这是我们课题组最近发表在Communications in Transportation Research期刊上的一篇论文，这个期刊应该是一个还不错的期刊，接下来就来介绍下我们的工作。
1.文章概述
文章主要是想要分析受到新冠肺炎疫情的影响，城市居民的出行行为会发生怎么样的变化，以及这种变化与什么因素有关。文章主要基于车牌识别数据、POI数据展开分析。首先将疫情的发展划分为三个阶段，然后定量分析三个阶段出行者时空出行行为的变化，基于聚类算法得到行为调整模式，在此基础上分析出行者历史出行行为对行为调整的影响。
2.出行模式分析及调整模式分析
基于车牌识别数据提取出出行者在各个疫情发展阶段的时空出行链，然后使用Prefix-Span algorithm提取出出行者的频繁出行模式集，由于频繁出行模式往往不是一个，因为频繁出行模式可以是二项集、三项集等等，因此是频繁出行模式集。当然这个过程中有很多数据处理过程，包括：1.一个item是一个[x,y,t]，如何度量一个时空点和另一个时空点是不是同一个点，需要做一些处理；2.由于样本量巨大，直接使用Prefix-Span algorithm是无法在可接受时间内得到结果的，因此需要做压缩，我们提出了一种压缩算法。整个流程如下图所示：
得到每个出行者在各个阶段的频繁出行模式之后，还需要提出不同阶段频繁出行模式的相似性度量方法以及阶段内的出行行为规律性，我们使用的下面的公式：
至此便可以得到每个出行者各个阶段频繁出行模式的量化度量了，然后用聚类算法就可以得到行为调整模式。
3.行为调整模式影响因素分析
这块主要是分析出行者以前的出行行为是如何去影响行为调整模式的，思路很清晰，就是将第二部分行为调整模式label作为因变量，提取若干疫情前的行为作为自变量，然后用随机森林算法分析两者之间的联系。不过也做了一些中间处理包括：1.RFECV进行特征筛选；2.Borderline-SMOTE解决样本不均衡问题。
在构建了随机森林模型后，还利用Partial dependence plots去分析了每个特征具体是如何去影响出行者行为调整的。结果就不展示了
4.其他
论文还分析了各种行为调整模式的细节，比如各种行为调整模式人群的首末次出行时间变化、出行强度变化等等，具体可以看文章了。
参考文献
Yao, W., Yu, J., Yang, Y., Chen, N., Jin, S., Hu, Y., Bai, C., Understanding travel behavior adjustment under COVID-19, Communications in Transportation Research, https://doi.org/10.1016/j.commtr.2022.100068.
文章链接：https://www.sciencedirect.com/science/article/pii/S277242472200018X?via%3Dihub
代码已开源：https://github.com/RobinYaoWenbin/Understanding-travel-behavior-adjustment-under-COVID-19