机器学习技术比较研究：女性骑行者感知安全性的建模与预测

为解决女性骑行者感知安全性(Perceived Security, PS)预测的复杂性问题，研究人员采用虚拟现实(VR)实验系统收集环境特征数据，结合AutoML工具、网格搜索(GS)和随机搜索(RS)超参数优化以及集成学习技术，构建了DNN-stack2集成模型，准确率达84.07%。该研究为城市交通规划提供了高精度的行为分析工具，并揭示了环境因素对女性骑行安全的关键影响。

　　

在城市交通规划中，理解骑行者行为对促进可持续出行至关重要。女性骑行者作为弱势道路使用者，其感知安全性(Perceived Security, PS)显著影响骑行意愿，但现有研究多聚焦行人，针对骑行者的机器学习(ML)预测模型仍属新兴领域。传统方法如逻辑回归存在精度局限，而高级ML技术如深度神经网络(DNN)和集成学习在复杂行为建模中的潜力尚未充分挖掘。

为填补这一空白，来自中国的研究团队在《Results in Engineering》发表研究，通过虚拟现实(VR)实验系统采集55名女性骑行者的环境特征数据（包括拥挤度、照明、视线遮挡等5类参数），构建了包含AutoML筛选、超参数优化和集成学习的多阶段建模框架。研究创新性地提出DNN-stack2集成模型，以DNN为元学习器，结合轻量梯度提升机(LGBM)、K近邻(KN)和额外树(ET)基学习器，实现了84.07%的预测准确率，较传统方法提升显著。

关键技术包括：1) VR实验系统标准化数据采集；2) 三阶段建模（AutoML初筛、超参数优化、集成构建）；3) 连续超参数优化(C-HPO)结合网格搜索与随机搜索；4) 基于特征重要性分析的模型可解释性增强。

研究结果显示：

1. 环境特征与PS的关联性：通过排列重要性分析，照明(Light)和拥挤度(Crowdedness)对PS影响最大（贡献度24.35%和23.91%），而监控(Surveillance)作用最小（5.65%），反映社会环境因素的主导地位。
2. 单模型性能比较：DNN在7个候选模型中表现最优（测试准确率73.61%），且各类别预测均衡（类别间召回率差异仅11.11%）。
3. 集成模型突破：DNN-stack2集成架构将准确率提升至84.07%，仅3例误判，其学习曲线显示在130样本后性能稳定，验证了小数据集下的泛化能力。

结论指出，该框架首次系统评估了ML在女性骑行者PS预测中的效能，DNN-stack2的优异表现证实了复杂模型在小规模数据集的适用性。通过揭示照明和拥挤度的核心作用，为城市设计提供了实证依据——例如优化路灯布局可提升夜间骑行安全感。研究局限性在于样本均来自伊朗德黑兰，未来需扩展跨文化验证。

讨论部分强调，该方法可迁移至其他主动出行模式（如电动滑板车）的安全评估，其VR数据采集框架为行为研究提供了可控实验范式。团队开源了全部代码与数据，推动交通工程与ML的交叉创新。这项成果不仅为城市规划者提供了量化工具，也为健康监测基础设施的智能化设计（如实时安全预警系统）奠定了方法论基础。