解释的机器学习方法（特征重要性、特征交互以及累计局部效应图），构建随机森林（random forest，RF）模型，最后在SCD上进行验证，识别出回家、工作、商务、休闲4种出行目的. 尽管这些模型表现优异，但结果高度依赖调查数据的数量和准确性，而真实的出行目的需要调查数据获得，导致该过程耗时且成本高昂. 还有研究尝试直接从SCD中发现隐藏的出行模式而无须提供明确的出行目的标签. 例如，Han等^［7］基于连续隐马尔可夫模型（continuous hidden Markov model， CHMM）分析乘客的出行链，考虑平均开始时间（标准差）、平均持续时间（标准差）、平均结束时间、土地利用类型，识别出乘客不同的工作、居家活动模式；Zhao等^［8］基于建立的乘客出行链，考虑每次出行的目的地、到达时间、出行日与下一次出行的时间间隔，建立LDA模型，将乘客出行目的划分为回家、工作、其他.

现有研究多结合出行调查数据进行建模，直接利用SCD的研究相对较少，且这些研究多侧重于客流时间特征，对车站周围的建成环境因素考虑不足. 此外，现有研究主要集中在工作日的出行模式推断上，对周末或节假日的出行研究相对较少. 节假日期间，乘客的出行活动和时空特征通常更为多样. 例如，居民可能涉及更多社交活动、休闲旅游、探亲等，这些活动与工作日的通勤模式存在显著差异. 因此，本研究旨在利用SCD，探讨节假日的城市轨道交通客流潜在的出行模式，结合车站建成环境因素挖掘城市轨道交通客流的出行目的.

1 数据概况与处理

1.1 研究区域概况

长沙市是我国中部重要的中心城市，湖南省会，也是我国特大城市之一. 截至2023年底，长沙市常住人口1 051.31万人^［9］，总面积11 819 km². 自2014年开通首条地铁线路以来，长沙市轨道交通网络逐渐完善. 截至2023年3月底，已开通运营6条地铁线路（涵盖1~6号线），共设车站145座，其中换乘站18座，线路总长190.61 km，基本覆盖长沙市主要城区.地铁线路分布如图1所示［文中地图均来自开源地图OpenStreetMap（OSM）］，表1详细列出了各线路的开通日期、长度以及车站数量.

1.2 SCD

为研究城市轨道交通客流节假日出行模式，本研究采集了2023年3月21日至4月3日期间（涵盖两个周末）的长沙地铁智能卡刷卡数据. 数据示例如表2所示.在调查期间，记录1 243.196万名乘客，共 3 387.245万条出行记录.

图2展示了调查期间内两周的日均客流量变化趋势，可以发现周六的日均客流量最高，其次是周五，而周一至周四的日均客流量相对稳定. 调查期间两周内日均客运量为775 491人次，其中工作日日均客流量为746 903人次，周末日均客运量为846 963人次，较工作日高出13.4%.图3展示了工作日和周末的小时客流量变化曲线. 可以发现，工作日客流量呈现明显的早高峰（7：00—9：00）和晚高峰（17：00—19：00）特征；周末客流量分布更均匀，呈多峰型，在7：00、13：00、17：00均出现明显客流增长. 此外，平峰时段周末客流量高于工作日，这一特征反映出周末及节假日客流出行时间的分散性.

SCD可直接提供进出站时间和地点，却无法提供出站后活动的持续时间，因此为模型准备数据时，需先对SCD进行预处理. 出行链是指单个出行者单位在特定时间段内连续进行的一系列出行. 通过为每个出行者单位构建出行链，可以计算出目的地停留时间（即前一次出行的出站时间与后一次出行的进站时间之差）. 然而，SCD未记录每个出行者单位的全部出行，导致其记录的出行之间可能存在隐藏出行^［10］. 换言之，基于SCD生成的出行链可能不完整，因此需要确保前一次出行的终点与后一次出行的起点足够接近^［8］. 本研究中，仅当前一次出行终点与后一次出行起点之间的距离在1.5 km以内时，该出行链片段才被视为有效. 因此，本研究对两个周末的数据分别进行预处理，排除每条出行链中最后一次出行及仅发生一次的出行. 经过筛选，最终识别699 113名乘客，共计1 374 808条出行记录.

