基于机器学习的城市居民低碳出行行为研究.pdf

第3 8卷 第3期 青 岛 大 学 学 报(工 程 技 术 版)V o l.3 8 N o.3 2 0 2 3年 9 月J O U R N A L O F Q I N G D A O U N I V E R S I T Y(E&T)S e p.2 0 2 3文章编号:1 0 0 6 9 7 9 8(2 0 2 3)0 3 0 0 3 0 0 9;D O I:1 0.1 3 3 0 6/j.1 0 0 6 9 7 9 8.2 0 2 3.0 3.0 0 5基于机器学习的城市居民低碳出行行为研究许佳佳1,陈慧敏2(1.安徽三联学院,安徽 合肥 2 3 0 6 0 1;2.广西民族大学,广西 南宁 5 3 0 0 0 6)摘要:针对城市居民是否选择低碳出行的问题,本文基于机器学习方法,通过问卷调查的形式,对影响城市居民低碳出行的相关因素与实际交通出行方式进行数据收集,设置自变量与因变量及其取值,并基于L o g i s t i c回归模型原理进行拟合建模,在不同属性下,对城市居民是否选择低碳出行方式和影响进行分析,得到不同属性之间与各个属性内部的影响与区别关系。同时,运用L o g i s t i c回归、神经网络与决策树3种分类预测模型,在现有数据基础上,对城市居民是否选择低碳出行方式进行预测。研究结果表明,年龄、收入、距离和是否拥有汽车及驾驶证,对选择低碳出行方式具有重要影响,尤其是没有汽车的居民,选择低碳出行方式的可能性是拥有汽车居民的9.0 6 5倍,且3种模型的预测准确度均在8 5%以上,而神经网络模型的预测准确度接近9 0%,各项指标均说明预测效果良好,验证了该方法的可行性及适用性。该研究为预测不同地区与类型的低碳出行方式提供了理论参考。关键词:低碳出行;L o g i s t i c回归;神经网络;决策树中图分类号:U 1 2 1;T P 1 8 3 文献标识码:A 收稿日期:2 0 2 3 0 2 1 3;修回日期:2 0 2 3 0 4 1 8基金项目:安徽省高校自然科学优秀青年科研项目(2 0 2 2 AH 0 3 0 1 6 1);安徽省高校自然科学重点科研项目(2 0 2 2 AH 0 5 1 9 9 3);安徽三联学院科研项目(P T Z D 2 0 2 2 0 0 8,z j t 2 2 0 0 2)作者简介:许佳佳(1 9 9 1),男,硕士,副教授,主要研究方向为交通信息与安全。E m a i l:x u j j 9 11 6 3.c o m 交通出行作为一种派生性的需求,在城市居民的生活中每天都会发生,城市内部每天都会产生许多交通出行量,且大部分人是驾驶或乘坐机动车出行,会产生大量的机动车尾气,导致全球变暖的二氧化碳占据较大的比例,虽然目前的交通出行还无法全部采用清洁能源车辆,但可以引导城市居民采用步行、自行车和公共交通等更加低碳的出行方式,减少交通出行产生的污染物对环境的污染。因此,研究城市居民低碳出行交通方式,更好的保护居民生活环境具有重要意义。近年来,许多学者对低碳出行的影响因素及促进低碳出行方式进行了相关研究。王玉茹1构建了居民低碳出行的层次回归模型,对居民低碳出行的影响因素进行量化分析;何耀等人2通过定性方法选定居民出行行为的影响因素,构建居民低碳出行的结构方程,分析低碳出行的影响因素;魏庆琦等人3结合相关决策选择理论,并基于验证性的因子分析过程,研究构建路径模型,得出各因素对城市居民低碳出行的影响情况;吴文静等人4采用K均值聚类方法对其出行意愿进行聚类,并结合随机森林的机器学习方法进行预测分析,得到居民低碳出行影响因素对行为选择的影响关系;王世通等人5基于城市居民低碳出行的各方面影响因素,构建了结构方程模型,对模型的拟合情况进行分析与验证,证明了模型的适用性;方晓平等人6基于计划行为理论进行低碳出行的影响因素分析,构建并应用结构方程模型,分析影响因素的作用机理;王玉潇等人7分析了低碳旅游出行的影响因素,并运用L o g i s t i c回归,对低碳旅行的相关数据进行拟合分析;王光荣8提出了为居民低碳出行提供良好基础条件及诱导居民低碳出行的相关措施;李小聪等人9 挖掘了对影响城市居民低碳出行方式选择因素;崔枫等人1 0基于计划行为理论,选择影响城市居民低碳出行的影响因素,并分析了不同影响因素与城市居民低碳出行的影响程度;耿纪超等人1 1从多个角度分析了影响居民低碳出行的相关因素,并对居民低碳出行的影响机理进行深入分析;陶杰1 