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

Xilei Zhao, Xiang Yan+1 more|arXiv (Cornell University)|Feb 8, 2019

Transportation and Mobility Innovations参考文献 30被引用 11

一句话总结

本文提出了一种可解释的机器学习方法，采用梯度提升树模型来模拟按需出行（Mobility-on-Demand, MOD）交通系统中的异质性模式切换行为。研究引入了条件部分依赖图（CPDPs）和条件个体部分依赖图（CIPDPs），揭示了不同用户群体对出行属性敏感度的差异，结果表明，驾车者对换乘和拼车最为排斥，主要源于隐私顾虑；而步行者和骑行者则更愿意接受此类变化，反映出其对可持续性的价值认同。

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.

研究动机与目标

• 在新型按需出行（MOD）交通系统背景下，建模个体在出行方式选择中的偏好异质性。
• 超越机器学习的预测准确性，实现对交通规划与政策设计具有行为解释意义的分析。
• 开发并验证新型、与模型无关的可解释性工具——CPDPs与CIPDPs，专门用于分析不同出行方式群体之间的响应异质性。
• 提取可操作的洞察，揭示系统设计特征（如换乘、拼车等）对不同出行群体采纳行为的影响。
• 证明高精度的机器学习模型能够自动对人群进行分组，并揭示行为洞察，而无需显式指定模型结构。

提出的方法

• 采用梯度提升树模型（XGBoost/GBM）作为主要分类器，基于陈述偏好调查数据预测出行模式切换行为。
• 使用与模型无关的可解释性工具：部分依赖图（PDPs）、个体条件期望图（ICE）图，以及新型条件变体（CPDPs与CIPDPs），分析按当前出行方式划分的异质性。
• 计算边际效应与弹性，量化出行模式切换概率对出行属性（如出行时间、换乘次数、拼车）变化的敏感度。
• 基于当前出行方式实施市场细分，以条件性分析不同子群体（如驾车者与公共交通使用者）中属性效应的差异。
• 通过样本外预测准确率验证模型性能，并与传统Logit模型进行比较。
• 采用累积局部效应（ALE）作为PDP与ICE图中特征依赖性假设的潜在替代方案。

实验结果

研究问题

• RQ1 机器学习模型能否有效捕捉并揭示在按需出行系统中出行模式切换行为的个体偏好异质性？
• RQ2 不同出行群体（如驾车者、公共交通使用者、步行者、骑行者）对出行时间、换乘和拼车等关键系统属性的响应有何差异？
• RQ3 PDP与ICE图等与模型无关的可解释性工具，尤其是所提出的CPDPs与CIPDPs，在揭示子群体间有意义的行为洞察方面，其有效性如何？
• RQ4 出行时间、换乘和拼车对出行模式切换可能性的相对影响是什么？这些影响如何随当前出行方式而变化？
• RQ5 可解释的机器学习模型是否能在保持政策相关行为解释能力的同时，超越传统Logit模型的预测准确性？

主要发现

• 梯度提升树模型（BOOST）在预测出行模式切换行为方面，其样本外预测准确率显著高于传统Logit模型。
• 驾车者对额外换乘最为敏感，一次换乘在出行选择效用中相当于增加了3.2至3.5分钟的出行时间。
• 拼车对驾车者具有显著负面影响，相当于增加了2.7至2.8分钟的出行时间，表明其对隐私有较高重视。
• 步行者和骑行者对换乘和拼车的接受度更高，一次换乘对步行者仅相当于1.0至2.4分钟的TT_MOD，对骑行者为1.2至1.4分钟。
• 步行者和骑行者对拼车的感知负担更轻，其等效出行时间成本分别为1.2至1.8分钟（步行者）和0.6至0.8分钟（骑行者）。
• CPDP与CIPDP工具成功揭示了公共交通使用者普遍愿意接受拼车，但对增加换乘持保留态度，凸显了不同群体间细微的行为差异。