钱剑培，邵春福*，李 军,2，蔡 楠，黄士琛

(1.北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室，北京100044；2.中国交通通信信息中心交通运输信息化标准研究所，北京100011；3.南通市规划设计院有限公司，江苏南通226004)

0 引 言

Gong[4]指出现有工作可分为基于规则的方法、概率方法和机器学习3 类，其中，机器学习日益成为主流.一般研究多从个体单次出行视角出发，基于单日数据挖掘个体人口统计[5]、出行时间[6]、目的地[7]等特征与出行目的潜在关系.Allahviranloo[8]从个体出行序列视角出发，考虑前后活动类型的次序信息.上述方法同属于有监督分类，参数标定需要辅以回访调查，以提供真实出行目的.为在标签缺失场景下实现出行目的推断，Han[9]考虑其在出行链中的转换模式，将隐含状态解释为出行目的，得到的结果与经验相符.Wang[10]引入隐含狄利克雷分配(Latent Dirichlet Allocation,LDA)，对起讫点周边兴趣点聚类，得到若干主题，并将主题隐含语义与出行目的建立联系.LDA 主题模型已在诸多交通问题中得到应用，作为无监督方法，可以充分发挥海量数据对复杂行为模式的发现作用，突破将出行活动人为预设为几种规律性较强目的之局限.

上述研究面向的是市内居民日常出行，对于复杂的城际旅客出行，由于获取的票务数据等只能追踪上下车站点，无法沿用目的地空间信息和活动持续时间等特征.Janzen[11]提取频率和工作日占比等历史经验特征识别出4类目的；基于城际出行常见的结伴现象，Lu[12]引入成员人数、儿童及成年人比例等团体特征；……