2对义乌市居民出行特征进行相应的量化分析,并提出了低碳交通发展与诱导出行的思路;牛喜霞 第3期 许佳佳,等:基于机器学习的城市居民低碳出行行为研究等人1 3采用l o g i s t i c回归模型,对居民低碳生活情况进行建模与预测;卢冠乔等人1 4对成都市居民低碳出行的影响情况提出一系列相应的积极措施;张馨等人1 5对常州市居民的出行情况进行调查,并提出引导城市居居低碳出行的相关策略;周银香1 6对杭州市居民交通出行的现状及其选择意向进行调查,提出了诱导居民低碳出行对应的措施;李子康1 7研究了居居选择低碳出行的影响因素;石洪景1 8建立了多元回归模型与参数估计,并验证了模型的适用性;马静等人1 9从微观角度对北京市居民低碳出行行为进行研究,并为低碳城市建设提出策略。基于此,本文采用l o g i s t i c回归模型进行拟合,得出各控制变量对城市居民低碳出行的影响程度。同时,基于L o g i s t i c回归、决策树和神经网络方法,对城市居民低碳出行预测单一模型进行建模与评价,并对城市居民低碳出行的选择进行预测,引导城市居民低碳出行,减少交通所产生的二氧化碳污染。该研究具有一定的创新性。图1 研究流程1 研究方法1.1 技术处理路线本研究通过问卷调查的形式,得到居民个人特征信息及与低碳出行相关的行为特征与信息,对收集到的问卷进行筛选整理,对有效问卷中的数据进行预处理,根据研究问题与关注的影响因素,确定因变量与自变量。选择l o g i s t i c回归模型进行拟合建模,对模型参数进行检验,并对模型的精度进行评价,确定模型的适用性和是否需要继续优化,得到最终的模型结果。同时,对影响因素的影响机理进行分析,将模型应用于范围更大的居民低碳出行预测。研究流程如图1所示,主要包括数据处理、模型构建和成果总结3个阶段。1.2 分类预测模型1.2.1 L o g i s t i c回归L o g i s t i c回归是一种可以处理被解释变量,即因变量为分类变量的研究方法,对自变量是连续变量还是分类变量没有要求。本研究中的被解释变量为不同特征的居民是否会选择低碳出行,因变量为二分类变量,因此采用二项L o g i s t i c回归模型。L o g i s t i c回归是一种广义的回归模型,其回归拟合原始公式为L nY1-Y =c+b1X1+b2X2+bnXn(1)式中,Y是居民选择低碳出行的概率;X1,X2,Xn为自变量,即影响居民低碳出行选择的影响因素;c为常数;b1,b2,bn为自变量系数,自变量每变更一个单位,选择低碳出行的概率会比不选择低碳出行的概率大e x p(bi)倍,其中i=1,2,n。将式(1)进行转换,求出Y的直接计算表达式,即 Y=11+e-(c+b1X1+b2X2+bnXn)(2)通过式(2),可以计算得到居民选择低碳出行的概率及1-Y对应的居民不选择低碳出行的概率。除分类预测的作用外在L o g i s t i c模型中,各个变量的参数估计值的显著性检验结果和居民选择与不选择低碳出行的概率比,可用于对低碳出行行为选择的影响因素进行深入分析。1.2.2 神经网络人工神经网络算法类似于生物的神经结构,是一种典型多层模型结构,由1个输入层、1个或多个隐含层和1个输出层组成,层与层之间是全连接方式,每一层的神经元间连接都会有权重训练,并且通过隐含层与输出层的传递函数层层输出,得最终预测结果,其结构特点使其能够更好的拟合各种各样的非线性函数。13青 岛 大 学 学 报(工 程 技 术 版)第 3 8 卷1.2.3 决策树决策树模型是一种树状结构的模型,其依据各个属性的取值类型,运用树形结构的每一个节点进行一个分类设置,通过逐层的节点划分,最终实现确定型的分类标准与分类结果,其核心是如何进行各个属性的划分及上、下层节点的布置,是一种在分类预测中具有广泛应用的模型。1.3 准确性评价方法对于二项L o g i s t i c回归,其分类预测结果只有2类,这里将其分为正类和负类。对于每一个样本,其预测结果会出现4种不同的情况:即样本实际属于正类,预测结果也是正类,数量用T P(t r u e p o s i t i v e)表示;样本实际属于正类,但模型将其预测为负类,数量用FN(f a l s e n e g a t i v e)表示;样本实际属于负类,但模型将其预测为正类,数量用F P(f a l s e p o s i t i v e)表示;样本实际属于负类,预测结果也是负类,数量用TN(t r u e n e g a-t i v e)表示。