AMBIT：以可解释树模型增强移动基线的框架

Qizhi Wang

AMBIT：以可解释树模型增强移动基线的框架

机器学习 2025-12-30 v1 人工智能

作者: Qizhi Wang

摘要

起点-终点（OD）流量预测是 GIS 和城市分析中的核心任务，但实际部署面临两个相互冲突的需求：高精度和清晰的可解释性。本文开发了 AMBIT，一个灰箱框架，通过可解释树模型来增强物理移动基线。我们对经典空间交互模型进行了全面审计，基于一年长期的 NYC 出租车 OD 数据集。审计显示，大多数物理模型在该时间分辨率下都非常脆弱；PPML 重力模型是最强的物理基线，而受约束变体在在完整 OD 边际上校准后虽有所提升，但仍显著弱于后者。随后，我们在物理基线之上构建残差学习器，使用梯度提升树和 SHAP 分析，表明：（i）基于物理的残差学习器在保留可解释结构的同时，接近强大的树基预测器的精度；（ii）以 POI 为锚的残差学习器在空间泛化下始终具有竞争力且最为稳健。我们提供了一个可复现的管道、丰富的诊断工具，以及面向城市决策的空间误差分析。

关键词

起点-终点流量预测空间相互作用模型梯度提升树 SHAP 分析残差学习 POI 锚定残差城市分析可解释机器学习

引用

@article{arxiv.2512.22466,
  title  = {AMBIT: Augmenting Mobility Baselines with Interpretable Trees},
  author = {Qizhi Wang},
  journal= {arXiv preprint arXiv:2512.22466},
  year   = {2025}
}

备注

15 pages; 12 figures; 30 tables

AMBIT：以可解释树模型增强移动基线的框架

摘要

关键词

引用

备注

相关论文