[논문 리뷰] A Dynamic Choice Model with Heterogeneous Decision Rules: Application in Estimating the User Cost of Rail Crowding

Prateek Bansal, Dániel Hörcher외 1명|arXiv (Cornell University)|2020. 01. 01.

Transportation Planning and Optimization참고 문헌 32인용 수 4

한 줄 요약

이 논문은 아시아의 메트로에서 두 달 간의 스마트카드 및 차량 위치 데이터를 사용하여 시간에 따라 이질적인 의사결정 규칙—보상성 대비 관성/습관—을 포착하는 동적 잠재클래스모델(DLCM)을 제안한다. 모델은 루트 선택의 25.5%만 보상성임을 드러내며, 극도로 혼잡한 상황에서는 이동 시간에 대한 평가가 47% 높아지며, 혼잡도 비용 추정에서 비보상성 행동의 핵심적 역할을 강조한다.

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.

연구 동기 및 목표

• 정적 선택 모델이 대중교통 루트 선택에서 동적이고 이질적인 의사결정 규칙을 포착하는 데에 한계가 있음을 해결하기 위해.
• 종단적 노출 선호 데이터를 활용하여 일상 통근자들의 관성과 습관 형성 과정을 모델링하기 위해.
• 보상성과 비보상성 의사결정을 구분함으로써 철도 혼잡의 사용자 비용을 보다 정확히 추정하기 위해.
• 동적 모델링 프레임워크 내에서 사례 기반 학습 이론(IBLT)을 통합하여 학습 행동을 포함하기 위해.
• 비보상성 행동을 고려함으로써 혼잡 감소 간 interventions의 복지 평가를 향상시키기 위해.

제안 방법

• 승객을 의사결정 규칙에 따라 잠재클래스로 할당하는 동적 잠재클래스모델(DLCM)을 개발한다: 보상성 또는 관성/습관.
• 잠재클래스 전이를 가능하게 하기 위해 기대최대화(EM) 알고리즘을 사용하여 모델 파라미터를 추정한다.
• 각 승객이 선택 기회를 거쳐서 가장 가능성이 높은 잠재클래스의 순서를 복원하기 위해 비터비 알고리즘을 적용한다.
• 과거 경험에서의 학습을 모델링하기 위해 사례 기반 학습 이론(IBLT)을 통합하며, 이는 뜨거운 스토브 효과와 수익의 변동성 포함.
• 서 standing 확률, 이력 루트 빈도, 기대된 서비스 수준과 경험된 수준 간의 불일치 등 시간에 따라 변화하는 공변량을 통합한다.
• 일일 루트 선호도와 차내 혼잡도를 재구성하기 위해 두 달 간의 스마트카드 및 자동차 위치(AVL) 데이터를 캘리브레이션한다.

실험 결과

연구 질문

• RQ1 일상 철도 통행자들의 루트 선택에서 보상성 대비 습관적 의사결정 규칙이 시간에 따라 어떻게 변화하는가?
• RQ2 승객들이 혼잡도와 이동 시간 사이의 능동적 트레이드오프보다 관성이나 습관에 얼마나 의존하는가?
• RQ3 비보상성 동적 의사결정 규칙을 고려할 때, 극도로 혼잡한 조건에서는 비혼잡 조건에 비해 이동 시간에 대한 평가가 어떻게 변화하는가?
• RQ4 과거 경험에서의 학습은 루트 선택 전이에 어떤 역할을 하는가?
• RQ5 다른 통행자 유형(예: 정기 승객 대비 흔적 승객) 간에 보상성 대비 비보상성 선택 비율은 어떻게 달라지는가?

주요 결과

• 평균적으로 승객들은 경로 선택 기회 중 25.5%에서만 보상성 의사결정 규칙을 따르며.
• 혼잡도가 5~6명/㎡이고 서있는 확률이 0.7 초과인 극도로 혼잡한 조건에서는 비혼잡 조건 대비 이동 시간에 대한 평가가 47% 높아진다.
• 정기 승객(시간 + 관성 시간 > 20)의 경우 보상성 선택 비율은 14.4%로 떨어지며, 높은 관성의 특징을 보인다.
• 이력 루트 빈도가 높고 최근에 전환한 승객일수록 비보상성(습관) 클래스에 머무를 가능성이 더 높다.
• 서있는 확률은 클래서 전이에 중요한 영향을 미치며, 예상치 못한 서있는 상황은 보상성 행동으로의 전환 가능성을 높인다.
• 기존 정적 모델이 고려하지 못하는 비보상성 행동을 모델이 성공적으로 포착하여, 더 정확한 혼잡도 비용 추정에 기여한다.