面向全解释性旅行行为分析的深度因果推断模型
机器学习
2024-05-06 v1
摘要
旅行政策评估常涉及因果问题，但传统旅行行为模型的因果推断能力最多仅有限。我们提出了深层因果推断模型用于旅行行为分析 (deep CAusal infeRence mOdel for traveL behavIour aNAlysis, CAROLINA)，该框架显式建模旅行行为中的因果关系，提升预测精度，同时保持可解释性，基于因果推断、深度学习和传统离散选择建模。该框架内引入了用于预测人类行为的生成性反事实模型，通过归一化流方法实现。通过虚拟现实中的行人过街行为、伦敦的揭示偏好旅行行为以及合成数据的案例研究，展示了所提方法在揭示因果关系、预测精度和评估政策干预方面的有效性。结果表明，可降低行人压力水平的干预机制可使经历较短等待时间的人数增加 38.5%。减少伦敦的旅行距离可使可持续旅行方式的比例增加 47%。
引用
@article{arxiv.2405.01708,
title = {A deep causal inference model for fully-interpretable travel behaviour analysis},
author = {Kimia Kamal and Bilal Farooq},
journal= {arXiv preprint arXiv:2405.01708},
year = {2024}
}