Jan, 2024

评估使用统计和机器学习技术确定出行方式选择的因素 —— 以印度孟加拉城市为例

PDF
TL;DR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。
mode choicemachine learning modelstransportation planninginterpretability challengesfeature importance
发现论文，激发创造
  • 个性化上下文感知的多模态交通推荐

    本研究利用多种模型，探索基于用户偏好和行程特征（如成本、时间、出行目的和距离）的最佳交通方式，在实际生活中得到的数据支持下，研究发现使用梯度加速树模型结合少数类过采样技术（SMOTE）的表现最为突出，而在对数模型中可以看出：（1）交通成本增加会降低各种交通方式的效用；（2）对于地铁或多模式选项（包含地铁）人们对于出行距离有较高的容忍度，说明地铁线路可能是大城市最佳候选方案。

    Oct, 2019

  • 利用机器学习分类器建模货运模式选择：基于商品流量调查（CFS）数据的对比研究

    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

  • 基于空间模式的公交到站时间估计动态模型（机器学习）

    本文提出了一种基于 XGBoost 机器学习算法的公共交通到站时间预测模型，能够利用公交车的位置信息和空间特征预测其到站时间，针对有交叉口和无交叉口两种空间情境下的公交路线进行预测，结果表明该模型比其他模型表现更优，可在以及其他交通基础设施有限的类似城市中推广。

    Oct, 2022

  • 机器学习在公交运输分析中的优势

    利用监督机器学习算法分析德黑兰 BRT 巴士系统准时性的影响因素，并构建准确的预测模型，研究各算法的决策过程，揭示影响巴士线路效果的关键因素，为提高其性能提供有价值的见解。

    Oct, 2023

  • 利用机器学习方法预测悉尼大都市区交通事件的持续时间

    本研究提出了一种全面的方法来预测悉尼大都市区交通事故的持续时间，并将其分类为短期或长期。我们利用包含交通事故详细记录、道路网络特征和社会经济指标的数据集，通过训练和评估包括 Gradient Boosted Decision Trees (GBDT)、Random Forest、LightGBM 和 XGBoost 在内的各种先进机器学习模型。我们的实验结果表明，XGBoost 和 LightGBM 在预测持续时间和分类方面优于传统模型。提出的方法不仅能够实现高度的预测准确性，还能为利益相关者提供有关影响事故持续时间因素的重要见解，从而为交通管理和响应策略提供更明智的决策。

    Jun, 2024

  • 提高货运模式选择模型的准确性：基于 2017 年 CFS PUF 数据集和集成学习技术的研究案例

    使用 2017 年商品流动调查的公共数据集，构建了一个高性能货物运输方式选择模型，提出了三个主要改进：针对每个独立的商品 / 行业类别构建本地模型，提取有用的地理特征，尤其是起始 / 目的地区域之间每种货运方式的派生距离，并应用附加的集成学习方法来结合本地和统一模型的结果，以提高性能。该方法在不引入外部信息的情况下实现了 92% 以上的准确度，相比在 10000 个样本上直接拟合随机森林模型，提高了 19% 以上。此外，使用 SHAP 值解释了所提模型的输出和主要模式。该模型框架可以增强现有货物运输方式选择模型的性能和可解释性。

    Feb, 2024

  • 多层建筑中基于数据驱动的预测决策点选择的方法研究

    应用机器学习算法研究复杂室内建筑中行人路径选择行为的潜力探索。

    Aug, 2023

  • 乳腺癌风险因素分析和生存预测的监督式机器学习

    利用机器学习方法，比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明，这些分类器可以准确预测样品的生存率，分别为 75.4％，74.7％，71.5％，75.5％，70.3％和 78％

    Apr, 2023

  • 混合集成旅行方式预测

    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

  • 何时购买？购买时机的生存机器学习模型比较

    利用机器学习技术，该研究分析了市场营销中的机器学习技术，如支持向量机、深度学习和生存模型，以预测个体的购买决策。研究发现，DeepSurv 模型预测购买完成度最好，这些洞见可帮助营销人员提高转化率。

    Aug, 2023