基于深度学习的慢行交通方式选择行为预测模型

摘要：

慢行交通是解决城市交通"最后一公里"问题的重要方式,其发展受到各国政府和学界重视.相比集计模型/非集计模型,慢行交通方式选择深度学习模型处理数据能力更强,预测精度更高,但对模型有重要影响的内生潜在变量,如态度、偏好、感知等心理因素,被置于"黑箱"而得不到合理解释.为提高慢行交通方式选择模型精度和解释能力,构建了包含个人信息、建成与自然环境、态度与认知、出行信息4维33个影响慢行交通方式选择的指标体系.通过RP调查获取有效样本931条,利用Lasso-logistic回归模型筛选影响慢行交通方式选择的显著性指标,基于筛选前后数据评估构建的神经网络模型,并与支持向量机模型进行比较,验证模型精度.结果表明:时间价值、出行距离、天气、自行车专用道、骑行技能等是影响共享单车选择的显著性因素,空气质量、交通状况、道路熟悉程度、仪表态度等是影响步行选择的显著性因素,而安全意识、环保意识等态度与认知变量对慢行交通方式选择影响较弱;经Lasso-logistic回归模型对冗余变量进行筛选后,神经网络模型的准确性得到明显提升,预测精度由81.48％提高到85.65％.对于同一组数据,深度神经网络在与支持向量机分类器的对比中表现更加突出,具有较强的预测能力和泛化能力.

关键词：城市交通、预测模型、深度学习、慢行交通、交通方式选择

所属期刊栏目：39

分类号：F570.71(城市交通运输经济)

资助基金：国家重点研发计划;国家自然科学基金;教育部人文社会科学研究项目;陕西省自然科学基金;陕西省社科项目;中央高校基本科研业务费项目;中央高校基本科研业务费项目

在线出版日期：2023-02-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：204-212