用于出行需求预测的神经符号人工智能：将决策树规则集成到神经网络中

出行需求预测对于优化交通规划、资源分配和基础设施发展至关重要，可确保高效的流动性和经济可持续性。本研究引入了一个神经符号人工智能（Neurosymbolic AI）框架，该框架将基于决策树（DT）的符号规则与神经网络（NNs）相结合来预测出行需求，利用符号推理的可解释性和神经学习的预测能力。该框架利用来自地理空间、经济和流动性数据集等多种来源的数据，构建一个全面的特征集。采用决策树提取可解释的“如果-那么”规则，以捕捉关键模式，然后将这些规则作为附加特征纳入神经网络，以增强其预测能力。实验结果表明，在平均绝对误差（MAE）、$R^2$和通勤者共同部分（CPC）等多个评估指标上，融合了符号规则的组合数据集始终优于独立数据集。在更精细的方差阈值（例如0.0001）下选择的规则，在捕捉细微关系、减少预测误差以及与观察到的通勤模式对齐方面表现出更优的效果。通过融合符号学习和神经学习范式，这种神经符号方法同时实现了可解释性和准确性。