[論文レビュー] A Dynamic Choice Model with Heterogeneous Decision Rules: Application in Estimating the User Cost of Rail Crowding

Prateek Bansal, Dániel Hörcher+1 more|arXiv (Cornell University)|Jan 1, 2020

Transportation Planning and Optimization参考文献 32被引用数 4

ひとこと要約

本稿では、アジアのメトロで得られた2か月間のスマートカードおよび車両位置データを用いて、時間経過に伴い異質な意思決定ルール（補償的 vs. 慣性・習慣）を捉えるための動的潜在クラスモデル（DLCM）を提案する。モデルの分析から、ルート選択のうち僅か25.5%が補償的であることが判明し、極度の混雑状態では移動時間の価値が47%高くなることが示され、混雑コスト推定において非補償的行動の重要性が浮き彫りになる。

ABSTRACT

Crowding valuation of subway riders is an important input to various supply-side decisions of transit operators. The crowding cost perceived by a transit rider is generally estimated by capturing the trade-off that the rider makes between crowding and travel time while choosing a route. However, existing studies rely on static compensatory choice models and fail to account for inertia and the learning behaviour of riders. To address these challenges, we propose a new dynamic latent class model (DLCM) which (i) assigns riders to latent compensatory and inertia/habit classes based on different decision rules, (ii) enables transitions between these classes over time, and (iii) adopts instance-based learning theory to account for the learning behaviour of riders. We use the expectation-maximisation algorithm to estimate DLCM, and the most probable sequence of latent classes for each rider is retrieved using the Viterbi algorithm. The proposed DLCM can be applied in any choice context to capture the dynamics of decision rules used by a decision-maker. We demonstrate its practical advantages in estimating the crowding valuation of an Asian metro's riders. To calibrate the model, we recover the daily route preferences and in-vehicle crowding experiences of regular metro riders using a two-month-long smart card and vehicle location data. The results indicate that the average rider follows the compensatory rule on only 25.5% of route choice occasions. DLCM estimates also show an increase of 47% in metro riders' valuation of travel time under extremely crowded conditions relative to that under uncrowded conditions.

研究の動機と目的

• 静的選択モデルが、移動経路選択における動的で多様な意思決定ルールを捉えきれていないという限界を是正すること。
• 縦断的顕在選好データを用いて、日常の通勤者における意思決定の停滞と習慣形成をモデル化すること。
• 補償的と非補償的意思決定を区別することで、鉄道混雑の利用者コストをより正確に推定すること。
• 動的モデリングフレームワーク内に、インスタンスベース学習理論（IBLT）を組み込み、学習行動をモデル化すること。
• 非補償的行動を考慮することで、混雑低減施策の福祉評価を改善すること。

提案手法

• 意思決定ルール（補償的または慣性／習慣）に基づいて乗客を潜在クラスに割り当てる動的潜在クラスモデル（DLCM）を構築する。
• 期待最大化（EM）アルゴリズムを用いてモデルのパラメータを推定し、時間経過に伴う潜在クラスの遷移を可能にする。
• 各乗客が選択の機会を経て経路を変更する際の最も確率の高い潜在クラスの系列を、ビタビアルゴリズムで回復する。
• 経験からの学習（ホットストーブ効果や報酬のばらつきを含む）をモデル化するため、インスタンスベース学習理論（IBLT）を統合する。
• 立ち位置確率、履歴ルート頻度、期待と体験されたサービス水準の不一致といった、時間的に変化する共変量を組み込む。
• 2か月間のスマートカードおよび自動車両位置（AVL）データを用いてモデルをキャリブレーションし、日常のルート選好と車内混雑状態を再構築する。

実験結果

リサーチクエスチョン

• RQ1 日常の鉄道通勤者のルート選択において、補償的と習慣的という意思決定ルールは時間経過とともにどのように変化するか？
• RQ2 乗客は、混雑と移動時間の間の能動的トレードオフよりも、どれほど慣性や習慣に依存しているのか？
• RQ3 動的意思決定ルールを考慮した場合、極度に混雑した状態と混雑が少ない状態とを比較して、移動時間の価値はどのように変化するか？
• RQ4 過去の経験からの学習は、ルート選択の変化にどのように影響を与えるか？
• RQ5 異なる通勤者タイプ（例：定期利用者 vs. 偶発利用者）において、補償的選択と非補償的選択の割合はどのように変化するか？

主な発見

• 平均して、乗客はルート選択の25.5%の機会において補償的意思決定ルールに従う。
• 混雑密度が5〜6人/m²で立ち位置確率が0.7を超える極度の混雑状態では、混雑が少ない状態と比較して移動時間の価値が47%上昇する。
• 定期利用者（T + TI > 20）では、補償的選択の割合が14.4%にまで低下し、頻度の高い利用者に強い慣性が見られる。
• 履歴ルート頻度が高く、最近変更があった乗客は、非補償的（習慣）クラスにとどまる可能性が高くなる。
• 立ち位置確率はクラス遷移に顕著な影響を与える：予期しない立ち位置は、補償的行動への切り替え確率を高める。
• 本モデルは、従来の静的モデルが捉えきれない非補償的行動を効果的に捉えており、混雑コスト推定の正確性が向上する。