随着城市的高速发展，城市交通系统日益复杂，交通研究领域逐渐认识到传统的基于出行的分析方法难以全面反映复杂的出行决策过程，基于活动的方法（activity-based approach）应运而生，其将活动链视为理解和预测出行行为的核心^[1]. 而出行需求的本质，是个体为参与分布于不同时间与空间的日常活动（如工作、购物、休闲）所产生的派生需求^[2]. 因此，深入理解居民的活动链，有助于理解个体的活动和出行选择行为，进而提升个体出行体验和服务水平.

活动链，即个体在特定时段内（如1 d）所从事的一系列活动及其间的必要出行所构成的序列，直观反映了居民的日常生活组织方式. 在1 d的尺度下，从微观层次探究个体活动链，对于深入理解个体出行行为至关重要，主要表现为以下3点：1）在特定时间尺度下，活动链有助于揭示各项活动与出行在时空上的连续性和相互依赖性. 例如，前一次活动中使用的出行方式会显著影响后续出行的出行方式选择，比如某个居民前一次活动使用小汽车出行，则他在后续出行中选择公共交通工具的可能性较小. 2）在决策过程中，其活动目的地、开始时间和持续时间及出行方式等组成要素都是相互关联的. 例如，个体在选择一项活动时，通常会同时考虑出行方式、出行路线和在一天中的时间点^[3]. 3）微观层次下的日活动链分析能够清晰展现不同个体或群体因生活方式、经济水平、家庭组成和社会角色不同而形成的行为异质性.

在此背景下，大量研究从上述3个方面入手解析活动链及其对出行的影响. 例如，对于特定时间尺度下的活动链，Zhou 等^[4]通过工作、休闲、购物等活动类型分析长期日常出行的规律性；Dharmowijoyo 等^[5]在1 d尺度下，进一步考虑日常变化，如工作日可能受到工作时间的严格限制，探究特定尺度下活动与出行的连续性及相互依赖性；Dianat 等^[6]探讨COVID-19疫情封锁时段居民活动行为的连续性. Moeckel 等 ^[7]构建能生成覆盖全周个体活动模式的ABIT活动模型，以此为基础来理解习惯性出行行为，并区分日常波动与年度间的行为变化.

在探究活动决策内部的相互关联方面，Xiao 等^[8]结合潜在狄利克雷分配和隐马尔可夫链，利用智能卡数据识别居民活动链，并以转移概率量化其活动链内部关联性；Vo 等^[9]计算活动的时间依赖效用，以此预测家庭成员的出行方式选择. 此外，部分学者使用贝叶斯模型重建手机用户的活动链，并采用潜在狄利克雷分配（LDA）主题模型识别活动模式^[10]；运用随机森林（random forest, RF）这项机器学习方法识别相似出行计划的人群^[11]；利用马尔可夫链蒙特卡洛（Markov chain Monte Carlo, MCMC）技术模拟个体活动程序的生成^[12]；或应用机器学习技术优化活动模型中的具体环节（如目的地预测）^[13-14]，这些研究均依据活动链要素（如活动类型、活动目的地和持续时间等）的关联性进行分析模拟^[15]. 例如，Fu等^[16]使用跨月的南京地铁智能卡数据，基于站点位置和活动持续时间识别工作导向、居家导向和其他模式3大类多周活动模式；Wang 等^[17]基于活动链探讨不同性别人群的出行特征，探究不同性别在出行方面的心理状态和行为异质性；Liu 等^[18]基于GPS数据进行建模，用于识别特定类型的活动出行模式（如商业活动）；付晓等^[19]使用手机信令数据，结合个人和出行信息，通过二阶聚类构建非通勤群体画像以探究群体行为异质性. 此外，也有研究将社会角色定位在家庭层面分析其行为异质性，这些研究认为，个体的出行行为源于家庭任务和资源（如家庭车辆）的分配，家庭成员的出行行为是相互依赖的^[20-21].

