基于可解释人工智能的虚拟旅游体验后出行意向预测研究

《IEEE Latin America Transactions》：Predicting Travel Intention Using Machine Learning and SHAP-Based Explainability: A Virtual Tourism Approach

　　虚拟旅游正在改变用户探索和评估旅游目的地的方式，但在体验虚拟内容后准确预测访问意向仍是一项挑战。现有方法通常缺乏预测准确性和可解释性，限制了其在旅游决策中的应用。为解决这一问题，我们开发了一个集成可解释人工智能（XAI）的机器学习框架，以高精度和透明度预测体验后的出行意向。我们实现了极端梯度提升（XGBoost）、轻量梯度提升机（LightGBM）和多层感知机（MLP），通过交叉验证确保鲁棒性，并利用基于Optuna的贝叶斯优化最大化模型性能。为确保可解释性，我们采用了SHAP值（SHapley Additive Explanations）。结果表明，XGBoost的性能优于所有模型，准确率达到93.21%，交叉验证准确率为94.08%，验证了其鲁棒性。SHAP分析揭示，心理参与（如情感投入、享受和沉浸式心流状态）是出行意向的关键驱动因素，个体SHAP值进一步阐明了特定用户的决策模式。这些发现与消费者行为理论相一致，强化了心理和体验因素在旅游决策中的作用。本研究提出了一个高精度、可解释且具有可扩展性的预测模型，推动了虚拟旅游分析的发展，为目的地营销和战略旅游管理提供了可行的见解。未来研究应探索实时用户交互、自适应学习技术和外部变量（如社会情绪、经济状况），以提高预测准确性和实际适用性。