[논문 리뷰] Capturing positive network attributes during the estimation of recursive logit models: A prism-based approach

Yuki Oyama|arXiv (Cornell University)|2022. 04. 04.

Transportation Planning and Optimization인용 수 4

한 줄 요약

이 논문은 상태 확장 네트워크와 선택 단계 제약 조건을 통해 경로 선택을 제한함으로써 수치적 불안정성을 해결하는 프리즘 제약 조건이 부여된 재귀 로짓(Prism-RL) 모델을 제안한다. 이 방법은 긍정적인 네트워크 특성(예: 거리의 녹지)이 존재하는 경우에도 신뢰할 수 있는 추정을 가능하게 하며, 적합도와 예측 성능에서 표준 RL 모델을 능가하며, 회절과 환경적 선호를 포함한 실제 보행자 경로 선택 행동을 성공적으로 반영한다.

ABSTRACT

Although the recursive logit (RL) model has been recently popular and has led to many applications and extensions, an important numerical issue with respect to the computation of value functions remains unsolved. This issue is particularly significant for model estimation, during which the parameters are updated every iteration and may violate the feasibility condition of the value function. To solve this numerical issue of the value function in the model estimation, this study performs an extensive analysis of a prism-constrained RL (Prism-RL) model proposed by Oyama and Hato (2019), which has a path set constrained by the prism defined based upon a state-extended network representation. The numerical experiments have shown two important properties of the Prism-RL model for parameter estimation. First, the prism-based approach enables estimation regardless of the initial and true parameter values, even in cases where the original RL model cannot be estimated due to the numerical problem. We also successfully captured a positive effect of the presence of street green on pedestrian route choice in a real application. Second, the Prism-RL model achieved better fit and prediction performance than the RL model, by implicitly restricting paths with large detour or many loops. Defining the prism-based path set in a data-oriented manner, we demonstrated the possibility of the Prism-RL model describing more realistic route choice behavior. The capture of positive network attributes while retaining the diversity of path alternatives is important in many applications such as pedestrian route choice and sequential destination choice behavior, and thus the prism-based approach significantly extends the practical applicability of the RL model.

연구 동기 및 목표

• 매개변수 업데이트 중 비가능한 값 함수로 인해 발생하는 재귀 로짓(RL) 모델 추정의 수치적 불안정성을 해결하기 위해.
• 계산 문제로 인해 자주 제외되는 바람직한 네트워크 특성(예: 거리의 녹지)을 경로 선택 모델에 포함시킬 수 있도록 하기 위해.
• 일본 요코하마의 실제 GPS 데이터를 사용하여 프리즘 제약 조건이 부여된 RL 모델(Prism-RL)의 실용적 추정을 검증하기 위해.
• 선택 단계 제약 조건(T)이 추정 성능과 모델 일관성에 미치는 영향을 분석하기 위해.
• Prism-RL이 암묵적으로 도로를 돌아다니는 경로를 제한함으로써 적합도와 예측 성능을 향상시키면서도 경로 다양성을 유지할 수 있음을 보여주기 위해.

제안 방법

• 각 상태가 경로를 따라 취한 선택 수를 추적하는 상태 확장 네트워크를 사용하여 프리즘 제약 조건이 부여된 경로 집합을 도입한다.
• 선택 단계 제약 조건 T를 도입하여 경로가 포함할 수 있는 최대 선택 수(예: 교차로 또는 전환 수)를 제한한다.
• 값 함수를 프리즘 제약 조건이 부여된 네트워크 내에서 재정의하여 유틸리티 매개변수 값에 관계없이 수치적 해법이 가능하도록 보장한다.
• 관측된 도로를 돌아다니는 비율(예: 75%의 경로가 도로를 돌아다니는 비율 ≤ 1.33)을 기반으로 데이터 기반 방식으로 T를 설정한다.
• 반복적 매개변수 업데이트를 사용한 최대우도 추정을 적용하며, 프리즘 제약 조건을 통해 매 단계에서의 타당성을 보장한다.
• 요코하마에서 확보한 GPS 기반 보행자 경로 데이터를 사용하여 모델을 校정하고 실제 행동과 비교하여 검증한다.

실험 결과

연구 질문

• RQ1 긍정적인 네트워크 특성이 포함된 경우, 프리즘 제약 조건이 부여된 RL 모델이 매개변수 추정에서 수치적 불안정성을 극복할 수 있는가?
• RQ2 선택 단계 제약 조건 T가 추정 수렴과 모델 성능에 어떤 영향을 미치는가?
• RQ3 Prism-RL 모델은 도로를 돌아다니는 경로와 환경적 선호를 포함한 실제 보행자 경로 선택 행동을 더 잘 반영할 수 있는가?
• RQ4 프리즘 기반 접근법이 표준 RL 모델에 비해 적합도나 예측 정확도를 유지하거나 향상시킬 수 있는가?
• RQ5 실제 응용에서 표준 RL 모델 대비 Prism-RL 모델의 계산 비용은 어떠한가?

주요 결과

• 표준 RL 모델에서 값 함수 수렴에 실패하는 경우에도, Prism-RL 모델은 초기 매개변수와 진짜 매개변수 값이 비가능한 상황에서도 매개변수를 성공적으로 추정하였다.
• 모델은 보행자 경로 선택에 있어 거리 녹지의 통계적으로 유의미한 긍정적 영향을 반영하였으며, 유틸리티 계수는 β_green = 2.00 (p < 0.05)로 나타났다. 이는 표준 RL 모델이 신뢰성 있게 추정하지 못한 결과였다.
• Prism-RL은 실제 GPS 데이터에 대해 표준 RL 모델(-6730.22)보다 우수한 로그우도(-6729.71)를 달성하여 더 나은 적합도를 보였다.
• Prism-RL의 추정 시간은 T에 따라 선형적으로 증가했지만, 실용 가능성을 유지하였다. 예를 들어, 복잡한 매개변수 세트에서 T=100일 경우 31.22초였고, 표준 RL은 1.02초였다.
• 프리즘 제약 조건은 도로를 돌아다니는 경로와 루프가 많은 경로를 효과적으로 제한하여 현실성 있는 모델링을 향상시켰지만, 경로 다양성은 유지하였다.
• 초기 매개변수 값이 진짜 값에서 멀리 떨어져 있더라도(예: β_init = (-4,3)), 표준 RL 모델과 달리 Prism-RL은 일관된 추정 성능을 유지하였다.