Zurück Vor

Detailergebnis zu DOK-Nr. 75568

Wahl des Reisemodus für maschinelles Lernen: Vergleich der Leistung eines Extremgradienten-Boosting-Modells mit einem multinomialen Logit-Modell (Orig. engl.: Machine learning travel mode choices: Comparing the performance of an extreme gradient boosting model with a multinomial logit model)

Autoren	F. Wang C.L. Ross
Sachgebiete	5.0 Allgemeines (Verkehrsplanung, Raumordnung) 6.1 Verkehrserhebungen, Verkehrsmessungen 6.2 Verkehrsberechnungen, Verkehrsmodelle

Transportation Research Record: Journal of the Transportation Research Board Vol. 2672, H. 2018, S. 35-45, 4 B, 2 T, 42 Q. - Online-Ressource: Verfügbar unter: http://journals.sagepub.com/home/trr

Das multinomiale Logit (MNL)-Modell und seine Variationen dominieren seit Jahrzehnten das Gebiet der Modellierung der Wahl des Reisemodus. Zu den Vorteilen des MNL-Modells gehören seine elegante geschlossene mathematische Struktur und seine interpretierbaren Modellschätzungsergebnisse, die auf der Zufallsnutzentheorie basieren, während seine Haupteinschränkung in den strengen statistischen Annahmen liegt. Die jüngsten rechnerischen Fortschritte haben eine leichtere Anwendung von Modellen des maschinellen Lernens auf die Analyse des Reiseverhaltens ermöglicht, obwohl die Forschung auf diesem Gebiet nicht gründlich oder endgültig ist. In dem Aufsatz wird die Anwendung des "Extreme Gradient Boosting“ (XGB)-Modells auf die Modellierung der Verkehrsmittelwahl untersucht und das Ergebnis mit einem MNL-Modell unter Verwendung der Daten der regionalen Haushaltsreise-Umfrage "Delaware Valley 2012“ verglichen. Das XGB-Modell ist eine Ensemble-Methode, die auf dem Entscheidungsbaum-Algorithmus basiert und in letzter Zeit wegen ihrer hohen maschinellen Lernleistung viel Aufmerksamkeit und Verwendung gefunden hat. Die Modellierungs- und Vorhersageergebnisse des XGB-Modells und des MNL-Modells werden verglichen, indem ihre mehrklassigen Vorhersagefehler untersucht werden. Es wurde herausgefunden, dass das XGB-Modell insgesamt eine höhere Vorhersagegenauigkeit als das MNL-Modell aufweist, insbesondere wenn der Datensatz nicht extrem unausgeglichen ist. Das MNL-Modell hat eine große Erklärungskraft und zeigt auch eine starke Übereinstimmung zwischen Trainings- und Testfehlern. Mehrere Fahrtmerkmale, soziodemografische Merkmale und Variablen der bebauten Umgebung werden signifikant mit der Verkehrsmittelwahl der Menschen in der Region in Verbindung gebracht, aber die verkehrsmittelspezifische Fahrzeit wird als der ausschlaggebende Faktor für die Verkehrsmittelwahl angesehen.