综述：机器学习在家庭出行生成建模中的应用：综述

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Machine Learning in Household Trip Generation Modelling: A Comprehensive Review

出行生成模型研究中传统方法与机器学习技术的优劣对比及场景适应性分析，采用PRISMA方法筛选4库3845篇文献，纳入70项研究，系统评估发现ML优势语境依赖，ANN在单城中等样本有效，集成方法在多地域数据接近传统方法，深度学习需大数据和算力，MLR适用资源约束场景，提出复杂性与可移植性权衡，建议结合规划背景而非算法复杂度选择模型。

　　

摘要

出行生成建模是旅行需求预测的基础步骤。传统的预测方法，如多元线性回归（MLR）和交叉分类，在捕捉社会经济因素、建成环境与出行行为变量之间的非线性关系时存在局限性。本综述系统地评估了传统方法和机器学习（ML）技术在家庭出行生成建模中的应用。采用符合《系统评价和荟萃分析优先报告项目》（PRISMA）标准的方法论，从四个学术数据库中筛选出3,845条记录，最终纳入分析的研究共有70项。所评估的机器学习技术包括人工神经网络（ANNs）、集成方法、支持向量机、深度学习架构以及混合模糊神经系统，这些技术适用于多种地理环境。研究结果表明，机器学习相对于传统方法的优越性取决于具体情境，而非普遍适用。在发展中国家的单城市、家庭层面研究中，当样本量适中时，人工神经网络的性能优于多元线性回归。然而，在地理环境多样、多情境的数据集中，集成方法与线性回归的表现几乎相当。深度学习架构（如图神经网络和卷积神经网络-多维长短期记忆网络CNN-MDLSTM）在空间出行生成预测方面具有较高准确性，但这类方法的应用受到大规模数据集和充足计算资源的限制。在制度问责性、政策透明度或资源受限的情况下，传统的多元线性回归方法仍然适用。综述指出存在一个“复杂性与可迁移性”的权衡：简单模型在不同城市间的适用性更可靠。因此，模型选择应基于规划背景，而不仅仅是算法的复杂性。