一种基于机器学习的城市居民出行方式选择方法技术

本发明专利技术公开了一种基于机器学习的城市居民出行方式选择方法，包括：基于居民出行调查数据、过往研究及经验，设定机动车与非机动车的出行特征和划分阈值；根据过往研究对机动车出行的影响因素，结合居民调查数据、城市POI数据及地图导航数据，提取机动车出行方式选择的所需特征；采用多种数学模型对所述机动车出行方式选择进行建模，并提取最优模型；根据所述最优模型对机动车出行进行选择预测，并计算得到出行中所使用的交通方式。本发明专利技术利用机器学习算法，对居民出行交通方式选择建模，能得到更为科学、准确的交通方式选择模型，对城市交通运输负荷进行更为真实有效的把控，同时也能对城市未来交通运输结构的规划和建立提供更可靠的决策依据。可靠的决策依据。可靠的决策依据。

【技术实现步骤摘要】
一种基于机器学习的城市居民出行方式选择方法


[0001]本专利技术涉及城市居民出行交通方式选择行为分析领域的
，尤其涉及一种基于机器学习的城市居民出行方式选择方法。

技术介绍

[0002]随着城市化进程的迅速发展，城市交通规划的概念与方法也在不断发展延伸，其中，城市交通需求预测是城市交通规划中不可缺少的重要环节。如今的交通需求预测理论中，应用最为广泛的是四阶段交通需求预测方法，而交通方式划分作为四阶段交通需求预测方法之一，实质上是预测各种交通方式对于交通客流量的分担情况，从而预测在特定的社会经济水平下出行旅客对各种交通方式的选择与利用的情况，这是城市进行交通规划必不可少的先行步骤，也是对未来交通规划科学性、可靠性的重要保障。
[0003]在过往的研究中，对于交通方式选择建模往往采用以统计学为基础的统计回归模型。而相对于传统的统计回归模型，近年来，机器学习算法以其对数据的精确识别与划分能力引起了不同领域学者们的高度重视。机器学习算法是一类通过模拟人类认知学习的智能算法，计算机通过归纳等方式不断地优化内部结构，学习新知识最终建立特征与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的城市居民出行方式选择方法，其特征在于，包括：基于居民出行调查数据、过往研究及经验，设定机动车与非机动车的出行特征和划分阈值；根据过往研究对机动车出行的影响因素，结合居民调查数据、城市POI数据及地图导航数据，提取机动车出行方式选择的所需特征；采用多种数学模型对所述机动车出行方式选择进行建模，并提取最优模型；根据所述最优模型对机动车出行进行选择预测，并计算得到出行中所使用的交通方式。2.如权利要求1所述的基于机器学习的城市居民出行方式选择方法，其特征在于：所述出行特征包括行程速度和行程距离。3.如权利要求2所述的基于机器学习的城市居民出行方式选择方法，其特征在于：所述划分阈值包括，根据所述居民出行调查数据绘制机动车与非机动车在行程速度与出行距离上的分布曲线，并设定机动车与非机动车的行程速度阈值和出行距离阈值；利用所述行程速度阈值和所述出行距离阈值依次提取非机动车的出行方式，得到较准确非机动车出行方式。4.如权利要求1～3任一所述的基于机器学习的城市居民出行方式选择方法，其特征在于：根据所述过往研究对机动车出行的影响因素，选取建模所需特征，所述建模所需特征包括出行属性特征、个人属性特征、建成环境特征以及地图导航特征。5.如权利要求4所述的基于机器学习的城市居民出行方式选择方法，其特征在于：所述多种数学模型包括多元logistics回归模型、随机森林模型和XGBoost模型。6.如权利要求5所述的基于机器学习的城市居民出行方式选择方法，其特征在于：所述最优模型的提取包括，对建模所需特征进行归一化处理，将进行归一化处理的特征作为模型训练的特征集X，并将居民出行调查数据中出行所使用的交通方式“小汽车”、“常规公交”、“地铁”分别用数字1、2、3来表示，作为样本标签集Y，将X和Y按8：2的比例构建训练集和测试集；将所述训练集和所述测试集输入到多元logistics回归模型、随机森林模型和XGBoost模型进行训练，并通过交叉验证来测试多元logistics回归模型、随机森林模型和XGBoost模型的性能。...

【专利技术属性】
技术研发人员：杨超，陈明垟，袁泉，
申请(专利权)人：同济大学，
类型：发明
国别省市：