[论文解读] Machine Learning Based Demand Modelling for On-Demand Transit Services: A Case Study of Belleville, Ontario.

Nael Alsaleh, Bilal Farooq|arXiv (Cornell University)|Oct 27, 2020

Transportation and Mobility Innovations被引用 6

一句话总结

本研究利用人口统计和行程数据，开发了随机森林、集成学习、人工神经网络（ANN）和深度神经网络（DNN）等机器学习模型，用于预测加拿大贝尔维尔市按需交通（ODT）需求。模型解释了63%的接载需求和70%的行程需求，其中月份和星期几是影响最大的因素，而人口密度是接载需求的主要人口统计驱动因素。

ABSTRACT

The use of mobile applications apps and GPS service on smartphones for transportation management applications has enabled the new mobility service, where the transportation supply is following the users' schedule and routes. In September 2018, the City of Belleville in Canada and Pantonium operationalized the same idea, but for the public transit service in the city to develop an on-demand transit (ODT) service. An existing fixed route (RT 11) public transit service was converted into an on-demand service during the night as a pilot project to maintain a higher demand sensitivity and highest operation cost efficiency per trip. In this study, Random Forest (RF), Bagging, Artificial Neural Network (ANN), and Deep Neural Network (DNN) machine learning algorithms were adopted to develop a pickup demand model (trip generation) and a trip demand model (trip distribution model) for Belleville ODT service based on the dissemination areas' demographic characteristics and the existing trip characteristics. The developed models aim to explain the demand behavior, investigate the main factors affecting the trip pattern and their relative importance, and to predict the number of generated trips from any dissemination area as well as between any two dissemination areas. The results indicate that the developed models can predict 63% and 70% of the pickup and trip demand levels, respectively. Both models are most affected by the month of the year and the day of the week variables. In addition, the population density has a higher impact on the ODT service pickup demand levels than the other demographic characteristics followed by the working age percentages and median income characteristics. Whereas, the distribution of the trips depends on the demographic characteristics of the destination area more than the origin area.

研究动机与目标

• 利用机器学习开发加拿大贝尔维尔市按需交通（ODT）服务的精准需求模型。
• 理解影响按需交通系统中接载需求和行程分布模式的因素。
• 量化人口统计和时间变量对ODT需求行为的相对影响。
• 通过在传播区域层面预测行程生成和分布，支持数据驱动的运营决策。

提出的方法

• 应用四种机器学习算法——随机森林、集成学习、人工神经网络（ANN）和深度神经网络（DNN）——来建模ODT需求。
• 使用传播区域层面的人口统计数据（人口密度、劳动年龄人口、中位收入）和时间特征（月份、星期几）作为输入预测变量。
• 开发了两种独立模型：一种为接载需求模型（行程生成），另一种为行程需求模型（出发地与目的地区域之间的行程分布）。
• 基于试点项目的历史ODT行程数据训练模型，其中RT 11线路在夜间被转换为按需服务。
• 使用决定系数（R²）评估模型性能，以衡量接载需求和行程需求水平的预测准确性。
• 利用模型内部指标对特征重要性进行排序，识别对需求影响最大的预测变量。

实验结果

研究问题

• RQ1 在真实城市环境中，哪种机器学习模型最能准确预测按需交通的接载需求？
• RQ2 人口统计特征（如人口密度、劳动年龄人口比例、中位收入）如何影响ODT接载需求？
• RQ3 时间变量（如月份、星期几）对ODT需求模式的相对影响是什么？
• RQ4 出发地和目的地区域的人口统计特征在影响行程分布方面有何差异？
• RQ5 机器学习模型在多大程度上能够解释并预测传播区域层面的需求？

主要发现

• 模型解释了63%的接载需求（行程生成）变异和70%的行程需求（行程分布）变异。
• 一年中的月份和星期几在接载需求和行程需求模型中均为最具影响力的变量。
• 在人口统计因素中，人口密度对接载需求的影响最大，其次是劳动年龄人口比例和中位收入。
• 在行程分布方面，目的地区域的人口统计特征比出发地区域更具影响力。
• 随机森林、集成学习、ANN和DNN均表现出强劲的预测性能，其中DNN在行程需求预测中达到最高的R²值。
• 结果表明，机器学习模型能够有效利用现成的人口统计和时间数据，捕捉按需交通系统中的复杂需求模式。