Causation versus Prediction: Comparing Causal Discovery and Inference with Artificial Neural Networks in Travel Mode Choice Modeling
因果与预测：出行方式选择中的因果方法与人工神经网络比较AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以出行方式这一离散选择为研究对象，并直接比较观察数据中的因果发现、因果效应估计与预测模型。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
因果与预测：出行方式选择中的因果方法与人工神经网络比较
- 研究问题
- 在芝加哥三个社区的出行方式选择研究中，因果发现与效应估计、神经网络预测分别能回答哪些问题，其结果如何比较？
- 方法与思路
- 作者从观察数据中使用因果发现算法和因果推断技术估计变量关系，同时训练神经网络预测出行方式，并用 SHAP 衡量变量重要性。
- 材料陈述的贡献
- 摘要报告因果模型将出行距离和车辆拥有情况识别为直接原因，神经网络准确率超过七成，并认为两类方法各有用途。
- 阅读关注点
- 应核对观察数据因果识别的假设、图结构的不确定性、训练与测试划分，以及 SHAP 重要性和因果效应在解释上的区别。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未说明因果识别条件与准确率评估细节，不能据此验证所称直接原因。
原文摘要
This study compares the performance of a causal and a predictive model in modeling travel mode choice in three neighborhoods in Chicago. A causal discovery algorithm and a causal inference technique were used to extract the causal relationships in the mode choice decision making process and to estimate the quantitative causal effects between the variables both directly from observational data. The model results reveal that trip distance and vehicle ownership are the direct causes of mode choice in the three neighborhoods. Artificial neural network models were estimated to predict mode choice. Their accuracy was over 70%, and the SHAP values obtained measure the importance of each variable. We find that both the causal and predictive modeling approaches are useful for the purpose they serve. We also note that the study of mode choice behavior through causal modeling is mostly unexplored, yet it could transform our understanding of the mode choice behavior. Further research is needed to realize the full potential of these techniques in modeling mode choice.