[论文解读] Capturing positive network attributes during the estimation of recursive logit models: A prism-based approach

Yuki Oyama|arXiv (Cornell University)|Apr 4, 2022

Transportation Planning and Optimization被引用 4

一句话总结

该论文提出了一种棱柱约束递归多项式对数几率模型（Prism-RL），通过在状态扩展网络中引入选择阶段约束，限制路径选择，从而解决递归多项式对数几率模型估计中的数值不稳定性问题。该方法即使在包含正向网络属性（如街道绿化）时也能实现可靠估计，拟合优度和预测性能优于标准RL模型，并能有效捕捉现实世界中行人路径选择行为中的绕行与环境偏好。

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.

研究动机与目标

• 解决在参数更新过程中因不可行值函数导致的递归多项式对数几率（RL）模型估计中的数值不稳定性问题。
• 使路径选择模型能够包含正向网络属性（如街道绿化）等，这些属性通常因计算问题而被排除。
• 使用日本横滨的真实GPS数据，验证棱柱约束递归多项式对数几率模型（Prism-RL）在实际估计中的有效性。
• 研究选择阶段约束（T）对估计性能和模型一致性的影响。
• 证明Prism-RL通过隐式限制绕行和环路，提升了模型拟合与预测能力，同时不损失路径多样性。

提出的方法

• 通过状态扩展网络构建棱柱约束路径集，其中每个状态追踪路径上已做出的选择数量。
• 施加选择阶段约束T，限制路径可包含的最大选择数（如交叉口或转向次数）。
• 在棱柱约束网络内重新定义值函数，确保无论效用参数取值如何，均可实现数值求解。
• 通过数据驱动方式应用棱柱约束，基于观测到的绕行率设定T（例如，75%的路径绕行率≤1.33）。
• 采用最大似然估计法并结合迭代参数更新，通过棱柱约束确保每一步更新的可行性。
• 利用横滨市获取的GPS行人路径数据，对模型进行校准并验证其与真实行为的一致性。

实验结果

研究问题

• RQ1 棱柱约束递归多项式对数几率模型能否在引入正向网络属性时克服参数估计中的数值不稳定性？
• RQ2 选择阶段约束T如何影响估计收敛性与模型性能？
• RQ3 Prism-RL模型是否能更好地捕捉包含绕行与环境偏好的真实行人路径选择行为？
• RQ4 与标准RL模型相比，基于棱柱的方法能否保持或提升模型拟合与预测精度？
• RQ5 在实际应用中，Prism-RL模型相对于标准RL模型的计算成本如何？

主要发现

• 由于值函数无法收敛，标准RL模型在初始参数和真实参数均不可行时无法估计参数，而Prism-RL模型成功实现了参数估计。
• 该模型捕捉到了街道绿化对行人路径选择具有统计显著的正向影响，效用系数β_green = 2.00（p < 0.05），而标准RL模型无法可靠估计该系数。
• Prism-RL的对数似然值为-6729.71，优于标准RL模型的-6730.22，表明其对真实GPS数据的拟合效果更优。
• Prism-RL的估计时间随T线性增长，但仍在可行范围内——例如，T=100时，复杂参数集下耗时31.22秒，而标准RL模型仅需1.02秒。
• 棱柱约束有效限制了易产生绕行和环路的路径，提升了模型现实性，同时保持了路径多样性。
• 无论初始参数值与真实值相差多远（如β_init = (-4,3)），该模型均保持一致的估计性能，而标准RL模型则无法做到。