交通系统中方式划分预测的可解释机器学习模型
机器学习
2023-03-17 v2
摘要
交通网络中的方式划分预测有潜力协助网络运营者管理交通拥堵并提升公交服务可靠性。我们关注于利用高维出行时间数据逐小时预测出行者选择某一交通方式而非另一方式的比例这一问题。我们使用逻辑回归作为基础模型，并采用多种正则化技术进行变量选择，以防止过拟合并解决多重共线性问题。重要的是，我们结合方式划分的内在变异性以及出行者对出行时间变化的整体响应性来解释预测精度结果。通过可视化模型参数，我们得出结论：对预测精度重要的路段子集逐小时变化，并包含拓扑中心及/或高度拥堵的路段。我们将该方法应用于旧金山湾区高速公路与快速公交网络，并证明相较于预先指定的变量选择方法，我们的方法具有更优的预测精度与可解释性。
引用
@article{arxiv.2203.14191,
title = {Interpretable Machine Learning Models for Modal Split Prediction in Transportation Systems},
author = {Aron Brenner and Manxi Wu and Saurabh Amin},
journal= {arXiv preprint arXiv:2203.14191},
year = {2023}
}