[논문 리뷰] Modeling Heterogeneity in Mode-Switching Behavior Under a Mobility-on-Demand Transit System: An Interpretable Machine Learning Approach

Xilei Zhao, Xiang Yan외 1명|arXiv (Cornell University)|2019. 02. 08.

Transportation and Mobility Innovations참고 문헌 30인용 수 11

한 줄 요약

이 논문은 이동 서비스에서의 이질적 모드 전환 행동을 모델링하기 위해 기울기 부스팅 트리 기반의 해석 가능한 기계학습 접근법을 제안한다. 이는 조건부 부분 의존도 플롯(CPDP)과 조건부 개별 부분 의존도 플롯(CIPDP)을 도입하여 사용자 세그먼트 간 이동 특성에 대한 민감도의 변화를 드러내며, 자동차 이용자가 개인정보 보호 문제로 인해 환승과 린드세어를 가장 기피하는 반면, 보행자와 자전거 이용자는 지속 가능성 가치를 고려해 이러한 변화에 더 유연하게 대응함을 보여준다.

ABSTRACT

Recent years have witnessed an increased focus on interpretability and the use of machine learning to inform policy analysis and decision making. This paper applies machine learning to examine travel behavior and, in particular, on modeling changes in travel modes when individuals are presented with a novel (on-demand) mobility option. It addresses the following question: Can machine learning be applied to model individual taste heterogeneity (preference heterogeneity for travel modes and response heterogeneity to travel attributes) in travel mode choice? This paper first develops a high-accuracy classifier to predict mode-switching behavior under a hypothetical Mobility-on-Demand Transit system (i.e., stated-preference data), which represents the case study underlying this research. We show that this classifier naturally captures individual heterogeneity available in the data. Moreover, the paper derives insights on heterogeneous switching behaviors through the generation of marginal effects and elasticities by current travel mode, partial dependence plots, and individual conditional expectation plots. The paper also proposes two new model-agnostic interpretation tools for machine learning, i.e., conditional partial dependence plots and conditional individual partial dependence plots, specifically designed to examine response heterogeneity. The results on the case study show that the machine-learning classifier, together with model-agnostic interpretation tools, provides valuable insights on travel mode switching behavior for different individuals and population segments. For example, the existing drivers are more sensitive to additional pickups than people using other travel modes, and current transit users are generally willing to share rides but reluctant to take any additional transfers.

연구 동기 및 목표

• 이동 온 디맨드(MOD) 이동 체계 하에서 개인의 취향과 반응의 이질성을 모델링하기.
• 기계학습의 예측 정확도를 넘어서 교통 계획 및 정책 설계를 위한 행동 해석 가능성을 제공하기.
• 응답 이질성 분석을 위해 특화된 모델에 종속되지 않는 해석 도구인 CPDP와 CIPDP를 개발하고 검증하기.
• 설계 특성(예: 환승, 린드세어)이 다양한 이용자 그룹의 수용도에 미치는 영향을 파악하기 위한 실질적 통찰 도출하기.
• 고정밀 기계학습 모델이 명시적인 모델 사양 없이도 자동으로 인구 집단을 세분화하고 행동적 통찰을 드러낼 수 있음을 입증하기.

제안 방법

• 설문 조사 자료를 기반으로 한 선호도 제시 데이터를 사용하여 모드 전환 행동을 예측하기 위해 기울기 부스팅 트리(XGBoost/GBM)를 주요 분류기로 활용.
• 모델에 종속되지 않는 해석 도구로 부분 의존도 플롯(PDP), 개별 조건 기대치(ICE) 플롯 및 새로운 조건부 변형(CPDP 및 CIPDP)을 사용하여 현재 이용 수단에 따라 이질성을 분석.
• 모드 전환 확률이 이동 특성(예: 이동 시간, 환승, 린드세어) 변화에 얼마나 민감한지 정량화하기 위해 경계 효과와 가격 탄력도를 계산.
• 현재 이용 수단 기반의 마켓 세분화를 통해 이동 특성의 영향이 하위 집단(예: 운전자 vs. 대중교통 이용자) 간 어떻게 다를 수 있는지 조건부 분석 수행.
• 모델 성능을 검증하기 위해 샘플 외 예측 정확도를 사용하고 기존 로짓 모델과 비교.
• PDP 및 ICE 플롯의 특성 종속성 가정 문제를 해결하기 위한 대안으로 누적 국소 효과(ALE)를 적용.

실험 결과

연구 질문

• RQ1 기계학습 모델은 이동 온 디맨드 체계 하에서 모드 전환 행동의 개인적 취향 이질성을 효과적으로 포착하고 드러낼 수 있는가?
• RQ2 다양한 이용자 세그먼트(예: 운전자, 대중교통 이용자, 보행자, 자전거 이용자)는 이동 시간, 환승, 린드세어와 같은 핵심 체계 특성에 어떻게 다르게 반응하는가?
• RQ3 특히 제안된 CPDP 및 CIPDP를 포함한 모델에 종속되지 않는 해석 도구인 PDP 및 ICE 플롯이 하위 집단 간 의미 있는 행동 통찰을 얼마나 잘 드러내는가?
• RQ4 이동 시간, 환승, 린드세어가 모드 전환 가능성에 미치는 상대적 영향은 무엇이며, 이는 현재 이용 수단에 따라 어떻게 달라지는가?
• RQ5 해석 가능한 기계학습 모델은 전통적인 로짓 모델보다 예측 정확도가 뛰어나면서도 정책 관련 행동 해석을 가능하게 할 수 있는가?

주요 결과

• 기울기 부스팅 트리 모델(BOOST)은 기존 로짓 모델보다 모드 전환 행동 예측에서 유의미하게 높은 샘플 외 예측 정확도를 확보하였다.
• 자동차 이용자는 추가 환승에 가장 민감했으며, 이는 모드 선택 유용성에서 3.2~3.5분의 추가 이동 시간과 동일한 효과를 가졌음.
• 린드세어는 자동차 이용자에게 강력한 부정적 영향을 미쳤으며, 이는 2.7~2.8분의 추가 이동 시간과 동일한 효과로 평가되어 사생활 보호 가치가 높음을 시사함.
• 보행자와 자전거 이용자는 환승과 린드세어를 더 수용적으로 받아들였으며, 환승 1회는 보행자에게서 TT_MOD 기준 1.0~2.4분, 자전거 이용자에게선 1.2~1.4분에 해당함.
• 린드세어는 보행자와 자전거 이용자에게서 더 덜 부담스럽게 여겨졌으며, 보행자에게선 1.2~1.8분, 자전거 이용자에게선 0.6~0.8분의 이동 시간 비용으로 평가됨.
• CPDP 및 CIPDP 도구는 대중교통 이용자가 일반적으로 린드세어를 수용하지만 추가 환승에는 소극적임을 효과적으로 드러내어 세그먼트 간 미묘한 행동 차이를 규명함.