Improving Trip Mode Choice Modeling Using Ensemble Synthesizer (ENSY)

准确分类出出行方式数据集对于交通规划和决策过程至关重要。然而，传统的分类模型经常难以充分捕捉这些数据集中少数类别的微妙模式，导致准确性不佳。为应对这一挑战，我们提出了Ensemble Synthesizer（ENSY），它利用概率分布进行数据增强，这是一种专门为增强出行方式数据集分类准确性而量身定制的新型数据模型。在我们的研究中，ENSY表现出了显著的功效，将少数类别的F1分数增加了近四倍，并将整体分类准确性提高了近3%。为了全面评估其性能，我们将ENSY与各种增强技术进行比较，包括随机过采样、SMOTE-NC和CTGAN。通过实验，ENSY在各种情况下始终优于这些方法，凸显其稳健性和有效性。

本论文旨在解决传统分类模型无法准确捕捉少数类别数据集中微妙模式的问题，从而导致分类准确性下降的挑战。

论文提出了一种名为Ensemble Synthesizer (ENSY)的方法，该方法利用概率分布进行数据增强，是一种针对增强分类准确性的新型数据模型。

论文通过实验展示了ENSY在少数类别数据集中将F1分数提高了近4倍，并将总体分类准确性提高了近3%。与其他增强技术如Random Oversampling、SMOTE-NC和CTGAN相比，ENSY在各种情况下都表现出色，具有鲁棒性和有效性。

在这个领域中，最近的相关研究包括：'Improving Classification Accuracy of Mode Choice Data Using Data Augmentation Techniques'、'Data Augmentation Techniques for Imbalanced Datasets in Transportation Mode Choice Analysis: A Comparative Study'等。