中山大学等单位Travel Behav Soc发文！利用机器学习和SHAP解释与个人非工作/居家活动相关的因素 本研究致力于了解影响非工作/居家活动（例如购物和休闲）的相关因素，利用广州的出行调查数据和随机森林（RF）模型，从时间、位置、建筑环境、活动依赖性和个人社会经济地位的视角，研究影响工作日和休息日非工作/居家活动的相关因素。通过可解释性方法Shapley Additive Explanation（SHAP）来检验每个因素对不同非工作/居家活动的贡献。结果显示，活动开始时间和活动顺序依赖因素与工作日的非工作/居家活动关联更显著，而持续时间对周末的影响更大。批发和零售兴趣点（POIs）这样的建成环境因素在工作日和休息日的购物活动中起着重要作用，而旅游POIs对周末的休闲活动影响更大。此外，本研究揭示了各类非工作/居家活动前三个关联因素的非线性依赖性和阈值效应，并明确了它们在工作日和休息日之间的差异。 目前已有大量研究分析了影响活动的相关因素。然而，对于影响因素和活动的非线性关系以及工作日和休息日的活动影响因素差异尚不清楚。弥补这一研究空白不仅有助于个人优化其日常生活的时间安排和空间布局，减少时间和空间上的个人限制，还能加深城市规划者和政策制定者对非强制性出行需求的理解。本研究利用2017年广州市居民日常出行活动调查提供的1003个样本各两天（工作日和休息日）的活动日志进行建模分析。提取活动日志的所有非工作/居家活动（包括外出用餐，休闲娱乐，购物和个人事务），计算活动的多维特征（包括时间、位置、建筑环境、活动依赖性和个人社会经济地位），利用随机森林模型分别对工作日和休息日的居民非工作/居家活动进行监督分类。对于训练好的两个分类模型，利用SHAP方法解释多维特征对活动类型识别的贡献及其依赖关系。