用于选择分析的深度神经网络：通过梯度正则化增强行为规律性
机器学习
2024-07-30 v2
摘要
深度神经网络（DNN）经常表现出行为不规律的模式，这显著限制了其在出行行为建模中的实际潜力和理论有效性。本研究提出强行为规律性和弱行为规律性作为评估个体需求函数单调性（即“需求定律”）的新指标，并进一步设计了一个带有六个梯度正则化器的约束优化框架，以增强 DNN 的行为规律性。所提出的框架应用于芝加哥和伦敦的出行调查数据，以检验在大样本与小样本场景以及域内与域外泛化之间，预测能力与行为规律性的权衡。结果表明，与多项 Logit 等具有强行为基础的模型不同，基准 DNN 无法保证行为规律性。然而，梯度正则化（GR）使 DNN 的行为规律性提高了约 6 个百分点（pp），同时保持了其相对较高的预测能力。在小样本场景中，GR 比在大样本场景中更有效，同时将行为规律性提高了约 20 pp，对数似然提高了约 1.7%。与 DNN 的域内泛化相比，GR 在域外泛化中更有效：它将表现不佳的基准 DNN 的行为规律性大幅提高了约 65 pp，表明行为正则化对于增强模型可迁移性和在预测中的应用至关重要。此外，所提出的框架适用于其他基于神经网络的选择模型，如 TasteNets。未来的研究可以将行为规律性作为指标，与对数似然一起用于评估出行需求模型，并研究在采用复杂机器学习模型时进一步增强行为规律性的其他方法。
引用
@article{arxiv.2404.14701,
title = {Deep neural networks for choice analysis: Enhancing behavioral regularity with gradient regularization},
author = {Siqi Feng and Rui Yao and Stephane Hess and Ricardo A. Daziano and Timothy Brathwaite and Joan Walker and Shenhao Wang},
journal= {arXiv preprint arXiv:2404.14701},
year = {2024}
}