کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4943595 1437628 2017 30 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A comparative study of machine learning classifiers for modeling travel mode choice
ترجمه فارسی عنوان
یک مطالعه تطبیقی ​​طبقه بندی های یادگیری ماشین برای انتخاب مدل انتخاب حالت سفر
ترجمه چکیده
تجزیه و تحلیل انتخاب حالت سفر یک کار مهم در برنامه ریزی حمل و نقل و سیاست گذاری برای درک و پیش بینی خواسته های سفر است. در حالی که پیشرفت در یادگیری ماشین ها به طبقه بندی های قدرتمند متعددی منجر شده است، مفید بودن آنها برای مدل سازی انتخاب حالت سفر عمدتا ناشناخته است. با استفاده از داده های دفتر خاطرات مسافرت های گسترده هلندی از سال های 2010 تا 2012، غنی شده با متغیرهای محیط زیست ساخته شده و طبیعی و همچنین شرایط آب و هوایی، این مطالعه عملکرد پیش بینی شده از هفت طبقه بندی طبقه بندی شده ی ماشین را برای روش انتخاب حالت سفر مقایسه می کند و توصیه هایی را برای انتخاب مدل علاوه بر این، اهمیت متغیرهای مختلف و نحوه ارتباط آنها با حالت های مختلف سفر را در بر می گیرد. نتایج نشان می دهد که جنگل تصادفی به طور قابل ملاحظه ای بهتر از هر کدام از طبقه بندی های مورد بررسی، از جمله الگوریتم چندجملهای معمولی استفاده می شود. در حالی که فاصله سفر مهم ترین متغیر است، اهمیت سایر متغیرها با طبقه بندی ها و حالت های سفر متفاوت است. اهمیت متغیرهای هواشناسی بیشتر برای دستگاه بردار پشتیبانی است، در حالی که درجه حرارت برای پیش بینی دوچرخه و سفرهای حمل و نقل عمومی بسیار مهم است. نتایج نشان می دهد که تجزیه و تحلیل اهمیت متغیر با توجه به طبقه بندی های مختلف و حالت های سفر برای درک بهتر و مدل سازی موثر رفتار مسافرتی ضروری است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
The analysis of travel mode choice is an important task in transportation planning and policy making in order to understand and predict travel demands. While advances in machine learning have led to numerous powerful classifiers, their usefulness for modeling travel mode choice remains largely unexplored. Using extensive Dutch travel diary data from the years 2010 to 2012, enriched with variables on the built and natural environment as well as on weather conditions, this study compares the predictive performance of seven selected machine learning classifiers for travel mode choice analysis and makes recommendations for model selection. In addition, it addresses the importance of different variables and how they relate to different travel modes. The results show that random forest performs significantly better than any other of the investigated classifiers, including the commonly used multinomial logit model. While trip distance is found to be the most important variable, the importance of the other variables varies with classifiers and travel modes. The importance of the meteorological variables is highest for support vector machine, while temperature is particularly important for predicting bicycle and public transport trips. The results suggest that the analysis of variable importance with respect to the different classifiers and travel modes is essential for a better understanding and effective modeling of people's travel behavior.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 78, 15 July 2017, Pages 273-282
نویسندگان
, ,