利用统计与机器学习技术评估印度大城市班加罗尔出行方式选择的决定因素

出行方式选择背后的决策过程对交通规划至关重要。传统上，离散选择模型等统计学习技术已被使用，而机器学习（ML）模型因其更高的预测性能，近期在交通规划者中受到青睐。然而，ML模型的黑箱特性带来了显著的可解释性挑战，限制了它们在决策和政策制定中的实际应用。本研究利用班加罗尔市1350个中低收入家庭的数据集，采用多项Logit模型以及决策树、随机森林、极端梯度提升和支持向量机等ML分类器，探究出行方式选择的决策行为。在准确率方面，随机森林模型表现最佳（训练数据为0.788，测试数据为0.605），优于所有其他模型。本研究采用了现代可解释性技术，如特征重要性和个体条件期望图，来解释使用ML模型得出的决策行为。较高的出行成本相比其他方式显著降低了公交使用的预测概率（出行成本增加10%，使用随机森林和XGBoost模型分别导致概率降低0.66%和0.34%）。然而，将出行时间减少10%会增加对地铁的偏好（随机森林中增加0.16%，XGBoost中增加0.42%）。本研究丰富了正在进行的利用机器学习技术进行出行方式选择分析的研究，有助于从准确性和可解释性两方面加深对这些模型在真实世界数据上表现的理解。