本发明涉及交通工程，具体来说，涉及对抗生成网络堆叠集成学习模型判别出行者选择倾向方法。
背景技术：
1、在传统的出行者选择倾向判断方法中，通常采用的是逻辑回归模型，该模型主要依赖于统计学数据进行logistics回归分析；然而，这种方法在很大程度上忽视了个人主观情感、实时天气条件等多维度因素对选择行为的影响，从而导致预测结果的片面性。
2、为了弥补这一不足，后续研究引入了混合模型，该模型通过结构方程对个人主观感受(如感情、性格等)这一潜变量进行测度，测度完成后，这些潜变量会与个人的性别、年龄、学历、收入等统计信息一同被纳入logistics模型中。
3、这种改进确实在一定程度上提升了模型对个人选择行为的解释力，但是，即便是改进后的混合选择模型，其基础仍然建立在逻辑选择模型之上；因此，它在处理非线性因素时表现出明显的不足，且对数据样本量有着较高的依赖，在数据不充足或信息不全面的情况下，这类传统模型的适应性会大打折扣。
4、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题，本发明提出对抗生成网络堆叠集成学习模型判别出行者选择倾向方法，以克服现有相关技术所存在的上述技术问题。
2、为此，本发明采用的具体技术方案如下：
3、对抗生成网络堆叠集成学习模型判别出行者选择倾向方法，该对抗生成网络堆叠集成学习模型判别出行者选择倾向方法包括以下步骤：
4、s1、收集出行者的历史数据并进行预处理，将预处理后的历史数据划分为训练集和测试集；
5、s2、利用训练集训练对抗生成网络模型；
6、s3、基于训练好的对抗生成网络模型，训练堆叠集成学习模型；
7、s4、基于训练好的堆叠集成学习模型，结合更新后的出行者数据，判断出行者的选择倾向；
8、s5、利用测试集评估堆叠集成学习模型，并根据评估结果调整堆叠集成学习模型参数。
9、进一步的，历史数据包括个人信息、行为轨迹、偏好、社会经济因数及环境因素。
10、进一步的，收集出行者的历史数据并进行预处理，将预处理后的历史数据划分为训练集和测试集包括以下步骤：
11、s11、对收集到的历史数据进行清洗；
12、s12、将清洗后的历史数据进行特征工程处理；
13、s13、将特征工程处理后的历史数据划分为训练集和测试集。
14、进一步的，利用训练集训练对抗生成网络模型包括以下步骤：
15、s21、根据对抗生成网络架构，获取生成器与判别器；
16、s22、利用训练集中的真实出行数据，训练生成器，得到出行者样本数据；
17、s23、利用真实出行数据与出行者样本数据，训练判断器，区分真实出行数据与出行者样本数据。
18、进一步的，生成器的数学表达式为：
19、
20、式中，z表示输入的随机噪声向量，输出的虚假样本；
21、生成器的数学表达式表示生成器接收一个随机噪声向量z作为输入，并输出一个虚假样本
22、判断器的数学表达式为：
23、
24、式中，d表示输出标量；
25、判断器的数学表达式表示判别器接收一个样本作为输入，并输出一个标量。
26、进一步的，基于训练好的对抗生成网络模型，训练堆叠集成学习模型包括以下步骤：
27、s31、基于训练好的对抗生成网络模型获取的出行者样本数据，结合训练集中的真实样本数据，得到样本数据集；
28、s32、根据得到的样本数据集，结合堆叠集成学习技术，训练堆叠集成学习模型。
29、进一步的，根据得到的样本数据集，结合堆叠集成学习技术，训练堆叠集成学习模型包括以下步骤：
30、s321、将得到的样本数据集划分为样本训练集、样本测试集及样本验证集；
31、s322、选取若干基学习器，并利用样本训练集训练各基学习器；
32、s323、将训练好的各基学习器对样本训练集进行预测，得到元特征；
33、s324、将元特征输入至预设的元学习器，训练得到堆叠集成学习模型；
34、s325、利用样本验证集评估堆叠集成学习模型，并根据评估结果调整堆叠集成学习模型的参数；
35、s326、利用样本测试集评估调整后的堆叠集成学习模型。
36、进一步的，堆叠集成学习模型的数学表达式为：
37、
38、式中，x表示真实样本，表示虚假样本，表示特征提取函数，m()表示堆叠集成学习模型，表示出行者的选择倾向；
