（基于XGBoost和SHAP的城市轨道交通站点乘客感知换乘距离研究）
话题点：城市轨道交通站点、换乘距离、XGBoost模型、SHAP
模型：感知传输距离偏差the Ratio of Perceived Transfer Distance
Deviation (R)、XGBoost和SHAP模型
考虑的因素：乘客个人属性、换乘设施和换乘环境相关的32个指标
1.引言
轨道交通的快速发展带来的挑战：①乘客对安全性、速度和舒适性需求增长；②最大限度地发挥城市轨道交通的商业潜力
实际换乘距离、等效步行距离和感知换乘距离对比，感知换乘距离是乘客换乘体验和服务满意度的更可靠指标。
感知换乘距离的影响因素：个人特质、路线特征和环境因素
与更易于解释的模型（如线性回归）相比，使用基于树的模型（如 XGBoost）既有好处也有缺点。尽管线性回归模型可以很容易地解释，但它们可能无法捕获预测变量之间的复杂和非线性关系。相反，XGBoost 模型具有捕获非线性关系的能力，并提供更高的预测准确性，但其可解释性可能有限。为了解决这个问题，我们的研究采用了SHAP值来解释模型的预测，并深入了解了不同因素的相对重要性。
2、指标量化和数据收集
2.1感知传输距离偏差比率
2.2影响因素分析
乘客个人属性由两类构成：个人特征和旅行特征。个人特征包括七个因素：性别、年龄、教育程度、职业、月收入、健康状况和疲劳程度。旅行特征包括八个因素：常见的旅行方式、每日步行步数、旅行时间、旅行目的、换乘路线的熟悉程度、承重能力、紧急程度以及是否有伴。
中转设施由两类组成：设施规模和其他特征。设施规模包括楼梯长度比、自动扶梯长度比、电梯运行高度比、通道长度比、行人比、交叉口设施长度比六个因素。其他功能包括转弯次数以及标志和标记的合理性。
传输环境由两类组成：安全性和舒适性。安全性包括站外交通组织的合理性、站内交通组织的合理性、站外夜间照明的舒适性三个因素。舒适性有七个因素：车站内的照明舒适度、车站内的空气舒适度、车站内的热舒适度、站台的拥堵程度、楼梯的拥堵程度、通道的拥堵程度和入口处的拥堵程度。
2.3数据收集
调查样本量的确定：
调查方法：基于“经验-反应”的乘客换乘感知调查方法（调查问卷）
3.基于xgboost—SHAP的感知转移距离模型
3.1提取关键因素
为了排除与R无关的因素（p < 0.01），该研究检验了R与上表中列出的32个影响因素之间的Pearson相关性。在此过程之后留下的 m 个因素被认为与
标签：Passengers,Perceived,Distance,乘客,车站,模型,XGBoost,感知,换乘 From： https://blog.csdn.net/weixin_67488654/article/details/141018640