2025年7月14日，TOPS第166期组会于通达馆A102线下举行。本次组会由20级博士邱树涵与大家交流讨论《数据-知识融合驱动的路径选择行为建模研究》的相关内容。课题组全体老师同学出席了本次组会。

汇报时刻

邱树涵同学从研究背景、现有工作介绍、研究内容、研究总结等四个方面对他的研究《数据-知识融合驱动的路径选择行为建模研究》展开介绍。

在研究背景上，邱树涵提到出行自主化水平不断提高，路径选择仍需用户参与，如出发前确定路线、途中调整路径，驾驶员尚未完全脱离决策。需要深入研究出行者偏好（路径选择行为建模）和系统状态（路径重构/推演）的高阶表征。

研究内容

邱树涵同学在研究现状板块，围绕着建模要素进行了要素归纳。总结了RLogit、RoutesFormer、AIRL和棱镜RLogit等四种路径选择方法的研究现状，发现其在不同方面存在局限，亟需通过数据与知识的融合驱动，以提升路径选择的准确性与实用性。

研究内容

在研究总览上，RLogit 是路径选择建模的重要基础，便于建模与推导，易于与其他模型融合，具备良好的可扩展性。为更好刻画复杂的非线性偏好，可尝试将 RLogit 的效用函数深度化。该问题的关键挑战在于求解不稳定，在训练过程中可能会出现误解或发散的情况，根源在于参数空间缺乏合理约束。因此，修复求解鲁棒性不足的问题，是效用深度化表征的前提。

研究内容

深度稳健Rlogit模型用于刻画复杂的非线性偏好，兼顾效率、精度和机理。通过对比不同方法（SRL, FRL）在不同条件下的表现，说明了深度稳健RLogit在处理复杂非线性问题时的优势。充要条件下的稳健学习算法给出的可行域恰到好处，仅靠减小步长不一定保证稳健学习，且影响学习效率充要条件相比充分条件，路径流分布散度降低了14%~98%，路段转移效用深度相比线性，路径流分布散度降低了91%~97%。

研究内容

自适应棱镜Rlogit模型采用建模先筛后选的方式，模型架构为端到端双层学习框架，上层筛选：使不合理路径的概率急剧下降，可自适应学习；下层权衡：不合理路径受上层支配，合理路径根据效用权衡。

研究内容

在下一步工作计划上，邱树涵同学将继续以路径重构/推演为目标，推进路径选择模型（DR⟡Logit、LLM-DR⟡Logit、APRL）在系统任务的部署；建模定点稀疏观测信息，并利用模型补全历史、预测未来。

研究内容

老师和同学们针对邱书涵同学的研究，在出行行为建模方向的研究需求与研究方向，模型结构的设计问题、效用计算公式等方面的问题进行了讨论。同门们也提出了一些宝贵的建议和改进意见，希望在后续研究中继续深化和完善，取得更加丰硕的成果。