原文信息
利用鲁棒神经网络和SHAP预测和解释出行方式选择
Predicting travel mode choice with a robust neural network and Shapley additive explanations analysis
扫描二维码阅读原文
https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/itr2.12514
文献速读
机器学习方法由于其较高的预测精度而被广泛应用。然而,大量的机器学习方法,特别是神经网络这一分支,易受到过拟合和缺乏模型可解释性的限制。本研究使用在中国成都收集的出行活动数据集,通过设计特征选择增强神经网络的鲁棒性,通过网格搜索增强模型预测性能,并将其应用于出行方式选择预测,然后采用SHAP方法开展模型解释,有效解决了上述问题。本文的研究成果有望为城市交通系统发展和交通需求管理提供政策制定依据。
正文导读
机器学习方法是出行方式选择建模的主流方法之一。现有研究更多关注集成树模型(如梯度提升树和随机森林)在该领域的应用,而较少关注神经网络。然而,本文通过梳理现有文献发现:预测能力方面,神经网络可与表现最优的集成树模型相媲美;解释性能方面,它被证明可以提供与经典离散选择模型相似的经济指标。因此,本文聚焦于神经网络在出行方式选择建模方面的应用,并着重解决神经网络的过拟合和模型缺乏可解释性的问题。具体论文工作结构如图1所示。
研究结果表明通过结合随机森林(RF)和极端梯度提升树(XGBoost)开展特征选择,有效增强了神经网络的鲁棒性。基于网格搜索的超参数优化有效增强了模型的预测性能。模型的预测结果如表1所示。
基于SHAP的特征重要度分析表明,出行费用、年龄、驾驶经验、拥有的汽车数量、个人月收入和出行目的等因素为影响出行方式选择的重要特征,如图2所示。
此外,基于SHAP的交互效应分析表明,方式选择行为在不同年龄、不同汽车拥有量和不同收入水平的人口群体中存在显著的异质性,如图3所示。
作者简介
1
唐立,西华大学,副教授,研究方向为交通活动和行为理论、交通大数据分析、空地一体交通管控技术。
2
唐传丽,西华大学交通运输工程专业硕士,即将攻读广岛大学博士课程。研究方向为交通行为分析。研究兴趣包含机器学习和决策行为理论研究。
3
付琪,西华大学交通运输工程专业硕士,研究方向为交通行为分析。
4
马昌喜,兰州交通大学,教授,研究方向为交通运输安全,交通大数据与智慧交通,交通运输系统优化与设计。
期刊简介
IET Intelligent Transport Systems致力于对智能交通系统和基础设施的实际应用进行高影响力的原创研究,是一本跨学科的完全开放获取期刊,其中还涵盖评论、行业文章、观点和意见文章,可供全球读者阅读和分享。
2023 CiteScore (Scopus): 6.5
2023 Journal Citation Indicator (Clarivate): 0.55
2023 Journal Impact Factor (Clarivate): 2.3
期刊主页
https://ietresearch.onlinelibrary.wiley.com/journal/17519578
声明:本文转载自Wiley工程世界。如需联系原创或查看原文,请扫下方二维码。
WILEY
MaterialsViews
Wiley旗下材料科学类期刊官方微信平台
推送材料科研资讯|访谈材料大咖新秀
分享撰稿投稿经验|关注最新招聘信息
点击“分享”,给我们一点鼓励吧~