تحلیل و پیش بینی انتخاب شیوه سفر با مدل های یادگیری ماشین رویکرد SP (مطالعه موردی تهران)

پیش بینی دقیق انتخاب شیوه های حمل و نقل به ویژه با ظهور گزینه های نوینی مانند میکروموبیلیتی ها یک چالش اساسی در برنامه ریزی شهری است. این پژوهش قابلیت مدل های پیشرفته یادگیری ماشین را در پیش بینی رفتار انتخاب سفر بر اساس داده های ترجیحات بیان شده (SP) ارزیابی می کند. داده ها از طریق پرسشنامه ای در تهران جمع آوری شده که شامل ۱۱ سناریوی فرضی سفر با پنج گزینه خودرو شخصی، تاکسی اینترنتی، تاکسی خطی، حمل و نقل عمومی با دسترسی میکروموبیلیتی و حمل و نقل عمومی با دسترسی پیاده است. در این مطالعه سه الگوریتم قدرتمند شامل Random Forest، XGBoost و TabNet یک مدل یادگیری عمیق مخصوص داده های جدولی بر روی داده ها آموزش داده شدند. متغیرهای ورودی مدل ها شامل ویژگی های سناریو مانند زمان و هزینه سفر و مشخصات اجتماعی اقتصادی پاسخ دهندگان بود. عملکرد مدل ها با استفاده از معیارهای استاندارد طبقه بندی از جمله ماتریس در هم ریختگی و دقت ارزیابی شد و معناداری تفاوت عملکرد آن ها با آزمون آماری ANOVA مورد بررسی قرار گرفت. علاوه بر این برای تبیین نقش متغیرهای موثر بر انتخاب شیوه سفر از تحلیل SHAP استفاده شد. نتایج نشان دهنده قابلیت بالای مدل های یادگیری ماشین به ویژه XGBoost در پیش بینی دقیق انتخاب های کاربران است. این پژوهش پتانسیل بالای الگوریتم های نوین را به عنوان ابزاری کارآمد برای پیش بینی تقاضای سفر در مواجهه با سیاست گذاری های جدید حمل و نقلی تایید می کند.

کلیدواژه ها:

انتخاب شیوه سفر ، یادگیری ماشین ، ترجیحات اظهار شده (SP) ، پیش بینی رفتار ، سفر ، حمل و نقل شهری