一种用于填补智能卡数据中缺失上车站点的监督机器学习模型
机器学习
2021-09-10 v2 机器学习
摘要
随着人口密度增加与环保意识增强，公共交通已成为城市生活的重要组成部分。当前产生的大量数据使得利用智能卡使用记录来理解出行行为的更稳健方法成为可能。然而，公共交通数据集存在数据完整性问题；由于采集过程不完善或报告不充分，上车站点信息可能缺失。我们开发了一种基于序数分类、利用 GTFS 时刻表、智能卡和地理空间数据集来填补缺失上车站点的监督机器学习方法。提出了一种新指标 Pareto Accuracy，用于评估类别具有序数性质的算法。结果基于以色列贝尔谢巴市为期一个月的智能卡数据的案例研究。我们表明，所提方法对不规则出行者具有鲁棒性，且在无需挖掘任何额外数据集的情况下显著优于已知的填补方法。使用迁移学习对另一以色列城市的数据进行验证，表明所呈现的模型具有通用性和上下文无关性。进一步讨论了其对交通规划与出行行为研究的意义。
引用
@article{arxiv.2003.05285,
title = {A Supervised Machine Learning Model For Imputing Missing Boarding Stops In Smart Card Data},
author = {Nadav Shalit and Michael Fire and Eran Ben-Elia},
journal= {arXiv preprint arXiv:2003.05285},
year = {2021}
}