图4为数据筛选后乘客的目的地停留时间分布，其中53.9%的目的地停留时间在0~4 h，11.2%在8~11 h. 图中显示了两个明显的峰值：第一个峰值出现在1~2 h范围内，反映持续时间较短的活动；第二个峰值出现在9~10 h范围内，反映可能与工作或全天活动相关的较长时间活动.

1.3 POI数据

兴趣点（points of interest， POI）数据是指特定地理区域内具有功能性或吸引力的地点的信息集合. 目前POI数据已广泛应用于交通、城市规划等领域. 本研究使用的长沙POI数据来自百度地图（https：//map.baidu.com/），采集时间为2023年2月. 共涵盖了732 587个POI，分为14个大类和128个子类. 在本研究中，POI经过筛选后被重新划分为4大类，即旅游类、企业类、商业类及居住类POI.

1.4 LBS数据

基于位置的服务（location-based services， LBS）数据是以用户或设备的地理位置为核心，提供特定服务时所涉及的位置信息及其相关数据. 此类数据通常通过GPS、Wi-Fi定位和蜂窝网络采集. 在城市规划和交通研究中，LBS数据可用于获取特定区域内的居住人口、就业人口以及不同地点的热度与可达性信息. 本研究使用的人口与就业数据同样来源于百度地图.

2 研究方法

2.1 基于约束种子K-means算法的站点聚类

约束种子K-means算法通过整合约束条件扩展了传统K-means模型框架，在多个应用场景中展现出更高的灵活性和准确性^［11-12］. 该算法允许通过必连（must-link，ML）和勿连（cannot-link，CL）约束规则指导聚类过程，确保特定数据点必须被归为同一类或分属不同类别. 传统K-means方法中，初始质心随机选择. 而约束种子K-means算法中，聚类种子与簇的隶属关系在后续迭代过程中保持不变. 通过引入约束，该算法可以更精确地控制聚类种子的选择，不仅能保证聚类的准确性，还能满足特定领域的特殊需求^［13］，因此特别适用于传统K-means易产生不稳定结果的场景.

选择地铁站聚类指标时，本研究考虑了车站职能、周边土地利用和设施配置在吸引客流中的决定性作用，最终选定了9个指标，如表3所示. 第1类为人口统计学指标，包含服务区域内人口规模和岗位数量，可反映站点的居住和就业需求，是衡量车站客流生成与吸引能力的重要指标. 第2类为客流特征指标，包含日均客流量、早高峰进出站客流比例，可揭示站点在不同时段内的使用强度和客流模式. 其中，日均客流量可以衡量车站整体的客流规模，通常与车站在轨道交通网络中的重要性正相关. 早高峰进出站客流比例是反映车站“源”或“流”属性的关键指标之一，较高的进站比例表明车站周边以居住功能为主，交通“源”的功能比较突出，较高的出站比例则表明车站“流”的属性更强. 第3类为站点周边POI分布情况，包含旅游类、商业类、企业类、居住类POI的数量，反映了站点周边不同功能用地的分布特征，间接体现了车站对特定类型客流的吸引力. 第4类为交通枢纽指标（即站点附近是否有大型交通枢纽），体现了站点是否与其他交通方式相连接（如高铁站、火车站、机场、长途汽车站等），是反映站点职能的关键指标之一. 上述指标的计算均基于车站 10 min步行半径内的数据.

在约束种子K-means算法中，聚类种子的选择对于最终结果的准确性非常关键. 刘令等^［14］基于2022年5月前长沙市开通的99座车站，采用K-means算法将站点分成8类，在此基础上，本文选取了有明显特征的轨道站点作为聚类种子，如表4所示.

2.2 基于LDA模型的客流出行目的挖掘

隐含狄利克雷分布（latent Dirichlet allocation，LDA）旨在通过观察数据推断隐藏结构，进而识别文档集合中潜在的主题. 与其他算法相比，LDA具有诸多优势：一是可从大型数据集中高效挖掘隐藏的主题结构，在分类和总结任务中表现出色^［15］；二是输出具有良好的可解释性，能直观展现主题与文档之间的关系^［16］；三是具有良好的可扩展性，适用于大数据环境下的文本挖掘与信息检索^［17］. LDA已被广泛应用于多个领域，包括社交媒体分析、文档分类、生物医学文本挖掘、人类移动性分析等.