结合以上4种情况的数据,计算分类预测模型的准确性相关评价指标。对于二分类的因变量,其分类预测结果有2类,这里将其分为正类和负类,对应的分类预测模型准确性相关评价指标如下:1)准确率。准确率是指预测正确的样本数与总样本数的比值,通过这个指标,可以判定总体分类模型预测的总体准确率,其值越大,说明模型越好,即A=(T P+TN)/(T P+TN+T P+FN)2)错误率。错误率是指预测错误的样本数与总样本数的比值,与准确率的和为1,含义与准确率相反,其值越大,说明模型越差,即E=(F P+FN)/(T P+TN+F P+FN)3)精确度。精确度是指预测为正类,且正确的样本数与所有预测为正类样本数的比值。同理,其值越大,说明模型越好,即P=T P/(T P+F P)4)召回率。召回率是指预测为正类,且正确的样本数与所有实际为正类样本数的比值。同理,其值越大,说明模型越好,即R=T P/(T P+FN)5)由于精确度和召回率有时会出现冲突,即一个高一个低的情况,但理想的都比较高,因此可用F1分数对其进行综合,即F1=2P R/(P+R)式中,F1分数取值范围为01,取值为1时最好。6)受试者工作特征曲线(r e c e i v e r o p e r a t i n g c h a r a c t e r i s t i c c u r v e,R O C)。R O C是反映召回率与精确度之间的曲线,X轴为召回率,召回率越接近零,准确性越好,Y轴为精确度,精确度越大,代表准确性越好。R O C曲线图的含义是受试者工作特征曲线,是反映r e c a l l与误报率之间的曲线,即与特异性之间关系的曲线。X轴为误报率,误报率越接近零,准确率越高,Y轴为敏感度,敏感度越大,代表准确率越好。7)曲线下方面积(a r e a u n d e r c u r v e,AU C)。AU C的值越大,说明模型的预测准确率越高。2 结果讨论2.1 变量设置本文通过调查问卷的方式获得研究数据,问卷设置了性别、年龄、受教育程度、职业、月收入、是否拥有小汽车、是否拥有小汽车驾驶证、家中儿童类型、家到工作单位距离、上下班单程时间、垃圾分类意识、处理随手垃圾的方式、小汽车对环境影响的态度及上下班是否选择低碳出行交通方式等的调查内容。为了对低碳行为的调查数据进行L o g i s t i c模型拟合,需要对各个变量的选项情况进行数据标签的设置。性别变量:男=0,女=1。年龄变量:1 8岁以下=0,1 82 5岁=1,2 63 5岁=2,3 64 5岁=3,4 65 5岁=4,5 5岁以上=5。受教育程度:初中及以下=0,高中=1,中专=2,大专=3,大学本科=4,硕士研究生=5,博士研究生及以上=6。23 第3期 许佳佳,等:基于机器学习的城市居民低碳出行行为研究职业类型:全日制学生=0,生产人员=1,销售人员=2,市场/公关人员=3,行政/后勤人员=4,人力资源=5,财务审计=6,文职办事=7,技术研发=8,管理人员=9,教师=1 0,顾问咨询人员=1 1,专业人士(律师、建筑师、医护、记者等)=1 2,其他=1 3。月收入:2 0 0 0元以下=0,2 0 0 14 0 0 0元=1,4 0 0 16 0 0 0元=2,6 0 0 18 0 0 0元=3,8 0 0 0元以上=4。是否拥有小汽车:否=0,是=1。是否拥有小汽车驾驶证:否=0,是=1。是否选择低碳出行交通方式:否=0,是=1。家中儿童类型:学龄前儿童=0,小学生=1,初中生=2,高中及以上=3,没有=4。家到工作单位距离:05 k m=0,61 0 k m=1,1 11 5 k m=2,1 62 0 k m=3,2 0 k m以上=4。上下班单程时间:1 5 m i n以下=0,1 63 0 m i n=1,3 14 5 m i n=2,4 66 0 m i n=3,6 17 5 m i n=4。垃圾分类意识类别:知道,经常分类=0;知道,有时分类=1;知道,从不分类=2;不知道,没有分类=3。随手处理垃圾方式:没找垃圾桶或者环保工人随手丢掉=0,先找垃圾桶或环保工人再丢=1。小汽车尾气排放对环境污染程度:有害健康=0,有一定影响=1,没什么影响=2,没特别关心过=3。