تحلیل و پیش‌بینی انتخاب شیوه سفر با مدل‌های یادگیری ماشین: رویکرد sp (مطالعه موردی تهران)

پیش‌بینی دقیق انتخاب شیوه‌های حمل‌ونقل، به‌ویژه با ظهور گزینه‌های نوینی مانند میکروموبیلیتی‌ها، یک چالش اساسی در برنامه‌ریزی شهری است. این پژوهش، قابلیت مدل‌های پیشرفته یادگیری ماشین (machine learning) را در پیش‌بینی رفتار انتخاب سفر بر اساس داده‌های ترجیحات بیان‌شده (sp) ارزیابی می‌کند. داده‌ها از طریق پرسشنامه‌ای در تهران جمع‌آوری شده که شامل 11 سناریوی فرضی سفر با پنج گزینه (خودرو شخصی، تاکسی اینترنتی، تاکسی خطی، حمل‌ونقل عمومی با دسترسی میکروموبیلیتی، و حمل‌ونقل عمومی با دسترسی پیاده) است. در این مطالعه، سه الگوریتم قدرتمند شامل random forest (rf)، xgboost و tabnet (یک مدل یادگیری عمیق مخصوص داده‌های جدولی) بر روی داده‌ها آموزش داده شدند. متغیرهای ورودی مدل‌ها شامل ویژگی‌های سناریو (مانند زمان و هزینه سفر) و مشخصات اجتماعی-اقتصادی پاسخ‌دهندگان بود. عملکرد مدل‌ها با استفاده از معیارهای استاندارد طبقه‌بندی، از جمله ماتریس درهم‌ریختگی (confusion matrix) و دقت (accuracy)، ارزیابی شد. نتایج نشان‌دهنده قابلیت بالای مدل‌های یادگیری ماشین، به‌ویژه xgboost، در پیش‌بینی دقیق انتخاب‌های کاربران است. این پژوهش، پتانسیل بالای الگوریتم‌های نوین را به عنوان ابزاری کارآمد برای پیش‌بینی تقاضای سفر در مواجهه با سیاست‌گذاری‌های جدید حمل‌ونقلی، تایید می‌کند.