As the share of public transport increases, the express strategy of the urban railway is regarded as one of the solutions that allow the public transportation system to operate efficiently. It is crucial to express the urban railway’s express strategy to balance a passenger load between the two types of trains, that is, local and express trains. This research aims to estimate passengers’ preference between local and express trains based on a machine learning technique. Extreme gradient boosting (XGBoost) is trained to model express train preference using smart card and train log data. The passengers are categorized into four types according to their preference for the local and express trains. The smart card data and train log data of Metro Line 9 in Seoul are combined to generate the individual trip chain alternatives for each passenger. With the dataset, the train preference is estimated by XGBoost, and Shapley additive explanations (SHAP) is used to interpret and analyze the importance of individual features. The overall F1 score of the model is estimated to be 0.982. The results of feature analysis show that the total travel time of the local train feature is found to substantially affect the probability of express train preference with a 1.871 SHAP value. As a result, the probability of the express train preference increases with longer total travel time, shorter in-vehicle time, shorter waiting time, and few transfers on the passenger’s route. The model shows notable performance in accuracy and provided an understanding of the estimation results.

随着公共交通份额的增加，城市铁路的快速战略被视为使公共交通系统有效运行的解决方案之一。表达城市铁路的表达策略以平衡两种类型的火车（即本地火车和特快列车）之间的旅客负载至关重要。这项研究旨在基于机器学习技术来估计乘客在本地火车和特快列车之间的偏好。训练了极端梯度增强（XGBoost），可使用智能卡和火车日志数据对特快列车的偏好进行建模。根据他们对本地火车和特快列车的偏好，他们将其分为四种类型。首尔地铁9号线的智能卡数据和火车日志数据相结合，为每位乘客生成单独的旅行链替代方案。通过数据集，火车偏好由XGBoost估算，而Shapley加性解释（SHAP）用于解释和分析单个特征的重要性。该模型的整体F1得分估计为0.982。特征分析的结果表明，发现本地火车特征的总行驶时间以1.871 SHAP值显着影响特快火车偏好的概率。结果，特快列车的可能性随着总旅行时间的延长，车内时间的缩短，等待时间的缩短以及乘客路线上的换乘次数的增加而增加。该模型在准确性方面显示出显着的性能，并提供了对估计结果的理解。Shapley加性解释（SHAP）用于解释和分析各个功能的重要性。该模型的整体F1得分估计为0.982。特征分析的结果表明，发现本地火车特征的总行驶时间以1.871 SHAP值显着影响特快火车偏好的概率。结果，特快列车的可能性随着总旅行时间的延长，车内时间的缩短，等待时间的缩短以及乘客路线上的换乘次数的增加而增加。该模型在准确性方面显示出显着的性能，并提供了对估计结果的理解。Shapley加性解释（SHAP）用于解释和分析各个功能的重要性。该模型的整体F1得分估计为0.982。特征分析的结果表明，发现本地火车特征的总行驶时间以1.871 SHAP值显着影响特快火车偏好的概率。结果，特快列车的可能性随着总旅行时间的延长，车内时间的缩短，等待时间的缩短以及乘客路线上的换乘次数的增加而增加。该模型在准确性方面显示出显着的性能，并提供了对估计结果的理解。特征分析的结果表明，发现本地火车特征的总行驶时间以1.871 SHAP值显着影响特快火车偏好的概率。结果，特快列车的可能性随着总旅行时间的延长，车内时间的缩短，等待时间的缩短以及乘客路线上的换乘次数的增加而增加。该模型在准确性方面显示出显着的性能，并提供了对估计结果的理解。特征分析的结果表明，发现本地火车特征的总行驶时间以1.871 SHAP值显着影响特快火车偏好的概率。结果，特快列车的可能性随着总旅行时间的延长，车内时间的缩短，等待时间的缩短以及乘客路线上的换乘次数的增加而增加。该模型在准确性方面显示出显着的性能，并提供了对估计结果的理解。