摘要:这项研究调查了家庭住宅搬迁时机,这对于运输和城市规划至关重要。分析澳大利亚悉尼1,024次搬迁的高维数据集,研究将十个机器学习生存技术与三种经典生存模型进行了对比。结果表明,当经典模型与基于树的自动化特征选择器配对时,它们与机器学习成果紧密相符。值得注意的是,GBM,XGBoost和随机森林模型出现了出色的表演者。这项研究提供了自动和手动特征选择之间的全面比较,阐明了影响家庭住院时间的变量。虽然利用各种模型的预测堆叠的集合建模来提高准确性,但这些改进是边际,强调固有的建模挑战,尤其是在一致性指数中错误分类的特定家庭对的反复出现的问题。彻底的特征分析重点介绍了房屋所有权作为最重要的预测指标,强调了最近的生活事件和可访问性功能在搬迁决策中的重要性。研究强调了考虑当前和未来房屋在搬迁模型中的可及性的重要性,在模型结果中具有20%的特征。在这些基本见解的基础上,该研究为对可持续城市规划中的个人决策过程提供了更深入的理解铺平了道路。关键字:住宅搬迁,机器学习,生存分析,住宅自我选择,可访问性
主要关键词