Explainable AI to understand the impact of life events on travel behavior change

Projektbeschreibung

Das XAITraB-Projekt entwickelt eine erklärbare und interpretierbare KI-Pipeline, um zu analysieren, wie sich Lebensereignisse – wie berufliche Veränderungen, Umzüge, Einkommensveränderungen oder die Geburt eines Kindes – im Laufe der Zeit auf das Mobilitätsverhalten auswirken. Anhand von Längsschnittdaten des Deutschen Mobilitätspanels untersucht das Projekt Veränderungen bei Aktivitätsmustern, Fahrhäufigkeiten, Entfernungen und der Wahl des Verkehrsmittels, um Verhaltensverschiebungen besser zu verstehen. Maschinelle Lernmodelle (Random Forests, Gradient Boosting, neuronale Netze) und Techniken der erklärbaren künstlichen Intelligenz (xAI) wie SHAP-Werte werden eingesetzt, um die wichtigsten Treiber für obligatorische und freiwillige Aktivitäten aufzudecken. Die Erkenntnisse aus dieser Pipeline werden genutzt, um traditionelle ökonometrische Modelle zu ergänzen und zu verbessern, wodurch die Vorhersagegenauigkeit erhöht und eine realistischere inkrementelle Verkehrsmodellierung ermöglicht wird. Das Projekt dient als Proof of Concept für die Integration KI-basierter Erkenntnisse in aktivitätsbasierte Modelle der nächsten Generation und trägt zu methodischen Fortschritten bei, die auf andere Disziplinen übertragbar sind.

Ergebnisse

SHAP-Analysen (SHapley Additive Explanations) ermitteln die Stabilität der Aktivitätstage und heben wichtige Merkmale wie Beschäftigungsstatus, Alter und das Vorhandensein von Kindern hervor.
Modelle für obligatorische Aktivitäten erzielten eine hohe Vorhersageleistung (Pseudo-R² 77–84 %) und übertrafen damit die Modelle für freiwillige Aktivitäten (41–46 %).
Die Einbeziehung von durch maschinelles Lernen ausgewählten Merkmalen erhöhte die Anpassungsgüte traditioneller ökonometrischer Modelle um 5 % (obligatorisch) bzw. 3 % (freiwillig).
Die wichtigsten Merkmale aus dem maschinellen Lernen waren auch in den ökonometrischen Modellen statistisch signifikant, was ihre Interpretierbarkeit und Robustheit bestätigt.
Lebensereignisse wie Einkommensveränderungen, die Geburt eines Kindes und Veränderungen des Beschäftigungsstatus zeigten über alle Aktivitätsarten hinweg die stärkste Vorhersagekraft.

Weitere Schritte

Zukünftige Arbeiten zielen darauf ab, aus KI gewonnene Erkenntnisse in inkrementelle aktivitätsbasierte Verkehrsmodelle zu integrieren, wodurch eine jährliche Aktualisierung des Verhaltens ermöglicht wird, anstatt dieses von Grund auf neu zu erstellen. Darüber hinaus könnte ein nächster Schritt die Entwicklung einer generischen, auf xAI und iAI basierenden methodischen Pipeline sein, die die Nutzung von Erkenntnissen aus KI-basierten Vorhersagemodellen in der Verkehrsnachfragemodellierung ermöglicht, um in diesem Bereich einen neuen Stand der Technik zu erreichen. Diese Pipeline wird in die traditionelle Modellschätzung für andere Verkehrsvariablen einfließen, wie beispielsweise zurückgelegte Entfernung, Verkehrsmittelwahl oder Fahrzeugbesitz. Die Ergebnisse werden zur Kalibrierung eines inkrementellen aktivitätsbasierten Modells verwendet. Dies wird die Grundlage für neue Modelle zur Gestaltung und Steuerung zukünftiger Mobilitätssysteme bilden.

Moreno, A.T.; Nouli, G.; Ahmed, U.; Schiffer, M.; Moeckel, R.: “Understanding the Impact of Life Events on Travel Behavior Change via Machine Learning”, Euro Working Group Transportation 2023, Santander, Spain, conference presentation