机器学习在建成环境与地铁客流量关系研究中的应用

传统上，普通最小二乘法 (OLS) 被用于研究建成环境特征与地铁客流量之间的关系。例如，Chen 等人 (2022) 的研究发现，交叉口数量与地铁客流量呈正相关。然而，近年来，机器学习模型因其在非线性和复杂关系建模方面的优势，越来越多地被应用于这一领域。

梯度提升决策树 (GBDT) 是一种常用的机器学习模型，已被用于估计建成环境特征对客流影响的相对重要性。例如，Shao 等人 (2020) 使用 GBDT 模型发现，建成环境特征 (如人口密度、土地利用混合度) 对客流量具有显著影响。

随机森林 (RF) 是另一种强大的机器学习模型，可以捕捉数据中的非线性和时间异质性关系。YANG 等人 (2023) 利用 RF 模型揭示了中国成都轨道交通客流在一天中三个时段 (早高峰、晚高峰、非高峰时段) 与建成环境之间的非线性关系，并发现这种关系在不同时段存在显著差异。

此外，DING 等人 (2019) 采用 GBDT 模型分析了建成环境特征对轨道交通客流的非线性影响，并确定了建成环境特征的有效影响范围。他们的研究表明，建成环境对客流的影响并非一律相同，而是随着距离的增加而减弱。

总之，机器学习模型为研究建成环境与地铁客流量之间的复杂关系提供了强大的工具。与传统的线性模型相比，机器学习模型能够更好地捕捉数据中的非线性、复杂和时间异质性关系，从而为城市规划和交通管理提供更有价值的参考信息。