上下文感知贝叶斯混合多项Logit模型
机器学习
2023-03-30 v2 机器学习
摘要
混合多项logit模型假设决策者在不同的选择情境中偏好参数恒定，对于某些选择建模应用而言这一假设可能过强。本文提出一种有效方法对上下文相关的受访者内异质性进行建模，从而引入上下文感知贝叶斯混合多项logit模型的概念，其中神经网络将上下文信息映射为每个个体在每次选择情境中偏好参数的可解释偏移。所提模型具有若干关键优势。首先，它支持连续变量与离散变量，以及两类变量间复杂的非线性交互。其次，神经网络将每种上下文设定作为一个整体联合考虑，而非独立考虑每个变量。最后，由于神经网络参数在所有决策者间共享，它可利用其他决策者的信息来推断特定上下文对特定决策者的作用。尽管上下文感知贝叶斯混合多项logit模型允许属性间灵活交互，但与混合多项logit模型相比计算复杂度的增加很小。我们通过一项仿真研究阐释所提模型的概念与解释性，并进一步给出一个来自出行行为领域的真实案例研究——基于包含119,448次行程、由8,555名骑行者产生的大规模众包GPS轨迹数据集的自行车路径选择模型。
引用
@article{arxiv.2210.05737,
title = {Context-aware Bayesian Mixed Multinomial Logit Model},
author = {Mirosława Łukawska and Anders Fjendbo Jensen and Filipe Rodrigues},
journal= {arXiv preprint arXiv:2210.05737},
year = {2023}
}