用可解释机器学习模型预测飓风疏散决策
机器学习
2023-03-14 v1 人工智能
摘要
气候变化的不利影响以及飓风易发区人口的增长加剧了大规模飓风疏散的挑战。尽管飓风准备和响应策略极大依赖于所预测的家庭疏散决策的准确性和及时性，当前以心理驱动线性模型为特征的研究在实践中存在一些显著局限。因此，本研究提出了一种预测家庭疏散决策的新方法，与高度依赖心理因素的当前模型相比，其由易于获取的人口统计和资源相关预测变量构建。同时，开发了一种增强逻辑回归（ELR）模型，该模型通过可解释机器学习方法自动考虑非线性（即单变量和双变量阈值效应），以确保结果的准确性。具体而言，选择低深度决策树进行非线性检测，以识别关键阈值、构建透明模型结构并巩固鲁棒性。然后，使用卡特里娜和丽塔飓风后收集的实证数据集来检验该新方法的实用性。结果表明，与先前的线性模型相比，增强逻辑回归（ELR）模型在模型拟合和预测能力上解释家庭疏散决策变异方面具有最具说服力的表现。这表明所提出的方法可为应急管理部门提供一种新的工具和框架，以及时准确地改进疏散交通需求的估计。
引用
@article{arxiv.2303.06557,
title = {Predicting Hurricane Evacuation Decisions with Interpretable Machine Learning Models},
author = {Yuran Sun and Shih-Kai Huang and Xilei Zhao},
journal= {arXiv preprint arXiv:2303.06557},
year = {2023}
}