A deep causal inference model for fully-interpretable travel behaviour analysis

运输政策评估常常涉及因果问题，但传统的出行行为模型的因果推断能力最多只有限制。我们提出了深度因果推断出行行为分析模型（CAROLINA），这是一个显式地模拟出行行为因果关系、增强预测准确性、并利用因果推断、深度学习和传统的离散选择建模来保持可解释性的框架。在这个框架内，我们引入了一个生成对照模型，通过改进归一化流方法来预测人类行为。通过基于虚拟现实的行人穿越行为、伦敦的实际出行行为和合成数据的案例研究，我们展示了我们提出的模型在揭示因果关系、预测准确性和评估政策干预方面的有效性。我们的结果表明，能够减少行人压力水平的干预机制导致等待时间更短的人数增加了38.5%。在伦敦减少出行距离会导致可持续出行方式增加47%。

CAROLINA试图解决传统旅行行为模型在交通政策评估中存在的因果推断能力不足的问题。

CAROLINA框架通过整合因果推断、深度学习和传统离散选择建模，显式地建模旅行行为中的因果关系，提高了预测准确性和解释性。

CAROLINA框架中引入了生成对抗网络用于预测人类行为，通过案例研究展示了其在揭示因果关系、预测准确性和评估政策干预方面的有效性。实验使用了虚拟现实、伦敦出行偏好和合成数据集，并展示了干预机制对旅行行为的影响。

相关研究包括因果推断、深度学习和传统离散选择建模等领域的研究，如DoWhy、DAGsPy等因果推断工具，以及基于深度学习的旅行行为预测模型和传统离散选择建模。