Application of Machine Learning to Two Large-Sample Household Travel Surveys: A Characterization of Travel Modes
Notice bibliographique
Résumé
Even in a context of rapidly evolving transportation and information technologies, household travel surveys remain an essential source of information for transportation planning. Moreover, as planning authorities become increasingly concerned with reducing the use of the private car, travelers’ mode choice patterns should be reexamined. In this study, a machine learning algorithm (Random Forest) was employed to characterize the use of eight different travel modes observed in two consecutive household travel surveys undertaken in Montreal, Canada. The analysis incorporated roughly 160,000 observed trips. The Random Forest algorithm was trained on the 2008 survey data and applied to the 2013 survey. The usefulness of the algorithm was evaluated using two numerical representations: the confusion matrix and the importance matrix. The results of this evaluation showed that the Random Forest algorithm could generate a detailed and precise characterization of travel submarkets for four of the most commonly observed modes of travel (auto-drive, public transit, school bus, and walk) using 11 attributes of households, persons, and trips. However, the auto-passenger mode was difficult to characterize because of its dependence on unobserved intra-household interactions. The algorithm also had difficulty identifying users of rarely observed modes (park-and-ride, kiss-and-ride, bicycle), but performed better in this regard than a traditional mode choice model. Finally, traveler’s age and the spatial orientation of origin–destination pairs were found to be decisive factors in the use of the auto-drive mode. This finding, combined with the stability of mode choice patterns observed over 5 years, highlights the difficulty of significantly reducing automobile use.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».