2.2 基于L o g i s t i c模型的低碳出行影响因素分析2.2.1 模型拟合本研究以居民是否选择低碳出行交通方式为因变量,将通过其他全部影响因素作为自变量纳入模型,在S P S S软件中进行二元L o g i s t i c模型拟合,结果发现受教育程度、职业类型、家中儿童类型对居民是否选择低表1 步骤9模型系数的O m n i b u s检验名称卡方自由度p值显著性步骤1 2.3 0 650.0 3 1块1 0 3 1.8 2 82 60.0 0 0模型1 0 3 1.8 2 82 60.0 0 0碳出行没有显著影响。采用向前逐步最大似然估计的方法进行回归,通过逐步尝试添加变量至模型中进行拟合,在第9步骤得到最终模型及拟合结果,步骤9模型系数的Om n i b u s检验 如表1所示。由 表1可 以 看出,模型p值0.0 5,模型的整体拟合程度较好,不存在显著的差异,即观测值和期望值几乎接近,不存在较大差异,说明模型拟合效果比较理想。表2 步骤9模型拟合优度评价统计量-2对数似然 考克斯 斯奈尔R2内戈尔科R21 8 3 5.1 8 80.3 2 20.4 8 7表3 步骤9霍斯默 莱梅肖检验卡方自由度p值显著性1 1.4 0 680.1 8 02.2.2 低碳出行影响因素分析步骤9回归系数估计值及其显著性检验如表4所示。由表4可以看出,受教育程度、职业类型、家中儿童类型及处理随手垃圾的方式、垃圾分类意识类别和小汽车对环境影响的态度对居民是否选择低碳出行没有显著影响,性别、年龄、月收入区间、是否拥有小汽车、是否拥有小汽车驾驶证、家到工作单位距离区间、上下班单程时间区间的p值均0.0 5,说明这些因素对居民是否选择低碳出行具有显著影响。33青 岛 大 学 学 报(工 程 技 术 版)第 3 8 卷表4 步骤9回归系数估计值及其显著性检验名称B标准误差/%瓦尔德值 自由度 显著性E x p(B)姓别(1)-0.4 4 40.1 3 01 1.7 5 210.0 0 10.6 4 1年龄1 2.2 4 850.0 3 2年龄(1)1.6 5 00.8 5 53.7 1 910.0 5 45.2 0 6年龄(2)0.7 7 90.3 5 34.8 6 610.0 2 72.1 7 9年龄(3)0.7 9 50.3 4 75.2 4 610.0 2 22.2 1 5年龄(4)0.4 1 20.3 5 21.3 6 710.2 4 21.5 0 9年龄(5)0.6 6 10.3 7 03.1 8 410.0 7 41.9 3 7收入1 3.5 9 340.0 0 9收入(1)0.8 7 40.3 0 48.2 7 810.0 0 42.3 9 7收入(2)0.7 1 20.2 3 88.9 4 610.0 0 32.0 3 7收入(3)0.7 7 40.2 2 01 2.3 7 310.0 0 02.1 6 9收入(4)0.5 3 20.2 3 65.0 7 210.0 2 41.7 0 2是否拥有小汽车(1)2.2 0 40.1 4 72 2 6.1 6 710.0 0 09.0 6 5是否拥有小汽车驾驶证(1)0.8 8 10.1 5 03 4.6 0 310.0 0 02.4 1 4上班距离5 2.8 5 640.0 0 0上班距离(1)2.0 4 80.3 3 73 6.9 7 110.0 0 07.7 5 0上班距离(2)1.1 4 60.3 1 71 3.0 8 410.0 0 03.1 4 6上班距离(3)0.7 8 30.3 2 05.9 8 310.0 1 42.1 8 7上班距离(4)0.5 7 40.3 5 12.6 6 910.1 0 21.7 7 5上下班单程时间1 5.7 3 540.0 0 3上下班单程时间(1)-1.9 8 50.5 5 51 2.7 7 410.0 0 00.1 3 7上下班单程时间(2)-1.8 8 00.5 4 41 1.9 2 810.0 0 10.1 5 3上下班单程时间(3)-1.5 5 60.5 4 08.3 0 110.0 0 40.2 1 1上下班单程时间(4)-1.2 1 80.5 8 84.2 8 610.0 3 80.2 9 6垃圾分类意识9.5 1 830.0 2 3垃圾分类意识(1)0.4 3 10.3 4 91.5 2 510.2 1 71.5 3 9垃圾分类意识(2)0.5 4 00.3 4 02.5 2 010.1 1 21.7 1 5垃圾分类意识(3)0.0 1 40.3 6 60.0 0 