原文传递
基于深度学习的慢行交通方式选择行为预测模型
| 题名： | 基于深度学习的慢行交通方式选择行为预测模型 |
| 作者： | 陈文强;王雪梅;王涛;高超;李琼 |
| 作者单位： | 长安大学运输工程学院;陕西汇德通市政工程有限公司 |
| 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 |
| 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-Iogistic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。 |
| 期刊名称： | 公路交通科技 |
| 出版年： | 2022 |
| 期： | 12 |
| 页码： | 204-212 |
检索历史
应用推荐
