.png){kind=icon}
返回
Multimodal traffic assignment from privacy-protected OD data
.png){kind=icon}
OA
AI
DOI：10.1016/j.commtr.2025.100223.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
(静态)交通分配(TA)问题，该问题在流量守恒条件下计算网络均衡流量，是交通建模的核心。随着多模式交通系统(MTSs)的发展，共享详细的OD数据——例如出行次数、时间戳和路径——引发了严重的隐私担忧。差分隐私(DP)已作为发布此类数据的主要标准出现，提供了超越传统匿名化的可调保护。然而，现有方法大多采用外生DP，在发布前对聚合OD矩阵添加噪声，而未充分解决其对交通建模的影响。这揭示了TA在隐私保护数据方面的准备不足，并呼吁设计能在此类约束下可靠运行的方法。为填补这一空白，我们提出了隐私保护交通分配(PPTA)框架，将DP内生嵌入TA过程。与外部扰动聚合需求不同，PPTA在个体出行层面注入结构化噪声。这既保护了隐私，又通过机会约束优化确保了均衡可行性，统一了隐私保护和交通分配。该框架支持多种离散选择模型和噪声类型，采用基于矩的近似方法提升计算效率。结果表明，PPTA实现了超越外生方法的隐私-效用平衡，能够支持鲁棒、隐私感知的多模式路由、网络设计和定价。
Keyword:
Multimodal mobility
Differential privacy
Stochastic equilibrium
Stochastic convex optimization
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
14.5
论文数:
239
被引数:
915
机构
引用论文
Incorporating Multi-Source Urban Data for Personalized and Context-Aware Multi-Modal Transportation Recommendation结合多源城市数据进行个性化和情境感知的多式联运推荐
PREAI
分享收藏Coordinating ride-sourcing and public transport services with a reinforcement learning approach通过强化学习方法协调乘车采购和公共交通服务
PREAI
分享收藏
Cybersecurity Vulnerabilities in Mobile Fare Payment Applications: A Case Study移动票务支付应用中的网络安全漏洞：一项案例研究
PREAI
分享收藏分享收藏Route choice models used in the stochastic user equilibrium problem: A review.png)
TRANSPORT REVIEWS
TRANSPORT REVIEWSIF9.9
PREAI
分享收藏
查看更多内容