A Sequential Tour-Based Mode Choice Framework with GPS-based Data: Integrating Machine-Learning-Derived Features into Mixed Logit and MNL Models
Diese Studie entwickelt ein sequenzielles, tour-basiertes Modalswahl-Framework für Sydney unter Verwendung von GPS-Daten und mittels maschinellem Lernen abgeleiteten Merkmalen und zeigt auf, dass Mixed-Logit-Modelle die Vorhersage für interdependenten Tour-Komponenten signifikant verbessern und dass das Framework gegenüber Unsicherheiten in der vorgelagerten Schätzung robust bleibt, wodurch die Verwendung von simulierten Eingaben für die praktische Reisebedarfsplanung validiert wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, die Zukunft des Verkehrs einer Stadt vorherzusagen. Jahrzehntelang haben Wissenschaftler jede Autofahrt wie ein einzelnes, isoliertes Ereignis behandelt, als ob eine Person sich entscheidet, zum Supermarkt zu fahren, ohne sich daran zu erinnern, dass sie gerade erst zur Arbeit gefahren ist. Aber in der Realität sind unsere Tage eher wie eine Kette von Perlen auf einer Halskette; die erste Fahrt gibt den Ton für den Rest vor. Dies ist die Welt der „tour-basierten“ Modellierung, bei der eine „Tour“ eine Schleife von Aktivitäten ist, die zu Hause beginnt und endet. Um diese Vorhersagen zu treffen, nutzen Forscher zwei Hauptwerkzeuge: traditionelle mathematische Modelle, die leicht zu verstehen, aber manchmal zu einfach sind, und leistungsstarke „Maschinelles Lernen“-Algorithmen, die groß darin sind, Muster zu erkennen, aber wie eine mysteriöse „Black Box“ wirken, die niemand vollständig erklären kann. Die große Frage für Stadtplaner ist: Wie bauen wir ein Modell, das sowohl intelligent genug ist, um komplexes Verhalten vorherzusagen, als auch klar genug, um zu erklären, warum sich eine Person für einen Bus statt für ein Auto entschieden hat?
Dieses Papier ist wie ein Spitzenkoch, der versucht, das Beste aus beiden Welten zu kombinieren. Die Forscher bauten ein „sequenzielles“ System, was bedeutet, dass sie nicht nur eine einzelne Fahrt betrachteten; sie modellierten den gesamten Tag einer Person, Schritt für Schritt, von dem Moment an, in dem sie aufwacht, bis zu dem Moment, in dem sie wieder schlafen geht. Sie nahmen das „Black Box“-Maschinelle Lernen, um verborgene Hinweise darüber zu finden, wie Menschen sich verhalten, und speisten diese Hinweise dann in ein klares, verständliches mathematisches Modell ein. Aber die wahre Magie geschieht, wenn sie eine knifflige Idee testeten: Normalerweise lehren wir diese Modelle mit perfekten, realen Daten, bei denen wir genau wissen, was gestern passiert ist. Aber in der realen Zukunft werden wir nicht wissen, was gestern passiert ist! Wir werden raten müssen. Also fragte sich das Team: „Was wäre, wenn wir das Modell lehren, indem wir es seine eigene Vergangenheit erraten lassen?“ Sie ließen drei verschiedene Szenarien laufen, um zu sehen, ob das Lehren des Modells mit seinen eigenen „Vermutungen“ (simulierten Daten) es schlechter machen oder ob es es tatsächlich widerstandsfähiger und besser darin machen würde, die Zukunft vorherzusagen.
Dies ist es, was sie herausfanden, und es ist ein wenig wie eine Wendung in einem Roman. Erstens entdeckten sie, dass Menschen den Großteil des Tages über Gewohnheitstiere sind. Ob es die erste Fahrt am Morgen ist oder ein kurzer Erledigungsgang später am Tag – der stärkste Prädiktor dafür, wie jemand reist, ist schlichtweg das, was er normalerweise tut. Die Vorstellung, dass Menschen ständig den Modus wechseln basierend auf dem, was sie in der vorherigen Tour gemacht haben (wie etwa: „Ich bin mit dem Bus zur Arbeit gefahren, also nehme ich den Zug zum Mittagessen“), erwies sich in diesen Daten als weitgehend ein Mythos. Sobin man die üblichen Gewohnheiten einer Person berücksichtigt, liefert die „vorherige Fahrt“ nicht viel neue Information.
Zweitens fanden sie heraus, dass der „intelligente“ Teil des Modells (genannt Mixed Logit) nur in spezifischen Situationen wirklich glänzt. Er machte einen riesigen Unterschied – eine Verbesserung der Genauigkeit um etwa 5 Prozentpunkte – bei der Vorhersage des Beginns einer neuen Tour (wie etwa einer zweiten Fahrt aus dem Haus heraus). Dies ist der Moment, in dem Menschen die meiste Freiheit bei der Wahl haben. Jedoch funktionierte für die erste Fahrt des Tages oder die Fahrten innerhalb einer Tour das einfachere Modell genauso gut. Warum? Weil man innerhalb einer Tour, wenn man ein Auto fährt, das Auto für den Rest dieser Schleife auch fahren muss (man kann das Auto nicht einfach zurücklassen). Diese Regel ist so streng, dass keine Menge an „intelligenter“ Mathematik nötig ist, um dies vorherzusagen.
Schließlich war die große Überraschung bezüglich des „Raten“-Tests: Das Lehren des Modells mit seinen eigenen simulierten Vermutungen hat es nicht zerstört; es machte kaum einen Unterschied. Tatsächlich, als sie die Genauigkeit bei der Vorhersage eines gesamten Tages voller Fahrten betrachteten, war das Modell, das mit „Vermutungen“ trainiert wurde, sogar etwas besser (67 % Genauigkeit) als dasjenige, das mit perfekten Realdaten trainiert wurde (63 % Genauigkeit). Es ist, als ob das Üben mit einer leicht fehlerhaften Karte den Fahrer besser darin macht, die reale Welt zu navigieren. Das Papier legt nahe, dass, indem das Modell darauf trainiert wird, mit der Unsicherheit seiner eigenen Vorhersagen umzugehen, es robuster und bereit für die reale Welt wird, was beweist, dass wir keine perfekten Daten brauchen, um eine zuverlässige Reiseprognose zu erstellen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.