原文传递
基于LightGBM的居民出行方式选择模型及应用研究
| 论文题名： | 基于LightGBM的居民出行方式选择模型及应用研究 |
| 关键词： | 交通规划;出行方式;预测模型;机器学习方法 |
| 摘要： | 在交通规划中，居民出行方式选择是一个研究的重难点。传统的“四阶段法”中，居民出行方式划分利用的是集计的方法，从整体上对居民出行方式选择进行划分，忽略了个人的出行行为，缺乏合理性。而随后开发的非集计模型则是针对个人的出行方式选择进行研究，但对随机项的假设也不尽如人意。如何定义和量化居民出行方式的影响因素、准确预测出行方式选择是一个研究的热点，也是研究人员亟待解决的问题。 结合非集计模型的研究，提出了利用改进的GBDT（Gradient BoostingDecisionTree）机器学习方法——LightGBM（Light Gradient Boosting Machine）构建模型来对居民出行方式选择进行预测，采取了以往非集计模型中的常用因素作为输入变量训练模型，然后将训练好的模型用交叉验证的方法进行验证，评价指标为平均准确率（the average probability of correct assessment,APCA）与均方差（the mean square error,MSE），并与其他方法进行比较。结果表明LightGBM的平均准确率基本都要高于大多数模型，而与GBDT的平均准确率相当，但从程序所运行的时间来看，LightGBM速度更快，更适宜处理大数据下的居民出行方式选择预测。 此外，进一步利用所构建模型对各因素重要程度进行分析，结果可得各居民出行方式选择影响因素的相对重要性，筛选重要的影响因素，利用所构建模型，通过单因素变量的方法研究公交分担率随不同因素变化的规律。 基于LightGBM的居民出行方式选择模型有助于交通研究人员对居民出行方式划分比例有更加合理和符合实际的预测，并能够高效的处理海量的数据。还可以把握各因素对方式划分的影响程度与作用规律，为交通规划、交通政策的制定提供科学的依据。 |
| 作者： | 范德祥 |
| 专业： | 交通运输规划与管理 |
| 导师： | 高健智 |
| 授予学位： | 硕士 |
| 授予学位单位： | 华中科技大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
