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

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。

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。

（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。