探索深度学习方法来预测人与车辆出行：基于 NHTS 数据的分析

现代交通规划严重依赖对人和车辆出行的准确预测。然而，传统规划模型往往未能考虑出行行为的复杂性和动态性，导致这些预测的准确性欠佳。本研究探索了深度学习技术在转变我们出行预测及最终交通规划方式方面的潜力。利用来自国家家庭出行调查（NHTS）的综合数据集，我们开发并训练了一个用于预测人和车辆出行的深度学习模型。所提模型利用了 NHTS 数据中的大量信息，捕捉了先前被传统模型忽视的复杂非线性关系。结果，我们的深度学习模型在人的出行预测上达到了 98% 的令人印象深刻的准确率，在车辆出行估计上达到 96%。这相对于传统交通规划模型的性能有显著改进，从而展示了深度学习在该领域的威力。本研究的启示不仅限于更准确的预测。通过提升出行预测模型的准确性和可靠性，规划者可以制定更有效的、数据驱动的交通政策、基础设施和服务。因此，我们的研究强调了交通规划领域采纳像深度学习这样的先进技术的必要性。详细的方法及对其结果和启示的深入讨论在本文后续章节中给出。