个体出行决策行为主要包含出行时空选择与出行方式选择两部分。目前关于这两部分的研究主要关注个体未来出行决策结果的预测准确度,并基于决策结果对出行群体进行分类管理。然而,目前预测性能优良的算法大多具备“黑箱”性质,算法本身无法很好地对其决策机理进行明确的解释。为了更好的引导并管理出行需求,必须提高个体出行决策模型的可解释性能力,从而推动人类对出行决策行为机理信息的理解。基于上述问题,本研究针对个体出行时空选择与出行方式选择任务,分别使用机器学习模型进行建模,着重对模型的可解释性问题进行深入研究,并利用得到的可解释性信息设计出行群体分类研究框架。主要研究内容如下:一、为了获取个体出行时空选择任务下具备最佳预测性能的模型,本研究提出出行时空选择任务的数学定义,搭建基于深度注意力模型的预测框架。实例发现,所提出的预测模型相比对照模型有更好的预测性能。针对模型的可解释性问题,本研究基于现有的关于可解释性的研究,提出个体出行选择行为领域可解释性的定义;针对出行时空选择任务,提出可解释性的具体数学定义;在此基础上提出基于出行模式与注意力机制的可解释性评估框架,及3个可解释性度量指标。所提出的评估框架从全样本角度探索了预测模型中注意力机制与可解释性的关系。结果表明,注意力机制虽可作为出行时空选择模型的可解释性指标而存在,但在不同场景下解释能力存在差异。具体地,单一出行模式下注意力机制传递的解释性信息较为有限;一组出行模式下注意力权重降序排列可显著影响模型的决策结果。二、为了获取个体出行方式选择任务下具备最佳预测性能的模型,本研究给出出行方式选择任务的数学定义,搭建基于Cat Boost-Optuna的预测模型。实例发现,所提出的预测模型相比对照组取得最好的预测性能,3类出行方案的预测精确度均达到80%+。针对模型的可解释性问题,本研究提出个体出行方式选择任务下可解释性的数学定义;针对提出的数学定义给出基于出行方式与SHAP方法的可解释性分析框架。所提出的可解释性分析框架可帮助人类查看各特征变量对模型预测结果的影响机制。通过整体样本的可解释性分析结果发现,虽然驾车、公共交通与步行方式下,出行者做决策看重的特征变量不一致,但家庭人均汽车拥有数、驾车时间、公共交通时间与步行时间特征对3类出行方式的选择均较为重要;进一步分析输入变量与输出结果间的非线性关系,获取驾车者期望的最佳驾车时间、公共交通出行者期望的最佳公共交通时间等更多结论,在此基础上提出针对性运营措施。通过单一样本的可解释性分析,绘制了基于个体的出行者画像。三、为了从行为动机层面划分出行群体,深入挖掘同一决策结果下不同群体间的异同点,本研究从选择偏好及特征属性两个维度提出基于出行方式可解释信息的出行选择偏好数学定义,在此基础上搭建基于出行选择偏好的出行群体聚类分析框架,并给出出行选择偏好强弱等级量化标准。结果表明,驾车群体可划分为4类,公共交通群体可划分为8类,步行群体可划分为4类。依次对各类出行群体进行画像分析,搭建了出行群体的标签体系,包括忠诚型、乘客型、动摇型、跟随型与特定目标型。