组合与征服：面向分布外预测的模型平均方法

出行行为建模者拥有日益多样化的模型集，从传统计量经济学结构到数学心理学模型以及来自机器学习的数据驱动方法。一个关键问题是这些不同模型在预测中的表现如何，特别是当考虑与估计所用特征不同的出行（即分布外预测）时，以及是否可以通过结合不同模型的洞察来获得更好的预测。我们以出行距离作为可能超出估计数据应用范围的关键变量示例。在两个案例研究中，我们表明虽然数据驱动方法在预测估计所用距离带内的出行方式选择方面表现出色，但超出该范围后情况变得模糊。为了利用不同模型族的相对优势并利用多个弱模型可以产生更强鲁棒模型的概念，我们提出了一种模型平均方法，该方法根据预测出行特征与模型估计所用特征之间的距离为不同模型族分配权重。总体而言，我们发现模型平均方法在出行距离估计区间之外移动时赋予具有更强行为或计量经济学基础的模型更大权重。在两个案例研究中，我们表明模型平均方法在估计数据和测试数据上均取得了改进的性能，并且在预测估计所用距离范围之外的出行方式选择时也取得了显著改善。