210.9 6 91.0 1 4小汽车环境影响态度8.9 8 330.0 3 0小汽车环境影响态度(1)0.2 5 30.3 0 60.6 8 210.4 0 91.2 8 8小汽车环境影响态度(2)-0.0 3 80.3 0 50.0 1 610.9 0 00.9 6 2小汽车环境影响态度(3)-0.4 1 40.3 8 31.1 6 510.2 8 00.6 6 1常量-1.3 4 70.7 1 63.5 3 810.0 6 00.2 6 0模型拟合时,以最后一类作为参照进行分析,对各个满足要求的显著性影响因素内部进行分析,大部分显著影响因素内部不同类型之间的差异较为显著。具体如下:1)性别。不同性别的居民对是否低碳出行的选择有着显著影响,男性居民选择低碳出行方式的概率是女性居民的0.6 4 1倍。2)年龄。不同年龄的居民对是否低碳出行的选择有着显著影响,以5 5岁以上为参照,1 8岁以下,1 82 5岁,2 63 5岁,3 64 5岁,4 65 5岁的居民,选择低碳出行的概率分别高出5.2 0 6,2.1 7 9,2.2 1 5,43 第3期 许佳佳,等:基于机器学习的城市居民低碳出行行为研究1.5 0 9,1.9 3 7倍。3)月收入区间。不同收入区间的居民,选择低碳出行方式有着显著差异,以8 0 0 0元以上的收入群体为参照,其他从低到高收入区间的居民,选择低碳出行的概率分别比其高2.3 9 7,2.0 3 7,2.1 6 9,1.7 0 2倍。4)是否拥有小汽车。拥有小汽车与没有小汽车的居民相比,对是否低碳出行的选择有着显著差异,没有小汽车的居民,低碳出行的概率高9.0 6 5倍。5)是否拥有小汽车驾驶证。拥有小汽车驾驶证的居民与没有小汽车驾驶证的居民相比,选择是否低碳出行的概率差异显著,并且要低2.4 1 4倍。6)家到工作单位距离。居民家到工作单位的距离区间不同,低碳出行的选择有着显著差异,以2 0 k m以上的距离为参照组,05 k m,61 0 k m,1 11 5 k m,1 62 0 k m的距离区间,其低碳出行的概率分别高出7.7 5 0,3.1 4 6,2.1 8 7,1.7 7 5倍。7)上下班单程时间。居民上下班单程时间不同,对是否低碳出行的选择有着显著差异,但之间的差异程度较小,随着时间的增加,选择低碳出行的概率会有小幅度的增加。8)垃圾分类意识类别。垃圾分类意识类别对居民低碳出行的选择影响显著,但不同垃圾分类意识类别间的居民,对是否低碳出行的选择区间不存在显著差异。9)小汽车对环境影响的态度。居民关于小汽车对环境影响的态度,其对居民低碳出行的选择模型的总体影响显著,但不同的小汽车对环境影响的态度之间,其是否选择低碳出行不存在显著差异。2.3 分类预测 2.3.1 分类预测结果1)L o g i s t i c回归模型。通过对L o g i s t i c模型的拟合,得到对居民是否选择低碳出行的预测结果,步骤9 L o g i s t i c回归分类预测如表5所示。由表5可以看出,总体的预测准确率为8 6.1%,结合前述分类预测模型准确性相关评价指标中精确度和F1值的计算方法,可得模型的精确度为9 0.7%,召回率为9 1.3%,F1值为0.9 1,各项指标均说明预测效果良好。2)神经网络模型。建立隐藏层神经元个数为1 0的神经网络模型,对居民是否选择低碳出行方式进行拟合建模,基于对神经网络模型的拟合,得到其对居民是否选择低碳出行的预测结果,神经网络模型分类预测如表6所示。表5 步骤9 L o g i s t i c回归分类预测实测是否选择低碳出行预测是否选择低碳出行 01准确率/%04 1 81 9 36 8.411 7 81 8 7 19 1.3总体百分比/%8 6.1表6 神经网络模型分类预测样本实测预测 01准确率/%04 4 7.01 6 4.07 3.2训练11 1 0.01 9 3 9.09 4.6总体百分比/%2 0.97 9.18 9.7 由表6可以看出,总体预测准确率为8 9.7%,结合前述分类预测模型准确性相关评价指标中精确度和F1值的计算方法可得,模型的精确度为9 2.2%,召回率为9 4.6%,F1值为0.9 3 4,各项指标均说明预测效果良好。表7 决策树模型预测表实测预测 01准确率/%03 8 5.02 2 6.06 3.011 6 7.01 8 8 2.09 1.8总体百分比/%2 0.87 9.28 5.23)决策树模型。