[论文解读] 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 4

一句话总结

本文提出了一种动态潜在类别模型（DLCM），利用来自亚洲地铁的两个月智能卡与车辆定位数据，捕捉乘客在时间维度上异质的决策规则——补偿性与惯性/习惯性行为。模型显示，仅有25.5%的路线选择为补偿性，极端拥挤条件下对出行时间的估值高出47%，凸显了非补偿性行为在拥挤成本估算中的关键作用。

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.

研究动机与目标

• 解决静态选择模型在捕捉交通路线选择中动态、异质决策规则方面的局限性。
• 利用纵向揭示偏好数据，对日常通勤者中的惯性与习惯形成进行建模。
• 通过区分补偿性与非补偿性决策行为，更准确地估算轨道交通拥挤的用户成本。
• 在动态建模框架中引入基于实例的学习理论（IBLT），以刻画学习行为。
• 通过考虑非补偿性行为，提升对拥挤缓解干预措施福利影响的评估精度。

提出的方法

• 开发一种动态潜在类别模型（DLCM），根据决策规则（补偿性或惯性/习惯性）将乘客分配至潜在类别。
• 使用期望最大化（EM）算法估计模型参数，实现潜在类别随时间的动态转移。
• 应用维特比算法（Viterbi algorithm）恢复每位乘客在各次选择情境下最可能的潜在类别序列。
• 整合基于实例的学习理论（IBLT），以建模从过往经验中学习的行为，包括“烫手铁炉效应”与收益可变性。
• 引入时变协变量，如站立概率、历史路线频率，以及预期与实际服务水平之间的偏差。
• 利用两个月的智能卡与自动车辆定位（AVL）数据校准模型，以重建每日的路线偏好与车内拥挤状况。

实验结果

研究问题

• RQ1 在日常地铁通勤者的路线选择中，补偿性与习惯性决策规则如何随时间变化？
• RQ2 乘客在多大程度上依赖惯性或习惯，而非在拥挤与出行时间之间进行主动权衡？
• RQ3 在考虑动态决策规则的前提下，极端拥挤条件下对出行时间的估值相较于无拥挤条件有何变化？
• RQ4 从过往经验中学习在塑造路线选择转换方面发挥何种作用？
• RQ5 不同通勤者类型（如常客与偶尔乘客）中，补偿性与非补偿性选择的比例如何变化？

主要发现

• 平均而言，乘客仅在25.5%的路线选择情境中遵循补偿性决策规则。
• 在极端拥挤条件下（拥挤密度5–6人/m²，站立概率>0.7），对出行时间的估值相比无拥挤条件高出47%。
• 对于经常通勤者（T + TI > 20），补偿性选择的比例下降至14.4%，表明高频用户具有显著的惯性。
• 历史路线频率较高且近期发生过路线变更的乘客，更可能保持在非补偿性（习惯）类别中。
• 站立概率显著影响类别转换：出乎意料的站立状态会提高转向补偿性行为的可能性。
• 该模型成功捕捉了以往静态模型未能考虑的非补偿性行为，从而实现了更准确的拥挤成本估算。