A Sequential Tour-Based Mode Choice Framework with GPS-based Data: Integrating Machine-Learning-Derived Features into Mixed Logit and MNL Models
Deze studie ontwikkelt een sequentieel tour-gebaseerd modaliteitskeuzekader voor Sydney met behulp van GPS-gegevens en door machine learning afgeleide kenmerken, waarbij wordt aangetoond dat Mixed Logit-modellen de voorspelling voor onderling afhankelijke tour-componenten aanzienlijk verbeteren en dat het kader robuust blijft tegen onzekerheid in de upstream-schatting, waardoor het gebruik van gesimuleerde inputs voor praktische reizigersvraagvoorspelling wordt gevalideerd.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je de toekomst van het verkeer in een stad probeert te voorspellen. Decennialang hebben wetenschappers elke autorit behandeld als een op zichzelf staande, geïsoleerde gebeurtenis, alsof iemand besluit naar de supermarkt te rijden zonder te onthouden dat hij net naar zijn werk is gereden. Maar in werkelijkheid zijn onze dagen meer als een snoer van kralen aan een ketting; de eerste rit zet de toon voor de rest. Dit is de wereld van "tour-gebaseerde" modellering, waarbij een "tour" een reeks activiteiten is die begint en eindigt bij huis. Om deze voorspellingen te doen, gebruiken onderzoekers twee belangrijke instrumenten: traditionele wiskundige modellen die gemakkelijk te begrijpen zijn maar soms te simpel zijn, en krachtige "machine learning"-algoritmen die geweldig zijn in het herkennen van patronen, maar fungeren als een mysterieuze "black box" die niemand volledig kan uitleggen. De grote vraag voor stadsplanners is: Hoe bouwen we een model dat zowel slim genoeg is om complex gedrag te voorspellen als helder genoeg om uit te leggen waarom iemand voor een bus koos in plaats van een auto?
Dit artikel is als een meesterkok die probeert het beste van twee werelden te combineren. De onderzoekers bouwden een "sequentieel" systeem, wat betekent dat ze niet alleen naar één enkele rit keken; ze modelleerden de hele dag van een persoon, stap voor stap, vanaf het moment dat ze wakker worden tot het moment dat ze weer gaan slapen. Ze gebruikten de "black box" van machine learning om verborgen aanwijzingen te vinden over hoe mensen zich gedragen, en voedden die aanwijzingen vervolgens aan een helder, begrijpelijk wiskundig model. Maar de echte magie gebeurde toen ze een lastig idee testten: meestal leren we deze modellen met perfecte, real-world data waarbij we precies weten wat er gisteren is gebeurd. Maar in de echte toekomst zullen we niet weten wat er gisteren is gebeurd! We zullen moeten gokken. Daarom vroegen het team zich af: "Wat als we het model leren door het zijn eigen verleden te laten raden?" Ze draalden drie verschillende scenario's om te zien of het trainen van het model met zijn eigen "gokken" (gesimuleerde data) het slechter zou maken, of dat het het daadwerkelijk robuusterder en beter zou maken in het voorspellen van de toekomst.
Dit is wat ze vonden, en het is een beetje een plotwending. Ten eerste ontdekten ze dat mensen gedurende het grootste deel van de dag gewoontedieren zijn. Of het nu de eerste rit in de ochtend is of een snelle boodschap later op de dag, de sterkste voorspeller van hoe iemand reist, is simpelweg wat ze gewoonlijk doen. Het idee dat mensen voortdurend van vervoersmiddel wisselen op basis van wat ze deden in de vorige tour (zoals: "Ik nam de bus naar mijn werk, dus ik neem de trein voor de lunch") bleek in deze data grotendeels een mythe te zijn. Zodra je rekening houdt met de gebruikelijke gewoonten van een persoon, voegt de "vorige rit" niet veel nieuwe informatie toe.
Ten tweede ontdekten ze dat het "slimme" deel van het model (genaamd Mixed Logit) echt alleen schittert in specifieke situaties. Het maakte een enorm verschil — een verbetering van de nauwkeurigheid met ongeveer 5 procentpunten — bij het voorspellen van het begin van een nieuwe tour (zoals een tweede rit buiten het huis). Dit is het moment waarop mensen de meeste vrijheid hebben in hun keuze. Echter, voor de eerste rit van de dag of de ritten binnen een tour, werkte het simpelere model even goed. Waarom? Omdat men binnen een tour, als je een auto rijdt, de auto ook voor de rest van die loop moet blijven gebruiken (je kunt de auto niet achterlaten). Die regel is zo strikt dat er geen enkel "slim" wiskundig model nodig is om dit te voorspellen.
Ten slotte was de grote verrassing met betrekking tot de "gok"-test: het trainen van het model met zijn eigen gesimuleerde gokken maakte het niet kapot; het maakte nauwelijks een verschil. Sterker nog, wanneer ze naar de nauwkeurigheid van het voorspellen van een hele dag aan reizen keken, was het model dat getraind was op "gokken" zelfs iets nauwkeuriger (67% accuraat) dan het model dat getraind was op perfecte real-world data (63% accuraat). Het is alsof oefenen met een licht imperfecte kaart de chauffeur een betere navigator in de echte wereld heeft gemaakt. Het artikel suggereert dat door het model te trainen om om te gaan met de onzekerheid van zijn eigen voorspellingen, het robuuster wordt en klaar is voor de echte wereld, wat bewijst dat we geen perfecte data nodig hebben om een betrouwbare reisvoorspelling te bouwen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.