通过运用决策树方法,对居民是否选择低碳出行进行预测建模,决策树模型如图2所示。基于决策树模型的拟合,得到居民是否选择低碳出行的预测结果,决策树模型预测表如表7所示。由表7可以看出,总体的预测准确率为8 5.2%,结合前述分类预测模型准确性相关评价指标中精确度和F1值的计算方法可得,模型的精确度为8 9.3%,召回53青 岛 大 学 学 报(工 程 技 术 版)第 3 8 卷率为9 1.9%,F1值为0.9 0 5,各项指标均说明预测效果良好。图2 决策树模型2.3.2 分类预测结果综合评价本研究基于对3种模型的拟合,得居民是否选择低碳出行的准确性评价,3种模型预测结果准确性评价如表8所示。表8 3种模型预测结果准确性评价模型准确率/%错误率/%精确度/%召回率/%F1值L o g i s t i c8 6.11 3.99 0.79 1.30.9 1 0神经网络8 9.71 0.39 2.29 4.60.9 3 4决策树8 5.21 4.88 9.39 1.90.9 0 5由表8可以看出,在准确率、错误率、精确度、召回率和F1值指标方面,神经网络模型均显著优于另外2种,预测准确性更好。根据分类结果计算得到空间中相应的点,连接这些点就形成R O C曲线,3种预测模型的R O C曲线如图3所示。横坐标为特异性即召回率,纵坐标为敏感度即精确度。由图3可以看出,R O C曲线越接近左上角,63 第3期 许佳佳,等:基于机器学习的城市居民低碳出行行为研究图3 3种预测模型的R O C曲线该分类器的性能越好,其泛化性能也就越好。基于R O C判断模型,能够准确预测居民是否选择低碳出行的能力。其中,L o g i s t i c模型与决策树模型的R O C接近,神经网络曲线在两者上方,说明神经网络的预测效果最好。R O C曲线下方区域如表9所示。由表9可以看出,L o g i s t i c与决策树模型的AU C值分别为0.8 7 9和0.9 3 5,均小于神经网络的0.9 3 5,结合之前各种准确性影响因素,证明神经网络的效果最好。表9 R O C曲线下方区域模型区域标准错误a渐近显著性b渐近下限9 5%置信区间上限L o g i s t i c0.8 7 90.0 0 80.0 0 00.8 6 30.8 9 5神经网络0.9 3 50.0 0 60.0 0 00.9 2 40.9 4 7决策树0.8 6 80.0 0 90.0 0 00.8 5 10.8 8 53 结束语本文根据居民的个人特性、环保意识及出行的交通方式数据,建立了低碳出行影响因素与低碳出行方式间的二项L o g i s t i c模型,并采用神经网络与决策树模型,对居民选择低碳出行行为进行预测。同时,对3种模型的分类预测效果进行评价。研究结果表明,在对居民选择低碳出行的影响因素方面,受教育程度、职业类型、家中儿童类型及处理随手垃圾的方式、垃圾分类意识类别和小汽车对环境影响的态度对其没有显著影响,性别、年龄、月收入区间、是否拥有小汽车、是否拥有小汽车驾驶证、家到工作单位距离区间、上下班单程时间区间对居民是否选择低碳出行的影响显著,对于各影响因素内部不同的分组选择低碳出行的情况,垃圾分类意识类别、在小汽车对环境影响的态度方面,持不同态度的居民之间没有显著区别,性别与上下班单程时间区间不同的差异较小,其他因素间的区别均较为显著,尤其是否拥有小汽车这一因素,没有小汽车的居民选择低碳出行方式的概率是拥有小汽车的居民的9.0 6 5倍;模型分类预测精度方面,神经网络的预测准确性与预测能力均明显优于另外两种模型,模型的预测准确度达8 9.7%,r e c a l l值为9 4.6%,后续可选择此模型对居民的低碳出行选择与否进行预测应用。参考文献:1 王玉茹.居民低碳出行意向模型及其影响因素研究J.云南民族大学学报(自然科学版),2 0 1 6,2 5(3):2 8 0 2 8 5.2 何耀,方晓平,杨扬,等.公众低碳出行行为决策模型的研究J.铁道科学与工程学报,2 0 1 7,1 4(5):1 0 7 7 1 0 8 5.3 魏庆琦,肖伟,朱焕亮.城市居民低碳出行倾向影响因素的实证分析J.生态经济,2 0 1 7,3 3(7):5 7 6 1.4 吴文静,景鹏,贾洪飞,等.基于K均值聚类与随机森林算法的居民低碳出行意向数据挖掘J.华南理工大学学报(自然科学版),2 0 1 9,4 7(7):1 0 5 1 1 1.5 王世通,陈君彦.