评估使用统计和机器学习技术确定出行方式选择的因素 —— 以印度孟加拉城市为例
内容提要
该文综述多项机器学习应用研究，涉及交通方式选择、公交到站预测、BRT准时性、行人路径、乳腺癌生存率、购买决策、信贷风险、航班定价、员工离职及高速公路流量预测。常用模型有XGBoost、随机森林、梯度提升树与SMOTE，其中XGBoost和梯度提升树表现较优。
延伸解读
模型选择与数据不平衡处理
文章综述的多项研究表明，梯度提升树和XGBoost在交通方式选择、公交到站预测、信贷风险等任务中表现较优。同时，SMOTE等过采样技术被用于处理类别不平衡问题，例如在信贷风险预测中，XGBoost结合KMeans SMOTE取得了最高F1分数。这提示读者，在应用机器学习时，除了模型选择，数据预处理尤其是类别平衡也至关重要。
交通成本与距离的效用影响
基于对数模型的分析发现，交通成本增加会降低各种交通方式的效用；而对于地铁或多模式选项（包含地铁），人们对出行距离有较高的容忍度。这表明地铁线路可能是大城市的最佳候选方案。这一结论对城市交通规划具有参考价值，提示在制定政策时需考虑成本与距离的权衡。
机器学习在交通领域的多样化应用
文章涵盖了机器学习在交通领域的多个应用场景，包括交通方式选择、公交到站时间预测、BRT准时性分析、行人路径选择以及高速公路流量预测等。这些研究使用了随机森林、梯度提升树、XGBoost、神经网络等算法，展示了机器学习在解决交通问题上的广泛适用性，也为类似城市提供了可推广的经验。
Q&A
在预测出行方式选择时，哪种机器学习模型结合SMOTE技术表现最好？
梯度加速树模型结合少数类过采样技术（SMOTE）的表现最为突出。
交通成本增加对出行方式选择有什么影响？
交通成本增加会降低各种交通方式的效用。
对于地铁或多模式选项，人们对出行距离的容忍度如何？
对于地铁或多模式选项（包含地铁），人们对出行距离有较高的容忍度，说明地铁线路可能是大城市最佳候选方案。
XGBoost算法在公交到站时间预测中表现如何？
基于XGBoost的公共交通到站时间预测模型能够利用公交车的位置信息和空间特征预测到站时间，在有交叉口和无交叉口两种空间情境下均比其他模型表现更优，可在交通基础设施有限的类似城市中推广。
在评估信贷风险时，哪些因素比抵押相关因素更重要？
申请人的年龄、就业年限和总收入等因素比抵押相关的因素更为重要。
预测员工是否寻找新工作时，使用了哪些机器学习算法？
使用了随机森林、逻辑回归、决策树和极端梯度提升等算法，并采用合成少数类过采样技术（SMOTE）进行改进。
