A Sequential Tour-Based Mode Choice Framework with GPS-based Data: Integrating Machine-Learning-Derived Features into Mixed Logit and MNL Models
本研究利用 GPS 数据和基于机器学习衍生的特征，开发了一个针对悉尼的序列化基于行程（tour-based）的模式选择框架，证明了混合 Logit 模型能显著提高对相互依赖的行程组成部分的预测能力，并且该框架对上游估计不确定性具有鲁棒性，从而验证了将模拟输入用于实际交通需求预测的可行性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图预测一座城市的交通未来。几十年来，科学家们一直将每一次汽车出行视为一个孤立的事件，仿佛一个人决定开车去杂货店时，完全不记得自己刚刚才开车去过公司一样。但实际上，我们的一天更像是项链上的一串珠子；第一段行程为后续行程定下了基调。这就是“基于路径”（tour-based）建模的世界，在这里，“路径”是指从家出发并回到家的活动循环。为了做出这些预测，研究人员使用了两种主要工具：一种是易于理解但有时过于简单的传统数学模型，另一种是擅长发现模式但表现得像个无人能完全解释的神秘“黑匣子”的强大“机器学习”算法。城市规划者面临的重大问题是：我们如何构建一个既足够聪明到能预测复杂行为，又足够清晰到能解释为什么一个人选择公交车而不是私家车的模型？
这篇论文就像一位试图结合两种精华的顶级大厨。研究人员构建了一个“序列化”系统，这意味着他们不仅仅观察单次行程；他们对一个人的完整一天进行了步进式的建模，从醒来到入睡。他们利用“黑匣子”机器学习来寻找人们行为的隐藏线索，然后将这些线索输入到一个清晰、可理解的数学模型中。但真正的魔力发生在他们测试一个棘手想法的时候：通常，我们使用完美的、真实的现实数据（即我们确切知道昨天发生了什么的数据）来教导这些模型。但在真实的未来，我们并不知道昨天发生了什么！我们必须进行猜测。因此，团队问道：“如果我们通过让模型‘猜测自己的过去’来教导它，会发生什么？”他们运行了三种不同的场景，以观察用自身的“猜测”（模拟数据）来教导模型，究竟是会让模型变差，还是会让它在预测未来时变得更强韧、更出色。
以下是他们的发现，其中包含了一些情节转折。首先，他们发现对于一天中的大部分时间，人类都是习惯性的生物。无论是早晨的第一段行程，还是稍后的一件琐事，预测一个人出行方式的最强预测因子仅仅是他们通常的做法。那种认为人们会根据“前一段路径”（例如，“我上班坐了公交，所以午餐我会坐火车”）不断切换出行方式的想法，在这些数据中证明大多只是个神话。一旦你考虑了一个人的日常习惯，“前一段行程”并不会增加太多新信息。
其次，他们发现模型的“聪明”部分（称为混合逻辑回归，Mixed Logit）只在特定情况下才真正发光发热。在预测开启一段“新路径”（例如，第二次出门）时，它带来了巨大的提升——准确度提高了约5个百分点。这是人们拥有最多选择自由的时候。然而，对于当天的第一段行程或路径“内部”的行程，较简单的模型表现得同样出色。为什么呢？因为在一段路径内部，如果你开车了，你就必须在剩下的循环中一直开车（你不能把车丢在原地）。这个规则如此严格，以至于不需要任何“聪明”的数学运算来预测它。
最后，关于“猜测”测试的大惊喜是：用模型自身的模拟猜测来教导它并没有破坏模型；它几乎没有产生影响。事实上，当他们观察预测一整天出行情况的准确性时，用“猜测”训练的模型实际上略好于用完美现实数据训练的模型（准确率为67%，而后者为63%）。这就像是用一张略微不完美的地图进行练习，反而让驾驶员在现实世界中导航得更好。论文指出，通过训练模型去处理其自身预测的不确定性，它变得更加稳健且准备好应对现实世界，这证明了我们并不需要完美的数据来构建可靠的出行预测。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。