Integrating Node-Place Model With Shapley Additive Explanation for Metro Ridership Regression
Notice bibliographique
Résumé
Accurate metro ridership estimation is essential for effective urban transportation planning. Traditional regression methods relying on historical passenger flow data often overlook the intrinsic relationship between network scale and land use, limiting predictive accuracy. To address this issue, this study focuses on the Beijing urban rail transit system, aiming to explore how station-level factors influence spatial variations in metro ridership over a decade (2013–2022). An advanced machine learning framework that integrates Node-Place model with Shapley Additive Explanation (SHAP-based machine learning method) is proposed. Twelve influencing factors are developed, including network centrality measures and points of interest (POI) attributes, and a CRITIC weighting method is applied to weight these variables within the Node-Place Model, ensuring an objective assessment of their relative importance. Utilizing LightGBM regression method combined with SHAP values, our model achieved an average R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><b>2</b></sup> of 0.88 in annual average daily entry ridership regression and a smaller discrepancy between R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><b>2</b></sup> and adjusted R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><b>2</b></sup>, significantly outperforming ordinary least squares (OLS, R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><b>2</b></sup> = 0.42) and geographically weighted regression (GWR, R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><b>2</b></sup> = 0.58). The proposed model consistently demonstrates an AIC value approximately 15% lower than alternative models across multiple years of regression tasks, highlighting its stability and superior performance. Key indicators identified include PageRank and the number of restaurants and enterprises around metro stations. Combining detailed land use data and network centrality measures with advanced machine learning techniques proves to be an effective way to enhancing ridership regression.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 tête enseignante, 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 ».