LDA模型是一种文档生成模型，其理论基础是将每篇文档视为词语的随机混合体，通过词语的概率分布来描述文档的主题结构. 该模型假设每个文档由多个主题组成，每个主题由多个词语组成. 一篇文档中的每个词语均以一定概率选择了某个主题，并从这个主题以一定概率选择某个词语. LDA模型的生成机制如图5所示. 其中，\alpha生成M个文档T个主题的多项式分布\mathit{\theta }，\mathit{\theta }为T\times M的矩阵. \mathit{\theta }生成文档词语的主题分布Z. β生成主题中V个词语的多项式分布\mathit{\phi }，\mathit{\phi }为V\times T的矩阵. 综合Z和\mathit{\phi }生成词语W.α和\beta是\mathit{\theta }和\mathit{\phi }的先验参数，均服从Dirichlet分布，其中\alpha常取50/T，β常取0.1.

主题数量T通常通过困惑度（perplexity）P确定，计算公式如下：

P=\mathrm{e}\mathrm{x}\mathrm{p}\left(-\frac{{\displaystyle \sum _{m=\mathrm{1}}^M}\mathrm{l}\mathrm{n}p(w_m)}{{\displaystyle \sum _{m=\mathrm{1}}^M}{N}_m}\right)（1）

式中：M为文档数量；N_m为文档长度；p(w_m)为语料库中某篇文档的似然概率.

3 结果分析

3.1 站点聚类结果分析

本研究将127个地铁站点划分为8类，分别为就业集聚型、居住集聚型、职住复合型、商业中心型、旅游景点型、综合枢纽型、对外枢纽型、客流培育型. 不同类型站点的空间分布如图6所示.

1）就业集聚型站点：共包含22个站点，占全部站点的17.3%. 这类站点周边以商业和商务办公设施为主，客流集散量较大，早高峰出站客流比例较高，体现出明显的就业站点属性.

2）居住集聚型站点：共包含50个站点，占全部站点的 39.4%，为数量最多的站点类型. 这类站点周围住宅区数量较多，与就业集聚型站点相反，其早高峰期间的进站量远高于出站量，进出站客流比最高达到20∶1，早晚高峰呈现明显的潮汐特性.

3）职住复合型站点：共包含22个站点，占全部站点的17.3%. 此类站点高峰时段进站与出站客流量较为均衡，周围兼有较多的商务办公类设施以及住宅小区.

4）商业中心型站点：仅有3个站点，占全部站点的2.4%. 这类站点位于城市核心商圈，日均客流量与商业类设施数量远多于其他站点.

5）旅游景点型站点：仅有3个站点，占全部站点的2.4%. 这类站点周边旅游景点类设施数量较多，客流量较大且集中在节假日，推测其客流主要以景区游客为主.

6）综合枢纽型站点与对外枢纽型站点：这两类站点均为枢纽功能较强的站点. 共包含10个站点，占全部站点的7.9%. 其中，综合枢纽型站点通常为铁路、城轨、长途汽车等交通方式的综合交通枢纽，周边还分布有较多的商业与商务办公设施数量，是功能复合型站点；对外枢纽型站点周边用地相对单一，仅包含长沙火车南站、黄花机场两座车站，分别对应长沙市唯一的对外高铁枢纽站和民用机场.

7）客流培育型站点：共包含17个站点，占全部站点的13.4%. 这类站点周边整体开发强度相对较小，日均客流量较小，此类站点多位于地铁线路的两端，需接驳城市外围向城市中心的通勤客流，由于居住功能大于就业功能，因此早高峰进站客流量小时系数极大.

3.2 LDA模型结果分析

本研究通过困惑度曲线确定最佳主题数量 （图7）. 由图7可知，随着主题数量增加，困惑度逐渐下降，当主题数量为10时降至最低. 因此本研究将主题数量设为10.

在此基础上，进一步分析不同主题的出行特征.图8为各主题客流出站时间分布，图9为各主题客流目的地停留时间分布，图10为各主题客流进出站点类型的分布情况.色标颜色越深代表客流分布比例越大.

