Vorhersage des Reisezwecks mit minimalem sequentiellem Kontext: Ein sparsamer Ansatz des maschinellen Lernens

ZUSAMMENFASSUNG Die Vorhersage des Reisezwecks hat in den letzten Jahren zunehmende Aufmerksamkeit erhalten. Viele bestehende Ansätze basieren jedoch entweder auf komplexen Sequenzmodellen, die vollständig gelabelte tägliche Reisezusammenhänge benötigen, oder konzentrieren sich hauptsächlich auf destinationsbasierte räumliche Attribute, was ihre praktische Anwendbarkeit und Interpretierbarkeit einschränkt. Diese Studie schlägt einen Rahmen für maschinelles Lernen zur Vorhersage des Reisezwecks vor, der minimalen sequentiellen Kontext einbezieht, definiert als unmittelbar vorhergehende und nachfolgende Reisen, während räumliche Zusammensetzungsindikatoren hauptsächlich als ergänzende kontextuelle Signale dienen. Am Beispiel von Seoul integriert diese Studie Daten aus der Household Travel Survey (HTS) 2021, OD-Daten des öffentlichen Nahverkehrs sowie Point of Interest (POI)-Daten von Kakao Map, um ein Mehrklassenklassifikationsmodell zu erstellen, implementiert mit XGBoost und LightGBM. Das vorgeschlagene Modell erreicht etwa 71 % Gesamtgenauigkeit und eine gewichtete ROC-AUC von ca. 0,95 über elf Reisezweck-Kategorien. Ablationsstudien zeigen, dass der minimale sequentielle Kontext den Großteil der Leistungsverbesserung ausmacht, während POI-basierte räumliche Indikatoren nur bescheidene und ergänzende Leistungssteigerungen relativ zu den sequenziellen Merkmalen bieten. Insgesamt deuten die Ergebnisse darauf hin, dass erhebliche Vorhersagekraft ohne Modellierung vollständiger täglicher Reisezusammenhänge erzielt werden kann. Indem begrenzte zeitliche Kontinuität in einem interpretierbaren maschinellen Lernrahmen genutzt wird, bietet der vorgeschlagene Ansatz eine skalierbare und einsatzfähige Lösung für die Vorhersage des Reisezwecks in datenbeschränkten urbanen Umgebungen und zeigt, dass lokalisierte zeitliche Struktur das dominierende Verhaltenssignal einfängt, ohne vollständige Tages-Reiseketten zu benötigen.