基于贝叶斯潜在类强化学习框架捕捉自适应、反馈驱动的旅行行为
机器学习
2025-12-18 v1 机器学习
摘要
许多旅行决策都涉及一定的经验形成，其中个体会随着时间推移学习其偏好。同时，个体之间存在广泛的异质性，包括其固有偏好以及这些偏好的演变方式。本文提出一种潜在类强化学习（LCRL）模型，允许分析师捕捉这两种现象。我们将该模型应用于驾驶模拟器数据集，并通过变分贝叶斯估计参数。我们识别出三类截然不同的个体，其偏好适应方式迥异：第一类显示出基于情境的偏好，具有特定情境的探索性倾向；第二类无论情境如何都遵循持续的探索性策略；第三类则结合探索性策略和特定情境的偏好。
引用
@article{arxiv.2512.14713,
title = {A Bayesian latent class reinforcement learning framework to capture adaptive, feedback-driven travel behaviour},
author = {Georges Sfeir and Stephane Hess and Thomas O. Hancock and Filipe Rodrigues and Jamal Amani Rad and Michiel Bliemer and Matthew Beck and Fayyaz Khan},
journal= {arXiv preprint arXiv:2512.14713},
year = {2025}
}
备注
32 pages, 8 figures, 6 tables