决策行为是交通规划中的关键问题，传统的统计学习方法在预测性能方面存在局限性，机器学习模型在交通规划者中备受关注。然而，机器学习模型的黑箱特性限制了其在决策和政策制定中的实际应用。本研究使用了低收入和低中等收入家庭的数据集，采用了多项式逻辑模型和机器学习分类器，通过特征重要性和个体条件期望图解释了决策行为。研究结果表明，机器学习模型中的随机森林模型具有最佳的准确性，而旅行成本的增加会显著降低公交出行的概率，而旅行时间的减少则增加对地铁的偏好。这项研究扩展了使用机器学习技术进行模式选择分析的研究，并有助于提高对这些模型在真实数据方面的理解，包括准确性和可解释性。

Jan, 2024

以城市和国家层面的各种出行方式数据集为例，我们提出了一种新颖的增量批处理和流处理模型的组合方法 (IEBSM)，旨在适应出现在数据中的概念漂移，该方法结合漂移检测器、批处理学习和流式挖掘模型，与批处理和增量学习器进行比较，包括依赖主动漂移检测的方法，实验证明 IEBSM 方法能够检测到出行方式数据中的漂移，并成功地将模型适应不断演变的出行方式选择数据，其性能排名高于批处理和流学习器。

Apr, 2024

本文提出了一种新的最优传输策略，用于减轻多类神经网络分类中不良算法偏差的影响，结果表明，该策略可比标准策略将不期望的算法偏差降至更低的水平。

Feb, 2023

通过研究货运方式选择模型中机器学习分类器的实用性，本研究调查了八种常用的机器学习分类器，包括朴素贝叶斯、支持向量机、人工神经网络、K 最近邻、分类与回归树、随机森林、提升 (boosting) 和装袋 (bagging)，并与经典的多项式逻辑模型进行比较。使用美国 2012 年商品流量调查数据作为主要数据源，并且通过次要数据源补充了空间属性。根据预测准确度结果对这些分类器的性能进行比较。当前研究还考察了样本大小和训练 - 测试数据分割比对各种方法的预测能力的影响。此外，估计了变量的重要性以确定变量对货运方式选择的影响。结果表明，基于树的集成分类器效果最好。具体而言，随机森林产生了最准确的预测，紧随其后的是提升和装袋。在变量的重要性方面，货运特征，如运输距离、发货人的行业分类和货运规模，是货运方式选择决策中最重要的因素。

Feb, 2024

该研究提出了一种基于多模式学习的汽车评级预测方法，通过同时学习汽车参数规格、文本描述和图像来预测五个汽车评级分数。比较多模式和单模式模型的表现，发现多模式模型的解释能力比单模式模型高 4%-12%。

May, 2023

本研究提出了一种深度多任务多图卷积学习方法，通过多个多图卷积神经网络对不同服务模式的需求进行预测，并建立多任务学习模块来实现跨网络知识共享，从而更好地实现车辆资源的分配和调度。在曼哈顿的出租车数据集上进行评估，结果表明我们的方法在不同出行方式的需求预测准确性方面优于基准算法。

Nov, 2020

本研究提出了一种结合顺序公交网络设计和最优学习的人工智能驱动算法，以逐步扩大路线系统并更新当前的操作员使用的知识，验证表明，考虑相关性的探索可以实现比贪婪选择更好的性能，在未来的研究中，该问题可能加入更多复杂性如出行时间弹性、换乘次数无限制和扩展成本等方面。

May, 2023

本文提出了一种混合多模态深度学习方法用于短期交通流量预测，可以通过注意力辅助的多模态深度学习架构联合自适应地学习多模态交通数据的空间 - 时间相关特征和长期时间依赖关系，通过多个 CNN-GRU-attention 模块将不同模态交通数据的共享表示特征融合。实验结果表明，该模型能够有效地处理复杂的非线性城市交通流预测问题。

Mar, 2018

本文通过使用随机森林模型和 SHAP 的方法，评估了地理空间上下文信息对于交通方式检测的贡献，发现基础设施网络相关的特征显著影响模型预测，而土地利用和地表覆盖特征对于任务的贡献非常有限。此外，该研究为选择适当的上下文信息和建模方法提供了洞见，增强了我们对于运动与地理上下文之间关系的理解。

May, 2023

本文提出了一种基于数据驱动和改进传输模式的关系模型的流模型，名为 MOHER，用于预测新计划站点的潜在人流量流向及其不同的交通运输模式，并在真实数据集上进行的实验证明了 MOHER 的优越性。

Jan, 2021