基于超参数优化集成学习的出行方式选择研究
来源：交通运输系统工程与信息杂志2024年第6期北京时间：
作者：李晓东, 曹克让, 匡海波
单位：大连海事大学，综合交通运输协同创新中心，辽宁大连116026
摘要：为解决传统出行方式选择模型和机器学习模型存在的识别精度不高、超参数优化复杂，以及模型可解释性弱等问题，本文分别采用遗传算法和贝叶斯优化对极限梯度提升机模型进行超参数寻优，进一步融合SHAP(SHapleyAdditiveexPlanations)模型可视化出行方式属性和个体特征对选择概率的非线性关系，采用5折交叉验证的方式训练，避免过拟合。最终，结合瑞士地铁数据验证所提模型的优越性。结果表明，增强离散选择模型中效用函数的非线性表达，可以提高模型预测性能，但仍然不如机器学习模型；采用遗传算法和贝叶斯优化后的极限梯度提升机模型，在出行选择预测准确率、召回率和F1分数均高于传统的线性或非线性效用函数多项式Logit模型以及普通随机森林和极限梯度提升机；采用遗传算法优化的极限梯度提升机模型预测准确性最高，为0.781，优于基于多次网格搜索的常规模型；采用遗传算法优化超参数比多次网格搜索的方式训练时间降低了81.4%；不同出行方式的成本和时间是影响选择的重要因素，火车和汽车对于时间的敏感性更高，瑞士地铁对于成本的敏感性更高。
关键词：城市交通,个体出行预测,超参数优化,出行方式选择,可解释机器学习
基金资助：国家自然科学基金 (72174035)；国家资助博士后研究人员计划(GZC20230343)。