尽管基于活动的分析在3个层次均有显著的进展，大量的研究识别了不同的单日活动链模式，但这些模式究竟如何具体地影响个体在面临特定出行方式（如公共交通、电动自行车）选择时的决策过程；在决策过程中，内部的要素又是如何具体相互关联的，尤其是面对出行距离和时长这类关键时空要素变化时，不同活动链的个体会表现出怎样的反应差异和偏好调整，仍然需要更为清晰和深入的阐释. 正如 Wang 等^[22]的研究所示，某些群体的独特活动链（如缺乏通勤的老年人）不适用于通用分析方法，这凸显了在活动出行分析中基于活动链分析行为异质性的重要性.

为了进一步探究决策过程中活动链的深层调节作用及活动链与其他要素（如时空要素）的相互关联机制，本研究聚焦于单日活动链，旨在基于出行调查数据，运用基于密度的噪声应用空间聚类（density-based spatial clustering of applications with noise, DBSCAN）方法识别典型的居民单日活动链，构建轻量级梯度提升机（light gradient boosting machine, LightGBM）机器学习模型并预测出行方式，结合SHapley Additive exPlanations（SHAP）方法进行可解释性分析，以探究特定活动链在具体出行方式选择决策中的深层调节作用和行为异质性.

使用中国江苏省苏州市2018年的出行调查数据，调查于2018年9月17日至9月28日期间的一个典型工作日进行，研究区域为苏州市姑苏区，包含沧浪街道、吴门桥街道、双塔街道、平江街道、苏锦街道、金阊街道、虎丘街道和白洋湾街道8个街区. 问卷样本的抽样充分考虑了随机性和代表性，调查群体的抽样分布与江苏省苏州市第7次人口普查数据基本一致^[23].

出行调查数据包含2个主要组成部分：1）与家庭构成相关的数据，包括车辆拥有情况，以及受访居民的个人特征，如年龄、性别和收入（见表1）；2）居民在前一天3:00—24:00所有出行的全面记录，详细说明了出行次数、目的地、交通方式、起止时间和地点（见表2）. 其中，X、Y分别表示经度、纬度. 经过细致的数据清洗，最终数据集包含了来自2 465个家庭的6 245名个体的总共14 657次出行.

根据调查数据结果，居民个人属性和出行方式分布比例如图1所示. 在年龄方面，样本主体为中青年劳动力人口（20~60岁合计占比约为76.9%），同时，研究也覆盖了相当数量的青少年（6~19岁，9.6%）和老年群体（60岁以上，约13.5%）.

在个人月收入方面，样本主要集中在0~10000元收入区间. 64.2%的受访者月收入在0~5 000元范围内，29.8%的受访者月收入在5 000~10 000元区间. 月收入高于10 000元的受访者合计占比约为6.0%.

在出行方式方面，本研究涵盖的交通方式被分类为：步行、公共交通（PT，包括地铁和公交车）、小汽车、电动自行车和自行车5类，由图1可以看到，电动自行车占据了极高的比例，达到了42.6%，远超其他交通方式，成为居民出行的首选. 其次是小汽车（21.9%）出行方式，而公共交通（PT，16.0%）和步行（17.0%）的占比相当. 自行车占比最低，仅占2.5%.

单日活动链是指居民在1 d内所有活动的安排顺序，它直观地反映了居民如何安排其单日的日常活动，本质上是包含了活动类型、起止时间、空间位置等多维异构信息的复杂时空序列. 直接应用动态时间规整（dynamic time warping, DTW）这类路径相似度求解方法，一方面要求数据具有良好的时空连续性和较高的采样频率；另一方面，其也难以适用于处理包含大量多维异构属性的信息（如活动类型这类非时空属性）.

因而，本研究从活动的序列关系入手，将活动信息序列化成单日活动链，使用DBSCAN聚类方法^[24]从高维活动链向量中挖掘序列间的相似性.

