Detailergebnis zu DOK-Nr. 81503
Techniken der künstlichen Intelligenz zur Vorhersage des Verkehrsmittelwahlverhaltens von Einzelpersonen in Mansoura City (Ägypten) (Orig. engl.: Artificial Intelligence Techniques for Predicting Individuals’ Mode Choice Behavior in Mansoura City, Egypt)
| Autoren |
M. Elharoun S.M. El-Badawy U.E. Shahdah |
|---|---|
| Sachgebiete |
5.3 Stadtverkehr (Allgemeines, Planungsgrundlagen) 6.2 Verkehrsberechnungen, Verkehrsmodelle |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2677, H. 10, 2023, S. 605-623, 12 B, 6 T, 59 Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Die Vorhersage des Fahrten- und Verkehrsmittelwahlverhaltens von Personen ist ein wichtiger Schritt in der Verkehrsplanung. Diese Studie untersucht die Anwendung von Techniken der künstlichen Intelligenz (KI) unter Verwendung von maschinellem Lernen mit 10 verschiedenen Klassifikatoren und tiefen neuronalen Netzen (deep neuronal networks, DNNs) zur Vorhersage der Verkehrsmittelwahl von Einzelpersonen in der Stadt Mansoura in Ägypten, und vergleicht die Ergebnisse mit der traditionellen multinomialen Logit-Technik. Die in dieser Analyse verwendeten Daten wurden in zwei Sätze aufgeteilt, einen Trainings- und einen Testdatensatz, mit einem Verhältnis von 67:33. Der Trainingsdatensatz enthält 10.173 Fälle, während der Testdatensatz 5.083 Fälle umfasst. Die Variablen, die zur Modellierung des Verkehrsmittelwahlverhaltens verwendet wurden, sind: Gesamtfahrzeit, Gesamtfahrkosten, Geschlecht, Autobesitz, Führerschein, beruflicher Status, Wohnsitz und monatliches persönliches Einkommen. Die Leistung aller Modelle wird auf zwei Ebenen gemessen: auf der individuellen Ebene, die den Gesamtprozentsatz der richtigen Beobachtungen vorhersagt, und auf der aggregierten Ebene, die die Marktanteile für jeden Verkehrsträger vorhersagt. Die Ergebnisse zeigen, dass das DNN-Modell, das die Gefangenschaft der Verkehrsträger berücksichtigt, alle untersuchten Modelle mit einer Vorhersagegenauigkeit von 97,81 % übertrifft. Auch die Methoden "Random Forest“ (RF), "Entscheidungsbaum2" (DT), "Gradient Booster“ (GB) und XGB zeigten eine Vorhersagegenauigkeit von über 95 %. Darüber hinaus wurden alle Modelle mit unterschiedlichen Stichprobengrößen kalibriert. Die Vorhersagegenauigkeit steigt mit zunehmendem Stichprobenumfang, außer bei den Adaboost-Klassifikatoren und der linearen Diskriminanzanalyse. Mit zunehmender Stichprobengröße nimmt die Vorhersagegenauigkeit der RF-, DT-, GB- und XGB-Klassifikatoren leicht zu, während die DNN-Vorhersagegenauigkeit deutlich steigt.