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

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

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

卡车运输由于灵活性和更快的交货速度等优点，仍然是美国货物运输的主要方式。了解人口和就业特征对卡车流量的影响对于更好的交通规划和投资决策至关重要。本研究使用美国人口普查局的人口和就业数据，利用机器学习算法（XGBoost）建立了一个模型来预测卡车流量，结果显示区域之间的距离是最重要的变量且与卡车流量呈非线性关系。

Feb, 2024

本研究提出了一种非监督知识适应预测框架，通过利用另一种交通方式的数据预训练模型来预测目标交通方式的需求，从而提高预测性能，同时避免不同机构之间的数据直接共享的问题。

Jun, 2022

从数字货运活动数据中推断调度和路径模式的建模方法，应用于荷兰的巡回数据以了解发车时间模式和巡回策略，并评估所提出算法的有效性。研究发现空间和时间特征对捕捉巡回类型和货运活动的时间模式很重要，同时实证证据表明运输市场的多数承运商对拥堵程度敏感，在面对拥堵区时调整巡回类型、发车时间和巡回次数。该研究结果可以被从业人员用于更好地理解交通市场并制定货运和交通管理措施。

Nov, 2023

利用大规模人类流动数据来构建一种可以预测不同类型犯罪在各行政区划内发生年度数量的模型，并提高预测的准确性，并且对主要犯罪类别的预测特征进行了深入分析，为城市政策或执法部门提供了有价值的信息。

Jun, 2018

该研究介绍了一种新的知识挖掘框架用于 Crash Modification Factors (CMFs) 的预测，通过引入自然语言处理（NLP）技术和实验验证，证明了该方法相比基线方法在 CMF 估计方面具有显著的精确性提升。

Nov, 2023

通过将 Monte Carlo Dropout 方法中获得的类内不确定性与离群值检测领域的最新发现相结合，我们探索了不确定性估计在航海领域的应用，证明了其在 CIFAR10 数据集上的功效，并在 SHIPS 数据集上验证了它在实际情况下的有效性。

Jul, 2023

本文提出了一种能够使用乘客船只的实时数据来预测燃油消耗的模型，采用统计和领域知识方法选择合适的输入变量，其中包括多元线性回归、决策树、人工神经网络和集成方法进行预测。最佳的预测性能来自于使用 XGboost 技术的集成方法。

Oct, 2023