出行调查数据集为每位居民分配了唯一识别码（ID），并详细记录了其单日内的所有出行记录，片段中包含出发与到达时间、出行目的、伴随活动以及出行目的地等关键信息.

为了对活动链进行量化分析，本研究采用时间切片法^[25-26]，假定受访者在进行下一次出行之前总是保持上一次出行的活动状态不变，将个体的活动轨迹离散化为标准化的向量序列. 具体数学定义与量化方法如下.

将一天24 h定义为一个观测周期D，将其分割为T个连续等长的时间切片. 以5 min为最小时间单位，1 d就被划分为了288个时间切片. 基于上述定义，居民$ i $的单日活动链向量$ \boldsymbol{S}_{i}^{T} $可以表示为：

(1)$ \boldsymbol{S}_i^T=\left[s_i^1, s_i^2, \cdots, s_i^{{{T}}}\right] . $

式中：$ s_{i}^{m} $为居民$ i $的第$ m $个活动单元，代表居民$ i $在此切片内的活动状态；T为时间切片的最大长度，本研究中取288.

如图2所示展示了根据出行记录构建个人活动链的过程，如表3所示为一个居民的样例数据，该居民上午离开家后前往工作地上班，结束一天工作后回到家中，形成家-工作-家的单日活动链.

为了深入挖掘单日活动链的潜在特征，识别其中蕴含的典型活动链，须从高维活动链向量中发掘序列间的相似性并归纳出单日活动链.

本研究采用基于密度的噪声应用空间聚类（DBSCAN）方法来评估居民单日活动链的相似性. 与需要预先指定聚类数量（K值）的K-means聚类方法不同，DBSCAN能够根据数据自身的密度分布自适应地发现聚类，无需关于活动链类别的先验知识；其次，居民的单日活动链及其在高维特征空间的映射可能形成任意形状的簇结构，而非简单的球状或凸状，DBSCAN基于密度可达性的原理，能够识别任意形状的聚类结果，克服了K-means算法对于簇形态的严格假设所带来的局限性. 此外，DBSCAN具有更强的鲁棒性，可以有效地处理噪声点，从单日活动链向量中识别出更加稳定且具有代表性的日常活动链.

为了定量分析聚类模型对居民单日活动链划分的合理性，采用平均轮廓系数（average silhouette coefficient）作为评价聚类效果的指标. 平均轮廓系数的取值范围为−1.0~1.0，轮廓系数越接近1.0，表示居民单日活动链与所属的活动链匹配程度越高，模型聚类效果越好；越接近−1.0则表示居民单日活动链可能被错误地分配到了某个簇中，聚类效果欠佳.

在DBSCAN框架中本研究使用网格搜索最小样本点数（MinPts）和邻域半径（eps），以找到最佳轮廓系数的参数，搜索结果如图3所示. 其中，SC为平均轮廓系数. 最终选用最小样本点数为7，邻域半径为1.0的参数组合，此时平均轮廓系数达到最大值0.494，表明模型在这一参数组合下展现出优秀的分类效果. 须指出的是，其中3个簇的样本所占总体比例相对较低，处于个位数水平，因此本研究将其视为噪声点，不对其深入分析.

从聚类结果中移除噪声点，提升数据质量，利用主成分分析法（PCA）降低特征矩阵的维度，将高维出行数据简化为3个维度并进行可视化，最终聚类结果如图4所示，识别并分类出了7种不同的活动链.

根据聚类结果以及簇中具体的活动序列分布，研究对居民单日活动链进行了命名和描述. 将聚类识别出的活动链根据其特征进行了标记，例如，主要进行通勤出行的个体被标记为“HWH”（家-工作-家，Home-Work-Home），主要进行接送小孩活动的个体则被标记为“HPH”（家-接送小孩-家，Home-Escort-Home），这些单日活动链作为后续输入的自变量特征用于进一步的单日出行方式选择分析.