基于S EM模型的天津市城市居民低碳出行行为研究J.生态经济(学术版),2 0 1 4,3 0(1):9 2 9 6.6 方晓平,周倩然.基于T P B的低碳交通出行方式研究J.铁道科学与工程学报,2 0 1 9,1 6(3):8 0 4 8 1 1.7 王玉潇,刘汇,赵天成.低碳旅游出行选择行为机理及实证研究J.科技经济市场,2 0 1 9,2 2(3):1 3 4 1 3 7.8 王光荣.城市居民低碳出行研究J.城市观察,2 0 1 1,1 6(2):1 7 4 1 7 8.9 李小聪,刘惠.城市居民低碳出行行为决策影响因素模型研究J.城市管理与科技,2 0 1 8,2 0(4):5 1 5 3.1 0 崔枫,张琰.城市居民低碳出行意向的影响因素J.城市问题,2 0 1 7,2 6 9(1 1):9 6 1 0 3.1 1 耿纪超,龙如银,陈红.居民出行方式选择影响因素的研究述评J.北京理工大学学报(社会科学版),2 0 1 6,1 8(5):1 9.73青 岛 大 学 学 报(工 程 技 术 版)第 3 8 卷1 2 陶杰.城市居民低碳出行调查研究 以义乌市为例J.信息化建设,2 0 1 6,2 1 5(4):3 7 6.1 3 牛喜霞,田晨曦,刘文秀,等.居民低碳生活现状及影响因素分析 基于淄博市的实证研究J.山东理工大学学报(社会科学版),2 0 1 9,3 5(1):2 0 2 5.1 4 卢冠乔,谭晨曦,冯雨云.成都市城市居民低碳出行影响因素及其政策导向J.管理观察,2 0 1 9,7 2 7(1 0):4 8 4 9.1 5 张馨,陆玉梅.常州市居民交通出行调查及低碳出行策略J.商业经济,2 0 1 4,4 4 0(4):5 6 5 8.1 6 周银香.杭州市居民低碳出行状况分析J.绿色科技,2 0 1 2,2 4(8):2 0 7 2 1 0.1 7 李子.居民低碳出行方式选择的影响因素研究J.低碳世界,2 0 1 6,1 2 9(2 7):1 2.1 8 石洪景.城市居民低碳出行意愿的影响因素及促进对策J.科技促进发展,2 0 2 0,1 6(6):6 3 5 6 4 2.1 9 马静,刘志林,柴彦威.城市形态与交通碳排放:基于微观个体行为的视角J.国际城市规划,2 0 1 3,2 8(2):1 9 2 4.R e s e a r c h o n L o w-C a r b o n T r a v e l B e h a v i o r o f U r b a n R e s i d e n t s B a s e d o n M a c h i n e L e a r n i n gXU J i a j i a1,CHE N H u i m i n2(1.S c h o o l o f T r a f f i c E n g i n e e r i n g,A n h u i S a n l i a n U n i v e r s i t y,H e f e i 2 3 0 6 0 1,C h i n a;2.S c h o o l o f P o l i t i c s a n d P u b l i c A d m i n i s t r a t i o n,G u a n g x i M i n z u U n i v e r s i t y,N a n n i n g 5 3 0 0 0 6,C h i n a)A b s t r a c t:I n r e s p o n s e t o t h e i s s u e o f w h e t h e r u r b a n r e s i d e n t s c h o o s e l o w-c a r b o n t r a v e l,t h i s a r t i c l e p r o-v i d e s a s t u d y b a s e d o n m a c h i n e l e a r n i n g m e t h o d s.T h r o u g h a q u e s t i o n n a i r e s u r v e y,d a t a i s c o l l e c t e d o n t h e r e l e v a n t f a c t o r s a n d a c t u a l t r a n s p o r t a t i o n m o d e s t h