针对当前国内交通需求模型在模拟与预测复杂的个体活动与出行上的局限性，本书聚焦以数据驱动为核心的建模方法在个体活动与出行预测研究中的应用，系统阐述了如何结合多源数据、机器学习与深度学习技术，实现个体多日活动与出行的模拟与预测，并详细介绍了大数据背景下数据驱动的个体活动与出行预测方法体系。

更多科学出版社服务，请扫码获取。

1994.7 本科 交通工程 同济大学道路与交通工程系，上海，中国 1999.9 博士 市政工程 同济大学道路与交通工程系，上海，中国1998. 2-1999.1 助研 香港大学土木工程系，中国香港特别行政区 1999.10-2002.7 研究员 南洋理工大学土木与环境工程系，新加坡 2002. 8-2004. 10 博士后 犹他州立大学土木与环境工程系，美国 2004.11-2006.7 讲师 同济大学交通运输工程学院，中国 2006.7-2011.12 副教授 同济大学交通运输工程学院，中国 2011.12至今 教授 同济大学交通运输工程学院，中国专业：市政工程；研究方向：城市（群）移动性规划、交通大数据分析、交通网络分析与评价、交通规划技术及交通需求预测方法现任教育部高等学校教学指导委员会交通运输类专业交通工程教学指导分委员会秘书长、中国城市公共交通协会第六届理事会常务理事、第六届中国城市规划学会城市交通规划专业委员会副主任委员

目录
丛书序
前言
第1章 绪论 1
1.1 本书的定位 1
1.1.1 背景 1
1.1.2 本书特点 4
1.1.3 本书目标及意义 5
1.2 本书的内容概述 5
1.2.1 数据驱动的个体活动与出行预测方法体系 5
1.2.2 技术路线 7
1.3 数据集简介 9
1.3.1 移动平台个体时空大数据 9
1.3.2 城市居民出行调查数据 11
1.3.3 城市POI及道路网络数据 12
1.3.4 人口及经济普查数据 14
1.3.5 数据使用说明 16
1.4 本书的章节安排 16
第2章 城市交通需求预测方法概述 18
2.1 四阶段交通需求模型 18
2.1.1 模型发展简述 18
2.1.2 关键建模流程 19
2.1.3 优势及局限性 19
2.2 基于出行链的交通需求模型 20
2.2.1 模型发展简述 20
2.2.2 关键建模流程 21
2.2.3 优势及局限性 21
2.3 基于活动的交通需求模型 21
2.3.1 模型发展简述 21
2.3.2 关键建模流程 25
2.3.3 优势及局限性 25
2.4 本章小结 27
第3章 个体一周活动链提取 28
3.1 概述 28
3.2 文献综述 29
3.2.1 主要活动目的推断 29
3.2.2 次要活动目的推断 30
3.3 个体时空大数据活动停驻点识别 31
3.4 居住地识别 33
3.5 基于机器学习的次要活动目的推断 37
3.5.1 使用算法说明 38
3.5.2 模型特征集 38
3.5.3 模型训练与推断结果 41
3.6 本章小结 45
第4章 人口合成 46
4.1 概述 46
4.2 文献综述 47
4.3 考虑职住与岗位约束的人口合成 48
4.3.1 计算流程 48
4.3.2 方法简介 49
4.3.3 合成结果 52
4.4 本章小结 65
第5章 个体一周活动生成 66
5.1 概述 66
5.2 文献综述 67
5.2.1 一般活动生成方法 68
5.2.2 融合活动模式与序列生成的活动生成方法 70
5.3 基于自然语言处理技术的活动模式识别 74
5.3.1 活动链重建 74
5.3.2 模式识别方法简介 75
5.3.3 单日活动模式识别 83
5.3.4 一周活动模式识别 96
5.4 基于个体社会经济属性的活动模式预测 107
5.4.1 单日活动模式预测 108
5.4.2 一周活动模式预测 109
5.4.3 活动模式预测模型时间可迁移性检验 111
5.5 一周活动序列生成 117
5.5.1 方法简介 117
5.5.2 评价指标 124
5.5.3 一周活动序列生成模型 124
5.6 本章小结 130
第6章 次要活动目的地选择与活动时间更新 132
6.1 概述 132
6.2 文献综述 133
6.3 次要活动目的地选择模型的构建 135
6.3.1 时空约束规则 136
6.3.2 模型性能评价指标 137
6.3.3 基于类别划分的次要活动目的地选择模型 139
6.3.4 基于概率计算的次要活动目的地选择模型 144
6.4 活动时间更新模块 152
6.5 本章小结 157
第7章 出行方式推断 158
7.1 概述 158
7.2 文献综述 159
7.2.1 传统出行方式推断方法 159
7.2.2 基于机器学习的出行方式推断方法 160
7.3 个体交通出行方式推断 163
7.3.1 特征提取 163
7.3.2 传统方法模型 167
7.3.3 机器学习模型 169
7.4 本章小结 174
第8章 城市居民一周活动与出行预测方法体系的应用：以规划年为例 175
8.1 规划年数据准备 175
8.1.1 规划年POI与路网数据说明 175
8.1.2 规划年人口、就业、岗位及职住分布估计 176
8.2 规划年人口合成 183
8.3 规划年城市居民一周活动与出行预测 185
8.3.1 规划年城市居民一周活动与出行预测流程说明 185
8.3.2 预测结果 186
8.4 规划、政策的应用 194
8.5 本章小结 195
第9章 未来展望 196
9.1 个体活动与出行的发展趋势 196
9.1.1 人口年龄结构变迁与出行演变 196
9.1.2 信息通信技术重构活动模式 199
9.1.3 新兴技术影响下的城市居民活动与出行 201
9.1.4 小结 203
9.2 人工智能技术在个体活动与出行预测中的应用 204
9.2.1 大语言模型驱动的人口合成 204
9.2.2 大语言模型驱动的居民活动预测 205
9.2.3 大语言模型驱动的居民出行预测 206
9.2.4 小结 208
9.3 本章小结 208
参考文献 210
《交通与数据科学丛书》书目 230