综上，7类活动链分别如下：HWH（家-工作-家，Home-Work-Home，日常通勤型）、HScH（家-上学-家，Home-School-Home，日常上学型）、HPH（家-接送小孩-家，Home-Escort-Home，日常接送型）、HSH（家-购物-家，Home-Shopping-Home，日常购物型）、HEH（家-娱乐活动-家，Home- Entertainment-Home，娱乐休闲型）、HWSH（家-工作-购物-家，Home-Work-Shopping-Home，工作购物型）、HPWH（家-接送小孩-工作-家，Home-Escort -Work -Home，工作接送型）.

DBSCAN聚类模型深入挖掘和识别了居民的典型单日活动链，进一步丰富了居民单日活动链中包含的个人出行信息，这与基于活动的非集计模型范式高度契合，为从微观视角构建活动需求预测模型奠定了基础^[27]. 因此，本研究进一步探讨这些单日活动链对个体微观出行决策，即出行方式选择的影响. 考虑到个体出行决策过程中个人属性、活动链和出行方式选择之间存在的非线性关系，本研究构建机器学习LightGBM模型进行预测分析. LightGBM模型是梯度提升树算法的改进版本，适用于处理高维特征的数据集，可以准确把握自变量间的协同效应.

为了评估LightGBM模型的表现，选用逻辑回归、SVM、随机森林、XGBoost这4类经典机器学习模型作为基准模型. 以下是与LightGBM对比的基准模型的简述.

1）逻辑回归（logistic regression，LR）：逻辑回归是经典的广义线性模型，擅长捕捉特征与类别间的线性关系. 在本研究中采用多分类扩展形式，用于验证线性假设在出行方式选择中的有效性，为后续的非线性模型提供性能下限参考.

2）支持向量机 (support vector machine, SVM)：支持向量机是一种基于统计学习理论的监督学习模型. 通过核函数将低维数据映射到高维空间，适用于小样本、高维度数据的非线性分类问题.

3）随机森林(random forest, RF)：随机森林是集成学习模型，通过构建并结合多棵决策树的预测结果来进行分类，能够捕捉特征之间的非线性关系和交互效应,是衡量集成模型性能的重要基准.

4）XGBoost：是基于梯度提升决策树（GBDT）的优化方法. 它通过迭代地添加新树来逐步修正前一轮的预测误差，并引入正则化项防止过拟合. 作为与LightGBM同属的机器学习算法，本研究将XGBoost也作为基准模型用于评估性能.

为了保证实验的有效性和减少模型的过拟合风险，实验按照居民出行方式选择划分数据：80%用于训练、20%用于测试，并使用五折交叉验证. 在模型参数设置方面，所有模型均通过网格搜索确定最优超参数，以获得最佳性能.

对于居民出行方式选择的预测是一个多分类问题，在多分类任务中，模型性能的评估通常选用准确率A、精确率P、召回率R和F1分数F1，准确率反映了模型对样本分类的正确率，精确率反映了模型对正例样本的识别能力，召回率反映了模型对正例样本的覆盖能力，F1分数是精确率和召回率的调和平均数. 由于F1模型常用于综合评价分类问题，本研究选用准确率A和加权F1分数F1_w作为评估指标，除此之外，进一步选取反映模型判别能力的加权AUC（area under ROC curve）AUC_w作为全局性能指标，AUC_w取值范围为0.5~1.0，越接近1.0表明模型性能越好，越能完美地区分正负类. 全局指标计算公式如下：

(2)$ A=\dfrac{\mathrm{TP}+\mathrm{TN}}{\mathrm{TP}+\mathrm{TN}+\mathrm{FP}+\mathrm{FN}}, $

