2023世界交通运输大会 傲杀除草       投稿须知
通过机器学习模型理解驾驶员在城市路网中的路径选择行为
作者:赖信君 来源:中国公路网 时间:2019-03-14

赖信君1,傅惠1,李军2,沙志仁3

1机电工程学院,广东工业大学,广州

2智能工程学院,中山大学,广州

3广东方纬科技有限公司,广州

摘要:驾驶员的路径选择行为模型是各种交通软件的核心,广泛应用于如导航、物流管理、仿真等领域。而其中,随机效用模型(RUM)一直是主要建模方法。本文中,作者研究了机器学习模型(ML)是否亦能应用于路径选择研究,以及是否在拟合优度及预测上更优于传统RUM方法。本文提出了应用的框架及数据结构方法,而其中应用的难点在于(1)如何从多个OD对中融合数据;(2)从模型结果中解释行为意义。最后,所有的ML及RUM模型均应用于真实路网上并进行比较。结果显示,随机森林模型(ML模型中的一种)在可接受的计算时间内获得令人满意的预测精度,适合应用于城市复杂路网分析,例如找出重要影响因素、需求弹性、以及对未来场景进行预测等。本文亦讨论了在未来如何更近一步地进行RUM及ML模型的结合。

1-1.jpg

 

引言:近年来,随着科技的发展,智能手机、GPS系统、4G/3G通信、RFID通信等技术广泛应用于各种场景,也随之带了大量的数据。多种机器学习算法,如决策树、随机森林(RF)、支持向量机(SVM)和神经网络等亦大量应用于用户行为分析,如信贷风险预测、市场占有率分析等。在交通研究领域,有学者利用ML方法用于事故预测、事件检测等领域,但较少用于路径选择行为的研究。因此,本文针对以下问题提出解决方案:

(1)   ML模型如何应用于驾驶员的路径选择行为研究?特别地,表现效果是否更优于传统模型?

(2)   ML模型如何处理城市路网中几千对OD的应用场景?一个好的路径选择模型必须在多个OD上均有优异的通用性且高效的计算效率。

(3)   建模中,驾驶员的路径选择集合的大小及组成是否会影响模型的表现?

(4)   如何对ML模型的结果进行行为学上面的解释?

主要结论:

(1)模型表现:广州市中心城区内共1000多对OD约8000次出行数据用于本次实验。ML模型的数据拟合优度及预测准确率均高于RUM模型。此外,当选择集的大小达到20条备选路径时,模型的表现趋于稳定。ML模型中,随机森林模型能以较小的计算代价获得较好的表现,适合应用于城市复杂网络的路径选择行为分析。

1-2.jpg

 

(2)ML模型结果的行为学解释:首先,对于影响因素的重要性排名,ML模型与传统RUM模型的结果不尽相同,对路径选择概率的预测亦有所区别。考虑到ML模型获得更高的预测精度,应充分考虑ML模型可能给出更准确的行为学指征。第二,通过ML模型可以获得驾驶员对于每条路径的选择概率,因此,传统计量经济学上的需求弹性、交叉弹性等指标均可通过ML模型计算获得。第三,对于未来政策场景的预测,同样可以通过改变自变量如通行时间、交叉口数目等计算得到选择概率的变化,从而对未来路网的交通状态进行估计。

1-3.jpg

【编辑:】

相关阅读

欢迎关注中国公路、中国高速公路微信公众号

中国公路

中国高速公路