gbdt 算法比随机森林容易_【文献阅读】基于随机森林算法的出行模式预测

Cheng, Long & Lai, Xinjun & Chen, Xuewu & De Vos, Jonas & Witlox, Frank. (2019). Applying a random forest method approach to model travel mode choice behavior. Travel Behaviour and Society. 14. 10.1016/j.tbs.2018.09.002.

       本文创新性的提出了利用随机森林算法对于出行行为进行预测。通过南京市1435个家庭中的7276次出行记录，构建随机森林进行预测，并比较了算法与现有的出行方式预测算法的精度以及预测速度，结果发现，算法具有较高的精读和准确性。全文共包括以下五个部分：

1. 研究背景

       传统上，主要使用回归模型以及离散选择模型来预测出行方式选择，例如线性回归模型、泊松回归模型、多项式logit模型、巢式logit模型等。然而，这些模型有它们自己的模型假设，并且需要在因变量和解释变量之间预先定义的潜在关系。例如，多项式logit模型假设各备选方案的选择概率独立于所有其他备选方案(Independence of irrelevant alternatives，IIA，不相关选择项独立性假设)。违反这些假设将会产生不一致的参数估计和有偏差的预测。而巢式logit模型需要假设选择项之间的巢式结构，并需要通过IV系数的检验。同时，统计回归模型的另一个关键问题是没有评估解释变量对出行方式选择的相对影响。因此，变量之间的重要相互作用可能被忽略。

       在影响因素的选择方面