(3)$ {\mathrm{F}}1_{\mathrm{w}}=\displaystyle\sum\limits_{i\in C}\left({w}_{i}\cdot \dfrac{2\mathrm{T}{\mathrm{P}}_{{i}}}{2\mathrm{T}{\mathrm{P}}_{{i}}+\mathrm{F}{\mathrm{P}}_{{i}}+\mathrm{F}{\mathrm{N}}_{{i}}}\right), $

(4)$ {\mathrm{AUC}}_{\mathrm{w}}=\displaystyle\sum\limits_{i=1}^{C}\left({w}_{i}\times \dfrac{\displaystyle\sum\limits_{k=1}^{{N}_{i}}r_{k}^{(i)}-\frac{{N}_{i}({N}_{i}+1)}{2}}{{N}_{i}(N-{N}_{i})}\right). $

式中：$ {w}_{i} $为某个出行方式类别$ i $的权重，$ C $为出行方式类别总数，$ N $为总样本数，$ {N}_{i} $为出行方式类别$ i $的样本数，$ {\mathrm{TP}}_{i} $、$ {\mathrm{TN}}_{i} $、$ {\mathrm{FP}}_{i} $、$ {\mathrm{FN}}_{{i}} $分别为类别$ i $的真正例、真负例、假正例、假负例，$ r_{k}^{(i)} $表示第$ i $个出行方式类别中第$ k $个样本的模型预测分数在所有样本中的全局排名.

模型关键参数设置如下：学习率设为0.1；单棵树允许的最大叶节点数设为127；最小样本分割设置为2；估计器数量设为300. 模型最终结果如图5所示，从预测准确率、F1和AUC值3方面进行横向对比，LightGBM综合效果最优，其准确率和F1为0.88，AUC值为0.97，均为最高值. 这一结果表明，LightGBM模型捕捉到了数据中的复杂非线性关系，具备了较高的可靠性. 因此，本研究将以LightGBM模型为基础，进一步结合SHAP方法进行深入的可解释性分析，以探究各影响因素对出行方式选择的具体作用机制.

为了深入分析居民个人出行决策的影响因素，研究居民单日活动链和个人属性对于出行方式选择的影响，采用Lundberg等^[28]提出的SHAP理论进行分析，并对LightGBM模型中的特征重要性排序，SHAP的绝对值大小表示特征对模型结果的影响程度，正和负分别代表对模型结果产生的正向和负向影响. 其影响因素分析结果如图6所示. 图6是针对不同出行方式预测的SHAP值汇总图. 图中特征按重要性从上至下排序. 横轴SHAP值衡量特征对预测概率的贡献：正值表示正向促进，负值表示负向抑制. 点的颜色代表特征值大小（红色代表特征高值，蓝色代表特征低值）. 例如在图6(a)第1行中，出行距离呈“蓝右红左”分布，表明低出行距离对于步行选择呈现为正向促进作用. 经图1数据显示，自行车出行的比例仅占2.5%，而电动自行车则占比42.6%，因此，本研究将研究重点聚焦于公共交通和电动自行车，对于自行车出行则不做深入分析.

由图6可知，出行距离和出行时长在多种出行方式的预测中均表现出显著的特征重要性，个人属性如收入和年龄也位居重要性排序的前列. 此外，值得注意的是，本研究引入的单日活动链（如HWH）同样展现出了较大的贡献.

如图6（a）所示，影响步行最重要的因素是出行距离，较高的出行距离会显著降低居民选择步行的可能性，而日常通勤活动链（HWH）也会显著降低居民个体选择步行的可能性.

如图6（b）所示为影响公共交通出行选择的重要性因素排序. 出行时长、年龄、小汽车保有量、收入和HWH是影响程度最大的5项特征. 随着出行时长的增加，居民选择公共交通的可能性显著增大，这符合公共交通服务作为中长距离出行手段的定位. 另外，代表HWH的红色点的SHAP值为负值，说明日常通勤活动链（HWH）会在一定程度上降低居民选择公共交通的可能性.

