达卡地铁多模式转移研究：机器学习与可解释AI在交通领域的应用

本研究针对孟加拉国达卡地铁，使用机器学习和可解释AI技术分析乘客从其他交通方式转向地铁的行为模式。研究旨在理解驱动转移的关键因素，为交通规划提供依据。原作者为tasnooba，来源为GitHub仓库（Assessing_multi_modal_shift），关联论文标题为《Assessing Multi Modal Shift to Metro using machine learning and explainable AI: A case study of Dhaka Metro rail》。

达卡作为孟加拉国首都，面临极端拥堵（全球最拥堵城市前列）、空气质量恶化、公共交通不足、出行方式碎片化等挑战。达卡地铁的开通是缓解这些问题的关键，但能否吸引乘客转移是其成败关键。理解转移行为对线路优化、服务改进、政策制定及环境评估至关重要。

传统交通需求预测方法（如离散选择模型）存在假设限制、非线性捕捉困难、高维数据处理能力不足等问题。机器学习方法（随机森林、梯度提升、神经网络等）可自动学习复杂关系、处理高维数据。可解释AI（如SHAP、LIME、特征重要性分析、部分依赖图）则解决ML模型的“黑盒”问题，为政策制定提供依据、提升公众接受度及模型可信度。

数据来源包括实地乘客调查（社会经济特征、出行特征、地铁使用情况等）和GIS数据（居住地/工作地到地铁站距离、公交网络覆盖等）。关键特征分为可达性（步行距离、换乘便利度）、时间（出行时间对比、等待时间）、成本（票价、费用对比）、服务质量（舒适度、准点率）、社会经济（收入、私家车拥有情况）及心理因素（新技术接受度、环保意识）。

研究考虑多种ML模型：逻辑回归（基准）、随机森林、梯度提升树（XGBoost/LightGBM）、支持向量机、神经网络。评估指标包括准确率、精确率/召回率/F1、ROC-AUC、混淆矩阵。采用分层K折交叉验证确保结果稳健，关注区域、人群差异及时间稳定性。

基于类似研究推测，关键影响因素可能包括到地铁站的距离（最重要）、时间节省、收入水平、出行目的（通勤更易转移）。SHAP分析可能揭示非线性效应（如距离阈值）、交互效应（收入与票价）及个体差异。政策建议包括首末公里解决方案（接驳公交、自行车设施）、票价策略（分时段票价、低收入补贴）、服务改进（高峰班次、换乘体验）。

贡献：将可解释AI引入交通行为研究，弥合预测准确性与可解释性差距；针对发展中国家的研究填补文献空白。局限性：横截面数据难以建立因果关系、自报告数据偏差、样本代表性问题；模型可能过拟合本地模式。未来方向：纵向追踪、动态模型、多模式整合、扩展至其他城市。