机器学习时代的选择建模——讨论论文

自诞生以来，选择建模领域一直由理论驱动的建模方法主导。机器学习提供了一种替代性的数据驱动方法来建模选择行为，并在我们的领域中日益引起关注。机器学习模型、技术与实践的跨界融合有助于克服当前理论驱动建模范式中所遇到的问题与局限，例如主观且劳动密集的模型选择搜索过程，以及无法处理文本和图像数据。然而，尽管利用机器学习进展来改进选择建模实践具有潜在益处，选择建模领域对接纳机器学习一直犹豫不决。本讨论论文旨在整合关于使用机器学习模型、技术与实践进行选择建模的知识，并讨论其潜力。由此，我们不仅希望论证机器学习在选择建模中的进一步融合是有益的，也希望进一步促进这种融合。为此，我们厘清了两种建模范式的异同；回顾了机器学习在选择建模中的使用；并探索了接纳机器学习模型与技术以改进我们实践的机遇领域。在本文结尾，我们提出了一系列必须解决的研究问题，以更好地理解机器学习是否及如何能使选择建模受益。