如图6（c）所示，在小汽车出行方式选择中，家庭小汽车保有量会极大地影响小汽车出行方式选择，并且随着出行距离和同行人数的增长，选择小汽车出行的可能性会进一步增加. 相比之下，同样是受到家庭电动自行车保有量的巨大影响，图6（d）中随着出行距离和出行时间的增长，选择电动自行车出行的可能性反而降低了，这说明居民更多倾向于在中短途出行中使用电动自行车. 并且，当活动链为日常通勤活动链（HWH）时，居民更加有可能选择电动自行车以完成通勤出行.

为了进一步探究居民单日活动链与出行方式选择之间的作用机理，以活动链HWH（通勤）与时空要素（出行距离和出行时长）的协同效应为例，进一步进行因素协同分析.

如图7所示，显示了不同出行方式选择概率随出行距离变化的趋势，并区分了居民单日活动链是HWH（通勤）还是非HWH模式，图中红色散点代表HWH（通勤）群体，蓝色散点代表非HWH（非通勤）群体. 观察图7可以发现，当单日活动链为HWH（通勤）时，其SHAP值随出行距离变化的波动幅度更大，说明通勤群体的出行方式选择对距离因素表现出更高的敏感性.

如图7（a）所示，在步行方面，对于HWH活动链的群体，1 km可能是一个心理阈值，当出行距离大于1 km时，步行的吸引力急剧下降，相比之下，非HWH（如购物、娱乐）出行对步行距离的容忍度稍高，SHAP值下降相对平缓.

如图7（b）所示，选择公共交通的可能性随出行距离的增加而显著上升. 当出行距离达到长距离（10 km以上）时，居民选择公共交通的可能性显著增加. 值得注意的是，在同等距离下，HWH通勤者对公共交通的偏好度始终略低于非通勤者. 这一发现似乎是反直觉的，因为通常认为通勤是公共交通的主要服务对象^[29]，这可能是由于日活动链为HWH（通勤）模式的群体对出行时间的精确性和可控性要求更高，公共交通固有的等待时间、换乘时间以及潜在的延误风险，削弱了其对通勤群体的吸引力^[30].

如图7（d）所示，电动自行车出行具有明显的优势范围，电动自行车在中短距离（0~10 km）极具吸引力，其SHAP值在出行距离约为3 km时达到峰值. 之后随着出行距离增加，其SHAP值快速下降，在约10~12 km之后，SHAP值稳定于负数. 对于HWH通勤者而言，其偏好随距离衰减的速度远快于非通勤群体. 这可能是因为当通勤距离增加到一定程度（例如10~20 km），电动自行车在续航、舒适性和安全性上的局限性，与通勤活动所需的高可靠性之间的矛盾逐渐凸显. 同时，由于通勤活动链的时间安排更为严格，HWH群体会在更短距离阈值上开始考虑放弃选择电动自行车出行.

结合前文特征重要性，本研究进一步关注出行时长和单日活动链（HWH）之间的交互效应对公共交通和电动自行车选择行为的影响. 如图8所示展示了不同出行方式选择概率随出行时长变化的趋势，仍然区分了居民单日活动链是HWH（红色散点）还是非HWH模式（蓝色散点）.

如图8（b）所示，对于公共交通出行，在出行总时长低于40 min的情况下，HWH通勤群体对公共交通的偏好持续低于非通勤群体. 这进一步印证了公共交通固有的时间不确定性（如发车间隔、接驳换乘）对其吸引力产生了负面影响，降低了通勤群体的选择偏好. 而当出行时长大于40 min时，HWH和非HWH群体的偏好差异趋于消失，公交的长距离优势开始主导决策.

