使用可解释机器学习方法基于人口社会经济与通勤特征降尺度人类流动数据
机器学习
2025-09-29 v1
摘要
理解不同空间层级的城市人类流动模式对社会科学至关重要。本研究提出了一个机器学习框架，将纽约市的起讫点（OD）出租车出行流从较大的空间单元降尺度到较小的空间单元。首先，利用四种模型建立 OD 出行与人口、社会经济和通勤特征之间的相关性：线性回归（LR）、随机森林（RF）、支持向量机（SVM）和神经网络（NN）。其次，应用基于扰动的敏感性分析来解释非线性模型的变量重要性。结果表明，线性回归模型未能捕捉复杂的变量交互作用。虽然 NN 在训练和测试数据集上表现最好，但 SVM 在降尺度性能上表现出最佳的泛化能力。本研究提出的方法在改善交通服务和城市发展方面既提供了分析上的进步，也提供了实际应用。
引用
@article{arxiv.2509.21703,
title = {Downscaling human mobility data based on demographic socioeconomic and commuting characteristics using interpretable machine learning methods},
author = {Yuqin Jiang and Andrey A. Popov and Tianle Duan and Qingchun Li},
journal= {arXiv preprint arXiv:2509.21703},
year = {2025}
}