出行即服务交通陈述性偏好建模：机器学习与 Logit 模型比较

Logit 模型通常用于研究个体出行行为，即预测出行方式选择并获取出行者偏好的行为洞察。近来一些研究应用机器学习建模出行方式选择，并报告其样本外预测精度高于传统 logit 模型（如多项 logit）。然而，鲜有研究关注机器学习与 logit 模型可解释性的比较。换言之，如何从高性能“黑盒”机器学习模型中提取行为洞察，在出行行为建模领域仍大体未解。本文旨在通过考察 logit 与机器学习模型在出行方式选择建模中模型构建、评估与行为解释的关键异同，对两类方法提供全面比较。为补充理论讨论，本文还基于一种融合高频固定路线服务与网约车新型公交系统的陈述性偏好调查数据，对两方法进行实证评估。结果显示机器学习可产生显著高于 logit 模型的预测精度。此外，机器学习与 logit 模型在行为解释的诸多方面大体一致。并且，机器学习可自动捕捉输入特征与选择结果间的非线性关系。本文结论认为，融合机器学习与传统统计方法思想以发展精细的出行行为研究模型大有潜力，并给出若干新研究方向。