通过统计与机器学习算法的比较在公平性语境下理解公交客流量

基于个体特征和建成环境属性构建准确的出行行为模型，对于政策制定和交通规划具有重要意义。近期利用大数据和机器学习（ML）算法进行更好的出行行为分析的实验主要忽视了社会弱势群体。因此，在本研究中，我们使用统计和 ML 模型，探讨了加拿大大多伦多和汉密尔顿地区低收入个体对公交投资的出行行为响应。我们首先调查了模型选择如何影响对低收入群体公交使用的预测。此步骤包括比较传统算法和 ML 算法的预测性能，然后通过对比改善可达性后弱势家庭产生的预测活动和公交出行的空间分布来评估公交投资政策。我们还实证研究了每种算法提出的公交投资，并将其与布兰普顿市的未来交通计划进行了比较。虽然毫不意外地 ML 算法优于经典模型，但由于可解释性方面的顾虑，对其使用仍存在疑虑。因此，我们采用最新的局部和全局模型无关解释工具来解释模型如何得出其预测。我们的研究结果表明，ML 算法在增强低收入阶层的出行行为预测方面具有巨大潜力，且不会显著牺牲可解释性。