a t a f f e c t u r b a n r e s i d e n t s l o w-c a r b o n t r a v e l.I n d e p e n d-e n t v a r i a b l e s a n d d e p e n d e n t v a r i a b l e s a r e s e t,a n d t h e i r v a l u e s a r e s e t.B a s e d o n t h e p r i n c i p l e o f l o g i s t i c r e-g r e s s i o n m o d e l,f i t t i n g m o d e l i n g i s c a r r i e d o u t t o a n a l y z e w h e t h e r u r b a n r e s i d e n t s c h o o s e l o w-c a r b o n t r a v e l m o d e s a n d t h e i r i m p a c t s u n d e r d i f f e r e n t a t t r i b u t e s,O b t a i n t h e i n f l u e n c e a n d d i f f e r e n t i a l r e l a t i o n s h i p b e-t w e e n d i f f e r e n t a t t r i b u t e s a n d w i t h i n e a c h a t t r i b u t e.A t t h e s a m e t i m e,t h r e e c l a s s i f i c a t i o n a n d p r e d i c t i o n m o d e l s,l o g i s t i c r e g r e s s i o n,n e u r a l n e t w o r k,a n d d e c i s i o n t r e e,a r e u s e d t o p r e d i c t w h e t h e r u r b a n r e s i d e n t s c h o o s e l o w-c a r b o n t r a v e l m o d e s b a s e d o n e x i s t i n g d a t a.T h e r e s e a r c h r e s u l t s i n d i c a t e t h a t a g e,i n c o m e,d i s-t a n c e,a n d o w n e r s h i p o f a c a r a n d d r i v e rs l i c e n s e h a v e i m p o r t a n t i m p a c t s o n c h o o s i n g l o w-c a r b o n t r a v e l m e t h o d s,e s p e c i a l l y f o r r e s i d e n t s w i t h o u t a c a r.T h e l i k e l i h o o d o f c h o o s i n g l o w-c a r b o n t r a v e l m e t h o d s i s 9.0 6 5 t i m e s h i g h e r t h a n t h a t o f r e s i d e n t s w i t h a c a r,a n d t h e p r e d i c t i o n a c c u r a c y o f t h e t h r e e m o d e l s i s a b o v e 8 5%,w h i l e t h e p r e d i c t i o n a c c u r a c y o f t h e n e u r a l n e t w o r k m o d e l i s c l o s e t o 9 0%.A l l i n d i c a t o r s i n d i c a t e t h a t t h e p r e d