尽管这些主题在出行时空特征上存在较大差异，仍可归纳为5个主要出行目的：购物消费相关出行、工作相关出行、回家相关出行、休闲旅游类相关出行和其他出行. 各类出行的主题虽存在一定的差异，但仍体现出一定的共性，反映了乘客出行的主要目的和行为模式.

3.2.1 购物消费相关出行

购物消费类出行包含主题0、1和3，共占总客流的27.5%. 该类出行目的地多为商业中心型站点，出行起点多位于居住集聚型、就业集聚型、综合枢纽型站点，出站时间集中在12：00以后，活动时长一般小于4 h，因此推测这3类主题对应的是购物消费类客流. 尽管3个主题的总体特征较为相似，但细节存在差异：

1）主题0：客流出站时间集中在17：00—18：00，活动时长0~4 h，出行起点主要为职住复合型站点以及居住集聚型站点.

2）主题1：客流出站时间集中在14：00—16：00，相应地，活动时长相对更长（4~8 h），出行起点主要为居住集聚型站点.

3）主题3：客流出站时间分布较分散，主要集中在11：00—13：00，活动时长0~4 h，出行起点主要为综合枢纽型站点、就业集聚型站点.

3.2.2 工作相关出行

工作类出行包含主题2和主题6，共占总客流量的24.8%. 这类客流的出行起点均为居住集聚型站点，目的地主要为就业集聚型和职住复合型站点，出站时间均为上午或中午，因此推测其出行目的与工作相关. 两个主题的客流出行起讫点分布相似，但出站时间和活动持续时间存在差异：

1）主题2：客流出站时间集中在8：00—9：00，活动时长8~11 h，出行目的地主要为职住复合型站点以及就业集聚型站点，推测该主题乘客的出行活动是整日的工作安排.

2）主题6：客流出站时间集中在11：00—13：00，相应地，活动时长0~4 h，这一主题客流的出行可能与短时间的工作活动有关.

3.2.3 回家相关出行

回家类出行包含主题5、主题7、主题8，这类客流出行的目的地主要为居住集聚型站点，共占总客流的26.8%.

1）主题5：客流出站时间集中在20：00—22：00，活动时长在15 h以上，出行起点主要为商业中心型站点和居住集聚型站点.

2）主题7：客流出站时间全天分布较均匀，活动时长0~4 h，出行起点主要为就业集聚型站点.

3）主题8：客流出站时间较晚，主要集中在

22：00—23：00，活动时长11~15 h. 与主题5类似，这一主题的出行起点主要为商业中心型站点和职住复合型站点.

其中，主题5与主题8对应的乘客出站时间较晚，且活动时长均大于11 h，推测这两个主题的出行是乘客当天最后一次出行. 主题7出站时间为白天且活动持续时间也较短，推测主题7是乘客日间的一次回家行程.

3.2.4 休闲旅游类相关出行

主题4出行的出站时间集中在14：00—16：00，活动时长0~4 h，出行目的地主要为旅游景点型站点，出行起点主要为商业中心型站点、居住集聚型站点，占总客流的11.3%. 因此可以推测主题4主要与休闲、旅游活动相关.

3.2.5 其他出行

其他出行对应主题9，占总客流的9.6%. 其OD分布较多样，主要包括商业中心型-综合枢纽型、就业集聚型-综合枢纽型、商业中心型-就业集聚型、就业集聚型-就业集聚型等组合，出站时间均匀分布在下午，活动时长0~4 h.

4 结 论

本研究提出一种站点聚类结合LDA模型的方法，旨在以无监督方式从地铁乘客出行数据中发现潜在的出行目的. 研究在考虑出行时间、地点、目的地停留时长的基础上，进一步关联站点的POI分布特征与乘客出行目的：首先综合站点功能属性、周边POI设施数量等9个指标，利用约束种子K-means算法将站点划分为居住集聚型、就业集聚型、职住复合型、商业中心型、旅游景点型、综合枢纽型、对外枢纽型、客流培育型8类. 随后基于出行的4个时空属性（出站时间、活动时长、进站站点属性、出站站点属性）构建LDA模型，识别隐藏的活动主题. 模型成功区分出5类出行目的：购物消费（27.5%）、工作（24.8%）、回家（26.8%）、休闲旅游（11.3%）、其他（9.6%），每类包含若干子主题（购物消费类包含3个子主题，工作类包含2个子主题，回家类包含3个子主题），并实现了子主题在时间和空间上的细分.

