แซนด์บ็อกซ์ ML / การขนส่งสาธารณะ
การเปรียบเทียบโมเดลทางเลือกเดินทาง
โมเดลจำลองการทำนายโหมดการเดินทาง (เดิน, ปั่นจักรยาน, ขนส่งสาธารณะ, รถยนต์ส่วนตัว) เปรียบเทียบระหว่างโมเดลทางเลือกแบบดั้งเดิม (Multinomial Logit) และโมเดลการเรียนรู้ของเครื่องยุคใหม่ (Random Forest, Gradient Boosting, Neural Network)
1. โปรไฟล์ผู้เดินทาง
2. ลักษณะการเดินทาง
Multinomial Logit (โมเดลอ้างอิง)
สถิติวิเคราะห์ตามหลักเศรษฐศาสตร์พฤติกรรม
Random Forest
โมเดลต้นไม้ตัดสินใจแบบสุ่มหาค่าเฉลี่ย
Gradient Boosting (GB)
โมเดลบูสต์ต้นไม้ตามลำดับเพื่อความแม่นยำสูง
Deep Neural Network (DNN)
โครงข่ายประสาทเทียมเรียนรู้หลายชั้น
3. ผลวิเคราะห์เชิงลึกทางพฤติกรรมและการทำนาย
ผลการศึกษาชี้ให้เห็นความแตกต่างที่สำคัญระหว่างสองประเภทโมเดลซึ่งมีความสำคัญต่อการวางแผนนโยบายระบบจราจรเมืองดังนี้:
โมเดลโครงข่ายและการเรียนรู้ของเครื่อง
- ความแม่นยำระดับตัวบุคคลสูง: เก็บปฏิสัมพันธ์ของตัวแปรและข้อมูลที่โค้งมนไม่เป็นเส้นตรงได้ดีกว่า
- ข้อจำกัดกล่องดำ: คำนวณมูลค่าความเต็มใจจะจ่ายเพื่อประหยัดเวลาเดินทางยากกว่า
โมเดลเศรษฐมิติเดิม (Multinomial Logit)
- ความคงเส้นคงวาทางพฤติกรรม: ให้ค่าสัมประสิทธิ์แบบเส้นตรงอธิบายได้ชัดเจน ไม่มีความผันผวนผิดธรรมชาติ
- ตอบโจทย์ผู้วางนโยบาย: สามารถคำนวณมูลค่าของเวลาในการเดินทางเพื่อประเมินความคุ้มค่าโครงการจราจรได้โดยตรง
ลองขยับแถบเลื่อนค่าน้ำมัน ค่ารถเมล์ หรือระยะทางเดินทาง แล้วสังเกตความเปลี่ยนแปลง จะเห็นว่าในระยะทางที่สั้นกว่า 1.5 กม. โมเดลเกือบทั้งหมดจะเลือกการเดินเท้า ในขณะที่ถ้ามีรถยนต์ครอบครองและมีใบขับขี่ โมเดลจะแนะนำรถยนต์ส่วนตัวเมื่อมีระยะทางไกลขึ้น สอดคล้องกับพฤติกรรมจริงของมนุษย์