Transportation agencies utilize key performance indicators (KPIs) to measure the performance of their traffic networks and business processes. To make effective decisions based on these KPIs, there is a need to align the KPIs at the strategic, tactical, and operational decision levels and to set targets for these KPIs. However, there has been no known effort to develop methods to ensure this alignment producing a correlative model to explore the relationships to support the derivation of the KPI targets. Such development will lead to more realistic target setting and effective decisions based on these targets, ensuring that agency goals are met subject to the available resources. This paper presents a methodology in which the KPIs are represented in a tree-like structure that can be used to depict the association between metrics at the strategic, tactical, and operational levels. Utilizing a combination of business intelligence and machine learning tools, this paper demonstrates that it is possible not only to identify such relationships but also to quantify them. The proposed methodology compares the effectiveness and accuracy of multiple machine learning models including ordinary least squares regression (OLS), least absolute shrinkage and selection operator (LASSO), and ridge regression, for the identification and quantification of interlevel relationships. The output of the model allows the identification of which metrics have more influence on the upper-level KPI targets. The analysis can be performed at the system, facility, and segment levels, providing important insights on what investments are needed to improve system performance.

运输机构利用关键绩效指标 (KPI) 来衡量其交通网络和业务流程的绩效。为了根据这些 KPI 做出有效的决策，需要在战略、战术和运营决策级别调整 KPI，并为这些 KPI 设定目标。然而，目前还没有已知的努力来开发方法来确保这种对齐方式产生相关模型来探索关系以支持 KPI 目标的推导。这种发展将导致更现实的目标设定和基于这些目标的有效决策，确保在可用资源的情况下实现机构目标。本文提出了一种方法，其中 KPI 以树状结构表示，可用于描述战略、战术和操作层面。本文结合使用商业智能和机器学习工具，证明不仅可以识别此类关系，还可以对其进行量化。所提出的方法比较了多种机器学习模型的有效性和准确性，包括普通最小二乘回归 (OLS)、最小绝对收缩和选择算子 (LASSO) 以及岭回归，用于识别和量化层间关系。模型的输出允许识别哪些指标对上层 KPI 目标的影响更大。可以在系统、设施和细分市场级别进行分析，从而提供有关需要哪些投资来提高系统性能的重要见解。本文结合使用商业智能和机器学习工具，证明不仅可以识别此类关系，还可以对其进行量化。所提出的方法比较了多种机器学习模型的有效性和准确性，包括普通最小二乘回归 (OLS)、最小绝对收缩和选择算子 (LASSO) 和岭回归，用于识别和量化层间关系。模型的输出允许识别哪些指标对上层 KPI 目标的影响更大。可以在系统、设施和细分市场级别进行分析，从而提供有关需要哪些投资来提高系统性能的重要见解。本文结合使用商业智能和机器学习工具，证明不仅可以识别此类关系，还可以对其进行量化。所提出的方法比较了多种机器学习模型的有效性和准确性，包括普通最小二乘回归 (OLS)、最小绝对收缩和选择算子 (LASSO) 以及岭回归，用于识别和量化层间关系。模型的输出允许识别哪些指标对上层 KPI 目标的影响更大。可以在系统、设施和细分市场级别进行分析，从而提供有关需要哪些投资来提高系统性能的重要见解。本文表明，不仅可以识别此类关系，还可以对其进行量化。所提出的方法比较了多种机器学习模型的有效性和准确性，包括普通最小二乘回归 (OLS)、最小绝对收缩和选择算子 (LASSO) 以及岭回归，用于识别和量化层间关系。模型的输出允许识别哪些指标对上层 KPI 目标的影响更大。可以在系统、设施和细分市场级别进行分析，从而提供有关需要哪些投资来提高系统性能的重要见解。本文表明，不仅可以识别此类关系，还可以对其进行量化。所提出的方法比较了多种机器学习模型的有效性和准确性，包括普通最小二乘回归 (OLS)、最小绝对收缩和选择算子 (LASSO) 以及岭回归，用于识别和量化层间关系。模型的输出允许识别哪些指标对上层 KPI 目标的影响更大。可以在系统、设施和细分市场级别进行分析，从而提供有关需要哪些投资来提高系统性能的重要见解。所提出的方法比较了多种机器学习模型的有效性和准确性，包括普通最小二乘回归 (OLS)、最小绝对收缩和选择算子 (LASSO) 以及岭回归，用于识别和量化层间关系。模型的输出允许识别哪些指标对上层 KPI 目标的影响更大。可以在系统、设施和细分市场级别进行分析，从而提供有关需要哪些投资来提高系统性能的重要见解。所提出的方法比较了多种机器学习模型的有效性和准确性，包括普通最小二乘回归 (OLS)、最小绝对收缩和选择算子 (LASSO) 以及岭回归，用于识别和量化层间关系。模型的输出允许识别哪些指标对上层 KPI 目标的影响更大。可以在系统、设施和细分市场级别进行分析，从而提供有关需要哪些投资来提高系统性能的重要见解。模型的输出允许识别哪些指标对上层 KPI 目标的影响更大。可以在系统、设施和细分市场级别进行分析，从而提供有关需要哪些投资来提高系统性能的重要见解。模型的输出允许识别哪些指标对上层 KPI 目标的影响更大。可以在系统、设施和细分市场级别进行分析，从而提供有关需要哪些投资来提高系统性能的重要见解。