如图8（d）所示，对于电动自行车，其选择概率（SHAP 值）普遍随着出行时长的增加而递减，当出行时长超过20 min时，电动自行车的吸引力已显著下降；当出行时长超过40 min时，电动自行车对所有群体都基本不再是优选方案. 值得注意的是，在同等出行时长条件下，HWH群体对电动自行车的偏好始终高于非HWH群体，这可能反映了电动自行车在特定时间窗口内的独特优势. 对于日常通勤群体（HWH）而言，电动自行车提供的点对点出行能力、相对可控的行程时间（相比公共交通的等待和延误风险），以及相比步行的速度优势，可能完美契合了通勤活动对时间和效率的要求，但在出行时长高于40 min时则会因效率不再占优而迅速被放弃.

除了时空要素，个人属性与单日活动链（HWH）之间的交互效应也会对公共交通和电动自行车的选择行为产生影响. 本研究基于影响因素重要性排序（见图6），选取了排序最重要的2个个人属性（年龄和收入），分别分析了两者与单日活动链（HWH）之间的协同效应.

如图9（a）、（b）显示了年龄与活动链（HWH）之间的交互效应，在20~60岁的核心通勤年龄段，HWH群体的出行偏好呈现出两极分化特征，无论是公共交通还是电动自行车，均多数分布在两端峰值，可能是因为通勤的时间约束迫使居民做出更果断的权衡；相反，非HWH群体则大部分分布于0值附近的中央区域，其出行选择更加缓和. 但当年龄大于60岁时，非HWH群体对于公共交通表现出明显的偏好，对电动自行车的使用偏好则明显下降.

图9（c）、（d）显示了收入与活动链（HWH）之间的交互效应. 图9（c）显示，当居民月收入高于10 000元时，公共交通对居民的吸引力会明显下降，其中HWH群体的下降幅度更明显. 图9（d）显示，当居民月收入低于5 000元时，HWH群体对电动自行车的偏好更强；当月收入在5 000~10 000元时，两者偏好趋同；当月收入为10 000~15 000元时，非HWH群体对电动自行车的偏好反而高于HWH群体；当月收入大于15 000元时，电动自行车对2类群体均失去吸引力.

（1）采用DBSCAN聚类框架，有效识别出了7类典型单日活动链，分别为：日常通勤型、日常上学型、日常接送型、日常购物型、娱乐休闲型、工作购物型、工作接送型.

（2）出行距离和出行时长是影响居民出行方式选择的主要因素；活动链是理解出行方式选择行为的关键调节因素. 以日常通勤活动链（HWH）为例，研究证实了通勤活动会显著增强出行者对出行距离和出行时长的反应程度.

（3）基于活动链的差异，通勤者和非通勤者在选择步行、公共交通或电动自行车时，其行为逻辑和偏好存在显著异质性. 其具体表现为：通勤者对步行距离的容忍度更低（如超过约1 km后意愿锐减），对中短时长（如40 min内）的公共交通出行偏好相对较低，并且对电动自行车的适用时空范围（如距离超过10~12 km或时长超过20~40 min）的判断标准也更加严格.

这些发现对于制定精细化的城市交通政策具有重要意义. 本研究基于上述结论提出以下建议.

1）针对通勤者对40 min内公共交通偏好较低的现象，可以在主要居住区和工作区之间开设“通勤快线公交服务”，减少中间停靠站点，缩短通勤时间；并大力推广精准的实时公交信息系统，优化换乘体验，以提升公共交通对通勤者的吸引力.

2）针对电动自行车在0~10 km的中短途通勤中显示出明显效率优势的现象，建议发挥电动自行车的网络补充作用，在交通枢纽、办公区和大型商场、学校等区域周边，规划设置充足、规范的电动自行车停放及充电设施，使其更好地融入多模式交通体系.

3）针对通勤者超过约1 km后步行意愿锐减的现象，建议聚焦于公交地铁站的“最后一公里”，规划布设直通交通枢纽（如公交地铁站）的步行专道，并设置与机动车道物理隔离.

本研究从单日视角分析了活动链对出行方式的影响，后续研究建议构建多日活动分析模型，利用长周期时空数据，探究居民出行行为在连续多日内的规律性和异质性.