39、堆叠集成学习模型的数学表达式表示堆叠集成学习模型接收两部分特征作为输入：一部分是生成器生成的虚假样本的特征，另一部分是真实样本x的特征，其中，表示特征提取函数，将生成的虚假样本和真实样本x的特征进行整合，m()表示堆叠集成学习模型，表示出行者的选择倾向。
40、进一步的，基于训练好的堆叠集成学习模型，结合更新后的出行者数据，判断出行者的选择倾向包括以下步骤：
41、s41、对更新后的出行者数据进行预处理；
42、s42、将预处理后的更新后出行者数据输入至训练好的对抗生成网络模型，得到更新出行者样本数据；
43、s43、将更新出行者样本数据与更新后的出行者数据输入至训练好的堆叠集成学习模型，得到出行者选择倾向的预测结果；
44、s44、根据出行者选择倾向的预测结果，判断出行者选择倾向。
45、进一步的，利用测试集评估堆叠集成学习模型，并根据评估结果调整堆叠集成学习模型参数包括以下步骤：
46、s51、基于出行者选择倾向的预测结果，利用测试集评估出行者选择倾向的预测结果与实际标签之间的差异；
47、s52、根据评估结果调整堆叠集成学习模型参数。
48、本发明的有益效果为：
49、1、本发明通过结合对抗生成网络和堆叠集成学习的概念，提升了出行者选择倾向的预测性能，利用对抗生成网络生成与真实数据高度相似的样本，有效扩充了数据集，解决了数据稀缺性问题，不仅丰富了数据的多样性，还为模型的训练提供了更为充足的素材。
50、2、本发明通过堆叠集成学习的方式，将多个基学习器集成为一个强大的预测模型，充分发挥了各个基学习器的优势，提高了模型的泛化能力和稳定性，并通过集成多个学习器的预测结果，能够更全面地捕捉数据中的特征信息，从而提高了预测的准确性。
51、3、本发明通过对抗生成网络模型与堆叠集成学习模型的结合，实现了对更广泛样本特征的深入分析，不仅有效增加了训练数据的多样性，还提升了模型的泛化能力，使其能够精准捕捉数据中的复杂关系和模式，适用于多种类型的数据和任务，展现出强大的适应性。
52、4、本发明通过在对抗生成网络模型的基础上结合堆叠集成学习模型，展现出了更强的抗干扰能力，使得模型在面临小样本和特殊情况时，依然能够准确预测出行者的选择行为，为出行者选择倾向的判别提供了更为可靠和有效的工具。
1.对抗生成网络堆叠集成学习模型判别出行者选择倾向方法，其特征在于，该对抗生成网络堆叠集成学习模型判别出行者选择倾向方法包括以下步骤：
2.根据权利要求1所述的对抗生成网络堆叠集成学习模型判别出行者选择倾向方法，其特征在于，所述历史数据包括个人信息、行为轨迹、偏好、社会经济因数及环境因素。
3.根据权利要求1所述的对抗生成网络堆叠集成学习模型判别出行者选择倾向方法，其特征在于，所述收集出行者的历史数据并进行预处理，将预处理后的历史数据划分为训练集和测试集包括以下步骤：
4.根据权利要求1所述的对抗生成网络堆叠集成学习模型判别出行者选择倾向方法，其特征在于，所述利用训练集训练对抗生成网络模型包括以下步骤：
5.根据权利要求4所述的对抗生成网络堆叠集成学习模型判别出行者选择倾向方法，其特征在于，所述生成器的数学表达式为：
6.根据权利要求1所述的对抗生成网络堆叠集成学习模型判别出行者选择倾向方法，其特征在于，所述基于训练好的对抗生成网络模型，训练堆叠集成学习模型包括以下步骤：
7.根据权利要求6所述的对抗生成网络堆叠集成学习模型判别出行者选择倾向方法，其特征在于，所述根据得到的样本数据集，结合堆叠集成学习技术，训练堆叠集成学习模型包括以下步骤：
8.根据权利要求7所述的对抗生成网络堆叠集成学习模型判别出行者选择倾向方法，其特征在于，所述堆叠集成学习模型的数学表达式为：
9.根据权利要求1所述的对抗生成网络堆叠集成学习模型判别出行者选择倾向方法，其特征在于，所述基于训练好的堆叠集成学习模型，结合更新后的出行者数据，判断出行者的选择倾向包括以下步骤：
10.根据权利要求1所述的对抗生成网络堆叠集成学习模型判别出行者选择倾向方法，其特征在于，所述利用测试集评估堆叠集成学习模型，并根据评估结果调整堆叠集成学习模型参数包括以下步骤：
