面向按需公交服务的可解释数据驱动需求建模
计算机与社会
2021-10-05 v3 机器学习
摘要
近年来，随着信息通信技术的进步，各种新兴的按需共享出行服务作为低密度地区的创新解决方案被引入，包括按需公交（ODT）、出行按需（MOD）公交和众包出行服务。然而，由于这些服务尚处于起步阶段，亟需理解和建模其需求。在本研究中，我们利用随机森林（RF）、Bagging、人工神经网络（ANN）和深度神经网络（DNN）四种机器学习算法，在传播区（DA）层面为ODT服务建立了出行生成与出行分布模型。建模所用数据来自Belleville的ODT运营数据和2016年人口普查数据。采用贝叶斯优化方法寻找所采用算法的最优结构。此外，采用事后模型解释预测结果并检查解释变量的重要性。结果表明，土地利用类型是出行生成模型中最重要的变量。另一方面，出行目的地的人口统计特征是出行分布模型中最重要的变量。此外，结果显示，在具有商业/工业土地利用类型的传播区与高密度住宅土地利用类型的传播区之间，预期有较高的出行分布水平。我们的研究结果表明，ODT服务的性能可通过以下方式进一步提升：(a)将闲置车辆布置在商业/工业土地利用类型的邻里区域；(b)利用本工作获得的时空需求模型持续更新运营车队规模。
引用
@article{arxiv.2010.15673,
title = {Interpretable Data-Driven Demand Modelling for On-Demand Transit Services},
author = {Nael Alsaleh and Bilal Farooq},
journal= {arXiv preprint arXiv:2010.15673},
year = {2021}
}
备注
Transportation Research Part A: Policy and Practice 2021