应用解耦表征学习的人类出行流量生成建模

本文针对人类出行流量生成建模中经典物理模型精度受限与深度学习方法可解释性不足的挑战，提出了一种基于解耦表征学习的新方法。研究背景是现有方法难以兼顾高精度与语义可解释性。研究目的是通过构建位置、非位置与残差三类独立编码器，并引入互信息最小化策略，将影响出行流量的潜在因子解耦为语义清晰的独立表征，再通过通道注意力机制动态融合，以构建兼具高精度与可解释性的生成模型。实验基于美国纽约州和宾夕法尼亚州的真实数据验证，结果表明该方法在生成精度（如CPC指标）和解耦效果上均优于基线模型，并通过SHAP分析等揭示了位置因素在长距离出行中的主导作用，同时证明了模型具有良好的跨区域泛化能力。