基于XGBOOST-SHAP的地铁建成环境与站点出行距离的非线性关系研究

作者：李培坤; 陈旭梅^*; 鲁文博; 马嘉欣; 刘屹; 王昊

来源：铁道科学与工程学报, 2023, 1-10.

DOI：10.19713/j.cnki.43-1423/u.T20231070

• 地铁站点
• 建成环境
• 出行距离
• XGBOOST模型
• SHAP归因分析
• 非线性关系

相较于传统地铁客流量特征分析，地铁站点平均出行距离的研究可以更加精细化了解地铁网络客流流动性特征。因此，为探究多重建成环境与站点平均出行距离之间的复杂关系，以西安市地铁系统为研究对象，从土地利用，兴趣点分布，周边交通建成环境，站点自身属性等方面构建了11种建成环境指标，建立基于极端梯度提升的XGBOOST-SHAP归因分析架构的可解释性机器学习模型以揭示两者之间的非线性关系。同时，将该模型拟合回归效果与梯度提升决策树（GBDT）及最小二乘回归（OLS）进行比较，以验证XGBOOST模型在拟合回归效果上的优势。结果表明：XGBOOST模型的R方，平均绝对误差（MAE），均方误差（MSE）值分别为0.75，0.95，1.36，其拟合效果要优于GBDT与OLS模型。站点平均出行距离呈现出明显的环状分布的空间异质性。SHAP归因分析结果表明距市中心距离特征贡献最大，路网密度，土地利用混合度，公交线路数量以及住宅数量对出行距离的贡献度也相对较高；POI香农熵指数，餐饮服务点对平均出行距离的正负反馈不明显；其余指标对平均出行距离的影响均呈现出正负反馈机制结合的趋势。研究结果对交通需求分析，线路容量优化，运营效果评估方面提供了数据支撑，可有效提高地铁交通便利性、满足不同区域的出行需求并改善整个地铁系统的效率和可持续性。

• 单位
  北京交通大学; 东南大学