Resumen

Comprender el comportamiento de elección del modo de desplazamiento es esencial para prever la demanda de viajes. Se han propuesto enfoques de aprendizaje automático (Machine Learning, ML) para modelizar el comportamiento de elección del modo de transporte, y se ha informado de su utilidad para predecir el rendimiento. Sin embargo, debido a la naturaleza de caja negra del ML, es difícil determinar una explicación adecuada para la relación entre las variables de entrada y de salida. Este artículo propone un enfoque de ML interpretable para mejorar la interpretabilidad (es decir, el grado de comprensión de la causa de las decisiones) del ML en relación con la modelización de la elección del modo de desplazamiento. Este enfoque se aplica a los datos de la encuesta nacional de viajes por hogares de Seúl. En primer lugar, se aplicó el refuerzo de gradiente extremo (XGB) a la modelización de la elección del modo de desplazamiento, y el XGB superó a los demás modelos ML. Se midieron la importancia de las variables, la interacción entre ellas y los efectos locales acumulados (ALE) para interpretar la predicción del XGB con mejores resultados. Los resultados de la importancia y la interacción de variables indicaron que las variables correlacionadas relacionadas con el viaje y la excursión influyen significativamente en la predicción de la elección del modo de viaje mediante los efectos principales y cruzados entre ellas. También se demostró que la edad y el número de viajes de la gira eran variables importantes en la elección del modo de viaje. ALE midió el efecto principal de las variables que tienen una relación no lineal con la probabilidad de elección, que no puede observarse en el modelo logit multinomial convencional. Esta información puede aportar datos interesantes sobre el comportamiento en la movilidad urbana.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:modelización de la elección del modo de viaje, xgb, modo de viaje, modelo logit multinomial convencional, datos de la encuesta nacional sobre viajes de los hogares, perspectivas interesantes sobre el comportamiento, enfoque ml interpretable, comportamiento de elección del modo, otros modelos ml, elección del modo de viaje
• Keywords:travel mode choice modeling, xgb, travel mode, conventional multinomial logit model, national household travel survey data, interesting behavioral insights, interpretable ml approach, mode choice behavior, other ml models, travel mode choice