Beyond Reported Trips: A Bayesian Framework for Correcting Household Travel Surveys
本研究提出了一种贝叶斯核心-卫星框架，该框架将基于GPS的智能手机调查数据与传统的住户出行调查相结合，以概率方式纠正回忆偏差和代理报告偏差，从而提高交通规划中出行次数、距离及属性的准确性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每天，数以百万计的人们在城市中穿梭，从家到公司，停下来买菜，或者去朋友家小聚。交通规划者依赖调查来了解这些移动情况，要求住户写下他们一天内进行的所有行程。这些信息有助于城市决定在哪里修建新的自行车道、运行多少辆公交车，以及是否需要一条新的地铁线。然而，这些调查有一个长期的弱点：人们很难记住自己所做的一切。当被问及一天的出行情况时，大多数人会忘记那些短暂且自发的行程——比如去街角商店的小快跑、短暂的散步，或是去邮箱取件。他们能记住像上班或上学这样的大型、结构化的活动，但那些细小的、随性的移动往往会从记忆中消失。这造成了对人们实际生活方式的扭曲描述，导致规划者低估了步行和骑行的比例，并高估了人们开车花费的时间。
为了解决这个问题，研究人员开始使用智能手机被动追踪移动轨迹，在无需询问记忆的情况下记录人们的确切去向。但这类基于手机的研究规模通常较小，缺乏传统住户调查中所包含的详细个人信息。来自多伦多大学和麻省理工学院的研究人员开展的一项新研究填补了这一空白。他们开发了一种方法，将传统调查的广泛覆盖范围与智能手机追踪的精确细节相结合。通过使用一种统计方法，将手机数据作为修正调查记忆偏差的一种手段，他们能够重建人们遗忘的行程。其结果是绘制出一张更准确的日常生活图谱，既保留了大样本调查中丰富的统计特征，又补全了出行拼图中的缺失环节。
研究人员将重点放在大多伦多地区和汉密尔顿地区，使用了 2022 年“明日交通调查”（Transportation Tomorrow Survey）的数据，这是一项捕捉该地区出行习惯的大型住户调查。他们将此数据与 2023 年和 2025 年进行的两个规模较小但更详细的研究相结合，在这些研究中，参与者携带智能手机，自动记录其移动轨迹。团队发现了一个明显的模式：传统调查显示每人每个工作日大约进行 2.06 次行程，而手机数据显示行程明显更多，约为 3.16 到 3.83 次。这种差异并非随机，而是系统性的。人们总是会忘记那些简短、非必要的行程。研究人员将这些行程分为两类：“骨架”行程（即像通勤上下班或上学这样的主要锚点）和“非骨架”行程（即像购物或拜访朋友这类灵活、随性的移动）。他们发现，“骨架”行程的报告相对准确，但“非骨架”行程经常被遗漏，尤其是在由一人代为报告另一人行程时。
为了找回这些遗失的行程，团队构建了一个类似于“统计修理包”的框架。他们首先以大型调查数据作为基准，代表人们口述的行为；然后利用手机数据来更新和优化这些数字。想象一下，调查数据就像是一幅白天的出行草图，而手机数据则是一张高分辨率的照片，揭示了草图中遗漏的精细细节。研究人员使用了一种允许融合这两类来源的方法，将调查视为一个初步猜测，并将手机数据视为修正该猜测的新证据。他们针对“自行报告行程者”和“代他人报告者”分别进行了处理，因为这两类人的报告误差各不相同。当有人代为报告配偶或子女的行程时，他们往往比自己报告时遗漏了更多的中间停靠点。
结果显示，应用修正后，数据发生了显著变化。对于自行报告行程的人，平均每日行程数从 3.05 次上升到 3.90 次；对于代他人报告的人，行程数从 2.64 次跃升至 3.63 次。这一增长几乎完全是由“非骨架”行程的恢复所驱动的。研究人员并非只是随机添加行程，而是根据手机数据中发现的模式，仔细重建了遗失的行程。他们确定了遗失行程可能的目的、可能发生的时间、距离以及出行方式。例如，他们发现遗失的行程往往距离较短，且多涉及步行或拜访朋友，这些都是在忙碌的一天中极易被遗忘的活动。修正后的数据显示，步行比例更高，且行程在一天中的分布更加均匀，而非仅集中在早晚高峰时段。
研究还表明，遗失行程的性质在很大程度上取决于谁在进行报告。代理受访者（即为其他家庭成员报告的人）比自行报告的人更容易遗漏随性行程。这表明，当父母填写孩子的出行日志时，他们可能会记得送孩子上学，却可能忘记孩子放学后去公园或朋友家的停留。通过对这些差异进行单独建模，研究人员可以为每一组应用恰当的修正量。最终的修正数据集保留了原始大型调查的结构，这意味着它仍然准确反映了人口的年龄、收入和地理位置，但同时也讲述了一个更真实的移动故事。行程目的的分布向购物和娱乐倾斜，且行程时间显示出在中午和傍晚时段有更多活动，填补了传统调查留下的空白。
这项工作为城市决策提供了一种改进数据的方法。规划者通常依靠这些调查来设定减少汽车使用或增加步行量的目标，但如果调查遗漏了短途行程，这些目标可能会设定得过低。通过整合智能手机的被动数据，研究人员提供了一种方法，可以在无需完全取代现有的庞大调查体系的情况下，看到出行全貌。修正后的数据表明，人们比此前认为的更加活跃，且在短途局部行程中步行更多。虽然重建的行程属于统计估计而非特定个人的直接观察，但它们为理解出行行为提供了更为可靠的基础。研究结论指出，这种方法可以帮助城市更好地规划人们移动的现实情况，确保基础设施和政策能够匹配人们实际的、往往被忽视的日常生活节奏。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。