个性化情境感知多模式交通方式推荐
计算机与社会
2019-10-29 v1 信息检索
机器学习
摘要
本研究提出在考虑用户偏好（如成本、时间）与出行特征（如目的、距离）的前提下，寻找最合适的交通方式。工作基于从地图应用获取的真实出行数据。我们尝试了多种方法，包括梯度提升树、学习排序、多项 logit 模型、自动化机器学习、随机森林与浅层神经网络。对部分方法还尝试了特征选择与过采样技术。结果表明表现最优的是采用合成少数类过采样技术（SMOTE）的梯度提升树模型。此外，多项 logit 模型结果显示：（1）出行成本上升会降低所有交通方式的效用；（2）人们对地铁方式或含地铁的多模式选项出行距离的敏感度较低，即相较于其他方式，人们更愿意忍受长距离地铁出行。这表明地铁线路可能是大城市的一个理想选择。
引用
@article{arxiv.1910.12601,
title = {Personalized Context-Aware Multi-Modal Transportation Recommendation},
author = {Meixin Zhu and Jingyun Hu and Hao and Yang and Ziyuan Pu and Yinhai Wang},
journal= {arXiv preprint arXiv:1910.12601},
year = {2019}
}
备注
KDD cup 2019 regular machine track solution