参考文献

[1] SU M L， LIU L， CHEN X Y，et al ．Exploration of the impact of built environment factors on morning and evening peak ridership at urban rail transit stations：a case study of Changsha，China［J］．SAE International Journal of Sustainable Transportation，Energy，Environment，& Policy，2024，6（2）：113-126．

[2] 交通运输部. 2023年交通运输行业发展统计公报［R/OL］．（2024-06-18）［2025-01-06］.

[3] 韩宝明，余怡然，习喆，等 ．2023年世界城市轨道交通运营统计与分析综述［J］．都市快轨交通，2024，37（1）：1-9．

[4] HAN B M， YU Y R， XI Z，et al ．Statistical analysis of urban rail transit operations worldwide in 2023：a review［J］．Urban Rapid Rail Transit，2024，37（1）：1-9．（in Chinese）

[5] ALSGER A， ASSEMI B， MESBAH M，et al ．Validating and improving public transport origin-destination estimation algorithm using smart card fare data［J］．Transportation Research Part C：Emerging Technologies，2016，68：490-506．

[6] FAROQI H， MESBAH M ．Inferring trip purpose by clustering sequences of smart card records［J］．Transportation Research Part C：Emerging Technologies，2021，127：103131．

[7] KIM E J， KIM Y， KIM D K ．Interpretable machine-learning models for estimating trip purpose in smart card data［J］．Proceedings of the Institution of Civil Engineers - Municipal Engineer，2021，174（2）：108-117．

[8] HAN G， SOHN K ．Activity imputation for trip-chains elicited from smart-card data using a continuous hidden Markov model［J］．Transportation Research Part B：Methodological，2016，83：121-135．

[9] ZHAO Z， KOUTSOPOULOS H N， ZHAO J H ．Discovering latent activity patterns from transit smart card data：a spatiotemporal topic model［J］．Transportation Research Part C：Emerging Technologies，2020，116：102627．

[10] 长沙市统计局. 长沙市2023年国民经济和社会发展统计公报［EB/OL］. （2024-04-29） ［2025-01-06］.

[11] ZHAO Z， KOUTSOPOULOS H N， ZHAO J H ．Identifying hidden visits from sparse call detail record data［J］．Transactions in Urban Data，Science，and Technology，2022，1（3/4）：121-141．

[12] SMYRLIS P N， TSOUROS D C， TSIPOURAS M G ．Constrained K-means classification［J］．Engineering，Technology & Applied Science Research，2018，8（4）：3203-3208．

[13] CUI T， SUN C， JIA J，et al ．Enhanced K-means-type clustering algorithm with seeding constraints for the VANET［C］//2022 IEEE 95th Vehicular Technology Conference：（VTC2022-Spring）. June 19-22，2022，Helsinki，Finland．IEEE，2022：1-6．

[14] WAGSTAFF K， CARDIE C， ROGERS S，et al ．Constrained K-means clustering with background knowledge［C］//Proceedings of the Eighteenth International Conference on Machine Learning．ACM，2001：577-584．

[15] 刘令，刘秋琳 ．基于多源时空数据的城轨车站分类及特征研究［J］．现代城市轨道交通，2023（4）：6-11．

[16] LIU L， LIU Q L ．Classification and characteristics research of urban rail stations based on multi-source spatiotemporal data［J］．Modern Urban Transit，2023（4）：6-11．（in Chinese）

[17] CALISTUS U C， ONYESOLU M O， DORIS A C，et al ．Exploring latent Dirichlet allocation （LDA） in topic modeling：theory，applications，and future directions［J］．Newport International Journal of Engineering and Physical Sciences，2024，4（1）：9-16．

[18] WANG B X， MOUNT S M ．Latent Dirichlet allocation mixture models for nucleotide sequence analysis［J］．NAR Genomics and Bioinformatics， 2024， 6（3）： lqae099．

[19] QUANG TRUNG H，BUI X. A stochastic algorithm for solving the posterior inference problem in topic models［J］. TELKOMNIKA （Telecommunication Computing Electronics and Control），2022，20（5）： 971．

基金资助

湖南省自然资源厅科技计划项目(HBZ20240122)

Research