使用机器学习分类器建模货运方式选择：基于商品流动调查数据的比较研究
机器学习
2024-02-02 v1
摘要
本研究探讨了机器学习分类器在建模货运方式选择中的有用性。我们研究了八种常用的机器学习分类器，即朴素贝叶斯、支持向量机、人工神经网络、K近邻、分类与回归树、随机森林、Boosting和Bagging，以及经典的多项Logit模型。使用美国2012年商品流动调查数据作为主要数据源，并从辅助数据源添加空间属性。基于预测准确率比较分类器的性能。本研究还考察了样本量和训练-测试数据划分比例对各种方法预测能力的影响。此外，估计了变量的重要性以确定变量如何影响货运方式选择。结果表明，基于树的集成分类器表现最佳。具体而言，随机森林产生最准确的预测，其次是Boosting和Bagging。在变量重要性方面，货运特征，如运输距离、托运人的行业分类和货运量，是货运方式选择决策的最重要因素。
引用
@article{arxiv.2402.00659,
title = {Modeling Freight Mode Choice Using Machine Learning Classifiers: A Comparative Study Using the Commodity Flow Survey (CFS) Data},
author = {Majbah Uddin and Sabreena Anowar and Naveen Eluru},
journal= {arXiv preprint arXiv:2402.00659},
year = {2024}
}